20180410-天风证券-金工专题报告_基于基础数据的分析师一致预期指标构建_32页_1mb

报告摘要

金融工程：基于基础数据的分析师一致预期指标构建总结

核心内容

本文探讨了如何基于基础数据构建分析师一致预期指标，并分析了其在多因子选股模型中的应用。一致预期指标作为alpha模型的重要组成部分，其构建关键在于对一致预期净利润的精确估计。通过多维度加权方法，包括时间维度、分析师维度和企业业绩报告的修正，能够有效提升预测精度。

主要观点

分析师一致预期的重要性
分析师一致预期指标具有与传统alpha因子相对独立的收益来源，是alpha模型中重要的增量信息来源。
预测偏离度的影响因素
分析师预测偏离度受到预测时间跨度、企业规模和所属行业的影响。时间跨度越小，预测越准确；企业市值越大，预测误差越小；行业特性也会影响预测精度，如周期性行业预测难度较大。
加权方法
- 时间维度加权：根据报告撰写时间，赋予最近的预测数据更大的权重，采用半衰权重（如t月权重4，t-1月权重2，t-2月权重1）。
- 分析师维度加权：根据分析师历史预测偏离度进行调整，给予预测误差小的分析师更大权重。
- 企业业绩报告修正：在存在企业业绩报告（快报或预告）时，优先使用其数据作为一致预期值，以提高预测精度。
滚动一致预期净利润
滚动一致预期净利润（Profit_ROLL）基于当前时点往后滚动12个月的预测，相较于静态一致预期（Profit_FY1）更具实际意义。
一致预期衍生指标
基于一致预期净利润，构建了五大类衍生指标，包括一致预期估值（EP_FY、EP_ROLL）、一致预期成长（Growth_FY、Growth_Reg）、一致预期PEG、一致预期估值变化（DEP）和一致预期估值分位点（EP_PER）。
缺失值填充机制
采用企业所在行业利润增速分位点作为缺失值的填补依据，以提高预测的逻辑性和准确性。

关键信息

预测偏离度计算公式：
$$
\text{bias} = \frac{\text{abs}(Profit_{Forecast} - Profit_{Real})}{\text{abs}(Profit_{Real})}
$$
时间跨度定义：
$$
\delta = M_{report} - M_t
$$
分析师权重计算：
$$
\text{weight}_i = \left{ \begin{array}{cc} 1 & \text{无作者或预测数少于5} \ 5 - \frac{\text{bias}_i - \text{Min}(\text{bias}_i)}{\text{Max}(\text{bias}_i) - \text{Min}(\text{bias}_i)} \times 4 & \text{其他} \end{array} \right.
$$
滚动一致预期估值：
$$
EP_{ROLL} = Profit_{ROLL} / TOT_{MV}
$$
一致预期成长计算：
$$
Growth_{FY} = \frac{b}{\bar{y}} \quad \text{其中} \quad b = 0.4(y_3 - y_2) + 0.6(y_2 - y_1)
$$

一致预期衍生指标表现

指标	IC均值	IC-IR	年化收益	多空胜率
EP_FY	0.057	2.10	15.6%	70.1%
EP_PER	0.06	2.11	10.2%	70.1%
EP_ROLL	0.064	2.30	19.7%	69.1%
Growth_Reg	0.049	3.22	16.1%	70.1%
PEG	0.05	1.84	12.9%	83.3%

回测结果

EP_FY1：在不同股票池中均表现优秀，IC均值超过0.06，且与EP_TTM具有较高的相关性。
EP_ROLL：相较EP_FY1更具合理性，尤其在年报未公布前，其IC均值为0.064，IC-IR为2.30，年化收益达19.7%。
Growth_Reg：剔除历史净利润影响后，表现出优秀的选股能力，IC均值达0.049，IC-IR为3.22，年化收益为16.1%。
PEG：IC均值在0.05附近，表现出一定的选股能力。
DEP：在不同样本空间中表现良好，IC均值为0.06，IC-IR为3.37，年化收益为12.9%。
EP_PER：表现出优秀的选股能力，IC均值为0.06，IC-IR为2.11，年化收益为10.2%。

风险提示

市场环境变动风险
模型失效风险
因子失效风险

作者信息

吴先兴，分析师，SAC执业证书编号：S1110516120001，邮箱：wuxianxing@tfzq.com，电话：18616029821
张欣慰，分析师，SAC执业证书编号：S1110517010003，邮箱：zhangxinwei@tfzq.com

数据来源

朝阳永续数据库
天风证券研究所
Wind系统

总结

本文提出了一套基于基础数据构建分析师一致预期指标的方法，通过时间、分析师和企业业绩报告三维度加权，显著提升了预测精度。衍生指标如EP_FY、EP_ROLL、Growth_Reg、PEG和EP_PER均表现出良好的选股能力，其中EP_ROLL和EP_PER表现尤为突出。缺失值填充机制和因子中性化处理进一步提高了模型的稳定性。整体来看，本文构建的一致预期指标在不同样本空间中均展现出优秀的alpha信息来源，为多因子选股模型提供了新的思路。

展开完整摘要