基础因子研究（十五）：分析师预期数据在构建因子中的应用-20201218-长江证券-29页_14mb

报告摘要

分析师预期数据在构建因子中的应用总结

核心内容

分析师预期数据在构建量化因子中具有重要价值，是基本面分析的重要补充。它能够弥补财报数据的滞后性，并反映市场对个股的预期，提高因子信息更新频率和选股能力。本文主要探讨了盈利预期明细数据和分析师评级数据在因子构建中的应用方式及效果。

主要观点

分析师预期数据的作用：
- 分析师通过预测公司财务数据，向市场传递信息，有助于提高因子对市场预期的捕捉能力。
- 盈利预期明细数据可以用于构建预期EP因子、超预期因子和预期增长因子，反映市场对公司未来盈利的预期变化。
- 分析师评级数据可用于构建评级因子和目标价因子，量化投资建议以指导选股。
覆盖度因子：
- 覆盖度因子基于分析师撰写个股报告的频率，体现个股的市场热度和机构关注度。
- 未中性前因子表现不稳定，但中性后在全市场和中证800中均表现出较强的稳定性。
- 在中性后，因子的多空收益能力显著增强，且在2017年后多头收益也有所提升。
预期EP因子：
- 通过将分析师预测的净利润代替财报数据，构建预期EP因子，具有更高的信息更新频率。
- 在中性前，因子表现较弱，但在中性后表现稳定，且以2个月为参数的因子表现最佳。
- 预期EP因子与风格因子相关性较高，主要与价值、规模、盈利因子正相关。
超预期因子：
- 通过比较分析师预测数据与财报数据，构建超预期因子，反映公司实际表现与市场预期的差异。
- 线性外推和同比外推两种方式均能有效捕捉市场预期变化，其中同比外推因子在中性后表现更优。
- 超预期因子与风格因子相关性较低，与价值因子呈负相关，表明市场高估的个股更容易超预期。
预期增长因子：
- 基于盈利预期明细数据的时间维度变化，构建预期增长因子，反映市场预期的动态变化。
- 该因子与风格因子相关性较低，且在中性后表现更为稳定，具有一定的选股能力。

关键信息

盈利预期明细数据应用

覆盖度因子：
- 构建方式：基于个股报告数量。
- 中性前：全市场和中证800因子表现不稳定。
- 中性后：因子表现稳定，多空收益能力增强，2017年后多头收益有所提升。
预期EP因子：
- 构建方式：以一致预期净利润除以总市值。
- 中性前：因子表现较弱，但2019年前有超额收益。
- 中性后：因子表现稳定，以2个月为参数的因子效果最好。
超预期因子：
- 构建方式：比较一致预期EPS与线性/同比外推EPS。
- 中性前：因子表现相对稳定，但近年多头收益有所回撤。
- 中性后：因子表现更优，稳定性提升，2个月参数因子表现最佳。
预期增长因子：
- 构建方式：基于一致预期EPS的时间维度变化。
- 中性前：因子表现稳定。
- 中性后：因子稳定性进一步提升，具备一定的选股能力。

分析师评级数据应用

评级因子：
- 构建方式：将分析师评级转化为数值评分。
- 中性前：因子表现较弱，主要集中在空头端。
- 中性后：因子表现稳定性有所提升，但整体收益能力仍较弱。
目标价因子：
- 构建方式：以分析师目标价与现价对比。
- 中性前：因子表现较弱。
- 中性后：因子稳定性提升，具备一定的多空收益能力。

回测结果

覆盖度因子：
- 全市场和中证800中性后多空收益稳定，2017年后多头收益有所改善。
预期EP因子：
- 中性后表现稳定，2个月参数因子效果最佳，具有一定的超额收益能力。
超预期因子：
- 中性后表现优于中性前，2个月参数因子在多头和多空端均表现良好。
预期增长因子：
- 中性后表现稳定，具备一定的选股能力。

风险提示

模型存在失效风险；
回测结果基于历史数据，不保证未来收益。

总结

分析师预期数据在因子构建中具有显著价值，能够有效弥补财报数据的滞后性，提高因子对市场预期的捕捉能力。通过不同的构建方法，如覆盖度因子、预期EP因子、超预期因子和预期增长因子，可以实现不同的选股目标。其中，超预期因子和预期增长因子在中性后表现更为稳定，具有较好的应用前景。然而，所有因子均存在一定的风险，需谨慎使用。

展开完整摘要