报告核心研究背景与目标 [page::0][page::2]

• 通过Black-Litterman模型，探讨分析师预期数据（目标收益率与目标营收增幅）在多因子组合中的使用方式。

- 比较传统并联方式与本文重点提出的串联组合方式，即先构造不含预期因子的多因子组合，再用BL模型结合预期数据调整权重。

• 目的是对比不同处理方式的效果差异，未对多因子组合进行深度优化。

串联组合构造流程详解 [page::3]

• 计算传统多因子组合权重，控制行业权重偏离±5%。

- 使用BL模型基于分析师预期数据计算权重，剔除非正权重股票并归一化。

• 计算BL偏离权重，叠加传统组合权重，形成最终组合。

- BL部分无额外行业权重约束，导致超额收益曲线平滑性有待提高。

沪深300选股效果分析 [page::4][page::5]

• 基于目标收益率：并联组合在2016年后超额收益领先，但波动较大；串联组合表现接近传统多因子组合，且超额收益持续性更佳。

- 基于目标营收增幅：并联组合表现不佳，劣于普通多因子；串联组合超额收益更高但波动较大。

中证500选股效果分析 [page::5][page::6]

• 基于目标收益率：并联组合表现落后于普通多因子，串联组合累计收益优于普通多因子，但波动较大。

• 基于目标营收增幅：并联组合表现不佳，串联组合与普通多因子相当，但超额收益稳定性强，超额收益持续扩大。

研究结论与风险提示 [page::6]

• 串联组合多数情况下优于并联组合及普通多因子组合，提示分析师预期数据置于组合外部可带来更好表现。

- 仍需解决BL模型下最终组合行业权重及风格权重偏离控制问题。

• 量化模型及历史规律存在风险，变更可能导致模型失效。

《Black-Litterman 模型研究系列之五 ——多因子组合中预期数据使用方式》详尽分析报告

---

1. 元数据与概览

• 报告标题：Black-Litterman 模型研究系列之五 —— 多因子组合中预期数据使用方式

- 发布机构：华西证券研究所

• 发布日期：未知具体年月，但报告数据和内容反映截至2020年底左右

- 分析师：张立宁、杨国平

• 主题：探讨在多因子选股模型中，如何使用分析师预期数据融合其他因子，重点比较并联处理和串联处理两种整合方法在不同指数（沪深300、中证500）及不同预期指标（分析师目标收益率、目标营收增幅）上的实证表现。

- 核心论点：
- 分析师预期数据在多因子组合应用面临缺失值问题，Black-Litterman（以下简称BL）模型在处理缺失值和整合预期非常适用。
- 本文对比了“并联组合”（即分析师预期数据与其他因子并列使用）和“串联组合”（即先构建不含分析师预期的多因子组合，再利用BL模型将分析师预期用于重新调整权重）两种方法的优劣。
- 实证结果显示，串联组合在多数情况下表现优于并联组合，同时也优于普通多因子组合，尤其在超额收益的持续性和长期稳定性上表现更佳。

• 投资评级及目标价：报告并无具体定价或买卖评级，属于方法学研究报告，没有直接投资建议。

- 主要传递信息：在多因子选股中，采用BL模型进行的分析师预期数据串联处理，提供了较常见的并联处理更优的超额收益表现，提示量化投资者在多因子融合时可考虑将分析师预期因子外置，通过BL模型再赋权。

---

2. 逐节深度解读

2.1 引言与背景（页0）

• 报告首先点明分析师预期数据广泛应用于多因子选股，但普遍存在缺失值问题，这限制了其直接并联融入普通多因子模型的有效性。

- BL模型优势在于自带贝叶斯框架，能有效融合主观观点与市场均衡权重，适合处理分析师预期这种缺失较多的因子数据。

• 本文尝试创新的“串联”方法：先构建传统多因子组合，再用BL模型依托分析师预期数据对权重进行校正，得到新的股票组合。

- 明确报告属于方法对比研究，未对多因子模型或分析师预期数据进行深度调优，仅采用常规构造流程，使用两类预期数据——“分析师目标收益率”和“目标营收增幅”[page::0],[page::2]

2.2 章节目录概览（页1）

• 目录清晰展示了报告结构，决定后续逻辑及主要实证测试章节围绕：

- 分析师预期数据融合方式（并联与串联）概念阐释
- 串联组合构造方法详细技术解读
- 在沪深300、中证500中两类预期数据应用及收益表现对比分析
- 总结及风险提示

• 图表布局与内容对称，有效支撑不同指数、不同预期指标的比较[page::1]

2.3 分析师预期数据与其他因子联合使用（页2）

• 明确指出，仅使用分析师预期数据构建选股组合虽有超额收益，但波动率较大，通常需搭配其它因子。

- 并联处理即将分析师预期因子与其它如行业因子、市值、估值、成长、动量等七大常用量化因子同等看待，作为多因子模型的组成部分。

• 缺失值问题严重阻碍了并联方法的有效性，因缺失会导致样本减少或对组合构成产生扰动。

- 串联处理则为创新手段：先构建传统多因子组合，串联BL模型用分析师预期数据再进行权重调整。

• 实证范围覆盖沪深300、中证500，月度选股频率，行业权重偏离控制±5%确保组合行业配置合理。

- 两类预期数据：
- 分析师目标收益率：目标价与当前价差距标示潜在收益。
- 目标营收增幅：分析师预测未来年度营收同比增长百分比。

• 三类组合对比：

1.普通多因子组合（不含预期因子）
2.并联组合（预期因子与其他因子同台布局）
3.串联组合（多因子组合之外用BL模型叠加分析师预期权重）

• 指出本文主要对比不同预期数据处理方式对表现影响，不追求最高绝对收益[page::2]

2.4 串联组合的具体构造方法（页3）

• 简要回顾BL模型核心机制：以股票的市值权重为均衡权重，将分析师目标收益率排序划分做多做空股票组合形成观点矩阵P。

- 观点收益向量Q由P与目标收益率向量矩阵乘积得出。

• 观点信心矩阵Ω由分析师预期目标价的预测标准差构造，体现不确定性。

- 按BL模型计算股票的后验收益率与协方差矩阵，进而通过效用函数最大化得出权重，过程类似均值-方差优化。

• 制作流程：

1. 计算普通多因子组合权重，保留7个传统量化因子，行业权重控制±5%。
2. 基准指数内用BL模型计算分析师预期权重，不添加约束，权重可能有负值，被剔除后归一化。
3. 计算BL权重相对市值权重的偏离。
4. 结合普通多因子组合权重与BL权重偏离得到最终组合权重。

• 说明BL部分未限制行业权重偏离，有造成组合权重波动的风险，后期有改进空间[page::3]

2.5 沪深300的选股效果（页4-5）

3.1 基于目标收益率

• 并联组合表现最佳，尤其2016年后，明显超越普通多因子组合及串联组合，累计超额收益持续走高。

- 但2021年2月出现显著回撤，表现波动性较大。

• 串联组合超额收益趋势性良好，整体与普通多因子组合累计收益相近，但长期超额收益较为稳定，表现出较优的持续性。

- 普通多因子超额收益则在2017-2019年间表现乏力，缺乏持续超额收益。

• 解释上，串联组合短期波动大部分缘于未能严格控制行业权重偏离，长期趋势展现了其潜力。

3.2 基于目标营收增幅

• 并联组合表现弱于普通多因子组合，意味着营业收入预测因子与其他因子融合效果较差。

- 串联组合累计超额收益最高，但波动幅度也增大，表现更加不稳定。

• 两类型预期数据在沪深300中表现差异明显，目标收益率适合并联，而营收增幅更适合串联处理[page::4-5]

2.6 中证500的选股效果（页5-6）

4.1 基于目标收益率

• 并联组合表现最差，走势落后于普通多因子组合。

- 串联组合累计收益最好，优于普通多因子组合，但超额收益波动大，波动性问题突出。

• 显示在中证500中目标收益率预期因素更适合串联整合，并联融合不利。

4.2 基于目标营收增幅

• 并联组合依旧落后于普通多因子组合。

- 串联组合累计收益与普通多因子相当，但超额收益更稳定且在2017-2021年期间持续扩大，未出现普通多因子组合的超额收益停滞。

• 结论与沪深300类似，串联组合在营收增幅预期因子融合效果更佳，表现稳定[page::5-6]

2.7 总结与风险提示（页6）

• 通过系列测试并联和串联两种分析师预期数据的整合方法发现：

- 串联组合在多数情形下优于并联组合，也优于普通多因子组合。
- 效果依赖于普通多因子模型构造以及具体预期数据类别。
- 实务启示为：在某些场景下，将分析师预期数据投放于多因子组合之外，通过BL模型额外调整权重有正面意义。

• 尚有改进空间，特别是如何在BL模型计算时加入行业及风格权重偏离约束，以减少组合波动。

- 风险声明强调模型及结论基于历史统计规律，规律改变时可能失效[page::6]

---

3. 图表深度解读

3.1 图1：使用目标收益率时不同组合对沪深300的超额收益（页4）

• 图表描述：折线图纵轴为累计超额收益，横轴为时间（2009-2020年），曲线分别为普通多因子组合（红色）、并联组合（紫色）、串联组合（蓝色）。

- 数据及趋势分析：
- 并联组合自2016年后快速上涨，累计超额收益远高于其他组合，最高点接近2.8倍。
- 串联组合稳定上升，累计超额收益接近2倍，走势较为平滑且无明显大跌。
- 普通多因子组合处于中位，表现逊于并联组合，略低于串联组合，且2017-2019年间几乎无显著超额收益。
- 2021年初并联组合出现大幅回撤，但仍领先。

• 文本关联：该图清晰体现了并联方法对目标收益率的强劲超额收益能力，但带来较大波动。而串联方法虽然回报不及并联峰值，但更稳定，表明多因子与分析师数据分段处理具有长期价值[page::4]

3.2 图2：使用目标营收增幅时不同组合对沪深300的超额收益（页5）

• 图表描述：类似布局，三条线线条为普通多因子（红）、并联（紫）、串联（蓝）。

- 数据及趋势分析：
- 并联组合整体低于普通多因子组合，说明目标营收增幅在并联模式下未能发挥优势。
- 串联组合长期超额收益领先，尤其2017年后超额收益明显高于其他两组，累计达约2.2倍。
- 曲线较为波动，但仍显示较好成长性。

• 文本关联：该图佐证远离多因子组合的串联处理，能更好利用营收预期数据[page::5]

3.3 图3：使用目标收益率时不同组合对中证500的超额收益（页5）

• 图表描述：同样为累计超额收益，三条曲线为普通多因子（红）、并联（紫）、串联（蓝）。

- 数据及趋势分析：
- 并联组合明显落后，位列三者之末。
- 串联组合长期稳步领先，累计超额收益接近3倍最高值，明显优于普通多因子。
- 普通多因子组合居中但整体低于串联。

• 文本关联：反映在中证500中，目标收益率预期因子通过串联整合更有效，推翻并联模式在此指数组合的有效性[page::5]

3.4 图4：使用目标营收增幅时不同组合方式对中证500的超额收益（页6）

• 图表描述：同样的趋势图。

- 数据及趋势分析：
- 并联组合表现最弱，累计收益最低。
- 串联组合与普通多因子长期趋于一致，且2017-2021年间超额收益稳定扩大。
- 普通多因子组合中途有停滞，波动较大。

• 文本关联：强化串联组合的稳定优势，特别对目标营收预期数据[page::6]

---

4. 估值分析

• 本报告为方法学专注研究，无涉及具体股票估值、目标价或盈利预测。

- BL模型在组合权重优化时基于贝叶斯框架，结合主观观点与市场均衡权重，通过效用函数最大化实现权重分配，采取风险调整后的收益最大化原则。

• 关键输入：

- 市值加权均衡组合权重作为“无观点”先验。
- 观点矩阵P由行业内高低排序的目标收益率股票构成做多做空观点。
- 观点置信度矩阵Ω基于分析师目标价标准差。

• BL模型通过数学方式融合市场信息与分析师主观估计，在数据缺失情况下依然能稳定输出合理权重，优于传统简单因子加权法[page::3]

---

5. 风险因素评估

• 报告风险提示集中于模型的历史依赖性，即所有结果均基于历史统计规律。

- 一旦市场结构、信息环境或分析师预期准确性发生变化，模型有效性及超额收益可能遭到破坏。

• 串联组合因未严格约束BL模型部分行业配置偏离，可能带来组合波动性上升风险。

- 报告未对潜在的极端市场事件风险、数据质量风险等进行详细探讨。

• 缓解措施建议：未来引入更多行业、风格权重约束，改善组合稳定性[page::0][page::6]

---

6. 批判性视角与细微差别

• 潜在偏见及局限性：

- 报告旨在方法对比，未对多因子模型及预期数据进行细致优化，实际应用时效果可能异于回测。
- 分析师预期数据的质量、覆盖率及及时性没有仔细讨论，缺失值处理依赖BL模型假设，可能存在偏误。
- BL模型权重不添加约束导致行业偏离风险未充分控制，短期超额收益波动较大。
- 组合超额收益的经济意义和统计显著性分析缺失，未提供夏普比率、最大回撤等风险调整指标。
- 图表展示未包括不同组合风险指标对比，缺少更加全面业绩衡量。

• 内部一致性：

- 报告整体逻辑清晰，前后观点一致，串联组合优势结论与数据相符。
- 但部分章节表述略重重复，如对BL模型机制的描述多次出现。
- 风险提示部分相对简略，未充分展开方法局限性。

• 细微提示：

- 报告中行业权重偏离控制仅针对普通多因子组合，BL部分无约束，有发展空间。
- 对不同类型分析师预期因子效果差异提示明显，反映分析师预期非均质，应用时需具体区分。

---

7. 结论性综合

本报告围绕多因子选股中分析师预期数据的整合方法，创新提出并系统测试了通过Black-Litterman模型对分析师预期数据进行“串联”处理再赋权的策略。主要发现包括：

• 方法论创新性：与传统的“并联”方式直接将预期因子纳入多因子模型不同，串联方式通过先构造传统多因子组合，再利用BL模型结合分析师预期调整权重，在缺失值较多时更具适用性和方法优势。

- 实证结果：
- 在沪深300和中证500两个重要指数成分股中，基于分析师目标收益率和目标营收增幅预期数据的实际表现差异明显。
- 目标收益率因子适合于沪深300做并联，因为并联组合在该环境下表现最佳。但在中证500中串联组合表现居优。
- 目标营收增幅因子在两个指数上均显示串联组合表现优于并联，且较普通多因子组合更稳定。

• 图表洞察：

- 图1至图4清楚展现不同组合在不同指数和指标上的趋势和超额收益水平，体现了串联组合长期趋势更稳健、超额收益持续扩大，而并联组合受缺失及行业权重控制问题影响较大。

• 模型优势与不足：

- BL模型兼备均衡市场观与主观观点，较好处理分析师预期数据缺失问题。
- 组合中未对BL部分行业权重及风格因子作限制，导致短期波动较大，未来有改进空间。

• 风险评估：

- 历史统计规律依赖性高，模型与结论在规律变更情况下可能失效。
- 对分析师预期数据质量、时效性和市场变动风险需持续关注。

• 投资建议：

- 本报告不作具体买卖评级，主要提供量化多因子模型中预期数据整合新思路，适用于量化投资研究及基金策略调整参考。

综上，Black-Litterman模型在多因子配置中通过外部加入分析师预期数据的“串联”方式表现出优异的稳定性和超额收益优势，值得量化投资者在实际策略研发中尝试与进一步优化。该方法尤其适合面对存在较多缺失值的预期指标情形，为传统多因子模型赋予新的提升途径。

---

（全文引用自华西证券研究所《Black-Litterman 模型研究系列之五 ——多因子组合中预期数据使用方式》，页码标注详见[page::0]-[page::8]）

报告