20260519-招商证券-除了分析师预期_我们还有什么预期_26页_4mb

报告摘要

本文系统对比了分析师预期、简单预期和横截面预期三种主流业绩预测模型，从模型原理、覆盖度、预测误差和行业差异等维度展开实证检验，并基于三种模型分别构建了超预期策略与因子。研究发现，横截面预期模型在预测精度和策略表现上优于分析师预期模型和简单预期模型。

业绩预期的重要性：精准的业绩预期是构建高增长投资组合、实现净利润断层和PEG等投资策略的核心前提，能够帮助投资者从市场认知差中获取超额收益。
模型优劣对比：
- 分析师预期模型：具备主观深度研判和更新频率高的优势，但存在乐观偏差、覆盖度不足和颗粒度粗的问题。
- 简单预期模型：计算便捷、全市场适配，但缺乏基本面多维信息，预测准确度相对较低。
- 时间序列模型：逻辑清晰，但对突发事件不敏感，且依赖较长的历史数据。
- 横截面预期模型：可纳入多维度特征信息，覆盖范围广，预测精度高，且在各季度、大多数行业中表现最优。
横截面预期模型表现：
- 预测精度：整体平均绝对误差为3.2，相对市值误差为59，显著优于分析师预期模型和简单预期模型。
- 超预期策略表现：年化收益为26.46%，超额年化收益为11.34%，超额最大回撤仅为6.79%，表现出良好的稳定性。
- 超预期因子表现：IC均值为3.46%，ICIR为2.3，t值为7.65，十组分组收益完全单调，多头超额为9.3%，多空年化收益为14.6%，有效性与稳定性远超其他模型因子。

分析师覆盖率：当前A股分析师覆盖率约为54%，存在显著乐观偏差。
行业差异：
- 银行、食品饮料等稳健行业预测精度高，而钢铁、煤炭等周期行业误差显著偏大。
横截面模型构建：
- 模型采用Huber稳健回归方法，纳入9大核心指标，包括公告日前公司相对行业超额收益、市值对数、上一季度总资产、过去12个月现金分红总额、去年同期单季度净利润、去年同期单季度净利润与负净利润哑变量交叉项、上季度单季度净利润、上季度净利润同比变化值、应计盈余偏差。
- 模型在不同季度的回归结果均显示较高的有效性，其中Q1和Q2的回归系数T值显著。

预测效果：横截面预期模型在预测绝对误差和相对市值误差上均优于其他模型，表现出更强的预测能力。
模型预测流程：
1. 计算业绩公告日前的自变量数据。
2. 计算三年的Huber回归参数并取平均。
3. 基于回归参数和自变量数据，预测下一季度的横截面模型预期。
Huber回归原理：采用分段式损失函数，对残差绝对值小于阈值δ的观测使用平方损失（L2），对残差超过阈值的观测使用线性损失（L1），从而在保持正常数据估计效率的同时，减少异常值的影响。

分季度预测相对市值误差：
- Q1: 分析师模型100.23，简单预期模型59.98
- Q2: 分析师模型100.14，简单预期模型73.57
- Q3: 分析师模型91.88，简单预期模型71.67
- Q4: 分析师模型178.91，简单预期模型112.11
- 平均: 分析师模型117.02，简单预期模型79.33
分行业预测相对市值误差：
- 银行: 分析师模型49.14，简单预期模型62.04
- 食品饮料: 分析师模型51.01，简单预期模型38.49
- 防御型行业（如银行、医药）误差较小，而周期行业（如钢铁、煤炭）误差较大。