金工专题报告：如何改善一致预期-20200604-天风证券-27页_1mb

金融工程：改善一致预期的盈利预测模型分析

核心内容概述

本文主要探讨了分析师一致预期在实际应用中存在的问题，并提出了一套基于公司公告的体系化盈利预测模型——TF盈利预测系统。该系统通过三步骤实现盈利预测，包括数据获取、模型选择与盈利估计、模型校准。通过对比TF盈利预测与朝阳永续一致预期，证明了TF模型在预测准确性、稳定性及可比性方面具有明显优势。

主要观点

• 分析师一致预期的问题：

  1. 覆盖率下降：分析师注意力集中在部分股票，导致多数股票缺乏覆盖，影响盈利预期的全面性。
  2. 乐观性偏差：分析师普遍倾向于高估盈利，导致预测偏差长期为正，影响投资判断。
  3. 可比性不足：由于分析师个体差异和差异化覆盖，不同公司的盈利预测难以直接比较。

• 盈利预测模型的可行性：

  • 量化模型能够识别并外推盈利分布规律，具有更高的稳健性和准确性。
  • 全市场中约 $31.85%$ 的公司具有稳定的盈利分布规律，为模型提供基础。

• TF盈利预测系统的优势：

  • 通过数据获取、模型选择与校准，实现系统化预测。
  • 在中证800指数成分股中，TF模型与实际净利润的相关系数达到0.83，优于朝阳永续一致预期（0.79）。
  • 在中证1000指数成分股中，TF模型的相关系数达到0.71，相比朝阳永续一致预期（0.61）提升了0.09。

• 模型效果表现：

  • 预期EP因子：月度IC均值为0.0685，年化ICIR为3.53，显著优于朝阳永续预期EP（IC 0.0554，ICIR 2.64）。
  • 预期增速因子：月度IC均值为0.0302，年化ICIR为1.79，远超朝阳永续预期增速（IC 0.0019，ICIR 0.15）。
  • 预期ROE因子：月度IC均值为0.0487，年化ICIR为2.17，优于朝阳永续预期ROE（IC 0.0309，ICIR 1.54）。

• 模型校准方式：

  • 借鉴分析师报告中的拐点、价格利好等信息，对模型预测结果进行修正，以提高预测的合理性。

关键信息

1. 分析师一致预期的局限性

• 覆盖率下降：2018年后分析师覆盖率从 $82%$ 降至 $59%$，尤其在中证1000指数成分股中下降更显著。
• 预测偏差长期为正：分析师倾向于高估盈利，导致预测结果偏离实际。
• 可比性不足：由于分析师个体差异和覆盖差异，不同公司的盈利预测缺乏统一基准。

2. TF盈利预测模型的构建与步骤

• 数据获取：优先使用公司公告（年报、快报、业绩预告），其次是分析师研究报告。
• 模型选择：基于历史盈利分布稳定性，选择适当的预测模型（如比例外推、平均增速、去年同期等）。
• 模型校准：结合分析师预期，对模型结果进行调整，提升预测准确性。

3. 模型预测效果

• 全市场表现：TF盈利预测与实际净利润的相关系数平均为0.81，比朝阳永续一致预期（0.74）提高0.07。
• 中证800成分股：TF盈利预测相关系数为0.83，朝阳永续为0.79，提升0.04。
• 中证1000成分股：TF盈利预测相关系数为0.71，朝阳永续为0.61，提升0.09。

4. 模型衍生指标表现

5. 模型优势来源

• 分析师覆盖不足：朝阳永续一致预期在覆盖不足的股票中表现更差，而TF模型在这些情况下更具优势。
• 盈利分布稳定：对于盈利分布稳定的公司，TF模型能更准确地识别规律并进行外推。
• 模型校准：通过分析师报告的拐点、价格利好等信息对模型进行修正，提升预测效果。

风险提示

• 模型基于历史数据，无法保证未来预测效果。
• 因子失效风险：当公司盈利出现异常波动或暴雷时，模型可能无法准确预测。

总结

TF盈利预测系统通过系统化的模型构建与校准，有效解决了分析师一致预期在覆盖率、乐观性偏差和可比性方面的不足。其在全市场及不同股票域中均表现出较高的预测准确性和稳定性，尤其在分析师覆盖不足的情况下，优势更加显著。通过构建预期EP、预期增速、预期ROE等因子，TF模型不仅提升了预测效果，还具有信息增量，为投资者提供更加可靠的投资依据。