金工深度研究：博采眾長，分析師預(yù)期類因子初探.pdf

金工深度研究：博采眾長，分析師預(yù)期類因子初探。基本面量化系列之二：挖掘分析師數(shù)據(jù)中的 alpha。 證券分析師是資本市場的重要參與者，能夠幫助投資者更深入地理解公司價 值，提升市場效率。同時，分析師數(shù)據(jù)中也包含非理性的噪聲。如何發(fā)現(xiàn)并 剝離分析師的理性與非理性，或許是挖掘 alpha 因子的關(guān)鍵。本文基于分析 師一致預(yù)期數(shù)據(jù)，構(gòu)造了分析師異常覆蓋、評級和盈利修正三個因子，合成 得到的分析師綜合因子具有較好的選股效果。

分析師異常覆蓋度越高，股票預(yù)期收益越高。 分析師覆蓋股票的決策，一方面預(yù)示著股票投資價值較高，另一方面可能受 市值、近期收益、換手率、機構(gòu)持倉等其他因素干擾。剔除這些干擾因素后， 仍受到分析師較高關(guān)注度的股票，未來超額收益或更高。本文以研報、作者 和機構(gòu)數(shù)量作為分析師關(guān)注度的代理變量，通過回歸取殘差構(gòu)造分析師異常 覆蓋因子。在 2011/1/31～2024/11/29 的回測期內(nèi)，分析師異常覆蓋因子月 度 RankIC 均值為 2.34%，分 10 層 TOP 組合年化超額收益率為 6.59%。

分析師捕捉市場異象能力越強，評級信息越有效。 Jegadeesh 等人（2002）研究發(fā)現(xiàn)，大部分分析師傾向于推薦近期上漲和 估值較高的股票，而無法充分運用市場異象的信號。根據(jù)過往推薦數(shù)據(jù)，篩 選出具有異象捕捉能力的分析師，這些分析師的推薦評級信息或許會更有 效。本文以小市值、反轉(zhuǎn)、低估值、高 ROE 作為異象代理指標(biāo)，基于分析 師評級分?jǐn)?shù)與異象信號的相關(guān)性，篩選出排名靠前的分析師，并構(gòu)建改進的 評級因子。相比于普通評級因子，改進評級因子在回測期內(nèi)月度 RankIC 均 值從 1.85%提高到 2.26%，分 10 層 TOP 組合年化超額收益率從 3.60%提 升至 5.17%。

高創(chuàng)新性并剔除動量的盈利修正，股價漂移現(xiàn)象更顯著。 由于信息不確定性、盈利自相關(guān)性、投資者行為偏差等原因，分析師盈利修 正后會出現(xiàn)股價漂移效應(yīng)。市場對盈利修正創(chuàng)新性的反應(yīng)不足，因此高創(chuàng)新 性盈利修正后的股價漂移現(xiàn)象可能更加顯著。而前期上漲過多的股票，盈利 修正后的價格漂移可能變?nèi)酢１疚母鶕?jù)分析師盈利修正數(shù)據(jù)，先構(gòu)建修正幅 度和上調(diào)占比兩個原始因子，接著通過尋找創(chuàng)新性修正、剔除動量兩種方式， 對因子加以改進。改進并合成后的分析師盈利修正因子月度 RankIC 均值為 3.99%，分 10 層 TOP 組合年化超額收益率為 9.55%。

分析師綜合因子選股效果較好，與 AI 量價因子相關(guān)性低。 將異常覆蓋、改進評級和盈利修正因子等權(quán)合成，得到分析師綜合因子。分 析師綜合因子月度 RankIC 均值為 4.27%，分 10 層 TOP 組合年化超額收益 率為 10.55%，相比單因子有所提升。分析師綜合因子與 AI 量價因子相關(guān)性 僅為 0.03，增量信息豐富。根據(jù) AI 量價-分析師復(fù)合因子構(gòu)建滬深 300、中 證 500 和中證 1000 增強組合，在 2017 年初至 2024 年 11 月底的回測期內(nèi) 年化超額收益分別為 10.64%、15.48%和 24.73%，信息比率分別為 2.02、 2.93 和 4.44，Calmar 比率分別為 2.17、2.40 和 4.87。利用分析師、基本 面和 AI 量價因子，通過層次篩選法構(gòu)建等權(quán)和不等權(quán)的主動量化策略，收 益彈性更大，相對中證 500 年化超額收益分別為 19.78%和 23.99%。