20230303-开源证券-开源量化评论（72）_业绩超预期Plus组合2.0_基于预期调整的修正_23页_2mb

金融工程研究团队及研究报告总结

核心内容概述

本报告围绕“业绩超预期Plus组合”的构建与优化展开，旨在通过分析师行为、交易行为及估值因子的综合运用，提升选股策略的绩效表现。研究团队由魏建榕（首席分析师）及多位分析师和研究员组成，共同完成了超预期股票池的修正、预期调整规律分析、因子增强优选组合构建以及行业轮动策略的探索。

主要观点

1. 超预期计算方式的再修正

• 原始超预期计算方法：通过对比实际净利润与分析师一致预期净利润，判断业绩是否超预期。该方法在2012年至今的回测中表现优异，年化收益率为20.20%，信息比率为0.77。
• 修正方法：结合分析师行为和交易行为进行优化，剔除预期下调和交易行为不佳的股票，得到修正超预期股票池2.0。修正后，年化收益率提升至21.99%，信息比率提升至0.84。

2. 超预期后分析师预期变化趋势

• 超预期发生后，分析师预期均值和离差在T+10以内呈现共振上行趋势，而在T+30以后趋于复杂。
• 将股票按预期均值和离差的变化阶段分为四类，其中阶段1表现最好，阶段3表现最差。
• 剔除阶段3的股票后，年化收益率进一步提升至22.30%，信息比率提升至0.85。

3. 因子增强优选组合

• 超预期相关因子：SUE、OER、JUMP合成因子S_O_J的分层效果较好，纯多头年化收益率达25.89%，信息比率为1.09。
• 预期调整相关因子：改进后的预期调整因子在修正超预期股票池中表现优异，年化收益率8.36%，信息比率1.18。
• 资金流因子：主动买卖、大单残差、小单残差、散户羊群效应等因子表现最佳，多空信息比率可达1.82。
• 综合因子优选：通过叠加三类因子，优选30只股票构建超预期Plus组合2.0，年化收益率达40.46%，信息比率1.39。

4. 估值因子在组合优选中的增强探讨

• 成长股路径刻画：结合超预期、预期调整和估值水平，将成长股分为萌芽期、成长期和成熟期，其中成长期（阶段3、4、5）表现优异。
• 剔除高估值股票：采用PE_TTM超过过去3年80%分位且与20日、60日均线呈多头排列的股票进行剔除，有效降低波动和回撤。
• 优化后组合：超预期Plus组合2.0的年化收益率为40.46%，信息比率1.39，所有年份均实现正超额。

5. 超预期在行业轮动上的应用

• 行业超预期因子：通过修正超预期股票池和非超预期股票池，对行业成分股进行赋值，构建行业超预期因子。
• 优化赋值：结合分析师预期变化趋势，对个股赋值进行优化，行业超预期因子IC均值从5.34%提升至6.98%，具备较强的行业轮动能力。

关键信息

修正超预期股票池2.0的构建步骤

1. 使用同比转化法计算单季度分析师预期值，构建原始超预期股票池1.0；
2. 剔除预期调整均值<0的股票；
3. 剔除位于交易行为OER_JUMP因子值后1/5的股票；
4. 剔除高估值股票（PE_TTM超过过去3年80%分位且与20日、60日均线呈多头排列）；
5. 使用超预期类、预期调整类和资金流类因子优选30只股票，构建超预期Plus组合2.0。

超预期Plus组合2.0的绩效表现

• 全区间：年化收益率40.46%，信息比率1.39，最大回撤33.03%，胜率69.17%。
• 分年度：除了2016年、2018年和2019年外，其他年份的信息比率均优于1.0版本。
• 行业暴露：组合主要集中在医药生物、机械设备、基础化工、电子等行业，较少暴露于综合、美容护理、石油石化、银行等行业。

估值因子优化参数

• 选取PE_TTM超过过去3年80%分位的股票进行剔除，以优化组合的波动和回撤。
• 通过遍历λ值，发现λ=0.8时绩效最优，适用于组合优选。

风险提示

• 本报告模型基于历史数据测算，未来市场可能发生重大变化，需谨慎对待。

图表与数据概览

总结

本报告通过多维度分析，构建了更为精准的“超预期Plus组合2.0”，其在分析师行为、交易行为及估值因子的综合应用下，显著提升了组合的绩效表现。在不同阶段，分析师预期与市场反应的变化规律被充分挖掘，并通过因子增强进一步优化了选股策略。同时，研究还拓展了超预期策略至行业层面，提升了行业轮动能力。整体来看，该组合具备较强的超额收益能力和风险控制能力，但仍需注意市场变化带来的潜在风险。