20220806-开源证券-开源量化评论（60）_盈利预期调整优选组合的构建_24页_3mb.pdf

金融工程专题 请务必参阅正文后面的信息披露和法律声明 1 / 24 2022年 08月 06日 业绩超预期 Plus 组合的构建 开源量化评论（ 25） -2021.7.7 A 股市场中如何构造动量因子？ 开源量化评论（ 3） -2020.7.21 A 股反转之力的微观来源 市场微观结构系列（ 1） -2019.12.23 大单与小单资金流的 alpha 能力 市场微观结构系列（ 12） -2021.6.2 盈利预期调整 优选 组合的构建 开源量化评论（ 60） 魏建榕（分析师） 盛少成（联系人） 证书编号： S0790519120001 证书编号： S0790121070009 盈利预期调整事件研究 通过对比分析师对股票在当日所在年份的前后两次预测财年数据，我们定义了盈利预期调整比例，并从事件 研究 角度发现如下结论： 1、盈利预期调整比例在 0附近的数量较高； 2、盈利预期上调往往能够获得更大超额收益，且上调的分层效果比下调的效果更好； 3、下调分层效果较差的原因：时效性更低。 盈利预期调整因子的生成及改进 在因子的生成上，标准化方法为影响因子效果较为关键的因素，我们讨论了 3种方式，并从因子覆盖度、 ICIR 以及分组回测绩效综合比较，最后采用 分歧度标准化 方式定义的 FYR_DISP；在因子的改进上，我们讨论了分析师行 为对于 该因子的影响，并从 时间加权、股价 跟随 性加权、预测准确度加权 三大维度给出了尝试，改进后因子 _多空对冲 信息比率 从 2.38提升至 3.14。 盈利预期上调股票池增强探索 在做增强之前，我们发现 _本身的效果已经较好，以因子值较大的 30 只股票池为例，其绝对收益年化 27.8%、收益波动比 1.02，对冲中证全指后的年化 24.4%，收益波动比 2.17。 进一步地，我们从分析师羊群效应、动量与反转、资金流强 度、其他预期维度的关联这几大方面对盈利预期上调股票池尝试增强。对于分析师羊群效应CSAD_FR，我们借用 了 刻画交易羊群效应 CSAD指标的定义，并发现 _存在正向选股效果，多空对冲 信息比率 为 0.60；在盈利预期上调股票池内，反转因子我们采用理想反转因子的 M_high部分，动量因子采用长端动量、分析师关联动量和事件收益动量，接着我们将反转和动量因子合成，合成因子 R_M多空对冲 信息比率 为 1.30；在资金流强度层面，我们直接使用大单残差，多空对冲为1.73；在与其他预期维度的关联上，我们主要考虑评级变动和预期 ROE 高低，结果发现： 1、评级变动有明显分层效果，评级上调对冲评级下调后的 信息比率为 1.41； 2、 高 预期 ROE组 的表现会好于低预期 ROE组，但多空对冲的曲线并不稳，尤其近 1年产生较大回撤。 在上述的分析中，我们发现 动量与反转综合因子 R_M、大单残差以及评级变动因子效果较好，后续我们利用其作为风险因子进行组合增强。 盈利预期调整 优选 组合的构建 （ 1）确立初始股票池：选取 _大于 0的股票池； （ 2）剔除 该股票池评级为非增持和买入的股票； （ 3）剔除评级下调的股票； （ 4）剔除位于风险因子 R_M以及大单残差后 10%分位的股票。 改进后的盈利预期调整 优选 组合相比于原始组合绩效明显更好， 信息比率 达到1.21。从超额收益来看，所有年份都录得了正超额， 全区间的年化超额收益率26.89% ，收益波动比为 2.58，胜率 72.67% 。 风险提示： 模型测试基于历史数据， 在市场波动不确定性下可能存在失效风险 。 相关研究报告 金融工程 研究团队 开源证券 证券研究报告 金融工程专题 金融工程研究 魏建榕（首席分析师） 证书编号： S0790519120001 张 翔 （ 分析师 ） 证书编号： S0790520110001 傅开波（ 分析师 ） 证书编号： S0790520090003 高 鹏（ 分析师 ） 证书编号： S0790520090002 苏俊豪（ 分析师 ） 证书编号： S0790522020001 胡亮勇（ 分析师 ） 证书编号： S0790522030001 王志豪 （ 分析师 ） 证书编号： S0790522070003 盛少成 （ 研究员 ） 证书编号： S0790121070009 苏 良 （ 研究员 ） 证书编号： S0790121070008 金融工程专题 请务必参阅正文后面的信息披露和法律声明 2 / 24 目 录 1、 朝阳永续一致预期数据概览 . 4 2、 盈利预期调整：事件研究与因子的构建 . 5 2.1、 盈利预期调整事件研究：盈利预期上调有明显超额 . 5 2.2、 盈利预期调整因子的构建：分歧度标准化更有效 . 7 2.3、 FYR_DISP的改进：时间、股价跟随性、预测准确度 . 7 3、 盈利预期上调股票池增强探索：优选组合的构建 . 11 3.1、 分析师羊群效应： _多空对冲信息比率 0.60 . 12 3.2、 盈利预期上调样本池内的动量与反转： R_M多空对冲信息比率 1.30 . 13 3.3、 资金流维度：大单残差多空对冲信息比 1.76 . 16 3.4、 与其他预期维度的关联：评级变动和预期 ROE高低 . 17 3.5、 盈利预期调整优选组合：超额信息比率 2.58 . 20 4、 风险提示 . 22 图表目录 图 1： 点评类报告数量最多 . 4 图 2： 分析师报告在财报发布日前后数量较多 . 4 图 3： 创建与入库时间差 7天以内占到 95% . 5 图 4： 主流宽基指数覆盖率较高，全 A覆盖率下滑明显 . 5 图 5： 分析师盈利预期上调往往能够获得更大超额收益 . 6 图 6： 盈利预期下调样本数略高于上调样本数 . 6 图 7： 下调盈利 样本时效性更低 . 6 图 8： 时间加权间隔示意图 . 8 图 9： 1加权下 FYR_DISP的 ICIR有一定程度提升 . 8 图 10： 2加权下 FYR_DISP的 ICIR提升明显 . 8 图 11： 股价跟随性 _加权下 FYR_DISP的 ICIR提升明显 . 9 图 12： 预测准确度 _加权下 FYR_DISP的 ICIR没有提升 . 10 图 13： 结合时间和股价跟随性加权的 _多空对冲信息比率从 2.38提升至 3.14 . 11 图 14： _本身的分层效果已非常优异 . 12 图 15： 盈利预期上调样本池中， _的 ICIR为正 . 13 图 16： 盈利预期下调样本池中， _的 ICIR为负 . 13 图 17： 盈利预期上调的样本池中， _多空对冲信息比率为 0.60 . 13 图 18： 盈利预期下调的样本池中， _多空对冲信息比率为 0.75 . 13 图 19： 在分析师盈利上调样本池中，分析师关联动量多空对冲信息比 0.85 . 15 图 20： 在分析师盈利上调样本池中，盈利预期调整日当天的 ICIR最高 . 15 图 21： 在分析师盈利上调样本池中，盈利预期调整 OER因子多空对冲信息比 0.97 . 15 图 22： 在分析师盈利上调样本池中，反转与动量合成因子 R_M多空对冲信息比 1.30 . 16 图 23： 在分析师盈利上调样本池中，不同事件交易日的大单残差选股效果并没有表现出特别明显的差别 . 16 图 24： 在分析师盈利上调样本池中，大单残差多空对冲信息比 1.76 . 17 图 25： 评级为增持和买入的数量最多 . 17 图 26： 评级不变的 占比较多 . 17 图 27： 在分析师盈利上调样本池中，评级上调对冲评级下调后的信息比率为 1.41 . 18 金融工程专题 请务必参阅正文后面的信息披露和法律声明 3 / 24 图 28： 高预期 ROE组中 Ln(PB)与预期 ROE拟合 为 0.51， 2为 0.26 . 18 图 29： 低预期 ROE组中 Ln(PB)与预期 ROE拟合 为 0.36， 2为 0.13 . 18 图 30： 在盈利预期上调样本池中，高预期 ROE分组下的 Ln(PB)与预期 ROE回归斜率更大 . 19 图 31： 在盈利预期上调样本池中，高预期 ROE的表现会好于低预期 ROE组，但多空对冲的曲线并不稳 . 19 图 32： 以 30只股票池为例，增强后的组 合信息比率提升明显 . 20 图 33： 盈利预期调整优选组合整体偏向于大市值股票 . 22 图 34： 盈利预期调整优选组合在医药生物、食品饮料、机械设备等行业暴露较多 . 22 表 1： 三种标准化方式对比下， FYR_DISP效果最好 . 7 表 2： 合成 加权下的 FYR_DISP多空对冲信息比率从原始的 2.38提升至 2.79. 8 表 3： 股价跟随性 _加权下的 FYR_DISP多空对冲绩效提升明显 . 9 表 4： 不同加权方式下的绩效皆有提升， _效果最好 . 11 表 5： _分层绩效较为优异 ，以因子值较大的 30只股票池为例，对冲中证全指收益波动比 2.17 . 12 表 6： 在分析师盈利上调样本池中， M_High绩效优于理想反转 . 14 表 7： 在分析师盈利上调样本池中，长端动量依旧具备一定选股能力 . 14 表 8： 不同选股组合数量下的敏感性分析 . 20 表 9： 盈利预期调整优选组合分年度绩效，所有年份都录得了正超额 . 21 金融工程专题 请务必参阅正文后面的信息披露和法律声明 4 / 24 分析师预期数据蕴含着大量的信息，在业 绩超预期 Plus 组合的构建中，我们 立足 于 业绩超预期股票池，基于财务数据、股价行为、大单资金流等，优中选优构建了超预期 30组合，该组合样本外跟踪绩效表现优异， 2022年 以来超额中证 500指数 14.6%，月度超额胜率 86%。 业绩超预期基于的是财报盈利实际值和分析师盈利预期 值 的对比，除此之外分析师预期的自身对比，即盈利预期调整也蕴含着重要的信息，本篇报告将对该问题详细展开，主要涵盖因子的生成及改进、组合的构建。本文的创新点如下： （ 1）在因子的生成上，标准化方法为影响因子效果较为关键的因素，我们讨论了 3种方式，并使用 分歧度标准化 的方式作为最终的因子； （ 2）在因子的改进上，我们讨论了分析师行为对于 盈利 预期调整因子的影响，并从 时间加权、股价 跟随 性加权、预测准确度加权 三大维度 出发 给出了尝试，最终因子的多空对冲 信息比率 从 2.38提升至 3.14； （ 3）在组合的构建中，我们从分析师覆盖股票池出发，并从预期调整角度构建了特色因子，包括 分析师关联动量、分析师羊群效应 等；对于每个细分因子，我们有不同构造方式的详细讨论； （ 4）对于盈利预期调整的选股效果，其也会一定程度受到其他预期维度的影响，这里我们主要考虑了： 评级调整 方向和预期 ROE的高低 。 1、 朝阳永续 一致预期数据概览 朝阳永续一致预期数据，是广为市场熟知的记录分析师预期行为的专项数据 。为了后续的研究方便，在文章的第一部分我们先对其进行简单的数据统计，具体从以下四个角度展开：不同类型报告分布、报告数量月度分布、创建与入库时间差、宽基指数的覆盖度，具体情况如下图所示。其中对于非个股报告而言，我们选取置信度在 5以上 的样本 为有效样本。 图 1： 点评 类报告数量最多 图 2： 分析师报告在财报发布日前后数量较多 数据来源： Wind、 朝阳永续 、 开源证券研究所 （ 2021.1.1-2021.12.31） 数据来源： Wind、朝阳永续、开源证券研究所 （ 2009.1.1-2022.6.30） 金融工程专题 请务必参阅正文后面的信息披露和法律声明 5 / 24 图 3： 创建与入库时间差 7天以内占到 95% 图 4： 主流宽基指数覆盖率较高，全 A覆盖率下滑明显 数据来源： Wind、朝阳永续 、 开源证券研究所 （ 2009.1.1-2022.6.30） 数据来源： Wind、朝阳永续、开源证券研究所 从不同类型报告分布来看：点评报告的数量相对较多，深度报告、一般个股报告、非个股报告（置信度大于 5）类的数量次之，调研报告、会议纪要的数量最少。 从报告数量的月度分布来看：分析师报告在财报发布日前后数量较多，即在 3、4、 8、 10几个月出现了小高点。 从创建与入库时间差来看：分析师报告发布和入库存在一定的时间滞后性，但整体来看时效性较高，其中时间差在 3天以内的样本量占到 80%， 7天以内占到 95%。在后续的分析中，我们默认创建与入库时间差小于 7天的样本为有效样本。 从覆盖度来看：对于沪深 300 指数成分股，分析师覆盖度基本保持在 90%以上的水平；对于中证 500指数成分股，分析师覆盖度在 70%90%之间浮动；随着注册制的实施，全市场个股的分析师覆盖率呈现了 较大幅度的下滑，从 2016年 Q3的 75%以上的覆盖率水平逐步下降到 2022Q2大约 50%的覆盖率。 2、 盈利预期调整 ：事件研究 与 因子的构建 2.1、 盈利预期调整事件研究 ： 盈利预期上调 有明显超额 对于盈利预期调整幅度，我们采用如下的方式进行定义：对于股票 而言，使用分析师 在当日所在年份的预测财年数据 ,，与同预测年份最近一期预期财年数据,1进行对比： _, = , ,1,1 其中，在此计算中我们考虑到如下几个细节： （ 1）若相对于当前预测时点， 分析师对股票 前一次预测时点发生在 180 天以前，我们认为该数据离当前时点过远，时效性存在一定问题，此时该股票的_,会被设置为空值； （ 2）这里的 ,和 ,1都是基于机构 id来进行匹配的，但是当分析师跳槽后，则会出现前后两次预测机构相同、分析师不同的问题。这里的处理方式为：当前后两次预测机构相同，但署名分析师完全不一致的情况下，我们才 会将该股票的_,设置为空值； 金融工程专题 请务必参阅正文后面的信息披露和法律声明 6 / 24 （ 3）若该股票 ,1为负值或微利值，以及 _,的绝对值大于 1 时，我们认为计算结果在一定程度上会失真，此时该股票的 _,会被设置为空值。 接着，我们统计了不同盈利预期调整幅度在 T-20 至 T+60 的超额收益状况，这里超额的比较基准为中证全指，结果如图 5所示。从图中我们可以得出 4点结论： （ 1）分析师盈利预期下调样本数略高于上调样本数，这是由于分析师普遍偏向于高估，往往伴随着财报的披露会下修盈利预期； （ 2）分析师盈利预期调整比例在 0附近的数量较高，说明大幅调整的冒险性行为出现概率偏小； （ 3）分析师盈利预期上调往往能够获得更大超额收益，且上调的分层效果比下调的效果更好； （ 4）下调分层效果较差的原因即：时效性更低。从图 7中可以观察到：在相同的调整幅度下，上调报告间隔的时间要小于下调。盈利预期下调 由于信息比较滞后，在发布报告之前市场可能已经反应这一事件， 因此报告后的异常收益区分度 并不明显 。 图 5： 分析 师盈利预期上调往往能够获得更大超额收益 数据 来源： Wind、朝阳永续、 开源证券研究所 （ 2009.1.1-2022.6.30） 图 6： 盈利预期下调样本数略高于上调样本数 图 7： 下调盈利样本 时效性更低 数据来源： Wind、朝阳永续 、 开源证券研究所 （ 2009.1.1-2022.6.30） 数据来源： Wind、朝阳永续、开源证券研究所 （ 2009.1.1-2022.6.30） 金融工程专题 请务必参阅正文后面的信息披露和法律声明 7 / 24 2.2、 盈利预期调整因子的构建 ：分歧度标准化更有效 进一步地，我们将盈利预期调整事件转化为月频调仓因子，具体做法为：对于股票 ，每月底回看过去 180天，计算该时段所有分析师最近一期的 _,， 并求平均得到因子值 _,，公式表达即： _, = _,=1 。在计算时，若这只股票在这 180天内覆盖分析师数 小于 3，则因子值被设置为空值。 除了 _,的定义方式，本文也讨论了其他 2种定义方式： （ 1） _,。 该因子的标准化方法 为 ： 盈利 预测调整时 序上的标准 差。具体做法为：对于股票 ， 每月底回看过去 180 天，其中 分析师 盈利预期调整序列为,，序列长度为 ，该股票覆盖分析师数为 （若 或者 小于 3，则 _,被赋予空值 ），利用此 _,可以被表达为： _, = 1 ,(,)/=1 （ 2） _,。 该因子的标准化 为 ： 盈利预测调整横截面标准差，即分歧度。具体做法为：对于股票 ， 每月底回看过去 180天，其中 所有分析师最近一期的盈利预测调整集合为 ,，该股票分析师覆盖数为 （若 小于 3，则 _,被赋予空值 ），利用此 _,可以被表达为： _, = ,=1 /(,)/ 我们对三种标准化方式下的盈利预期调整因子进行回测，手续费双边千三，结果如表 1所示。我们可以看到： FYR_DISP无论是在 IC均值、 ICIR、多空对冲还是多头的表现上都是相对较优 的 ， FYR_PCT 效果最差。 FYR_STD 虽然效果不错，但是在计算时序标准差时，我们要求至少存在 3 个样本点，这会导致覆盖度偏低。所以后续我们的分析对象主要是 FYR_DISP。 表 1： 三种标准化方式对比下， FYR_DISP效果最好 因子名称 覆盖度 IC ICIR 多空对冲 收益波动比 多头 收益波动比 FYR_PCT 35.18% 3.69% 1.85 2.19 0.85 FYR_STD 27.56% 3.74% 2.45 2.38 0.81 FYR_DISP 35.18% 4.34% 2.38 2.38 0.88 数据来源： Wind、朝阳永续、开源证券研究所 （ 2009.1.1-2022.6.30） 2.3、 FYR_DISP的改进 ：时间、股价跟随性、预测准确度 对于 FYR_DISP 而言，构建方法中的分子为所有分析师最后一期盈利预测值变化的平均，但是不同分析师盈利预期变动带来的市场影响力是不同的，在这里我们从三个角度出发进行加权处理： 时间 ， 股价 跟随 性 ， 预测准确度。 （ 1）时间 对于时间的加权，我们 主要考虑： 1、前后两次预测间隔时间差 1； 2、最后一次预测时间距离生成因子的时间间隔 2，具体示意如图 8所示。 金融工程专题 请务必参阅正文后面的信息披露和法律声明 8 / 24 图 8： 时间加权 间隔示意图 资料 来源：开源证券研究所 对于时间加权的权重，我们采取半衰期加权法来确定，以 1为例，对于股票 ，加权后的分析师 权重为 1,，公式表达如下 (为分析师覆盖个数， 为半衰期参数 )： 1, = 21,/ 21,/=1 进一步，我们对半衰期参数 N做了参数遍历。在不同参数下，时间加权 FYR_DISP的 IC_IR表现如图 9及图 10所示 。 图 9： 加权下 FYR_DISP的 ICIR有一定程度提升 图 10： 加权下 FYR_DISP的 ICIR提升明显 数据来源： Wind、朝阳永续、开源证券研究所 （ 2009.1.1-2022.6.30） 数据来源： Wind、朝阳永续、开源证券研究所 （ 2009.1.1-2022.6.30） 从上图中我们可以看出： 1、相比于原始的 FYR_DISP， 1或者 2时间加权下的表现都有所提升； 2、 2时间加权下的表现更优； 3、二者对于半衰期参数敏感性不高。 接着，我们选取 N=60，对两种时间加权权重进行合成 ， 形成 ，采取的方式为 1与 2相乘，再归一化。最后，我们对 1、 2、 三种方式下的加权因子进行了 5分组回测，结果如表 2所示。从表中可以看出在 时间加权下 ， FYR_DISP的多空 信息比率 从原始的 2.38 提升至 2.79，最大回撤从 6.83%降至 3.77%，是较为有效的改进方案 。 表 2： 合成 加权下的 FYR_DISP多空对冲 信息比率 从原始的 2.38提升至 2.79 因子名称 IC_IR 多空对冲 年化收益 信息比率 最大回撤 原始 FYR_DISP 2.38 14.95% 2.38 6.83% 1加权 (N=60) 2.46 15.26% 2.63 4.42% 2加权 (N=60) 2.57 16.51% 2.70 5.56% 加权 (N=60) 2.64 16.08% 2.79 3.77% 数据来源： Wind、 朝阳永续、 开源证券研究所 （ 2009.1.1-2022.6.30） 金融工程专题 请务必参阅正文后面的信息披露和法律声明 9 / 24 （ 2）股价 跟随 性 对于盈利预期调整而言，往往会受到前期市场涨跌的影响，比如当某只股票处于强势的上涨趋势中，分析师更大概率会积极上调盈利预测。对于跟随市场涨跌的盈利预期调整而言，我们认为其跟风效应强、创新性不足，而那些与市场走势不同的观点可能更有参考价值。 为了验证这一猜想，我们结合盈利预期调整与股票前 60天的超额收益方向进行综合判定，若两者一致 ， 给 A权重，反之给 1-A权重， 对于调整比例或超额收益有一者为 0的情况，我们给 0.5的权重，最后进行归一化，我们就得到了股价 跟随 性加权下的分析师权重 _。在这里我们对参数 A 做了敏感性分析，加权后FYR_DISP的 ICIR结果如图 11所示。 图 11： 股价跟随性 _加权下 FYR_DISP的 ICIR提升明显 数据来源： Wind、朝阳永续、开源证券研究所 （ 2009.1.1-2022.6.30） 从图 11我们可以看出：在 A0.5的区域，相比于原始 FYR_DISP，股价 跟随 性加权下的因子效果明显提升，该结果也成功验证我们的猜想： 与市场走势不同的观点更有价值。 进一步，我们对 股价跟随性加权 改进 FYR_DISP 进行 5 分组回测，结果如表 3所示。我们可以发现在不同参数 A 下，改进后因子多空对冲 信息比率 都有明显的提升，为了避免参数过拟合，我们最终选取 A=0.3。在该参数下， FYR_DISP的多空 信息比率 从原始的 2.38 提升至 2.62，最大回撤从 6.83%降至 5.63%，是较为有效的改进方案。 表 3： 股价跟随性 _加权下的 FYR_DISP多空对冲 绩效提升明显 因子名称 IC_IR 多空对冲 年化收益 信息比率 最大回撤 原始 FYR_DISP 2.38 14.95% 2.38 6.83% _加权 (A=0.1) 2.88 13.04% 2.53 4.07% _加权 (A=0.2) 2.92 15.13% 2.86 3.70% _加权 (A=0.3) 2.77 15.10% 2.62 5.63% _加权 (A=0.4) 2.58 15.70% 2.60 6.24% 数据来源： Wind、朝阳永续、开源证券研究所 （ 2009.1.1-2022.6.30） 金融工程专题 请务必参阅正文后面的信息披露和法律声明 10 / 24 （ 3）预测准确度 对于分析师而言，市场层面的预测准确度往往是考量该分析师能力的重要维度，这里我们将其纳入改进范畴，观察其是否能够对因子做进一步增强。对于预测准确度的衡量我们采取如下的方式： 1、 计算盈利预期调整方向与调整后 60 天的超额收益方向，若一致则判定为正确，反之则错误，若出现调整比例或超额收益有一者为 0的情况，则判定为模糊； 2、 对于股票 而言，若分析师 对其最近一期的预测时点为 ，则我们统计该分析师在 240, 60区间内判断正确的次数 减 判断错误的次数。若 其 大于 0 则该分析师被赋予 B 权重， 反之给 1-B 权重，若该区间内该分析师全部都是模糊的判定，则赋予 0.5的权重，最后我们将其进行 归一化，就得到了预测准确度加权下的分析师权重 。 在这里我们对参数 B做了敏感性分析，预测准确度加权后 FYR_DISP的 ICIR结果如图 12所示。 图 12： 预测准确度 _加权下 FYR_DISP的 ICIR没有提升 数据来源： Wind、朝阳永续、开源证券研究所 （ 2009.1.1-2022.6.30） 从图 12我们可以看出：相比于原始 FYR_DISP， 预测准确度加权后的效果并没有明显提升。 该结果显示：分析师对市场股价预判准确度的延续性并不能保证，即对于前期预测准确度较高的分析师而言，其后续的准确度不一定更高。 （ 4）综合判断 在上述 3 维度的分析中，我们发现利用时间间隔和股价 跟随 性进行加权得到的改进因子效果较好。综上，我们将二者进行相乘并归一化得到最后的权重 ，基于 得到的改进因子我们这里记为 _。 接着，我们进行了 5 分组回测，原始 _与改进后的 _多空对冲对比如图 13所示。改进后的因子多空对冲 信息比率 从 2.38提升至 3.14，最大回撤从 6.83%降为 3.92%，得到了 明显 改善。 金融工程专题 请务必参阅正文后面的信息披露和法律声明 11 / 24 图 13： 结合时间和股价跟随性加权的 _多空对冲 信息比率 从 2.38提升至 3.14 数据来源： Wind、朝阳永续、开源证券研究所 表 4： 不同加权方式下 的绩效皆有提升， _效果最好 因子名称 IC_IR 多空对冲 年化收益 信息比率 最大回撤 原始 FYR_DISP 2.38 14.95% 2.38 6.83% 加权 (N=60) 2.64 16.08% 2.79 3.77% _加权 (A=0.3) 2.77 15.10% 2.62 5.63% _ 3.08 15.48% 3.14 3.92% 数据来源： Wind、朝阳永续、开源证券研究所 （ 2009.1.1-2022.6.30） 3、 盈利预期上调股票池增强探索 ： 优选 组合的构建 在上面的分析中，我们主要定义并改进了盈利预期调整因子，本部分我们的目的是做因子增强，构建出具有超额的精选股票池。 在做增强之前，我们发现盈利预期调整因子 _本身的效果已经较好。这里我们选取预期调整因子排名前 30、 60、 90，以及预期调整大于 0股票池做了回测，手续费双边千三，结果如图 14 所示。我们发现该因子分层效果较为出色，以 30只股票为例，其绝对收益年化 27.8%、收益波动比 1.02，对冲中证全指后的年化 24.4%，收益波动比 2.17。 金融工程专题 请务必参阅正文后面的信息披露和法律声明 12 / 24 图 14： _本身的分层效果已非常优异 数据来源： Wind、朝阳永续、开源证券研究所 表 5： _分层绩效 较为优异，以 因子值较大的 30 只股票池为例 ，对冲中证全指收益波动比 2.17 组合 年化收益率 收益波动比 最大回撤 胜率 30 27.79% 1.02 40.07% 63.33% 60 24.08% 0.96 31.81% 63.33% 90 21.68% 0.87 33.82% 63.33% 预期调整大于 0 16.13% 0.63 37.46% 63.33% 中证全指 3.17% 0.14 51.30% 54.00% 30对冲中证全指 24.38% 2.17 7.83% 77.33% 数据来源： Wind、朝阳永续、开源证券研究所 （ 2010.1.1-2022.6.30） 为了达到更进一步的增强效果，我们从分析师羊群效应、分析师股票池的动量与反转、资金流强度、其他预期维度的关联这几大方面展开进行探讨，试图挖掘具有区分度的因子并进行组合增强。 3.1、 分析师羊群效应 ： _多空对冲 信息比率 0.60 在交易层面， A 股存在明显的羊群效应。对于分析师而言，也存在明显的羊群效应，因为分析师总是试图去靠近一致预期，而不愿冒风险给出过于激进的预测。这里我们参照用于刻画交易羊群效应的 指标，则对于股票 ， 时刻的分析师的羊群效应 _,用公式表达如下（ 为分析师个数， ,为 分析师的预测值，,为一致预期）： _, = 1|, ,|=1 对于股票 而言，当 _,指标开始上升时，代表分析师之间羊群效应在减小，此时往往会有一些信息了解更加全面、或者研究能力更强的分析师给出与市场一致预期不一致的观点。而当 _,开始下降时，代表分析师 之间羊群效应在减小，各家分析师的观点在逐渐靠拢。进一步，为了验证羊群效应变动的选股能力，金融工程专题 请务必参阅正文后面的信息披露和法律声明 13 / 24 我们使用本月 _,与过去 月 _,均值进行比较，定义了羊群效应变动因子 _,，具体如下： _, = (_, 1 _,1=0)/(1 _,1=0) 接着，我们对参数 做了遍历，在盈利预期上调和下调样本池内的 ICIR 如下图所示。从图中可以看出：在盈利预期上调的样本池中， _呈现明显的正向选股能力，而在盈利预期下调的样本池中， _呈现明显的负向选股能力。 图 15： 盈利预期上调样本池中， _的 ICIR为正 图 16： 盈利预期下调样本池中， _的 ICIR为负 数据来源： Wind、朝阳永续、开源证券研究所 （ 2010.1.1-2022.6.30） 数据来源： Wind、朝阳永续、开源证券研究所 （ 2010.1.1-2022.6.30） 我们这里以 = 6为例，分别在两个股票池内进行了 5 分组回测，如下图所示。其中， _在盈利预期上调股票池内多空对冲 信息比率 为 0.60，在盈利预期下调股票池内多空对冲 信息比率 为 0.75。 图 17： 盈利预期上调的样本池中， _多空对冲信息比率 为 0.60 图 18： 盈利预期下调的样本池中， _多空对冲信息比率 为 0.75 数据来源： Wind、朝阳永续、开源证券研究所 数据来源： Wind、朝阳永续、开源证券研究所 3.2、 盈利预期上调样本池内的动量与反转 ： R_M多空对冲 信息比率 1.30 1、反转 对于反转因子而言，我们在 A 股反转之力的微观结构中提出了效果较好的理想反转因子。从表 6可看出，该因子在 分析师 覆盖 股票池 的 ICIR为 -1.32，在盈利金融工程专题 请务必参阅正文后面的信息披露和法律声明 14 / 24 上调股票池 ICIR为 -0.83。其中，组成该因子的 M_Low基本没有效果，甚至导致在盈利上调股票池内，理想反转的效果差于 M_High。最终，我们使用 M_high因子作为本篇报告使用的反转因子。 表 6： 在分析师盈利上调样本池中， M_High绩效优于理想反转 全样本 分析师预期覆盖 分析师 盈利 预期 上调 理想反转 -2.31 -1.32 -0.83 M_High -1.97 -1.23 -0.91 M_Low 0.77 0.35 0.07 数据来源： Wind、朝阳永续、开源证券研究所 （ 2010.1.1-2022.6.30） 2、动量 对于 盈利预期上调 股票池而言，我们希望深入挖掘其中的动量效应，这里我们主要从以下几个方面出发： （ 1） 长端动量； （ 2） 分析师关联动量； （ 3） 事件收益动量。 （ 1）长端动量 在如何构造 A股中的动量因子中 ，我们发现 在 A股 ，当把 时间维度 拉长 之后 ， 按照活跃度指标比如振幅 对收益进行分域 ，即可将动量和反转效应区分开 。该因子在 分析师 覆盖 股票池 的 ICIR 为 0.87，在分析师预期调整大于 0 股票池 ICIR 为0.74，依旧具备一定选股效果。 表 7： 在 分析师盈利上调样本池中， 长端动量依旧具备一定选股能力 全样本 分析师覆盖 分析师 盈利 预期 上调 长端动量 1.29 0.87 0.74 数据来源： Wind、朝阳永续、开源证券研究所 （ 2010.1.1-2022.6.30） （ 2）分析师关联动量 关联网络现象在股市中显著存在，之前我们从资金流角度研究了股票之间的关 联网络并构建了有效的选股因子，本文主要从 分析师覆盖股票池出发，并从预期调整角度 挖掘分析师关联动量因子。其做法主要有如下三步： 第一步： 确定关联指标 。 对于关联网络而言，其核心在于关联指标的选取，即对于股票 A 而言，何种特征的股票会是其关联股票。这里我们选取 盈利上下调 个数差值 为关联指标； 第二步： 计算 盈利上下调 个数 差值 。 每月底回看过去 180 天，使用上调盈利预期分析师个数 -下调盈利预期分析师个数； 第三步： 回归取残差 。 我们将与股票 A 盈利上下调 个数 差值 方向一致的股票月度收益率取平均，回归股票 A自身同期月度收益率，残差即为分析师关联动量。 我们对分析师关联动量进行 5 分组回测，其在 盈利预期上调股票池 内，多空对冲 信息比率 为 0.85，整体绩效较为优异。 金融工程专题 请务必参阅正文后面的信息披露和法律声明 15 / 24 图 19： 在 分析师盈利上调样本池中， 分析师关联动量多空对冲信息比 0.85 数据来源： Wind、朝阳永续、开源证券研究所 （ 3）事件收益动量 我们以盈利预期调整日为界限，在盈利预期上调样本池中，分别向前和向后回溯 N 个交易日，计算个股在这些交易日的超额收益率，并计算其与未来持仓收益率的 IC。从图 20可以看到，在盈利预期调整日当天的 ICIR 最高，调整日前的交易日更多呈现动量特性，调整日后的交易日更多呈现的是反转效应。这里我们选取 T+0即盈利预期调整当天的超额收益记为盈利预期调整 OER因子，该因子在盈利上调股票池内的 5分组回测如图 21所示，多空对冲 信息比率 为 0.97。 图 20： 在 分析师盈利上调样本池中， 盈利预期调整日当天的 ICIR最高 图 21： 在 分析师盈利上调样本池中， 盈利预期调整 OER因子多空对冲信息比 0.97 数据来源： Wind、朝阳永续、开源证券研究所 （ 2010.1.1-2022.6.30） 数据来源： Wind、朝阳永续、开源证券研究所 3、 反转与动量的结合 通过上述的分析，在反转维度有效因子有 M_High，在动量维度有效因子有长端动量、分析师关联动量、盈利预期调整 OER因子。接着，我们将其排序，动量类因子正序排列，反转类因子逆序排序，排序相加后的合成因子记为 R_M因子。该因子在盈利预期上调股票池的多空对冲 信息比率 为 1.30，整体绩效较为优异。 金融工程专题 请务必参阅正文后面的信息披露和法律声明 16 / 24 图 22： 在分析师盈利上调样本池中， 反转与动量合成因子 R_M多空对冲信息比 1.30 数据来源： Wind、朝阳永续、开源证券研究所 3.3、 资金流维度 ：大单残差 多空对冲信息比 1.76 在大单与小单资金流的 alpha能力中，我们发现大单残差为较为有效的选股因子，这里将其使用在盈利上调股票池进行分层测试，检验其效果。首先，我们针对盈利预期调整前后 N 个交易日，每个交易日都使用该方法计算大单残差，其中不同交易日的大单残差选股 IC如图 23所示： 图 23： 在分析师盈利上调样本池中 ，不同 事件 交易日的大单残差 选股效果 并没有表现出特别明显的差别 数据来源： Wind、朝阳永续、开源证券研究所 （ 2010.1.1-2022.6.30） 从图 23我们可以看出： 对于 不同交易日的大单残差 ，选股效果 并没有表现出特别明显的差别，其并不像在事件收益动量中有规律可循。所以对于大单残差的研究，我们不筛选特定交易日，即对于每只股票，在每个月底都统一回看过去 20天计算大单残差，该因子回测结果如图 24所示，其在盈利预期上调样本池内多空对冲 信息比率 为 1.76。 金融工程专题 请务必参阅正文后面的信息披露和法律声明 17 / 24 图 24： 在分析师盈利上调样本池中， 大单残差 多空对冲信息比 1.76 数据来源： Wind、朝阳永续、开源证券研究所 3.4、 与其他预期维度的 关联 ：评级变动和预期 ROE高低 除了盈利预期之外，朝阳永续数据库还包括一些其他预期数据，本篇报告主要考虑分析师预期评级变动和预期 ROE高低，试图从这两个维度继续增强盈利预期上调组合。 1、 评级调整 朝阳永续 数据库将 评级 分为卖出、减持、中性、增持、买入、其他等几类 ，不同评级的分布如图 25所示 。 从图中可以看出 ，分析师报告基本都是买入和增持评级，所以比