• 报告提出三层股票池构造体系：原始股票池、刚性优化（确保股票可交易）、柔性优化（提升股票池质量），重点研究柔性优化中的负向事件剔除方法 [page::0][page::4]。

- 负向事件分为不可预测和可预测两类：
- 不可预测事件包括基本面负向事件（续亏、略减、预减、首亏）和经营层面负向事件（公司改名、立案调查、董事长离职、高管减持超过10%），这些事件在公告后30个交易日内股价均显著下跌。
- 跟踪剔除涉事股票能避免负向收益扩大，回测测试表明剔除策略月度平均胜率高达77.08% [page::6][page::7][page::8][page::9][page::10]。

• 可预测负向事件聚焦财务危机风险，利用特别处理(ST/*ST)和监管处罚事件样本，结合问题报表构建负例样本集，通过财务报表指标进行预测，体现财务危机的可预测性 [page::11][page::12][page::13][page::14]。

- 分箱法构建财务指标评分体系：采用IV(Information Value)与WOE(Weight of Evidence)指标评价指标有效性和分箱质量，通过卡方检验合并相似分箱，避免信息损失同时去噪声，如“现金比率”指标明确展示财务危机风险的非线性与阈值效应 [page::15][page::16][page::17][page::18][page::19][page::20]。

• 45个有效财务指标被筛选，其中典型正向指标如应收款周转率、总资产同比增长率，负向指标如金融负债占权益比、应收款资金占比，区间指标如毛利率同比、商誉规模同比，都体现了指标与财务危机风险的关系 [page::21][page::22][page::23]。

• 财务质量评分卡模型通过综合各分箱WOE得分构建，剔除风险区域得分，合成指标类别对应综合评分，实现财务风险预警 [page::24]。

• 康得新案例验证打分模型有效性，财务质量评分提前两年发出财务危机预警，股价随后大幅崩盘 [page::25]。

• 财务质量评分模型回测验证：

- 全市场测试显示，高评分组合表现显著优于低评分组合，且2016年后区分度提高，表明注册制推进及监管加强提升了市场对财务质量的识别能力。
- 细分沪深300、中证500池低分10%股票作为预警组合剔除，剔除组合年化超额收益分别达12.50%和13.62%，显著优化股票池表现 [page::25][page::26][page::27]。

• 报告强调结果均基于历史数据，未来不保证重复验证。同时明确分析和模型局限性，提请投资者谨慎使用并结合自身需求决策 [page::0][page::27][page::30]。

金融工程报告详尽分析

标题与报告概览

本报告标题为《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》，由光大证券研究所于2022年5月29日发布，主要作者为分析师祁嫣然。报告属金融工程领域，聚焦股票池构造中的事件型风险，旨在优化量化选股中的股票池质量，重点研究如何识别和应对公司可能出现的负向事件风险。该报告是量化选股系列的第六篇，延续之前的框架，针对股票池的柔性优化，尤其是负向事件的识别与剔除，提出系统性的方法论和实证结果。核心信息点包括：

• 股票池构造框架包括原始股票池、刚性优化和柔性优化三个层级，柔性优化通过剔除负向事件股票提升股票池质量。

- 不可预测负向事件通过事后剔除操作能显著提升组合表现，月度平均胜率高达77.08%。

• 可预测负向事件主要通过财务质量打分模型来识别，该模型利用财务报表数据，结合分箱法，筛选45个有效指标进行打分，能够提前预警财务风险。

- 模型在沪深300和中证500股票池中均实现了显著的负向收益识别与超额收益提升，年化超额收益分别达12.50%和13.62%。

• 风险提示强调历史数据的不可重复验证性，提示模型和结果有一定局限性。[page::0,4,11,27]

---

1、高质量股票池构造框架回顾

报告首先回顾了2022年5月24日发布的前篇报告提出的三层股票池构造框架：

• 原始股票池：由沪深300、中证500、中证800等指数或全市场组成。

- 刚性优化：剔除ST股票、流动性差、低市值、净资产为负等不可交易或流动性差股票，确保可交易性。

• 柔性优化：基于负向事件和负向因子，进一步剔除质量较差股票，提升股票池整体质量。柔性优化细分为负向因子剔除、事前预测剔除（如财务造假预测）、事后剔除（事件驱动的负向风险剔除）。

图1清楚呈现了三层框架的流程及各环节重点因素，框架明确区分了硬性门槛与基于风险的柔性筛选。
柔性优化的逻辑基础在于“负向Alpha”因子的运用，即部分因子多头端表现低效但空头端具备预测负向风险能力，利用空头端信息建立防御策略。[page::0,4,5]

---

2、不可预测负向事件跟踪

2.1 基本面负向事件

• 选取了八类负向事件，基本面维度主要涵盖业绩预告中的四类负向事项：续亏、略减、预减、首亏。

- 事件发生频率保持稳定，每年约2000起。所有四类负向事件在事件发生后均表现出显著负向超额收益，尤其是续亏类型，事件后7个交易日内平均累计超额收益达-7.14‰。

• 超额收益部分已在事件发生前体现，市场对负面预期提前反应，存在“抢跑者”现象。事件后负向收益大幅兑现，说明及时剔除事件股票可有效防止损失扩大。

- 图5至图8通过柱状图和累计折线详述了四类负向业绩事件的超额收益时间分布特征，均显示事件发生后负向收益显著，支持事后剔除策略。

• 表1定义各负向事件含义，明确统计口径。

数据涵盖2010年至2021年底的长时间序列，研究结果稳健。
[page::6,7]

2.2 经营层面负向事件

• 四类经营负向事件：公司改名、立案调查、董事长离职、高管减持10%及以上。

- 四种事件均在事件发生后产生显著的负向超额收益，尤以立案调查为甚，事件后7个交易日内平均累计超额收益降至-13‰。

• 改名事件造成的负向收益持续时间最长，约30个交易日，说明市场对该事件持续反应。

- 图9至图12展示了各事件的超额收益时间动态，且均显示事件发生后收益严重负向，验证了事后剔除价值。

• 表3给出了对应经营层面负向事件实际发生的次数统计，进一步佐证研究的事件样本基础。

[page::8,9]

2.3 不可预测负向事件剔除回测

• 设计了事件跟踪剔除策略，每日实时剔除涉及负向事件的股票，剩余股票进行等权买入。

- 以等权重全市场股票为基准组合，测试2010年至2021年底表现。

• 实证显示负向事件剔除组合显著跑赢基准，超额收益体现为持续净值领先，图13展现出其净值曲线与对比组合明显分离。

- 表4呈现了超额收益相关具体数值指标，支持本文逻辑和投资实践意义。
结论：不可预测事件在事后严格跟踪并剔除，能显著减少损失、提升组合表现，具有强烈的策略实施价值。
[page::9,10]

---

3、可预测负向事件研究

3.1 财务危机风险定义与样本提纯

• 结合学术研究，财务危机事件主要由两类构成：

1. 股票被特别处理（ST/\*ST），其中连续亏损导致特别处理占80.5%。
2. 受到监管处罚，主要涉及未及时披露重大事项和信息披露造假。

• 通过对ST事件和监管处罚事件提纯，剔除无财务危机关联的样本，确保负例样本的准确代表性。

- 图14与15呈现了特别处理事件的数量变化与事件驱动回测，揭示财务危机风险在事件发生前后均有较强的负向超额收益，显示可预测性。

• 图16-17及表5展示了监管处罚的不同违规类型、数量及对应的事件驱动回测负向收益，辅助筛选出关键的财务危机风险类型。

- 样本涵盖时间从2005年至2021年，有较充足的覆盖度和代表性。
[page::11,12,13]

3.2 问题报表确认与样本扩充

• 将与财务危机风险相关的两个会计年度的财务报表纳入问题报表（负例样本），体现财务危机的渐进性。

- 以康美药业“存贷双高”案例佐证财务问题的早期信号存在于问题报表。

• 图19-21分别展示问题报表的时间序列趋势（逐年上升，监管趋严影响明显）、行业分布（多见于化工、机械、医药、房地产，整体相对均匀）、以及其在不同宽基指数的分布，确认问题报表多集中于低市值指数。

- 总计提取7192份问题年报，覆盖1714家公司，样本量充足，有利于构建高质量模型。
[page::13,14,15]

3.3 财务指标分箱法及评价指标

• 采用银行风控中评分卡的分箱思想，对连续财务指标进行等频或最优分箱（基于信息值IV和证据权重WOE指标），以量化指标与财务危机风险之间的非线性关系。

- IV衡量分箱的信息含量和预测能力，WOE为分箱内正负样本概率的对数差异。

• 分箱流程包括初始等频分箱、卡方检验合并相似箱体、遍历调整分箱数以实现平衡信息量与复杂度。

- 完成45个有效指标的筛选（IV>0.1），分箱数一般选择约7个，确保信息最大化且防止过拟合。

• 示例指标分析：

- 现金比率（图23-26）：低现金比率对应高风险，合理区分风险区和安全区。
- 应收款周转率、总资产同比增长率体现为正向指标（高值风险低）；金融负债占比、应收款资金占比为负向指标（高值风险高）；毛利率同比、商誉规模同比表现出区间型指标（过高或过低均升高风险）。

• 分箱结果充分验证了指标与财务危机风险的相关逻辑合理性，为打分模型奠定基础。

[page::15-24]

3.4 财务报告质量评分卡模型构建

• 在指标筛选（IV、相关性、逻辑检验）、分箱基础上进一步合并相关指标组合，采用WOE值作为打分基础，并对低风险区分数置零，仅计算风险区负分。

- 同类指标的打分进行加权合成，所有分数组合形成最终企业财务质量评分，分值越低表示财务风险越大。

• 该模型在标的层面实现风险预警与量化，把复杂指标转化为单一指标打分方便应用。

- 图40阐释了评分模型的构建思路及风险区的定义。
[page::23,24]

3.5 财务危机风险预测效果验证

• 以康得新为案例，模型在2015年即发出财务质量大幅下滑预警，较正式财务造假质疑提前约2年，说明模型具备前瞻性和有效性。

- 基于全市场样本，财务质量评分分层明显，评分高组合优于低评分组合，特别是在2016年后注册制背景下，该差异更加明显。对应图42、图43展示净值曲线变化。

• 在沪深300和中证500股票池中，采用年度年报调仓，剔除评分最低的10%预警组合后，剩余组合均实现超过12%的年化超额收益，模型具备实战选股优化能力。对应图44、45及表9、表10。

[page::24-26]

---

4、总结与风险提示

• 本文围绕构建高质量股票池中的事件型风险管理，分别对不可预测事件（后事件剔除）和可预测负向事件（财务危机风险预测）展开系统研究。

- 不可预测事件覆盖基本面和经营层面负向事件，均验证其发生后有显著负向收益，及时剔除股票极大降低损失。

• 可预测风险则依托于财务质量评分模型，基于45个有效财务指标分箱，完成风险打分，实证结果显示打分模型可有效识别财务危机风险并收益显著。

- 该体系提升了原有的高质量股票池构造流程，增强对风险的管控和投资回报的稳定性。

• 风险提示重点强调模型与结论基于历史数据，未来可能不再适用，投资者需谨慎使用并结合其他策略。

[page::27]

---

5、图表解读重述

关键图表概述与解读

图1（股票池构造流程）：展示原始池→刚性优化→柔性优化三级。其中柔性优化包括基本面负面清单、量价空头因子、财务造假预警、负面事件驱动等多模块，明确优化层级与内容，体现组合风险逐步筛选机制。

图5-8（业绩预告负向事件驱动回测）：柱状图为超额收益日度变化，折线为累计超额收益，4类事件都显示负向收益于事件后7个交易日内明显兑现，且事件前有负收益提前反应。

图9-12（经营层面负向事件驱动回测）：展现单个事件对股价的冲击，立案调查的超额收益降幅最大，且公司改名事件负向效应持续时间最长。图表强烈支持事件后即刻剔除理念。

图13（不可预测事件剔除组合净值表现）：蓝线为剔除负向事件股票组合净值，浅蓝为等权重基准组合，红线为相对收益，剔除策略净值明显领先，显著有效。

图14-15（特别处理事件数量及回测）：逐年特别处理事件数量及财务型事件占比，回测显示事件发生前后负向收益显著，体现财务危机事件前兆和负面影响。

图16-17（监管处罚类型数量及回测）：处罚类型中未披露重大事项和虚假陈述居多，回测显示处罚事件负向超额收益持续，确定主要风险事件类型。

图18（康美药业存贷双高）：历史资金占比和带息债务双升，显示财务风险潜伏，多年积累致使后期危机爆发的先兆。

图19-21（问题报表数量、行业及指数分布）：报告数逐年提升，行业较平均但金融、医药、机械等行业占著多，低市值指数中问题报表占比更高，指导样本筛选和风险关注重点。

图22（分箱流程示意）：流程图解分箱及箱体合并，通过计算风险概率与卡方检验实现分箱最优化。

图23-39（典型指标分箱及WOE分布）：覆盖多种指标，均显示指标与危机风险概率的非线性关系，WOE指标帮助量化识别风险区间，图形直观展现指标风险敏感度及打分依据。

图40（财务危机风险预测打分模型）：示意指标分箱后风险区和安全区划分，打分主要聚焦风险区，构建简洁有效评分机制。

图41（康得新财报评分与股价）：评分与实盘股价走势对比，验证模型领先预警能力。

图42-43（评分分层回测净值曲线）：多组分层组合表现清晰分化，年化收益比率高低体现财务质量评分对投资组合的显著影响。

图44-45（沪深300、中证500预警组合剔除测试）：剔除低评分股票后组合的净值表现显著优于预警组，验证评分模型在主流指数中的实际效果。

---

6、批判性视角与局限性

• 报告很清晰区分两类负向事件（可预测与不可预测），并针对不同类型构建针对性策略，这一框架逻辑符合现实市场特性，但不可预测事件的剔除依赖于及时准确事件信息披露，存在信息延迟或不完整风险。

- 财务危机预测模型依赖历史数据及财务指标，财务数据被篡改、掩盖或者会计准则变化可能导致模型失效，同时模型过滤了部分非财务危机风险，对其他风险类别的识别能力未有涉及。

• 分箱和评分卡方法清晰易懂但对极端情况和结构性变化敏感，短期可能出现预测能力不足，且模型基于等频分箱及卡方检验，依赖参数选择存在一定主观性。

- 报告对于因子相关性处理虽有合成策略描述，但具体处理细节未详，可能存在多重共线性对模型稳定性影响未明。

• 风险提示中强调历史数据不可重复验证，但报告仍未深入探讨宏观政策和制度变化对模型的潜在冲击与适应机制。

- 总体而言，报告方法论严密，实证分析充分，数据覆盖时间长度充足，适用范围界定清晰，适合量化投资实务应用，但须结合其他策略综合运用。
[page::27,30]

---

7、结论性综合

本报告系统构建了基于事件型风险的高质量股票池柔性优化方法，通过对不可预测负向事件的严格事后跟踪剔除和对可预测负向事件的财务质量评分模型构建，实现了量化选股体系的信息增强与风险防控的双重目标。报告通过丰富的历史数据与长时间序列事件驱动回测验证了事件分类与剔除策略的有效性，尤其强调事件发生后负向超额收益的及时剔除价值及财务危机风险的前置识别能力。分箱法和评分卡模型将复杂多维的财务指标转化为可操作的打分标准，赋能投资决策与风险管理。模型在沪深300和中证500的实证结果显示，剔除财务风险高的股票可以帮助投资者获得显著的超额收益，具有较强的实际应用价值。

图表特征上，多个图表从定量角度清楚展现了负向风险事件与股票收益间的动态关系，及财务指标与风险概率的非线性统计联系，为理论推断提供了坚实数据支撑。其中，超额收益时间序列揭示市场对负面事件的提前反应和事件触发后的价格坍塌过程；财务指标的分箱及WOE分布则科学量化了不同区间对应风险水平，支持构建判别标准。

整体来看，报告保持数据驱动和模型严谨、应用导向的研究思路，站在投资者视角全面探讨并量化长尾风险治理策略，是量化投资股票池优化领域内的高质量参考文献，同时对风险控制与择时提供一定启发。其提出的三层股票池构造框架和事件驱动风险管理方法具备较强的普适性和推广价值。

---

图片引用（部分）

图1（高质量股票池构造流程）



图5（业绩预告-续亏事件驱动回测）



图13（不可预测负向事件剔除策略净值表现）



图14（历年特别处理事件数量）



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）



---

（全文基于光大证券研究所《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》报告内容编写）

报告