分析师一致预期面临的主要问题 [page::4][page::5][page::6][page::7]

• 分析师覆盖率自2017年起显著下降，2019年以来全市场平均不足60%。

- 分析师预测存在系统性乐观偏差，预测偏差中位数长期为正，且个体乐观程度差异大。

• 分析师差异化覆盖严重，同一行业内不同股票被不同分析师组合覆盖，导致一致预期缺乏跨股票的可比性。

TF盈利预测系统设计及核心逻辑 [page::8][page::9][page::10][page::11][page::12][page::13][page::14][page::15][page::16]

• 盈利预测模型基于三个步骤：数据获取（公司公告及分析师研报）、基础模型选择与盈利估计、模型校准。

- 公司公告是分析师调整盈利预测的主要信息来源，模型模仿分析师对公告的解读生成预测。

• 使用历史盈利分布稳定性识别约31.85%的公司具备盈利预测的外推基础。

- 基础模型包括比例外推、平均增速、前期平均及同期对比等多个模型，依据公司盈利正常性和历史稳定性选择。

• 以多例实证企业展示模型选择流程及校准机制，通过分析师一致预期纠正模型异常高估和捕捉业绩拐点及周期变动。

TF盈利预测效果优于传统一致预期 [page::17][page::18][page::19][page::20]

• TF盈利预测与实际净利润的相关系数平均达0.81，较朝阳永续一致预期提升0.07，表现更稳定。

- 中证800指数成分股预测相关系数提升0.04，中证1000指数成分股提升0.09，优势显著。

• 主要基础模型权重大，分析师一致预期数据占比仅6.3%，体现模型独立有效性。

- 在分析师覆盖较少股票及盈利异常波动股票中，TF预测优势更突出。

基于TF盈利预测构建的量化因子表现优越 [page::21][page::22][page::23][page::24]

• TF预期EP因子月度IC均值0.0685，年化ICIR3.53，显著高于朝阳永续预期EP。

- TF预期增速因子IC均值0.0302，年化ICIR1.79，远优于传统预期增速指标。

• TF预期ROE因子IC均值0.0487，年化ICIR2.17，表现优于朝阳永续预期ROE。

- 三项因子均表现出更好的多头超额收益和分组收益单调性，具有独立增量信息。

金融工程报告详尽分析

---

1. 元数据与报告概览

• 报告题目： 金融工程 — 分析师一致预期的潜在问题及TF盈利预测系统

- 作者及单位： 吴先兴 分析师（执业证书编号：S1110516120001）、韩谨阳 联系人，天风证券研究所

• 发布时间： 2020年06月04日

- 研究主题： 分析师盈利预测数据的缺陷、盈利预测模型的构建及其优于传统分析师一致预期的表现分析。

• 核心论点总结：

1. 传统分析师一致盈利预期存在覆盖不足、乐观偏差及不同分析师间预测可比性差等问题。
2. 基于公司公告及历史盈利规律构建的TF盈利预测系统，结合了多个基础模型和分析师观点校准，能产生更准确且可比的盈利预测。
3. TF盈利预测对不同股票池均表现出相较于朝阳永续一致预期明显的相关性提升和模型稳定性。
4. 利用TF盈利预测构建的预期收益因子（EP、增速、ROE）均明显优于传统一致预期因子，且带有显著增量信息。

---

2. 报告章节深度解读

2.1. 分析师一致预期的潜在问题

关键论点

• 分析师一致预期作为市场主流盈利预期指标具有突出影响力，但存在以下局限：

- 覆盖率不足，尤其是中小盘及部分行业公司缺少持续覆盖（覆盖率2019年平均仅59%），导致盈利预测信息断层。
- 分析师倾向于乐观预测，普遍高估企业盈利，且乐观程度个体差异显著。
- 分析师差异化覆盖导致不同公司盈利预期缺乏可比性，加权平均产生的“一致预期”因覆盖社群差异而失真。

详解分析与数据

• 覆盖率变化（图1）：2017年后，分析师覆盖股票数及覆盖率均显著下降，尤其中证1000（中小盘）覆盖率降至67%以下，反映分析师资源向优质核心资产集中。

- 乐观性偏差（图2）：分析师预测偏差定义为预测与实际净利润的相对差异，中位数长期为正，表明平均乐观偏差显著且逐月接近公司业绩披露时会收敛，但整体不消失。

• 个体差异（图3）：以银行股为例，同一股票中最乐分析师和最悲分析师盈利预测差异明显，乐观与悲观分析师的覆盖股票不同，从而加剧一致预期的可比性缺失。

- 差异化覆盖（图4）：行业内分析师覆盖股票构成高度不重合，差异化比例均超过80%，意味着覆盖集合重叠度极低，覆盖结构存在深刻碎片化。

• 可比性问题（图5）：差异化覆盖结合乐观偏差，导致相同盈利水平公司由不同分析师乐观度的预测加权后形成实际不具可比性的一致预期，影响投资判断合理性。

逻辑阐释

• 由于分析师资源有限且存在个体乐观趋势，预测数据存在系统偏差和覆盖缺口，直接使用“一致预期”容易被误导。

- 单纯依赖加权平均调整乐观度无法弥补覆盖碎片化带来的核心信息缺失，亟需一种覆盖全市场且预测相对公正的盈利预测工具。

2.2. 预测模型的能力圈及TF系统构建

预测能力圈划分（图6）

• 界定模型预测的三层难度范围：

1) 正常经营公司：多数公司表现稳定，适合使用历史盈利规律量化外推，预测准确率较高。
2) 业绩剧烈波动公司：行业周期性、政策影响等导致业绩波动大，预测难度增大。
3) 业绩爆发或暴雷公司：非经常性事件、并购重组等信息难捕捉，建模困难。

公司公告驱动分析师调整（表1）

• 分析师预测调整主要集中在公司公告后20天内（2019年67%），公司公告是主要信息源。这意味着盈利预测模型的核心在于有效识别公告信息的内涵。

盈利分布稳定性识别（图7-9）

• 约31.85%公司盈利用于季度盈利分布稳定，可利用历史盈利季度分布比例的波动小于10%作为稳定标准。

- 银行、交通运输等行业盈利分布稳定比例高，适合量化模型预测，而钢铁、房地产等行业稳定性差。

TF盈利预测系统设计（图10-11）

• 三步骤构建流程：

1. 收集优先级最高可得的最新财务数据与分析师报告；
2. 选择基础模型并根据历史盈利与当年已实现盈利进行预测估计；
3. 结合分析师观点和预测对基础模型结果进行校准修正。

基础模型选择准则及详解（图12-16）

• 预测以历史盈利外推为核心，前提为：

1. 当年实现盈利正常（同比变化不超过50%，且盈亏方向一致）；
2. 历史剩余季度盈利正常（去年剩余季度盈利未异常波动）。

• 详细模型包括比例外推、平均增速、前期平均、去年同期、盈利变化、前期平均盈利变化六种，选择流程根据盈利正常性和历史规律稳定性判定。

- 例证新华联、新安股份等公司展示模型选择流程中盈利异常判断的重要性。

分析师观点应用（模型校准）（图17-20）

• 针对预测模型显著高估时，采用分析师一致预期修正，偏离超过10%时替代。

- 拐点识别基于分析师报告标题包含“改善”“拐点”等词汇，防止模型遗漏拐点导致低估。模型预测与分析师预测低于-1倍且净利润低于0且当年已实现盈利为标志。

• 针对周期行业，结合分析师对价格利好情况的描述，通过多模型比较选最大预测值修正模型低估错误。

盈利尚未公布期处理

• 对于年初前三个月无当年盈利报告的公司，采用朝阳永续一致预期数据代替模型预测，随后逐步过渡到基于TF模型预测。

2.3. 预测效果比较与优势分析（第4章）

全市场与行业效果对比（图21-22）

• TF盈利预测与实际净利润秩相关系数长期平均0.81，显著高于朝阳永续的0.74，且更稳定。

- 各行业表现均优于传统一致预期，银行除外。

样本结构与模型占比（图23）

• 模型叠加使用比例外推、去年同期及平均增速共计占比约68%，分析师一致预期仅占6.3%。

重点指数成分股表现（图24-25）

• 中证800中，TF预测平均相关系数0.83，高出传统0.79。

- 中证1000中优势更加明显，TF为0.71，传统仅0.61，优势主要来源于分析师覆盖率下降的影响。

优势来源分析（图26-27）

• 根据分析师覆盖水平划分，TF模型在覆盖不足（补充估算、数据模拟、沿用数据）股票中优势明显；覆盖较全股票（加权计算）中表现相当，显示模型的稳健有效。

- 按盈利形态分，TF模型在正常盈利形态（同比外推、比例外推等）及异常盈利变化形态中均取得更优表现，盈利波动情形中优势更为突出。

2.4. TF盈利预测衍生因子表现（第5章）

预期EP因子（图28-31，表2）

• 定义为预期净利润/总市值。

- TF构建的EP因子月均IC=0.0685，显著优于传统0.0554；剥离传统预期EP后仍保留较强信息增量。

• 剥离了TTM和单季度EP后，TF预期EP依然表现优异。

- 多空收益曲线显示TF EP因子的稳定性及优异超额收益。

预期增速因子（图32-35，表3）

• 定义为预期净利润增长率。

- TF预期增速月均IC=0.0302，远高于朝阳永续0.0019，ICIR同样显著优异。

• 分组收益单调、正向，多空收益表现稳定而传统指标无显著有效性。

预期ROE因子（图36-39，表4）

• 定义为预期净利润/净资产。

- TF预期ROE月均IC=0.0487，高于朝阳永续0.0309。

• 剥离朝阳永续后，TF ROE仍有较高信息量，而朝阳永续剥离TF后几近丧失信息。

- 多空收益稳定且显著优于传统数据。

---

3. 图表深度解读

图1：分析师覆盖率变化

• 展示2009-2019年间A股全市场、中证800、中证1000分析师覆盖率及股票数量。

- 覆盖率自2017年起明显下滑，尤其中证1000降幅较大，显示分析师资源及关注逐渐集中于核心资产。

图2：分析师预测偏差

• 各月股票分析师盈利预测中位数偏差，长期偏正，乐观性显著。

- 季末业绩披露前偏差较大，信息披露之后偏差减小。

图3-5：分析师个体差异与差异化覆盖

• 最乐观与最悲观分析师预测差异明显（银行股为例）；差异化覆盖比例均高于80%。

- 盈利预测的分析师集合极为分散，直接影响一致预期的可比性。

图6：预测能力圈

• 以同心圆表示预测难度，内圈用量化模型覆盖较好，外圈属于模型难以预测的非标准事件。

图7-9：盈利分布稳定模型应用基础

• 利用扣非净利润季度分布波动<10%标准确定稳定盈利分布公司。

- 平均约31.85%公司满足，行业间存在差异，如银行等稳定性较高。

图10-11：TF盈利预测系统构成

• 流程包括数据获取、基础模型选择、模型校准。

- 财务信息优先级从年报快报到预告顺序，保障信息及时性。

图12-16：模型选择案例与流程

• 结合当年盈利正常性与历史盈利稳定性判断使用比例外推、平均增速或基期平均等多模型预测。

- 多个客户案例展示模型逻辑和异常处理的必要性。

图17-20：校准示例

• 当模型预测显著高估分析师预期时应用一致预期进行修正。

- 拐点识别和周期性行业价格利好报告作为调整理由，防止模型低估。

图21-27：预测效果验证

• TF盈利预测在全市场及重点指数成分股均领先一致预期，尤其在分析师覆盖不足区域有显著优势。

- 各盈利形态均展现出TF预测优越性，盈利异常波动阶段优势更明显。

图28-39：衍生因子表现

• EP、预期增速、ROE因子均表现出更高IC、更稳定的多空收益曲线及信息增量。

- 剥离传统指标后，TF因子信息依然显著，证明信息质量与预测能力的提升。

---

4. 估值相关内容分析

本报告核心在于盈利预测模型构建及性能比较，未涉及具体市盈率、市净率型估值，亦无现金流折现等估值模型内容。报告侧重于盈利预测对估值基础数据的提升，从预测准确性及衍生因子表现间接体现估值输入的改进。

---

5. 风险因素评估

• 模型基于历史数据，存在因子失效风险。即盈利分布、历史规律可能因宏观或公司环境变化失效，导致预测误差增加。

- 盈利爆发或暴雷类事件的难以预测，暂无法系统性提升此类公司预测精度。

• 分析师主体存在信息滞后性及样本缺失，校准模型依赖分析师观点可能引入偏差。

- 盈利预测模型所依赖的公司公告及分析师报告质量影响模型表现，数据错误或更新滞后都会产生负面影响。

报告未详细列举缓释策略，需投资者结合具体投资场景审慎使用。

---

6. 审慎视角与细微差别

• 报告客观披露分析师覆盖不足及乐观偏差，充分论证构建新模型的合理性。

- TF盈利预测模型虽然提高了预测稳定性和准确度，但对极端非规律性事件仍无能为力，报告中明确承认此缺陷，表现成熟理性。

• 对分析师观点的校准策略虽考虑诠释负偏和周期特性，但依赖自然语言标题关键词，可能存在漏判或误判风险。

- 模型选择基于阈值判断（如50%同比变动界点），该参数选择影响预测结果，开户的鲁棒性和敏感性未详述。

• 报告转述了朝阳永续一致预期的缺陷，但未深入探讨TF系统对数据稀缺公司完全替代能力，存在应用边界。

- 由于未涉及具体估值和投资组合构建策略，报告实质上提供了盈利预测工具基础，而非完整投资方案。

---

7. 结论性综合

本报告通过详实的数据分析和建模框架清晰展示了当前分析师一致盈利预期的主要缺陷：覆盖率不足、系统性乐观与差异化覆盖引发的可比性问题。TF盈利预测系统创新地结合了基于公告信息的多基础模型外推与分析师观点的动态校正机制，极大提升了盈利预测的准确性和稳定性。实证分析显示，TF盈利预测在全市场和关键指数成分股中均明显优于传统一致预期，优势在分析师覆盖不足板块尤为突出。

进一步，基于TF盈利预测构建的预期EP、预期净利润增速和预期ROE因子，不仅在IC及年化ICIR指标上超越传统因子，而且含有显著的信息增量，表现出更强的选股能力和风险调整后收益潜力，体现出盈利预测质量对量化因子体系的重要提升作用。

报告科学地界定模型预测的“能力圈”，合理应对盈利异常及周期波动问题，体现了成熟的量化研究实践。全文逻辑严谨，案例丰富，辅以直观数据图表，极具参考价值。

总体而言，TF盈利预测系统为投资者提供了一套覆盖面广、准确性高、且具有增量信息的盈利预测工具，弥补了传统一致预期的不足，显著提升了盈利预测的实用价值与投资决策支持能力。

---

重要图表引用展示

• 图1 分析师覆盖率变化

• 图2 分析师预测偏差

• 图5 分析师差异化覆盖与一致预期可比性

• 图6 预测模型能力圈

• 图10 TF盈利预测系统

• 图16 基础模型选择流程

• 图21 TF盈利预测与朝阳永续一致预期预测效果比较

• 图23 基础模型平均占比

• 图26 不同预测类型股票的预测效果比较

• 图28 TF预期EP的平均月度超额收益

• 图32 TF预期增速的平均月度超额收益

• 图36 TF预期ROE的平均月度超额收益

---

# 综上，TF盈利预测系统通过结构化分析公司公告与分析师观点，结合多模型动态校准，有效弥补了传统分析师一致预期不足，显著提升了盈利预测准确度及量化因子信号质量，为投资者提供了一套具有广泛应用前景的盈利预期解决方案。[page::0,page::4,page::5,page::6,page::7,page::8,page::9,page::10,page::11,page::12,page::13,page::14,page::15,page::16,page::17,page::18,page::19,page::20,page::21,page::22,page::23,page::24,page::25]

报告