柔性优化框架与负向事件分类回顾 [page::4][page::5]

• 柔性优化框架包括负向因子剔除、事前预测（财务造假预测）和事后剔除三类方式。

- 事件驱动型风险分为可预测与不可预测两种，分别采取预警模型与事后剔除策略。[page::4][page::5]

不可预测负向事件跟踪测试结果及应用 [page::6][page::7][page::8][page::9][page::10]

| 年份 | 月度胜率 | 年化收益 | 年化波动 | 夏普率 | 最大回撤 | 最大回撤时间起 | 最大回撤结束时间 |
|-------|----------|----------|----------|--------|----------|----------------|-----------------|
| 全区间 | 77.08% | 1.48% | 0.51% | 2.91 | 1.38% | 2019/1/31 | 2019/3/12 |

• 基于8类基本面及经营层面不可预测事件的跟踪剔除，显著避免了事件后的负向损失，提升组合收益与月度胜率到77.08%。[page::10]

可预测负向事件及财务危机风险建模框架 [page::11][page::12][page::14][page::15]

• 财务危机样本由ST事件和监管处罚中与财务相关的事件提纯合并，同时识别出对应财务报表作为负例样本。

- 问题报表主要分布于化工、机械、医药等行业，更多出现于中小市值股票，分布相对均匀。[page::14][page::15]

分箱法构建财务风险评分卡模型 [page::16][page::17][page::19][page::20][page::21]

• 分箱法通过WOE和IV评估财务指标信息有效性，优化连续指标的离散划分，筛选出45个有效指标。

- 典型指标如现金比率、应收账款周转率呈现与财务危机风险的独特非线性或单调关系，分箱明确区间风险边界。[page::18][page::19][page::20]

典型财务指标风险关系展示 [page::21][page::22][page::23]

• 财务指标如金融负债占权益比、商誉规模同比对风险的影响清晰，体现了指标过高或过低引发危机概率提升的特征。[page::21][page::22][page::23]

财务报告质量评分模型及回测验证 [page::24][page::25][page::26]

• 基于上述分箱指标WOE评分，构建多指标合成的财务报告质量评分卡，得分越低风险越小。

- 以康得新为例，模型提前2年预警财务风险，股价随后大幅下跌。

• 财务评分模型在沪深300及中证500中表现显著，剔除最低10%预警组后剩余组合超额年化收益分别为12.50%和13.62%。[page::24][page::26]

| 分组 | 年化收益率 | 年化波动率 | 夏普率 | 最大回撤 |
|----------|------------|------------|---------|-----------|
| Group0 | -3.53% | 23.18% | -0.32 | 57.04% |
| Group1 | -0.13% | 22.21% | -0.19 | 51.70% |
| Group2 | 2.43% | 22.55% | -0.07 | 48.21% |
| Group3 | 4.27% | 22.44% | 0.01 | 46.03% |
| Group_4 | 3.12% | 22.18% | -0.04 | 46.50% |

风险提示及后续展望 [page::27]

• 报告内容基于历史数据，未来市场环境变化可能导致策略回测效果不再适用。

- 本研究为高质量股票池柔性优化提供了量化框架，未来可结合更多事件因子与动态模型进一步提升预测能力。[page::27]

金融工程报告深度解析

《高质量股票池构造体系Ⅱ：事件型风险研究——量化选股系列之六》

2022年5月29日，光大证券研究所

---

1. 元数据与概览

• 报告标题：高质量股票池构造体系Ⅱ：事件型风险研究——量化选股系列之六

- 作者与机构：祁嫣然，光大证券研究所

• 发布日期：2022年5月29日

- 研究主题：对中国股票市场构建高质量股票池的事件型风险管理，重点分析负向事件对股价的影响以及如何利用事件驱动优化股票池质量。

核心论点是基于前篇报告搭建的三层股票池构造框架（原始股票池、刚性优化股票池、柔性优化股票池），本报告重点关注柔性优化部分中负向事件的量化识别和管理。负向事件被划分为“不可预测”和“可预测”两大类。对于不可预测事件，侧重于事件发生后的及时剔除；对于可预测事件，主要是财务危机预测，报告基于财务报表和分箱法构建了财务质量评分模型。

本报告中，负向事件的剔除能显著提升股票池表现，例如不可预测事件剔除后组合月度胜率达77.08%。可预测事件（财务危机）通过财务指标筛选，构建的预警组合剔除后沪深300的年化超额收益提升12.50%[page::0] [page::4] [page::10] [page::26].

---

2. 逐节深度解读

2.1 高质量股票池构造框架回顾与柔性优化（第1章）

报告首先回顾了量化选股体系中，股票池构造的三层框架（原始、刚性、柔性优化）。刚性优化保证股票流动性和交易资格（剔除ST股、低流动性股等），柔性优化旨在提升股票池的质量，主要通过负向因子（如有息负债率、高财务风险指标）及负向事件（如财务造假预警）剔除低质量股票。

柔性剔除细分为三种类型：

1. 负向事件预测剔除 - 如财务造假预测

2. 负向事件发生后剔除 - 有效规避事后损失

1. 负向因子剔除 - 基于因子选股模型剔除负向因子表现股票

事件驱动型优化框架针对财务造假、高管减持等事件，判断其是否可预测，采取事前模型预测剔除或事后跟踪剔除[page::4] [page::5]。

2.2 不可预测负向事件跟踪（第2章）

先定义不可预测负向事件，其负面影响主要在事件公布之后持续显现。样本选取涵盖2010年1月至2021年12月，分两个维度：

• 基本面负向事件：业绩预告中的续亏、略减、预减、首亏。其均存在事件发生后7个交易日累计显著负超额收益（续亏达到-7.14‰），且部分负收益在公告前已开始体现，说明市场存在“抢跑者”机制。

- 经营层面负向事件：公司改名、立案调查、董事长离职、高管减持超10%均带来显著股价负面冲击，尤其立案调查事件7天累计超额收益达-13‰，公司改名负收益持续时间最长达30日。

基于以上8类负向事件，构建了负向事件跟踪剔除策略，每交易日剔除涉及股票，结果显示该策略显著优于等权重全市场组合，月度胜率高达77.08%，年化收益1.48%，夏普比率2.91，最大回撤1.38%；总体具有良好风险规避效果[page::6-10]。

2.3 可预测负向事件及财务危机风险（第3章）

2.3.1 财务危机风险定义及样本提纯

• 特别处理(ST/\*ST)：因持续亏损导致的ST是财务风险显著信号，2005-2021年，亏损是导致ST超过80%的主要原因。

- 监管处罚：主要考虑未及时披露重大事项和信息披露虚假两种处罚类型，且处罚对象限定为公司本身。

对上述两类事件进行提纯，排除ST转退市等非财务直接风险事件，最终确认财务危机事件样本。结合案例（康美药业2016年以来“存贷双高”，2018年被处罚）证明早期财务数据异常可预警财务风险[page::11-13]。

2.3.2 财务指标分箱法建模

灵感来源于银行信用评分卡，通过将连续财务指标离散分箱，计算每箱内财务危机发生概率，使用卡方检验合并相似箱体，最终利用WOE（权证证据）和IV（信息价值）评价指标。

• 分箱优势：处理缺失值和异常值，发现非线性指标与风险关联

- IV指导指标有效性，IV>0.1判定指标有效

• 通过30个等频分箱初筛45个财务指标，后续合并至最优分箱数（通常约7个）

- 指标种类包括正向（如应收账款周转率）、负向（如财务费用率）及区间指标（如毛利率同比）[page::15-24]。

2.3.3 财务报告质量评分模型

• 对相关指标分组合成，排除WOE为正的安全区间，仅取风险区间负得分，综合算出企业财务风险评分。

- 案例：康得新评分自2016年明显恶化，股价在2018年财务造假曝光后崩盘，表明模型提前两年有效预警风险。

• 全市场测试，财务评分模型将股票分为5组，评分越低表现越弱，2016年起区分度显著增大，反映低质量财务报告对股价负面影响明显[page::24-26]。

2.3.4 预警组合与剔除效果

• 在沪深300和中证500两大指数范围内，选出财务评分最低10%股票（预警组合），与剩余股票对比。

- 预警组合表现明显弱于剩余组合，剔除预警组合后剩余组合年化超额收益分别为12.50%（沪深300）和13.62%（中证500）。

• 剔除财务危机高风险个股有效提升股票池质量和收益表现[page::26-27]。

---

3. 图表深度解读

3.1 高质量股票池构造图（图1）

三层架构清晰展现：

• 原始股票池包含市场全体或指数成分

- 刚性优化剔除ST、低流动性股等不合格标的确保交易性

• 柔性优化则针对负向因子和事件剔除风险标的提升质量

图中流程传达从大到小逐步筛选过程，使股票池更优质[page::4]。

3.2 负向事件驱动回测（图5-8，9-12）

• 图5-8：四类业绩预告负向事件均显示事件发生日前后均有负超额收益，续亏事件负向显著且强度最大。

- 图9-12：经营层面如改名、减持、调查事件均长时间带来负收益，立案调查最具冲击力，负超额收益明显。

图形表现负向事件对股价影响持续且显著，为事件跟踪剔除策略提供理论基础[page::7-9]。

3.3 不可预测事件剔除收益曲线（图13）

• 曲线显示跟踪剔除负向股票组合净值明显优于等权组合，红线持续上扬表明事件剔除带来长期超额收益。

- 实证数据支撑事件跟踪剔除实用性，月度胜率高达77.08%，稳健表现有力支撑结论[page::10]。

3.4 财务危机风险与处罚事件（图14-17）

• 图14-15：亏损导致ST数量占比高，处罚事件呈上升趋势，显示监管趋严。

- 图16-17：处罚类型主要集中于未披露重大事项和虚假披露，且处罚后负超额收益明显。

显示财务危机风险具备较高的可预测性[page::11-12]。

3.5 财务指标分箱（图23-27）

• 以现金比率为例，显示负相关的财务危机概率随指标降低升高。

- 卡方检验合并相似箱体后，七箱方案保留较好信息量（IV曲线于7箱处趋稳），分箱规则严谨合理。

• WOE在风险区域为负，高-risk与低-risk明显区分。

细节展示分箱建模过程，模型科学且可解释[page::18-20]。

3.6 典型财务指标风险概率与WOE分布（图28-39）

• 正向指标如应收账款周转率、总资产同比增长率，指标低时风险大。

- 负向指标如金融负债占权益比和应收款资金占比，高指标对应高风险。

• 区间指标如毛利率同比、商誉同比，表现为指标极端值对应高风险。

结合经济意义，验证模型与财务逻辑一致性[page::21-23]。

3.7 财务评分模型与回测（图40-45）

• 财务风险评分模型以WOE分箱数据评分，呈现明显风险区和安全区。

- 康得新案例图展示评分领先股价警示风险，验证模型预警功能。

• 2006-2022回测显示分层明显，高评分组收益优于低评分组，尤其2016年后差距加大。

- 沪深300和中证500剔除低分组合后均带来超额收益，表明模型优化效果显著[page::24-27]。

---

4. 估值分析

报告核心为事件型风险对股票池的质量影响评估，无专门估值模型章节。其“估值”对应的是风险量化模型和分箱分析，隐含采用统计评价指标（IV、WOE）及事件驱动回测的收益表现作为策略价值衡量。模型输入为财务指标分箱结果、事件发生数据及历史超额收益，输出为股票风险评分及剔除策略表现。

虽无传统DCF或市盈率估值，但通过统计学方法实现了风险筛析和价值评估。

---

5. 风险因素评估

• 报告明确指出结果基于历史数据，而历史并不能完全复制未来，存在模型稳定性和有效期风险。

- 事件的可预测性基于主观判断，事件分类可能有误差。

• 财务数据与监管数据的完备性与准确度影响模型有效性。

- 财务指标选择及分箱处理假设独立同质，实际可能存在多重共线及行业轮动风险。

• 弱市或特殊环境下财务危机对股价影响可能偏弱。

报告未深入讨论缓解策略，主要依赖模型和回测结果作为风险控制工具[page::0, 27]。

---

6. 审慎视角与细微差别

• 报告对事件是否“可预测”界定较主观，有时基于事件后股价表现判断，存在一定过拟合风险。

- 财务模型对分箱数量和指标选取较依赖主观调整，模型解释性强但泛化能力待验证。

• 财务评分模型强依赖历史财务造假、ST等事件标签，潜在依赖监管与信息披露体系稳定。

- 不能完全排除因果关系混淆，例如财务危机反映公司基本面同时也受市场情绪影响。

• 报告未涉及行业差异、宏观变量调节等对模型影响，实际应用中需要结合其他策略。

整体分析中条理清晰，但应用时需重视历史样本偏差和市场结构变化风险。

---

7. 结论性综合

本报告在已建立的三层高质量股票池框架下，深化了柔性优化机制中的事件型风险分析，分别研究了不可预测与可预测的负向事件。

不可预测事件覆盖业绩公告和经营层面8类典型事件，事件发生后个股表现出显著且持续的负向超额收益。采用事件跟踪剔除策略，实证数据显示月度胜率高达77.08%，有效规避投资组合风险并提升收益。

可预测事件研究聚焦财务危机风险，结合ST特别处理和监管处罚事件进行负例样本提纯，基于财务指标分箱法构建财务质量评分模型。模型深入体现财务指标与危机概率的非线性关系，分类指标覆盖正向、负向及区间指标。评分模型通过历史回测表现出良好的风险识别能力，多样财务指标合成后的分层显著区分不同质量股票，模型在沪深300及中证500等多个指数内筛除高风险预警组合，带来了12%以上明显的年化超额收益。

图表数据全方位支持结论：事件驱动回测图清晰展现负面事件后的价格压力，分箱与WOE详细揭示财务指标与风险的关系，模型评分曲线及回测业绩体现量化体系的稳定有效。

报告提示上述结论基于历史数据，且事件可预测性存在主观成分，建议结合多维度风控工具共同使用，警惕历史偏差与市场环境变化带来的潜在影响。

综上，报告体现了事件驱动型风险量化与财务危机预测工具在高质量股票池构建上的价值，推荐投资者关注事件及时跟踪剔除及财务报告质量的持续监控，以提升组合表现和风险管控能力[page::0-29]。

---

重要图表示例

图1：高质量股票池构造流程

图13：不可预测负向事件跟踪剔除组合净值表现

图23：现金比率指标与财务危机风险概率关系图

图40：财务危机风险预测打分模型

图44：沪深 300 预警组合剔除测试净值曲线

---

结语

本次报告基于严谨的事件研究法和风险评分卡模型，系统分析了股票市场中的负面事件对组合表现的影响，提出了有效的事件跟踪剔除及财务风险预警策略，系统而全面地支撑了提高高质量股票池构造质量的目标。报告展现了将金融工程中事件驱动与信用风险评分技术深度结合的实践价值，为量化选股提供了有效的风险控制手段。

报告