20220909-德邦证券-分析师专题之一_基于事件分析框架下的分析师文本情绪挖掘_20页_2mb

金融工程专题：基于事件分析框架下的分析师文本情绪挖掘

核心内容概述

本文探讨了通过分析师研报文本情绪挖掘来构建具有超额收益的量化投资策略。研究重点在于分析研报标题中蕴含的情绪关键词，并据此筛选股票构建投资组合，再通过基本面因子和动量、资金流等技术面因子进一步增强策略表现。研究结果显示，基于分析师情绪的策略在多个维度上表现优异，具有良好的收益风险比。

主要观点与关键信息

1. 分析师研报与量化策略

• 分析师研报的可预测性：分析师研报中蕴含的信息是公开的有效数据，可以用来构建具有超额收益的量化策略。
• 信息差的利用：分析师预期数据与市场信息之间存在信息差，这种信息差是超额收益的来源。
• 分析师情绪的挖掘：通过研报标题中的关键词挖掘分析师情绪，可以更精细地识别市场预期。

2. 分析师情绪关键词分类与表现

• 关键词分类：将关键词分为乐观、偏乐观、中性和悲观四类。
• 关键词表现：
  • 乐观关键词：如“超预期”、“量价齐升”、“扩产”等，其事件前20个交易日的平均超额收益显著高于事件后。
  • 偏乐观关键词：如“放量”、“回暖”、“突破”等，事件前有明显超额收益，但事件后表现较弱。
  • 中性关键词：如“底部”、“静待”等，事件前有超额跌幅，事件后有小幅上涨。
  • 悲观关键词：如“承压”、“拖累”、“不及预期”等，事件前后均表现为负超额收益。

3. 分析师乐观预期组合

• 构建方法：
  • 筛选研报中出现乐观关键词的股票。
  • 排除研报中出现悲观关键词的股票。
• 表现统计：
  • 2018年以来年化收益率为 14.2%。
  • 相对中证500指数的超额年化收益率为 14%。
  • 夏普比率为 0.497，信息比率为 1.884。
  • 最大回撤为 33.1%，主要出现在2021年11月30日至2022年4月26日。

4. 选股特征

• 股票数量：平均每期入选约 206只股票，策略容量较大。
• 行业分布：医药、化工、电子行业占比最高。
• 指数成分股：70%以上的股票属于沪深300、中证500和中证1000指数成分股，表明选股基本面良好。

5. 多因子增强策略

• 基本面初选60组合：
  • 使用估值类、分析师预期类和财务质量类因子进行筛选。
  • 年化收益率为 29.9%，超额年化收益率为 29.7%。
  • 夏普比率为 0.983，信息比率为 2.214。
• 基本面和技术面精选30组合：
  • 在基本面初选基础上，使用动量类和资金流类因子进行进一步筛选。
  • 年化收益率为 37%，超额年化收益率为 36.8%。
  • 夏普比率为 1.16，信息比率为 2.354。
  • 最大回撤为 37.9%。

策略特点

• 超额收益稳定：每年均能获得正超额收益。
• 选股数量多：策略容量大，平均每期入选股票数量较多。
• 基本面良好：选股主要集中在市场主流指数成分股，表明具有较好的盈利能力和稳定性。

风险提示

• 市场风格变化风险：市场风格的变动可能影响策略表现。
• 模型失效风险：策略依赖于特定模型，模型失效可能导致收益下降。
• 数据可用性风险：研报数据的获取和处理存在一定的不确定性。

图表概览

• 图1：分析师覆盖与未覆盖股票组合的回测表现。
• 图2 & 图3：分析师覆盖与未覆盖股票在主要指数中的占比。
• 图4 & 图5：分析师评级构建的组合表现。
• 图6-11：不同关键词事件前后超额收益的统计。
• 图12：研报标题关键词情绪分布坐标图。
• 图13-17：分析师乐观预期组合及其增强策略的回测表现。

表格概览

• 表1-4：不同情绪关键词事件前后超额涨跌幅及发生次数。
• 表5-11：分析师乐观预期组合及其增强策略的回测结果统计。

结论

本文提出了一种基于分析师文本情绪挖掘的量化投资策略，通过研报标题关键词分类，构建了分析师乐观预期组合，并进一步通过基本面因子和动量、资金流因子增强策略。结果显示，该策略在多个指标上表现优异，具有良好的超额收益能力和风险调整后收益。然而，仍需关注市场风格变化、模型失效和数据可用性等风险。