20210222-天风证券-金工专题报告_利用公司公告时的市场反应构建股票收益预测模型_18页_1mb

金融工程：利用公司公告时的市场反应构建股票收益预测模型

核心内容

本报告提出一种基于公司公告事件前后市场反应构建股票收益预测模型的方法，旨在提升中证500指数增强策略的超额收益与信息比。模型利用交易数据与分析师点评构建市场反应因子（MROR），并通过线性回归和提升树回归方法进行建模，最终将预测结果转化为日频因子，用于多因子模型中。

主要观点

• 公司公告事件前后市场反应信息（包括交易数据和分析师点评）能够有效预测股票超额收益率。
• 传统基于盈利数据的选股策略存在两个问题：覆盖率低和调仓时点固定。
• 通过建模方法，可以更全面地捕捉市场反应信息，并将其转化为适用于任意时间点的因子。
• 模型具有非线性选股特征，提升树模型能更好地捕捉这些特征。
• 将事件模型预测值因子化后，可将其整合进多因子模型，提升整体策略表现。

关键信息

模型构建方法

1. 因子设计：

   • 交易类因子（TROR）：基于公告前后交易数据，如开盘跳空幅度、日内涨幅、换手率等。
   • 分析师类因子（AROR）：基于分析师对公告的点评行为和预测数据，如上调预测率、评级调整、目标价变化等。

2. 模型训练：

   • 采用滚动训练方式，每年5月和11月为训练日，使用过去5年数据进行模型训练。
   • TROR模型预测周期为公告后第2个交易日至第61个交易日，AROR模型预测周期为公告后第6个交易日至第66个交易日。
   • 使用线性回归和提升树回归方法进行建模，提升树回归对非线性特征捕捉能力更强。

3. 因子化方法：

   • 构建预期收益率曲线，通过回归模型拟合预测值随时间变化的曲线。
   • 使用二次多项式拟合方法，降低模型预测值与常见因子之间的相关性，以增强模型的独立性。

4. 模型评估：

   • 在中证500指数增强策略中，加入MROR模型后，年化单利超额收益从18%提升至20%，信息比从3.13提升至3.73。
   • 模型在每年7月至年底期间表现较弱，具有明显的日历效应。

模型表现

• 多空策略表现：

  • TROR模型的提升树回归效果优于线性回归。
  • AROR模型和TROR模型在增强策略中均表现出一定选股能力。

• 相关性分析：

  • MROR模型与基准模型（质量成长模型、分析师预期模型）之间相关性较低，表明其具有独立信息。

• 日历效应：

  • 增强策略在每年7月至年底期间表现弱于其他时段，可能与基本面信息空白期有关。

模型应用

• 模型可用于构建中证500指数增强组合，在组合构建中采用行业中性和市值中性策略，控制单只股票超额权重不超过1%，持股数量控制在120-150之间。
• 采用周度调仓和控制年度平均换手率在5倍以内的交易策略，以降低交易成本。

风险提示

• 模型基于历史数据，存在模型失效风险、因子失效风险和市场环境变动风险。
• 模型结果仅供参考，不构成投资建议，投资者需自行判断并咨询专业人士意见。

总结

本报告通过构建基于公司公告事件前后市场反应的因子（MROR），成功提升了中证500指数增强策略的收益表现。模型能够捕捉非线性选股特征，具有较强的预测能力，并通过因子化方法将其应用于多因子模型中。然而，模型在特定时间段（如7月至年底）表现较弱，需注意日历效应对模型应用的影响。