季度盈利预测体系设计与信息来源 [page::0][page::4][page::5][page::6]

• 预测依据信息包括公司业绩指引（业绩预告）、分析师预期和投资者自有模型三重信息交融，理性投资者综合使用这些信息形成盈利预测。

- 自2019年起，受监管及市场变化影响，业绩预告和分析师覆盖股票比例显著下降，部分公司需依赖自有模型进行预测。

• 系统采用四模型结合：业绩预告优先，其次为规律外推模型（基于历史盈利分布稳定性和盈利正常性判断），再使用分析师预期，最后为简约模型。

规律外推模型详解及案例说明 [page::7][page::8][page::9]

• 规律外推分为两种情形：（S1）基期盈利正常且历史盈利分布稳定，使用比例外推模型；（S2）基期盈利正常但历史分布不稳定，且预测期上年同期盈利正常，使用平均增速模型。

- 以贵州茅台和北方国际为例，展示两种模型的具体应用及预测效果，说明该模型体系的适用性和准确度。

盈利预测效果及模型分布特征 [page::11][page::12][page::13]

| 模型 | 2019年前占比 | 2019年以来占比 | 变化趋势 |
|----------|-------------|--------------|-----------|
| 业绩预告 | 36.85% | 27.94% | 下降 ~9% |
| 分析师预期 | 20.74% | 14.81% | 下降 ~6% |
| 比例外推 | 12.87% | 19.76% | 上升 |
| 平均增速 | 18.24% | 21.68% | 上升 |
| 简约模型 | 11.30% | 15.80% | 上升 |

• 系统预测季度盈利相较历史季度盈利，偏差中位数平均减少 8.71%，预测准确性提升明显。

- 业绩预告和分析师预期模型占比随信息披露减少而下降，自有模型比例有所上升，显示模型适应市场变化的调整能力。

基于季度盈利预测的因子构建与投资价值 [page::13][page::14][page::15][page::16]

| 因子名称 | IC均值 | 年化ICIR | 平均月度多空收益 | IC剔除其他因子后 |
|---------------|--------|---------|----------------|-------------------|
| 预期季度 EP | 0.0524 | 3.39 | 1.18% | 0.02+（剔除单季度EP、TF预期EP） |
| 预期季度增速 | 0.0288 | 2.18 | 0.67% | 0.0228（剔除单季度净利润同比增速） |
| 季度业绩超预期 | 0.0386 | 3.81 | 1.22% | 0.0163（剔除标准化预期外盈利SUE） |
| 中性化季度业绩超预期 | 0.0377 | 3.60 | 1.23% | 0.0155（剔除SUE） |

• 以上因子均表现出较好的单调收益和多空净值，体现较强的选股信号和稳定的投资价值。

- 季度业绩超预期因子基于合理季度盈利预测，较传统SUE因子更能反映真实超预期信息。

金融工程——季度盈利预测系统研究报告详尽分析

---

一、元数据与报告概览

• 报告标题： 金融工程－如何获取季度盈利预测

- 发布机构： 天风证券研究所

• 发布日期： 2020年10月13日

- 核心主题： 系统化构建季度盈利预测体系，并探讨其在提升盈利预测准确性及选股因子方面的增量信息作用

• 作者信息： 吴先兴、韩谨阳，均为拥有SAC资格证书的分析师

- 核心论点与目标：
本文指出单纯依赖年度盈利预测难以实时反映公司经营变化，而季度盈利预测能提供显著信息增量。通过构建四大基础模型（业绩预告、规律外推、分析师预期、简约模型），形成系统的季度盈利预测体系。该体系在预测准确性上优于历史季度盈利，并基于预测构造衍生因子显示出显著的信息增量和选股能力，验证了其现实应用价值和理论意义。[page::0]

---

二、逐节深度解读

1. 季度盈利的增量信息

本章以理论与实证角度强调季度盈利预测的重要性。首先，通过对比基于预知下一季度盈利计算的估值因子（fEPQ）和当年盈利估值因子（fEP）IC值，证明季度盈利因子包含显著额外信息（IC均值0.1032 vs. 0.1153，且净剔除后两个均有较佳表现）。文章指出，年度盈利因其包含大量已实现信息，趋向陈旧，而季度盈利能更清晰反映盈利的实现路径和未来预期，因而更为重要。本文目标即为完善季度盈利预测体系。[page::3]

2. 信息来源与市场现状

理性投资者的未来盈利预期融合三类信息来源：

• 业绩指引：信息最可靠，但因监管收紧，2019年起发业绩预告的公司数量及占比骤减（见图2，比例从40%-70%降至20%以下）；

- 分析师预期：专业深度高，但覆盖范围自2017年起下降显著，2019年平均覆盖率仅56.48%（图3）；

• 投资者自有模型预测：在前两类信息不足时，成为补充手段。

监管与市场结构变化使得业绩预告与分析师覆盖减少，引导投资者依赖更加科学的模型估测未来盈利，进而凸显本文季度盈利预测系统意义。[page::4,page::5]

3. 季度盈利预测系统构建

体系由四个基础模型构成，次序优先级为：

• 业绩预告：若公司发布业绩预告则取其中值作为预测，直接减去已实现累计盈利获得单季度预测（公式详见3.2）。

- 规律外推：用于满足历史盈利稳定性及正常性要求的样本（情形1和情形2），分为比例外推和平均增速两类（3.3.1至3.3.3），如贵州茅台（图8）和北方国际（图9）案例具体展示。

- 比例外推基于基期盈利与历史平均占比，反映季度盈利的历史稳定结构；
- 平均增速则基于历史两年平均以及基期增速估计预测期盈利。

• 分析师预期：当无业绩预告及历史规律外推条件但有分析师覆盖时，基于年度分析师一致预期拆解分季度预测，并用历史占比分解剩余期盈利（3.4，图10，11）。

- 简约模型：以上均无时，利用过去四季平均盈利值加预测期上年同期盈利均值进行最简预测。

流程图清晰展示模型选取逻辑（图4，6），并指出不同模型在不同月份占比变化情况（图12，13，14，表2），与监管政策变化相映衬，业绩预告及分析师预期占比下降，规律外推和简约模型使用增多，说明预测系统具备适应信息环境变化的灵活性。[page::5-12]

4. 预测效果检验

通过计算每期预测季度净利润与实际盈利的绝对偏差占比，发现系统预测的中位数偏差为39.81%，明显优于传统历史季度盈利的48.52%（图15）。预测系统在偏差水平上整体优于简单历史值预测，验证了体系的准确性。

此外，模型占比随时间和信息披露细节变化，体现动态调节特性，按时间、信息可用度调整参与预测模型，实现最大准确预测效果。[page::12-13]

5. 季度盈利预测的应用与衍生因子

在季度盈利预测基础上，衍生出关键选股因子并进行实证检验：

• 预期季度EP因子（fepq）：季度预测净利润与市值之比，IC均值0.0524，年化ICIR3.39，多头月均收益1.18%（表3，图16-17）。剔除已有因子后仍显著，说明具备增量信息。

- 预期季度增速因子（fgrowthq）：预测季度盈利同比增速指标，IC均值0.0288，ICIR2.18，收益较估值因子略弱（表4，图18-19）。

• 季度业绩超预期因子（QES）：以盈利实际值减去预测值并标准化的超预期指标，IC均值0.0386，ICIR3.81，收益为1.22%（表5，图20-21）。该因子补充标准化预期外盈利（SUE）因子不足，且其细分类别中性化后（NQES）依然表现坚挺（表6，图22-23）。中性化处理剔除基准类型、行业及规模差异，提高指标稳健性。

三个因子均呈现出较好分组单调性和稳定多头收益，充分说明季度盈利预测的高价值可导性，超越传统年度预测对股价表现的解释力。这种衍生因子的开发丰富了市场因子库，为量化投资提供新视角。[page::13-16]

---

三、图表深度解读

图1（盈利预测信息的融合）

通过视觉符号示意理性投资者所借助的三类主要盈利预期信息源：业绩指引（可靠度最高）、分析师预期和自有模型。图形表现信息交融和决策融合过程，突显本文预测体系构建思路。[page::4]

图2（业绩预告公司数量及占比）

折线和柱状组合图揭示2019年后业绩预告发布数量与比例显著下降的趋势，反映政策环境收紧，减少可靠公司盈利披露信息，增加预测难度。[page::4]

图3（分析师覆盖公司数量及占比）

类似趋势的折线柱状图显示分析师覆盖的股票数量及比例自2017年开始下降，特别是2019年以来均值仅约56%，增大信息不对称风险，对投资者构成挑战。[page::5]

图4（季度盈利预测信息筛选流程）

流程图详细罗列判断逻辑，显示依次判定公司是否有业绩预告、是否符合历史规律外推条件、有无分析师覆盖，依据条件选取对应四大基础模型，体现体系结构透明性及科学模型选择机制。[page::6]

图5（基期与预测期盈利示意）

时间轴说明“基期”与“预测期”季度盈利的定义与关系，图形化帮助理解后续指标和模型的建构基础。[page::6]

图6（是否可历史外推判断）

具体的流程分支图，辅助判定样本是否满足比例外推或平均增速两种规律外推条件，流程中关键判断指标包括盈利正常性和历史稳定性，系统化实现模型选择。[page::7]

图7（历史盈利分布稳定判断）

示意性统计图表方法描述（虽不具体），体现如何以过去三年季度盈利占比稳定性判断是否适用比例外推模型，最大偏差10%为阈值，为模型准确度提供历史依据。[page::7]

图8、9（贵州茅台与北方国际盈利示例）

条形图具体展示案例公司二季度及三季度的净利润，表现出季度盈利分布规律。茅台按照比例外推，北方国际采用平均增速模型，两案例验证模型适用场景和准确性。[page::8-9]

图10、11（分析师一致预期季度盈利拆分）

时间轴图解释分析师年度盈利预期如何拆解为季度预期，结合历史同期数据分配比重，转化季度盈利预测，实务操作清晰体现。[page::10-11]

图12-14（模型分布及时间变化）

堆积面积图及柱状图展示模型占比的时间动态，揭示季度、月份以及2019年后业务环境变化对模型使用的影响，业绩预告及分析师覆盖下降导致简约和外推模型份额上升。[page::11-12]

图15（单季度盈利预测偏差检验）

折线图比较系统预测偏差中位数与历史季度盈利偏差，系统化预测明显优于历史值，体现方法实证有效性。[page::13]

图16-19（预期季度EP与增速因子表现）

柱状图和多空净值曲线展示因子分组收益单调上升特点及长期收益稳定增长，验证信息增量价值和选股潜力。[page::14]

图20-23（季度业绩超预期因子及中性化调整）

类似图形表现超预期因子的多空表现，中性化处理后单调性和稳定收益有所提升，体现业绩超预期衡量的稳健性调整效果。[page::15-16]

---

四、估值分析

报告中并未涉及传统DCF等估值模型，主要聚焦盈利预测及因子构建。估值相关内容体现为基于季度预期净利润与总市值的预期EP因子，作为估值类因子的量化表达，体现在因子IC值和收益情况中。该因子作为估值工具替代粗糙年度盈利对标，融入投资决策过程，体现预测方法的核心商业价值。[page::13]

---

五、风险因素评估

报告在开篇结尾风险提示中指出：

• 模型基于历史数据，存在模型失效风险，未来市场结构及环境变化可能导致模型不再适用；

- 因子失效风险，即构建的盈利预测衍生因子可能在未来表现不佳；

• 市场环境变动风险，宏观经济、监管政策等不确定因素或严重干扰盈利预测的准确性。

未进一步提供缓解方案，但通过模型多元选择与动态调节策略隐含部分风险管理措施。[page::0]

---

六、批判性视角与细微差别

• 信息来源减少挑战模型稳定性：业绩预告和分析师覆盖下降的趋势对预测准确性构成压力，简约模型和规律外推比例上涨是现实妥协，但可能降低预测信息含量，需关注未来信息环境的演变。
• 预测偏差仍较大：尽管系统偏差中位数优于历史季度盈利，但仍接近40%，表明盈余行为和季度异常波动难以完全捕捉，模型存在改进空间。
• 分析师预期的利用与修正：规律外推模型在偏离分析师预期过大时以分析师数据进行校准，体现市场认知的权威性。但分析师往往偏乐观，这一假设也有待进一步验证。
• 因子信息增量与相关性：多个因子剔除彼此后仍具显著IC表明增量，但IC水平偏低（多在0.02~0.05区间），投资中因子有效性的持续性仍需密切跟踪。
• 超预期因子分组中部分非单调现象，说明因子表现受市场异质性影响，需要进一步细分或多因子联动优化。
• 缺少对模型敏感性分析，例如参数选取、模型边界情况对预测的影响，报中未见明确阐述。

---

七、结论性综合

该报告通过严谨的逻辑构建及详实的实证演示，创新性地建立了覆盖绝大多数上市公司的季度盈利预测系统，结合业绩预告、历史盈利规律、分析师预期与简约模型的动态融合，解决了季度盈利预测难题。

实证结果表明，系统化季度盈利预测相较历史季度盈利预测更为准确，偏差显著减小。基于预测构建的相关因子（预期季度EP、预期季度增速、季度业绩超预期）均展现出显著信息增量和强市场解释力，超越传统基于年度数据的投资因子，对股票多空组合均带来稳定且显著的超额收益。

图表分析全面覆盖了预测系统的构建流程、多维判断标准、模型分布变化、实证效果、案例演示及因子表现，结构条理清晰，内容深刻。风险提示着眼于模型的历史数据依赖性和市场环境变化，体现适度的谨慎。

综上所述，报告展示了季度盈利预测体系在当前信息环境下的创新价值及量化投资启示，具有较高的理论价值与应用前景，同时也表露出因市场监管及结构变化带来的挑战，呼吁持续跟踪与优化。

---

图片索引（部分示例展示）

• 图1盈利预测信息融合

• 图2业绩预告数量与占比

• 图8贵州茅台盈利示例

• 图15预测系统偏差中位数检验

• 图16预期季度EP平均月度超额收益

---

报告