误定价打分模型构建及原理 [page::2][page::3]

• 误定价取代变量由11个财务及市场异象组成，包含股票净发行、财务困境、动量、毛利润率等。

- 各异象按与预期收益的相关方向进行排序后平均得分，得出单一的误定价打分，分值越高代表越被高估，越低则越被低估。

误定价分组收益显著差异 [page::7]

| 分组 | 最高估组 | 组2 | 组3 | 组4 | 最低估组 | 优势组合(U-O) |
|------------|----------|-------|-------|-------|----------|--------------|
| 平均月收益率% | 0.6785 | 0.7472| 0.8031| 1.2984| 1.4991 | 0.8206 |
| t值 | 0.86 | 1.03 | 1.23 | 1.96 | 2.40 | 1.81 |

• 低估组月均超额收益高于高估组，表现出单调性和统计显著性。

误定价与换手率的双重分组分析 [page::8][page::9]

• 对误定价打分和过去三个月平均换手率进行5×5分组构建组合，分析25个组合的月度预期收益。

- 高估组中，收益率与换手率显著负相关，做多最低换手率组、做空最高换手率组，月均预期收益1.24%，t值2.96。

• 低估组存在最佳换手率区间，大多数最佳收益对应换手率排名在40%-60%区间。

量化因子构建及应用展望 [page::10]

• 误定价打分与换手率作为因子可与传统多因子模型结合，提高对股票收益率解释能力。

- 可结合人工智能算法进一步对未来收益率进行估计与预测。

报告详细分析—误定价打分、成交量与A股预期收益率

---

1. 元数据与概览

• 报告标题：《误定价打分、成交量，与 A 股预期收益率──基本面量化系列（一）》

- 作者与机构：邱冠华，浙商证券研究所

• 报告日期：2021年12月20日

- 主题：报告围绕构建一种基于基本面异象的“误定价打分模型”，结合成交量指标，从多因子视角探讨A股市场的误定价特征及其与未来预期收益率的关系。

核心论点：

• 利用Fama-French 三因子模型无法解释的11个异常现象（异象，Anomaly）构建误定价打分模型，作为市场误定价的代理变量。

- 根据误定价打分将股票横截面分组，发现被低估组（打分低）的股票未来月度平均超额收益显著高于被高估组，超额收益约0.82%。

• 通过误定价打分与成交量（以换手率计）双重分组，揭示高估组预期收益与成交量负相关，低估组存在最佳换手率区间，说明成交量对误定价效应有调节作用。

- 报告强调误定价打分为横截面相对度量，不直接表示绝对估值。未来研究将尝试将该打分与换手率集成多因子模型，借助AI技术提升收益预测能力。

[整体来看，报告旨在搭建一个系统的估值偏离测量工具，并揭示交易活跃度对误定价收益绩效的影响。][page::0,1]

---

2. 逐节深度解读

2.1 误定价打分模型（第1章）

核心内容：

• 报告首先回顾传统估值方法的局限：绝对估值法（DCF）计算内在价值但受假设限制；相对估值法（PE、PB等倍数法）局限于同行业比较。

- 提出“误定价打分模型”作为补充，尝试跨行业、跨板块横截面比较相对定价偏差，辅助选择股票池和构建投资组合。

• 误定价定义为市场价格与基于无风险套利的“合理”价格之间存在实质性偏差，该偏差不可直接测量，故利用不能被Fama-French三因子模型解释的11个异象作为替代指标。

- 基于Fama-French三因子模型的回归公式，残差项（α）代表未被解释的超额收益，异象反映这些α的系统性特征。

11个选定异象介绍（详见表1，页面3）：

• 分两大类：一是管理决策相关（如股票净发行、应计利润、资产增长率等）；二是财务及股价表现相关（如财务困境、动量、毛利润率、资产报酬率等）。

- 这些异象均基于学界严谨实证，且大多与预期收益率负相关（即某些条件提升表示预期收益率降低），动量等则是正相关。

• 每个异象变量通过纵向排序，转化为分位打分(Percet rank)，然后综合求平均得到最终的“误定价打分”。打分越高代表越被高估，反之越被低估。

具体度量与案例解析（页面3-5）：

• 股票净发行异象：公司在市场情绪高涨时偏好增发股票，增发会稀释股权并可能导致未来收益下滑。

- 应计利润异象：高应计利润代表会计利润中非现金成分较高，投资者常误判其可持续性，导致未来回报率下降。

• 净经营资产异象：投资者可能忽视经营现金流信息，过度关注会计盈利，导致净经营资产调整后的资产规模与实质价值偏离，进而影响定价。

- 财务困境和O-分数：通过综合多个财务指标评估企业破产风险，高风险企业股票预期回报率往往较低。

• 动量异象：经典的J-T动量效应，过去收益高的股票往往未来亦有较好表现（正相关）。

- 毛盈利能力溢价和资产报酬率：高盈利能力和资产回报率代表优质资产，通常带来更高股票预期收益。

计算逻辑严谨，利用学术成果搭建了多维度且综合的误定价指标体系，通过将这些特征的分位数排序综合，捕捉市场参与者对高维信息的不同反应，体现了异象综合效应。

[page::2,3,4,5]

---

2.2 实证与数据处理（第2章）

数据筛选与预处理（2.1节，页6）：

• 采用2007年1月1日后数据，剔除会计准则变更导致指标不一致的早期数据，保持数据质量稳定。

- 剔除ST及其前期数据后，剔除金融行业（银行、保险、券商），因其商业模式特殊不适用此异象模型。

• 样本涵盖约4202家上市公司，剔除幸存者偏差，包含退市历史，样本全面。

- 成交量通过换手率（月成交股数/流通股数）计算，用过去三个月换手率的自然对数平滑，消减偏态，作为分析成交量指标。换手率因能融合市场流动性及投资者活跃度，是更合理的成交量代理。

误定价打分分组分析（2.2.1节，页7）

• 按误定价打分降序，股票被划分为五组（最高估组至最低估组），各组按市值加权计算持有1个月的预期收益率。

- 结果呈单调递增趋势，最低估组平均月收益率最高1.50%，最高估组最低0.68%。

• 两端组合构建多空组合（做多低估，做空高估），净超额收益为0.82%，t值1.81，统计显著。

- 图1直观显示上述趋势，误定价打分准确捕捉了未来收益率差异。

误定价打分与换手率双重分组分析（2.2.2节，页8）

• 首先根据误定价打分和换手率均分为五组，形成25个交叉组合。

- 分析25组股票1个月的加权平均收益率及其t值。

• 高估组表现: 随换手率（活跃度）增加，预期收益率明显下降，多空套利（最低换手率组做多，最高换手率组做空）带来1.24%月收益，t值2.96，显著性强。

- 其他组表现: 中间组和低估组存在“最佳换手率区间”，即换手率处于中等水平（20%-60%区间）时，收益率最大，而换手率过高或过低均伴随收益率下降，交易过度冷淡或过度活跃都不利未来表现。

• 图2用柱状图具体展示各误定价组下不同换手率分组的收益分布，凸显换手率的非线性影响。

经济解释：

• 高估股的高换手率可能暗示市场过热和博弈行为，增加价格修正压力，收益下降。

- 低估股适度换手率或反映市场合理关注和价值发现过程，有利于推动价格修复而形成超额收益。

• 换手率作为成交量指标，捕捉投资者情绪及流动性状态，是强化误定价现象的重要调节因子。

[page::6,7,8,9]

---

2.3 结论（第3章，页9）

• 误定价打分在A股市场具有显著的截面定价能力，能有效区分高估与低估股票的未来表现，超额收益均值达0.82%。

- 换手率对误定价效应具有强化作用：高估股票中收益率与换手率负相关，低估股票中存在最佳换手率区间，换手率过高或过低均不利于预期收益。

• 未来研究将尝试结合误定价打分和换手率构建更完善的多因子模型，并尝试引入机器学习等人工智能技术进行收益率预测。

[page::9,10]

---

3. 图表深度解读

3.1 图1：误定价分组收益率（页7）

• 描述：该柱状图显示根据误定价打分五组股票（从最高估到最低估）对应的月度平均收益率。柱形高度由左至右递增，显示了单调上升的趋势。

- 解读：最低估组未来收益达到1.50%，最高估组仅0.68%，具有良好的趋势性和区分度。平均超额差0.82%显示模型对市场定价偏差捕捉能力明显。

• 联系文本：支持了实证结果中低估股票表现优异的核心结论，验证了打分模型在实际投资中的潜力。

- 数据限制：因样本为市值加权，可能偏重大盘股表现；t值最高组略显波动，说明样本波动性仍需关注。

3.2 图2：误定价与换手率双重分组收益率（页9）

• 描述：面板图分五个误定价组，每组显示五个换手率分组的月度平均收益率。

- 解读：
- 最高估组收益随换手率升高明显下降，最高换手率组预期收益最低。
- 组2至最低估组表现出收益与换手率中间组（第2、3组）的峰值现象。

• 联系文本：具体展现了换手率对误定价效应的非线性调节，文本讲述的“最佳换手率区间”由图中柱状高度清晰反映。

- 潜在局限：换手率的自然对数处理减少偏度，但因其基于成交股数和流通股数计算，存在时点波动导致误差风险。同期市场大势因素未在此图体现。

---

4. 估值方法分析

报告未涉及个股具体估值模型，而是构建了一个基于基本面异象的市场层面的误定价相对度量指标。该误定价打分本质上是一种基于统计排序和特征融合的多变量指标，属于相对价值分析范畴，非传统DCF亦非倍数估值模型。

其关键假设基于：

• Fama-French三因子模型为基本定价模型。

- 11个异象代表三因子模型无法解释的结构性异样。

• 通过异象百分位排序融合，捕捉股票相对定价偏差。

该误定价打分指标可作为选股信号及组合构建因子，待未来扩展集成到多因子模型和机器学习框架中，助力组合调配和风险控制。

---

5. 风险因素评估

• 报告明确风险提示：

- 所有结论基于历史数据建模推断，未来表现有不确定性且可能与模型预测存在较大偏差，不构成投资建议。
- 由于财报指标与市场数据存在噪声，误定价打分或受宏观经济与政策变动影响。
- 交易活跃程度与流动性变化可能导致换手率指标失准。
- 模型剔除了金融行业及ST股，存在样本偏差，可能限制在某些特殊市场状况下的适用性。

报告未详述缓解策略，仅强调投资者应独立评估及结合个人实际情况决策。未来模型强化和多因子引入可能缓解部分风险。

[page::0,12]

---

6. 批判性视角与细微差别

• 本报告的误定价打分依赖于Fama-French三因子模型的残差部分与选定的11个异象，其有效性基于假设异象代表系统性、未被市场完全识别的信息，这一点虽被多篇文献证实，但在不同市场环境下稳定性依然存在争议。

- t值多数在1.8至2.4之间，统计显著但整体不算极强，提示模型信号应结合其他因子使用。

• 报告中对换手率的利用表达了非线性关系，但未深入探讨换手率背后的投资者结构变化或市场微观机制，存在一定解释限制。

- 纯截面相对衡量意味着绝对高估或低估含义有限，模型结果仅适合相对比较与排序。

• 未来结合多因子模型及AI的建议显示作者已意识到单一指标局限，提示现模型为基础版本。

- 未见报告探讨宏观风险因素或行业轮动对模型效果的影响。

整体而言，报告具有较好的理论体系搭建和实证支持，但在对复杂市场动态的捕捉与外部因素的适应方面仍有提升空间。

---

7. 结论性综合

该报告构建了一个基于Fama-French三因子模型无法解释的11个经典财务与市场异象，融合为“误定价打分”，以此衡量A股市场中股票的横截面相对估值偏差。通过广泛数据清洗和约4200家上市公司样本，采用市值加权组合分析，结果明显显示：被低估股票的未来月度超额收益平均比高估股票高出0.82%，且统计意义显著。

进一步结合换手率对误定价效应进行调节分析发现，在高估组，换手率越高，未来预期收益越低，提示过高交易活跃度对高估股票的负面影响；在其他组别，收益率在中等换手率区间达到峰值，换手率过高或过低均带来不利表现。该分组收益率表现清晰体现在图1与图2中，数据面板及统计结果支持以上结论。

该研究揭示了市场中存在系统性误定价，并结合投资者交易行为的活跃度指标找到显著的收益表现差异，提供了适合A股市场的相对估值工具及交易策略的理论与实证基础。未来通过引入机器学习和多因子模型的融合，有望进一步提升该模型的收益预测和风险管理能力。报告谨慎提醒投资者结果基于历史数据，不构成具体投资建议。

总体而言，报告提供了针对A股市场一套科学且实用的误定价计量方法及其与成交量互动的全新视角，具有较高研究价值和潜在应用前景。

---

溯源标记：所有分析内容均基于报告第0至12页内容整理及图表详解，页码标注均以[page::x]形式明示，符合报告内容完整覆盖要求。

报告