分析师预测准确度现状统计 [page::2][page::3][page::4]

• 2023财年包含4333名分析师，覆盖3164只股票。

- 净利润预测误差率均值呈现逐年波动，2023财年误差率有所反弹，最近三年预测准确度有所下降。

• 误差率概率分布呈右偏，分析师倾向于过于积极的预期。

分析师预测准确度行业分布及表现 [page::5][page::6]

• 推票人数最多行业为机械设备、电子，最少为煤炭和银行。

- 股票数量覆盖率最高的行业为银行和钢铁，最低为房地产和环保。

• 农林牧渔、银行、汽车等行业分析师预测准确度最高，房地产、基础化工等行业误差率最高。

分析师预测准确度组合构建及绩效表现 [page::7][page::8]

• 通过选取针对股票误差率最低的两家机构分析师的“买入”与“增持”评级股票，形成精准度组合，平均包含290只股票。

- 2015年至2024年11月组合累计收益142.09%，年化收益9.32%，年化超额7.92%，月胜率62%。

分析师荐股超额回报统计及分布特征 [page::10][page::11]

• 近三年荐股超额回报偏低，2023年30日、90日、180日超额回报均为负或微弱正。

- 2020年荐股30日超额回报分布偏度较大（1.98），而2023年偏度下降（0.80），表明近日荐股收益率下降。

分析师荐股回报行业排名及组合表现 [page::12][page::13][page::14]

• 2023年超额收益较高行业包括煤炭、有色金属、农林牧渔，较低行业涵盖社会服务、轻工制造、传媒等。

- 推荐基于表现优异分析师的股票构建荐股回报组合，平均持仓318只。

• 2015-2024累计收益98.32%，年化收益7.15%，年化超额5.74%，月胜率62%。

因子优选方法及分析师准确度因子优选组合表现 [page::16][page::17][page::18]

• 选取规模、估值（PB、PE、PS）、动量、换手率、非流动性、波动率六大类Barra因子，构建因子权重等权组合。

- 基于精准度筛选股票池内复合因子值最高的30只股票，形成因子优选组合。

• 组合2015年至2024年11月累计收益331.24%，年化收益15.87%，年化超额14.47%，月胜率62.18%，盈亏比1.34。

分析师回报因子优选组合表现及年度统计 [page::19][page::20]

• 基于荐股回报优选分析师构建因子组合，累计收益336.52%，年化收益16.01%，年化超额14.61%，月胜率63.03%，盈亏比1.28。

风险提示与声明 [page::21][page::22][page::23]

• 历史统计规律存在失效风险，市场波动可能超预期。

- 报告基于合规渠道数据，结论客观公正，但不构成投资建议。

• 报告版权归华西证券所有，严禁未经授权的传播和改动。

金融研究报告深度分析报告：《从两个维度构建优选分析师荐股池》

---

1. 元数据与报告概览

• 报告标题：《从两个维度构建优选分析师荐股池》

- 作者：杨国平、丁睿雯

• 发布机构：华西证券研究所

- 发布日期：2024年12月4日

• 主题：本报告围绕证券市场中分析师荐股的表现，主要从“分析师预测准确度”和“分析师荐股超额回报”两个维度出发，建立优选分析师荐股池，进而通过多因子模型进行优选选股，提供投资组合策略和绩效评价。

- 核心论点：
- 基于历史数据分析，准确预测与荐股回报的结合能显著提升选股绩效。
- 不同行业存在分析师预测准确度和荐股回报的差异。
- 构建基于分析师准确度和荐股回报的股票池，通过多因子模型筛选出最佳标的，获得显著超额收益。

• 目标与信息传递：建议投资者关注分析师绩效优异的专业预测和荐股记录，结合多因子选股方法，达到稳健的投资超额回报。

---

2. 深度章节分析

2.1 维度一：分析师预测准确度

2.1.1 分析师预测准确度概览（1.1节，1.2节，1.3节）

• 数据来源与指标：

- 利用朝阳永续数据库“研究员准确度评价”数据，统计2015财年至2023财年分析师对上市公司年报净利润预测误差率。
- 按预测时间段分别统计年报公布前3个月、4-6个月、7-12个月内的误差率。
- 误差率定义为分析师预测净利润与真实净利润相比较的偏差。

• 分析师及股票覆盖量：

- 2023财年最新数据包含4333名分析师，覆盖3164只股票，显示覆盖面广，样本量充足。[page::2]

• 误差率的时序趋势：

- 预测准确度在2015年至2020年普遍提升，随后呈现恶化趋势。
- 尤其是最近三年（2021-2023年），分析师净利润预测误差率上升。

• 误差率数值：

- 2023年3个月内预测误差均值约30%，中位数仅7%，呈现误差率分布右偏（即较多过度乐观预测）；
- 误差随预测时间提前越长（7-12月）而显著增大，最高达到均值46%，中位数17%，表明预测难度随时间跨度加长明显增加。[page::3][page::4]

• 误差分布特征：

- 误差率分布明显右偏，显示分析师倾向于过于积极预期。
- 这一偏向在预测较早阶段（7-12个月）尤为显著。[page::4]

• 行业维度差异：

- 分析师数量最多的行业为机械设备、电子行业，涉及的股票数量也较多（机电、医药）；
- 银行、煤炭等行业的分析师较少，但覆盖率较高（银行接近98%）；
- 预测准确度较高的行业包括农林牧渔、银行、汽车等，误差率较大的行业则是房地产、基础化工、电力设备等。[page::5][page::6]

2.1.2 构建分析师预测准确度组合（1.6节，1.7节）

• 构建方法：

- 对每只股票，选取误差率最低的两家机构中的分析师；
- 过去一个月内这些分析师若给予“买入”或“增持”评级，该股票纳入组合；
- 每月持仓股票数量约290只。

• 组合表现：

- 2015年至2024年11月，累计收益142.09%，较中证全指超额127.23%；
- 年化收益9.32%，年化超额7.92%，月胜率62%；
- 组合表现稳定且优于市场基准，验证基于预测准确度筛选分析师的有效性。[page::7][page::8]

---

2.2 维度二：分析师荐股超额回报

2.2.1 分析师荐股回报基本统计（2.1节，2.2节）

• 评价指标：

- 利用“研究员评级回报评价”数据，统计分析师调升评级后股票在30、90、180日内相对同申万一级行业指数的超额收益。

• 时序趋势：

- 2020年前几年分析师荐股回报明显优异，尤其是2019及2020财年，超额收益较高。
- 最近三年（2021-2023年）超额回报明显减弱甚至为负，代表荐股绩效有明显下滑趋势。[page::10][page::11]

• 收益分布对比：

- 2020年荐股30日超额分布偏度1.98，明显正偏，表示优异绩效来源于一定比例的高超额收益股票；
- 2023年偏度0.80，超额回报整体下降且分布趋向正态，无明显超额绩效集中。[page::11]

• 行业差异：

- 2023财年，荐股超额回报较高行业有煤炭、有色金属、农林牧渔等，表现优秀。
- 回报较差行业包括社会服务、轻工制造、传媒、国防军工、食品饮料。[page::12]

2.2.2 构建分析师荐股回报组合及其表现（2.3节，2.4节）

• 构建方法：

- 每月统计最新财年各行业分析师荐股30日超额回报均值；
- 选取各行业前五名的分析师；
- 将其本月提出“买入”或“增持”评级的所有股票纳入组合；
- 平均持仓股票约318只。

• 组合绩效：

- 2015年至2024年11月累计收益98.32%，超额收益83.46%；
- 年化收益7.15%，年化超额5.74%，月胜率62%，表现稳健超额。

---

2.3 优选分析师荐股池因子择优（3.1节及后续）

2.3.1 因子构建框架

• 基于选出的分析师优选荐股池，结合Barra多因子模型的六大类因子：

- 规模因子：流通市值自然对数；
- 估值因子：PB、PE、PS；
- 动量因子：20日涨幅、120日涨幅；
- 换手率因子：过去20日、60日、120日换手率均值；
- 非流动性因子：过去20日非流动性对数均值；
- 波动率因子：过去20日、60日、120日波动率。

• 因子权重为300日历史等权加权，选择综合因子值最高的30只股票，进行组合构建。[page::16]

2.3.2 分析师预测准确度因子优选组合表现（3.2节，3.3节）

• 组合效益显著优于基准：

- 2015年-2024年11月累计收益331.24%，超额316.38%；
- 年化收益15.87%，超额14.47%，换手率均值约170%；
- 年度胜率62.18%，盈亏比1.34；
- 尽管2019年及2023年表现较弱，大部分年份均显著跑赢基准。[page::17][page::18]

2.3.3 分析师荐股回报因子优选组合表现（3.4节，3.5节）

• 同样方法构建荐股回报因子优选组合：

- 2015年至2024年11月，累计收益336.52%，超额321.66%；
- 年化收益16.01%，年化超额14.61%；
- 月换手率160.39%，胜率63.03%，盈亏比1.28；

• 表明结合荐股超额回报与多因子择优亦有显著超额收益，投资价值高。[page::19][page::20]

---

3. 图表深度解读

• 分析师误差率数据分布图（第2-4页）：

- 图表显示样本量随时间增长不断增加，2023年分析师数和股票覆盖均创新高。
- 净利误差率均值与中位数图显示随着预测临近实际公布时间，误差降低，说明信息逐渐完善。
- 误差率分布图表达右偏特点，强调分析师存在普遍乐观偏差。

• 行业分析师数量与公司覆盖率（第5页）：

- 柱状图与折线图结合清晰展现行业间差异，辅助理解为何特定行业准确度和覆盖率不一。

• 组合收益折线图（第8页、14页、17页、19页）：

- 所有组合均显示优于中证全指的累计表现曲线，灰线表示超额收益持续积累。
- 尤其因子优选组合跃升明显，增加了研究的说服力。

• 回报概率密度分布（第4页、11页）：

- 利用概率密度图直观展示数据分布偏度和波动，定量分析了乐观性或超额回报程度。

• 因子列表（第16页）：

- 建模因子涵盖了价值、安全性、流动性和价格动量，为构建优选模型提供全方位视角。

---

4. 估值分析

本报告未涉及具体公司估值模型如DCF或PE估值方法，估值维度集中于使用Barra多因子模型构建复合因子分值进行量化选股。这种方法通过价值、规模、波动性等多维因子权重组合，对股票池中的标的进行量化排名，选择综合因子表现最优的投资组合，属于因子投资框架。

---

5. 风险因素评估

• 报告明确指出，所有结论基于历史规律，若市场历史规则变化，策略表现有可能失效；

- 存在超预期市场波动风险，可能导致组合短期或中长期收益波动；

• 报告未详细披露其他风险缓释措施，但隐含需持续动态调整模型与市场适应。

---

6. 批判性视角与细微差别

• 预测准确度和荐股回报均出现最近三年内下降，可能反映市场环境变动、分析师能见度下降或策略被市场广泛采用后效率下降；

- 报告高度依赖历史数据样本与统计表现，策略有效性未来是否延续需谨慎观察；

• 虽用Barra多因子模型辅助提升组合筛选，但该模型依赖历史数据，存在因子失效及模型过拟合风险；

- 组合换手率较高（约160-170%），可能带来交易成本与冲击成本，未在报告中显著量化；

• 理论上“最准确分析师”评级对应收益较好，但实际执行中可能出现信息延迟或评级偏误。

---

7. 结论性综合

本报告通过两个核心维度—“分析师预测准确度”和“分析师荐股超额回报”，系统性构建了优选分析师荐股池。依据丰富的历史数据，作者详细剖析了分析师误差率及荐股绩效的时间趋势和行业差异，确立了两类优选组合构建逻辑：

1. 分析师预测准确度组合：

- 按预测误差率筛选最佳分析师，并结合其评级建议构造股票池；
- 该组合自2015年以来表现优异，累计收益突破140%，且稳定超越基准指数。

1. 分析师荐股回报组合：

- 基于荐股超额回报前五分析师构建股票池；
- 同样呈现强劲超额收益。

再结合巴拉（Barra）多因子模型对上述两大股票池进行因子优选，构成的两类因子优选组合均表现卓越，累计收益率超过330%，年化超额收益达到14%-15%，展现出强劲的阿尔法能力。其中，因子组合使得投资能更有效地挑选出价值、成长与流动性等多维度均衡的标的，最大化利用分析师预测与荐股信息。

图表层面，误差率与回报概率密度图揭示市场上分析师普遍存在乐观偏差，荐股回报表现则对应着超额收益的分布特征，体现统计显著性及时序动态。行业分析发现，部分周期性与金融行业表现出更高准确度或超额回报，反映投资者可针对行业差异制定差异化优选策略。

总体而言，报告结构严谨，数据充分，以历史实证为基础提出切实可行的优选分析师荐股策略及因子择优方案，具有较高的理论价值和实操指导意义。风险提示明确指出策略的局限性，提醒投资者关注市场环境变化。

---

备注与溯源

本分析中所有推断、数据统计结果和引用引用均严格基于报告相应页码标注，[page::X]形式供索引。例如：

• 分析师误差率与股票覆盖统计详见页码2；

- 预测准确率及误差率统计详见页码3-4；

• 行业覆盖与准确度详见页码5-6；

- 组合构建与收益表现见页码7-8与14-15；

• 因子模型和优选策略见页码16-20；

- 风险提示见页码21；

• 报告免责声明与分析师承诺见页码22-23。

---

总结：通过剖析华西证券最新研究报告，本文提供了一份涵盖数据解读、模型构建、行业差异、组合绩效及风险分析的全面解析，为投资策略制定提供理性且数据驱动的决策参考。

报告