金融工程专题报告：基于基础数据的分析师一致预期指标构建-20180410-天风证券-32页-1mb

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，以提升Alpha模型的绩效。分析师一致预期指标是已有模型中重要的增量alpha来源，其核心在于对一致预期净利润的精确估计。本文提出了一套基于多维度加权的净利润一致预期构建方法，并进一步衍生出多个一致预期指标，分析其在不同股票池中的选股能力。

主要观点

• 分析师一致预期指标的重要性：分析师一致预期指标与传统alpha因子相对独立，具有较高的alpha信息含量，是构建多因子模型的重要组成部分。
• 预测偏离度：预测偏离度是衡量分析师预测误差的重要指标，受到预测时间跨度、企业规模和行业特性等因素的影响。
• 加权方法：构建一致预期净利润时，需考虑时间跨度和分析师预测精度两个维度进行加权，以提高预测的准确性。
• 业绩报告修正：当存在企业业绩报告时，应优先使用其数据作为一致预期，以提高预测精度。
• 滚动一致预期：滚动一致预期净利润（Profit_ROLL）相比静态一致预期更具合理性，尤其在年报未公布时。
• 衍生指标：基于一致预期净利润，构建了包括EP_FY、EP_ROLL、Growth_FY、PEG、DEP、EP_PER等五大类一致预期衍生指标，均表现出一定的选股能力。
• 缺失值填充：采用基于行业增速分位点的填充方式，提升模型在缺失数据情况下的表现。
• 因子性能：部分指标如EP_ROLL、DEP和EP_PER表现出优秀的IC均值，IC均值均超过0.06，而PEG与Growth_FY则在0.05附近，且各指标间独立性尚可。

关键信息

一致预期净利润加权方法

1. 有效报告筛选：仅使用预测日前3个月内撰写并录入的报告，若无，则使用前6个月内的有效报告。
2. 分析师修正：同一分析师多次预测时，仅保留其最新预测数据。
3. 时间加权：使用时间半衰权重，即t月权重为4，t-1月为2，t-2月为1。
4. 行业与市值中性化：在计算时对行业和市值进行中性化处理，以减少非目标因素的影响。
5. 回归调整偏离度：通过回归模型对偏离度进行调整，剔除时间跨度、市值和行业的影响，得到修正后的偏离度。

一致预期衍生指标

• EP_FY：一致预期估值，计算公式为一致预期净利润除以总市值。
• EP_ROLL：滚动一致预期估值，基于滚动净利润与当前市值的比值。
• Growth_FY：一致预期成长，基于两年复合增长率。
• PEG：一致预期估值增速比，计算公式为EP_FY除以Growth_FY。
• DEP：一致预期估值变化，衡量预期估值与实际估值之间的差异。
• EP_PER：一致预期估值分位点，用于衡量预期估值在行业内的相对位置。

衍生指标绩效表现

• EP_FY1：IC均值为0.057，IC胜率70.1%，年化收益15.6%。
• EP_PER：IC均值为0.040，IC胜率70.1%，年化收益10.2%。
• EP_ROLL：IC均值为0.064，IC胜率69.1%，年化收益19.7%。
• Growth_Reg：IC均值为0.049，IC胜率70%以上，年化收益16.1%。
• PEG：IC均值为0.059，IC胜率75%，年化收益12.9%。
• DEP：IC均值为0.094，IC胜率83.3%，年化收益30.5%。

缺失值填充方法

• 采用基于行业增速分位点的填充方式，使用前一年在行业内的利润增速分位点均值作为当年利润增速的估计，从而得到一致预期净利润的填补值。

风险提示

• 市场环境变动风险
• 模型失效风险
• 因子失效风险

相关报告

1. 《金融工程：多因子模型的业绩归因评价体系》2018-04-10
2. 《金融工程：风险预算与组合优化》2018-03-05
3. 《金融工程：哪些行业应该单独选股？——基于动态因子筛选的行业内选股实证研究》2018-02-23
4. 《金融工程：协方差矩阵的常用估计和评价方法》2017-11-16
5. 《金融工程：因子正交全攻略——理论、框架与实践》2017-10-30
6. 《金融工程：基于动态风险控制的组合优化模型》2017-09-21
7. 《金融工程：专题报告-MHKQ因子择时模型在A股中的应用》2017-08-15
8. 《金融工程：专题报告-利用组合优化构建投资组合》2017-08-14
9. 《金融工程：专题报告-半衰IC加权在多因子选股中的应用》2017-07-22
10. 《金融工程：专题报告-反转现象的选择性交易策略》2017-05-31

作者

• 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

图表与数据说明

• 图1-图3：展示朝阳永续数据库中分析师报告录入数量随时间的变化趋势。
• 图4-图6：展示分析师报告撰写与录入时间差的概率分布。
• 图7：展示一致预期净利润覆盖度变化趋势。
• 图8：展示一致预期净利润的衍生指标。
• 图9-图11：展示预测偏离度与时间跨度、市值、行业之间的关系。
• 图12-图19：展示一致预期净利润的加权流程及修正方法。
• 图20-图22：展示不同加权方法在预测偏离度上的差异。
• 图23-图34：展示各一致预期衍生指标的绩效表现。
• 图35-图44：展示一致预期指标的原始值和中性化值相关性分析。

总结

本文提出了一种基于基础数据构建分析师一致预期指标的新方法，通过时间跨度、分析师预测精度、企业业绩报告修正等多维度加权，提升预测的准确性。衍生出的一致预期指标表现出较强的选股能力，且指标间具有一定的独立性，有助于模型获取增量alpha信息。缺失值填充方法基于行业增速分位点，提升模型在数据缺失情况下的表现。整体来看，该方法在多个指标上均表现出优于传统方法的绩效。