• 分析师超预期幅度因子定义及算法原理 [page::1][page::2]

- ESP因子定义为：(单季度实际净利润 - 单季度预期净利润) / 预期净利润绝对值。
- 预期净利润基于上季度财报至当日内预测样本的机构预测平均值，经调整获得未发布季度预期净利润，结合同比增速计算预期值。
- 该因子反映单季度净利润相对于市场预期的偏离程度。

• 超预期股票的短期收益表现及分布特点 [page::2][page::3][page::4]

- 贵州茅台22次超预期中20次次月获正收益，最高25%，最低-2%；森马服饰16次超预期中13次次月正收益，最高20%，最低-4%。
- 超过70%的样本在超预期当月实现对市场基准超额收益。
- 4、8、10月为超预期股票高发月，与公司上市季报和年报发布时间关联明显。

- 超预期股票1、2、5月月度平均绝对收益和超额收益最高。

• 不同报告类型和季报对超预期股票收益的影响 [page::4][page::5][page::6]

- 定期报告的超预期股票数量最多，但业绩快报和预告的超额收益更高，快报平均超额收益达2%。


- 年报超预期股票平均绝对收益和超额收益明显高于一、二、三季度。

- 当年第一次发生超预期的股票平均绝对收益最优，约2.5%。

• 超预期股票收益的风格因子分析 [page::7][page::8][page::9][page::10][page::11]

- 预测机构个数和行业对超预期收益无显著解释力。
- 市值的影响在不同时间窗口反转，2017年后大市值表现优于小市值。
- EPTTM（市盈率倒数）作为估值因子表现稳定，低估值股票超预期收益较高，分层线性明显。

- BPLR估值因子、成长与质量因子（单季度ROE同比增长率、ROETTM、ROATTM）表现不佳。
- 动量因子：过去一个月收益率分层显著，超跌股票呈现更好超预期收益，六个月收益率稳定性较差。

- 技术因子（过去一个月换手率、波动率、日均成交额）分层效果不稳定且微弱。

• 超预期选股策略构建及表现 [page::12][page::13][page::14][page::15]

- 以EP_TTM和过去一个月收益率筛选每月低估值且超跌的股票（排名前30%交集），再选取ESP因子最大20只构成投资组合。
- 组合年化收益27.43%，相对中证500超额收益22.81%，夏普比率1.85，最大回撤7.4%，表现稳健优异。


| 年份 | 组合收益 | 中证500收益 | 超额收益 | 最大回撤 | 夏普比率 |
|------------|-------------|------------|------------|------------|-----------|
| 2009 | 111.04% | 84.05% | 26.99% | 4.05% | 2.071 |
| 2010 | 20.15% | 10.07% | 10.08% | 5.18% | 0.726 |
| 2011 | -9.34% | -33.83% | 24.49% | 0.88% | 2.561 |
| 2012 | 26.89% | 0.28% | 26.62% | 3.18% | 3.430 |
| ... | ... | ... | ... | ... | ... |
| 2019(截止9月) | 34.66% | 25.46% | 9.20% | 6.27% | 0.694 |
| 总样本 | 27.43% | 4.62% | 22.81% | 7.40% | 1.853 |

• 超预期风格贡献独立超额收益 [page::14][page::15]

- 与仅包含低估值超跌风格的组合对比，超预期20组合仍展现显著超额收益，说明超预期因子本身具有稳健的alpha贡献。

• 结论 [page::15]

- 分析师超预期幅度ESP作为量化选股关键因子，结合估值与动量风格因子，能稳定捕捉超预期股票的投资机会。
- 超预期20组合数据显示该因子具备持续性与较强的风险调整后收益能力。
- 该策略适合作为中证500增强投资的有益补充。

【建投金工丁鲁明团队】深度专题93：分析师超预期因子选股策略 - 全面详尽分析报告

---

一、元数据与报告概览

• 报告标题： 《深度专题93：分析师超预期因子选股策略》

- 作者与团队： 丁鲁明金融工程研究团队，隶属中信建投证券研究发展部

• 发布日期： 2020年04月03日

- 发布机构： 中信建投证券股份有限公司

• 研究主题： 以分析师对企业季度净利润的超预期幅度为核心因子，结合低估值和动量风格因子，构建基于超预期幅度的量化选股策略。

- 报告核心论点：
1. 定义并构建精确到季度层面的净利润超预期幅度（ESP）因子，通过分析结构性财务数据及分析师预期值，挖掘股票价格的超额反应潜力。
2. 结合估值（EPTTM）和动量（过去一个月收益率）两个风格因子筛选初始股票池，提升超预期因子选股的稳定性和表现。
3. 构建“分析师超预期20组合”，长期表现优异，近十年累计年化收益27.43%，超越主要指数中证500和沪深300，且夏普比率高达1.85，风险调整收益优良。

• 作者传达的主要信息：

分析师超预期幅度因子有效捕捉上市公司业绩公布带来的市场异象，结合低估值和动量因子筛选，可显著增强量化投资的选股能力。超预期20组合不仅稳定战胜主流指数，也为中证500增强策略提供强有力的补充选择。

---

二、逐章节深度解读

1. 分析师超预期幅度因子定义

• 因子定义与计算流程：

ESP（Earnings Surprise Percent）定义为：
\[
ESP = \frac{\text{单季度实际净利润} - \text{单季度预期净利润}}{|\text{单季度预期净利润}|}
\]
预期净利润计算方面，通过收集季度业绩公告周期内的分析师最新预测，将其作为当期业绩预期。计算步骤包括：
- 采集财报公告日前3个月内所有当年净利润预测样本，取机构预测均值。
- 剔除已发布的当年净利润累积值，得到未发布季度的预期净利润。
- 通过同比增速分解年度预测，计算单季度预期净利润。

• 逻辑基础： 分析师观点综合反映公司未来业绩预期，剥离历史已披露业绩后得到更准确的季度预期。实际净利润超越预期度量了业绩“惊喜”程度，是反应市场预期修正幅度的重要信号。
• 实证支撑： 以贵州茅台和森马服饰两个典型标的为例，历史共计多次超预期信号，20次中茅台次月正收益占比达90%以上，森马服饰亦超过80%，且最大单月正收益可达到25%（贵州茅台）和20%（森马服饰）。整体而言，超过70%的股票在公布超预期后，次月获得相对市场环境的正超额收益，显示超预期信号的可靠性与价值[page::1,2,3]。

---

2. 分析师超预期股票分布统计

• 超预期样本数量月度分布：

4月、8月、10月超预期股票数量明显攀升（主要为业绩定期报告集中发布月）；1、2、3、7月亦有较高频率，5、6、9、11、12月则较少，部分月份接近零。这反映出业绩信息披露时间的季节性影响[page::3]。

• 各月超预期股票平均收益：

- 绝对收益最大集中在1、2、5月，最高可达6%左右。
- 超额收益（相较Wind全A指数）则5月表现尤为突出，达到5.5%以上。
- 受样本量分月差异影响，未将这些数据直接应用于选股策略[page::4]。

• 不同报告类型超预期数量及平均超额收益：

- 定期报告超预期样本数最多（逾18000条），但业绩快报和预告虽数量较少，平均超额收益分别为2.0%和1.4%，显著高于定期报告的0.57%。
- 解释为业绩快报/预告具备时效优势，市场对该类信息反应更敏感[page::4,5]。

• 不同季报超预期股票平均收益：

- 年报超预期收益最高，平均绝对收益超过1.2%，超额收益接近3%。季报中，1-3季度收益均低于年报。
- 反映市场对年度财报业绩超预期的认可度更高[page::5,6]。

• 重复超预期的股票平均收益：

- 当年首次超预期平均绝对收益最高（约2.5%），之后的再超预期收益依次下降。
- 符合价格已对信息部分消化，首次超预期带来的价格反应最强烈[page::6]。

---

3. 分析师超预期股票收益特征分析

研究不同风格因子对超预期股票的收益解释能力，分样本2009年以来整体和2017年后最新市场风格两阶段。

• 预测机构个数（图12）：

2009年以来分层平均绝对收益趋同，约0.8%-0.9%；2017年后均为负值，分层无显著规律。非有效因子[page::7]。

• 行业维度（图13）：

表现差异大且不稳定，新近样本期多数行业分层为负，行业非稳定解释变量[page::7]。

• 市值风格（图14）：

整体小市值股票收益较大（约2%对比最大市值组0.56%），2017年后情况颠倒，大市值股票表现更佳。缺乏方向稳定性[page::7,8]。

• 估值因子

- EPTTM（市盈率倒数指标）表现突出：高EPTTM（低估值）组股票收益明显优于低EPTTM组，且2017年以来该线性趋势依然存在，长期稳定的收益解释变量[page::8]。
- BPLR（账面市值比）分层效果显著但2017年后失效[page::8]。

• 成长与质量因子

- 单季度ROE同比增长率无显著分层效果[page::9]。
- ROETTM和ROATTM分层偏弱，2017年后分层有所改善但仍不稳定，非核心因子[page::9]。

• 动量反转因子

- 过去一个月收益率分层极为显著，跌幅最大股票超预期后表现最佳，是动量反转因子，可作为有效筛选工具[page::10]。
- 六个月收益率分层效果存在时间分割，表现不稳定，非稳定因子[page::10]。

• 技术因子（换手率、波动率、日均成交额）

- 换手率和波动率无显著分层效果[page::11]。
- 日均成交额在历史样本期有效，但2017年起失效[page::11]。

总结本章核心:
EPTTM与过去一个月收益率两个风格因子能稳定解释超预期股票收益，作为筛选样本池的风格基准合理有效[page::11]。

---

4. 分析师超预期选股策略构建

4.1 超预期因子覆盖度管理

• 为应对样本偏月度集中性，提出“拉伸”样本策略：

- 4、8、10月直接取当月股票
- 5、9、11月取前2个月股票合并
- 1、7月取前4个月股票
- 3、6、12月取前3个月股票

• 调整后平均因子覆盖率约62%，保证因子月度可用性和选股样本规模[page::12]。

4.2 结合EPTTM与动量构建筛选池

• 每月筛选全市场中估值（EPTTM）和最近一个月收益率排名前30%的交集股票作为初步样本股池，剔除ST、新股、停牌及涨停股。

- 对该池中股票按ESP因子（净利润超预期幅度）排序，选取排名前20只构建超预期20组合，如此保证选股风格集中且优质[page::12]。

4.3 因子效应分层实验

• 五分位测试显示ESP因子分层效果显著，排名最高组年化收益超过20%，明显强于最低组，夏普比率也达0.68，说明因子不仅有效且风险调整后优质[page::12]。

4.4 超预期20组合表现

• 绝对收益： 2009-2019年，累计净值超过12倍，明显优于沪深300和中证500指数[page::13]。

- 相对收益超级稳定：
- 超额中证500年化平均22.81%
- 时序趋势稳定提升，回撤小于7.5%
- 夏普比率高达1.85，风险调整收益突出[page::13,14]。

• 年度表现分布： 绝大多数年份超越中证500，最低年亏损率低于同期指数，极具稳健盈利能力[page::14]。

4.5 超预期因子贡献剥离测试

• 将超预期20组合与仅基于低估值加超跌（EPTTM与过去一个月收益率）的组合对比，发现超预期20组合的超额收益稳定向上，表明ESP因子贡献了大部分超额收益，去除了估值和动量因子影响后的真实alpha效果清晰[page::14,15]。

---

5. 总结和思考

• 因子创新点：

- 精细定义季度净利润超预期因子ESP，依托严密计算流程，提高因子准确性和时效性。
- 通过历史业绩和两标的实证，验证超预期因子对市场短期价格反应的正向刺激作用显著。

• 样本结构与收益分布：

- 超预期股票在业绩公告高峰月份频发，利益相关报告类型影响超额收益大小，快报/预告更及时反映超预期价值。
- 业内年报超预期股票收益最高，首次超预期表现更优，表明市场对非重复超预期表现敏感。

• 风格因子关联性和筛选效果：

- EPTTM和过去一个月收益率是有效的风格因子，与超级预期因子形成协同筛选。
- 市值、行业、成长、质量、技术因子均表现不稳定或无显著相关性，非核心筛选因素。

• 组合策略构建与实证效果：

- 月度覆盖率调整确保样本充足且稳定。
- 结合低估值、动量、超预期构数因子，实现因子风险中性化，强化选股效果。
- 十年历史回测下，组合收益、回撤、夏普比率均优于市场主流指数，且收益稳定可持续，具备显著的增强指数投资的实用价值。

• 策略展望与潜在改进：

- 后续可考虑引入第二财年FY2预期EPS校正等更长期预期因子。
- 评估超预期信号不同市场环境下的表现稳定性。
- 可进一步结合机器学习方法动态调整因子权重，提升实盘适应度。

---

三、关键图表深度解析

| 图表编号 | 描述 | 关键数据与趋势 | 关联章节内容分析及意义 |
|-|-|-|-|
| 图1（页2）| 分析师超预期幅度ESP因子定义流程图 | 展现如何由季度报告公布日内分析师预测净利润均值，扣除已发布盈利，计算同比增速，再计算单季度预期净利润。 | 详解因子定义方法，体现因子时效性及准确性[page::2]。|
| 图2、3（页2-3） | 贵州茅台和森马服饰超预期月次收益分布 | 贵州茅台22次超预期20次后月份正收益，最大25%；森马16次，13次正收益，最大20%。次月负收益极少且幅度较小。 | 实证超预期因子选股价值，支持后续构建策略[page::2,3]。|
| 图4（页3）| 超预期股票样本数量月度分布 | 4、8、10月数量最高，反映财报披露节奏明显季节安排。 | 样本覆盖的时间布局，为因子月度覆盖调整指引[page::3]。|
| 图5、6（页4）| 各月超预期股票平均绝对收益和超额收益 | 5月绝对收益和超额收益最高，1、2月次之。| 观察收益月度差异，提示月份调整重要性[page::4]。|
| 图7、8（页4-5）| 不同报告类型超预期股票数量及平均超额收益 | 定期报告数量占比超六成但超额收益低，业绩快报和预告超额收益相对突出。 | 披露类型影响市场反应强度，说明快报预告重要性[page::4,5]。|
| 图9、10（页5-6）| 不同季报超预期股票收益对比 | 年报超预期股票表现明显优于其他季报。 | 反映年度财报市场关注度和溢价效应[page::5,6]。|
| 图11（页6）| 重复超预期次数与收益对比 | 首次超预期收益最高（约2.5%），复现次数后的收益表现递减。 | 体现价格信息消化机制，支持重点关注首次超预期[page::6]。|
| 图12-14（页7-8）| 预测机构个数、行业、市值的分层效果 | 三因子分层效果不稳定或近年趋弱，市值走势变化方向。 | 排除非稳定解释因子，筛选核心因子[page::7,8]。|
| 图15、16（页8）| EPTTM和BPLR分层效果 | EPTTM持续优异分层说明其为有效估值因子，BPLR不稳定。 | 采纳EPTTM作为估值筛选因子[page::8]。|
| 图17-19（页9）| 成长与质量因子分层效果 | ROE同比增长率、ROETTM、ROATTM难以稳定解释超预期收益。 | 非主要思路因子，剔除[page::9]。|
| 图20-21（页10）| 过去一个月及六个月收益率分层效果 | 一个机收益率分层极显著，六个月收益率不稳定。 | 选用过去一个月收益率作为动量筛选因子[page::10]。|
| 图22-24（页11）| 技术因子（换手率、波动率、成交额） | 分层效果不稳定或削弱，近年不显著。 | 技术因子非核心[page::11]。|
| 图25（页12）| 超预期因子覆盖度 | 月均覆盖度约62%，通过多月合并确保覆盖稳定。 | 保障组合投资覆盖和流动性[page::12]。|
| 图26（页12）| ESP五分位分层收益曲线和统计 | 第五组因子值最高组年化超额收益超20%，分层效果优异。 | 验证ESP因子的强效果力[page::12]。|
| 图27-28（页13）| 超预期20组合累计净值及相对收益净值曲线 | 组合净值稳步上升，明显优于沪深300和中证500，超额收益稳定。 | 展现组合的长期稳健超额表现[page::13]。|
| 表1（页14）| 超预期20组合逐年收益统计 | 年化收益27.43%，超中证500超额22.81%，最大超额回撤7.4%，夏普1.85表达绩稳定优异。 | 全面阐释策略长期有效性[page::14]。|
| 图29-30（页14-15）| 超预期20组合与低估值超跌组合对比 | 超预期组合持续跑赢低估值超跌组合，说明ESP因子贡献显著。 | 确定超预期因子的alpha贡献主体地位[page::14,15]。|

---

四、估值分析

本报告未直接采用估值模型计算证券绝对价值，而是通过风格因子法选股，估值因子主要是EPTTM对股票被低估水平的间接反映。EPTTM因子的选择建立在对比BPLR、成长及质量因子测试的基础上，EPTTM表现出明显且稳定的正向分层收益关系，既符合价值投资理念，又能在实际操作中作为筛选低估股票的有效标准。

因而，该策略的估值思路是基于因子模型的灵活多因子选股，而非传统DCF或绝对估值。策略通过多风格因子（低估值、动量、超预期）协同过滤，形成组合预期收益与风险的平衡。

---

五、风险因素评估

报告中虽未独立章节专门展开风险分析，但结合策略及数据，风险因素主要包括：

• 数据与预期准确性风险： 预期净利润基于分析师预测，预测误差和偏差或导致因子失真。

- 样本代表性风险： 月份覆盖和合并处理虽提升覆盖度，但极端月份样本稀缺仍可能对稳健性造成影响。

• 市场结构性变化风险： 2017年后风格因子表现波动，提示策略依赖市场环境，失效风险存在。

- 流动性风险： 选取小样本且需剔除部分限制性股票，可能遇到交易流动性不充分情况。

• 信息披露风险： 超预期信号强依赖公告信息，监管政策变化或信息披露延迟均可能影响因子表现。

虽然组合历史表现优秀，但上述风险是策略在应用中需谨慎关注的重点。

---

六、批判性视角与分析细节

• 报告假设合理但存在解释局限性：

报告假设分析师季度增速预测等于年度增速预测，是为了简化计算，但不同行业及公司可能存在较大季度间波动，这可能影响ESP计算的准确度。

• 因子分层方法时间窗问题：

样本合并月份区间的策略虽有效提升覆盖度，但是否对超预期信息的即时反应产生“滞后效应”未详细讨论，可能导致超预期信号失效。

• 市场环境适应性不足：

研究区分2017年前后两期表现，发现部分因子失效，提示因子对不同经济周期、监管环境、市场结构不稳固，策略应持续动态调整。

• 缺少风险调整收益与回撤分析深度：

虽有夏普比率报告，但对策略可能的极端风险事件缺乏敏感度分析、VaR等指标量化。

• 估值影响未详述：

报告默认EPTTM等因子解释估值效应，但未结合具体估值水平或行业差异进一步区分，可能影响策略精确性。

总体来说，报告以实证和数据驱动论证，亮点突出，适合实践应用，切忌忽视模型假设和逻辑限制。

---

七、结论性综合

本报告提出了一个基于分析师季度净利润超预期幅度的创新选股因子（ESP），利用严密的财务数据解构和分析师预测数据实时处理，将季度超预期信号量化为可应用的因子。通过对超过十年的样本数据和多个代表性标的（贵州茅台、森马服饰）分析，验证了超预期事件后股票次月回报多数为正，具有较强的短期牛市信号功能。

报告深入揭示了超预期股票的结构和风格属性：报告时间月度分布、报表类型、重复超预期次数、行业分布、市值规模均表现非稳定性，而估值因子EP_TTM和最近一个月收益率动量因子表现出优异且稳定的分层能力，是可靠的收益解释因子和筛选条件。

基于此，作者提出月度动态调整样本覆盖度的方案，保障选股样本的连续性和充足性。在此基础之上，结合估值和动量双筛选矩阵，从候选池中选取超预期幅度排名前20的股票构建“分析师超预期20组合”。该组合十年回测表现优异，年化收益率27.43%，超越中证500指数22.81%，夏普率达1.85，且收益稳定、回撤温和，凸显其作为中证500增强风格的补充组合价值。

此外，报告剥离估值和动量因子后仍验证超预期风格的alpha独立性，显示该因子是促进超额收益的核心驱动力。

综上所述，本报告不仅为量化投资引入了一个高效的业绩超预期因子，还通过合理风格因子协同筛选和组合构建，实现了风险调整后的稳定收益。对于机构投资者在配置中证500等大型指数增强策略时，具有明显的实用意义和前瞻价值。

---

以上分析严格基于报告原文，所有结论均标注详细页码溯源。

参考文献

• Bartov, E., et al., 2002. The rewards to meeting or beating earnings expectations. Journal of Accounting and Economics, 33(2), 173-204.

- Bernard, V. L., & Thomas, J. K., 1990. Evidence that stock prices do not fully reflect the implications of current earnings for future earnings. Journal of Accounting and Economics, 13(4), 305-340.

• Chan, L. K., et al., 2007. Analysts conflicts of interest and biases in earnings forecasts. Journal of Financial and Quantitative Analysis, 42(4), 893–913.

- Lim, T., 2001. Rationality and analysts forecast bias. The Journal of Finance, 56(1), 369–385.

---

如需对应图表图像，请参阅报告对应页码：[page::2,3,4,5,6,7,8,9,10,11,12,13,14,15]

报告