• 原始超预期定义基于上市公司净利润与分析师一致预期差异，构建超预期股票池1.0，年化收益20.20%，信息比率0.77，具备较好绩效 [page::2][page::3]

• 通过分析师行为修正，剔除预期调整均值<0的股票改善超预期股票池表现，年化收益提升至21.36%，信息比率0.80 [page::3][page::4][page::5]

• 加入交易行为（基于股价反应的OERJUMP因子）进一步剔除表现差股票，结合分析师和交易行为得到修正超预期2.0，年化收益21.99%，信息比率0.84 [page::4][page::5][page::6]

• 超预期股票池发生预期变化趋势明显，公告日后10自然日内预期均值和离差上升，基于月度状态分为4阶段，剔除表现最差的阶段3股票后年化收益提升至22.30% [page::6][page::7]

| 阶段 | 年化收益率 | 信息比率 | 最大回撤 | 胜率 | 平均持股数量 |
|-----|------------|----------|----------|-------|-------------|
| 修正超预期2.0 | 21.99% | 0.84 | 35.45% | 61.65% | 289 |
| 剔除阶段3 | 22.30% | 0.85 | 35.33% | 62.41% | 268 |

• 超预期、预期调整、资金流因子在修正超预期2.0股票池中测算均表现优异，资金流因子多空IR达1.82，资金流综合因子年化收益16.59%，信息比率1.83 [page::9][page::10]

• 叠加超预期类、预期调整类与资金流类因子优选30只股票，组合年化收益达39.48%，信息比率1.33，最大回撤30.07%，换手率69.98% [page::10][page::11]

| 组合因子 | 年化收益率 | 信息比率 | 最大回撤 | 胜率 | 月均换手率 |
|----------|------------|----------|----------|-------|------------|
| 叠加超预期类 | 31.66% | 1.10 | 34.19% | 62.41% | 49.28% |
| 叠加超预期+预期调整 | 34.41% | 1.18 | 33.57% | 64.66% | 53.86% |
| 叠加超预期+预期调整+资金流 | 39.48% | 1.33 | 30.07% | 67.67% | 69.98% |

• 估值对成长股路径影响显著，报告将成长股分为七阶段，结合超预期及预期调整刻画成长股从萌芽期到成熟期的演变，阶段3~5年化收益率较高，阶段6~7估值高回撤大应予剔除 [page::11][page::12][page::13]

| 阶段 | 年化收益率 | 信息比率 | 最大回撤 | 胜率 | 月均股票数量 |
|-----|------------|----------|----------|-------|-------------|
| 1 | 14.80% | 0.59 | 37.24% | 58.21% | 15 |
| 2 | 22.41% | 0.92 | 34.63% | 62.69% | 44 |
| 3 | 25.16% | 0.94 | 33.92% | 64.93% | 47 |
| 4 | 33.09% | 1.14 | 35.66% | 63.43% | 25 |
| 5 | 27.80% | 0.82 | 40.49% | 57.46% | 24 |
| 6 | 12.92% | 0.38 | 60.80% | 54.48% | 74 |
| 7 | 6.71% | 0.21 | 66.64% | 51.49% | 125 |

• 剔除估值极高股票（PETTM超过过去3年80%分位且多头排列）对组合信息比率和2022年信息比率均有显著提升，最终构建超预期Plus组合2.0，年化收益40.46%，信息比率1.39，最大回撤33.03% [page::13][page::14]

| 年份 | 绝对收益年化收益率 | 收益波动比 | 最大回撤 | 胜率 |
|------|---------------------|------------|----------|-------|
| 全区间 | 40.46% | 1.39 | 33.03% | 69.17% |

• 超预期因子应用于行业轮动，构建行业超预期因子IC均值5.34%、信息比率0.74，经过结合预期均值及离差变化进行赋值优化后，IC均值提升至6.98%、信息比率达1.00，行业轮动能力明显改善 [page::15][page::16]

| 年份 | 年化收益率 | 年化波动率 | 信息比率 | 最大回撤 | 胜率 |
|-----|-------------|-------------|----------|----------|-------|
| 全区间 | 10.43% | 9.95% | 1.05 | 15.08% | 60.90% |

• 超预期Plus组合2.0选股个数最优为30只，年化收益40.46%，信息比率1.39，最大回撤33.03% [page::17]

| 持股数量 | 年化收益率 | 信息比率 | 最大回撤 | 胜率 |
|---------|-------------|----------|----------|-------|
| 30 | 40.46% | 1.39 | 33.03% | 69.17% |

• 超预期Plus组合2.0相比1.0净值明显更优，多数年度均表现优异，特别是2021年表现突出，整体信息比率提升显著 [page::18]

| 年份 | 1.0年化收益率 | 1.0信息比率 | 2.0年化收益率 | 2.0信息比率 |
|------|---------------|-------------|---------------|-------------|
| 全区间 | 34.44% | 1.23 | 40.46% | 1.39 |

• 组合市值分布均衡，平均市值分位62%，行业集中在医药生物、机械设备、基础化工和电子等 [page::17]

《业绩超预期Plus组合2.0：基于预期调整的修正》详尽分析报告

---

一、元数据与报告概览

• 报告标题： 业绩超预期Plus组合2.0：基于预期调整的修正

- 作者及团队： 上海开源证券金融工程首席分析师魏建榕，研究员盛少成及开源证券金融工程团队

• 发布日期： 2023年3月4日

- 研究领域： 基本面量化、因子模型

• 主题与内容概览： 本报告围绕构建和优化基于财报超预期现象的量化选股策略展开，提出了超预期股票池从1.0到2.0的修正过程，结合分析师预期调整及交易行为进行了系统优化。在此基础上，通过超预期、预期调整及资金流因子多维度因子增强，构造出“超预期Plus组合2.0”，实现年化收益40.46%，信息比率达1.39。报告还探讨估值因子的融入及超预期因子在行业轮动上的应用，提供了切实有效的量化选股方案和行业轮动指标。

报告的核心信息在于：

• 超预期股票池1.0存在偏周期类行业失真的问题，导致判断失真。

- 通过分析师预期调整和交易行为对超预期判断进行修正，得出超预期股票池2.0，表现优于1.0。

• 结合多维度因子进一步构建组合，显著提升年化收益和信息比率。

- 引入估值因子配合因子筛选，刻画成长股不同发展阶段，优化持仓结构。

• 将超预期逻辑推广到行业层面，实现行业轮动因子的构建。

整体彰显了基于业绩超预期和预期调整的量化选股逻辑的前瞻性及应用价值。[page::0,1]

---

二、逐节深度解读

2.1 超预期计算方式的再修正与股票池1.0绩效回顾

• 超预期定义及计算方法：

采用同比转化法，通过分析师一致预期净利润与上市公司公布实际净利润差异判断业绩超预期。具体步骤包括计算未来季度的预期净利润增速，以及第三季度预期盈利与实际盈利比较确认超预期标记。

• 回测表现（图1+表1）：

超预期股票池1.0回测显示年化收益20.20%，信息比率0.77。净值走势领先中证500显著，最大回撤36.15%，胜率61.65%。年度绩效呈现波动，部分年份如2015表现尤为突出，而2016和2018年有较大回撤。

• 偏周期行业失真问题（图2）：

分行业统计发现超预期幅度异常的比例偏高，尤其是钢铁、煤炭等周期行业，显示用同比转化法计算单季度预期存在极端值，产生超预期误判风险。

核心结论：超预期股票池1.0虽然表现优异，但周期行业数据失真影响判断准确性，需借助分析师行为和交易行为对超预期定义进行修正确认。[page::1,2,3]

2.2 基于分析师行为的超预期股票池改进

• 分析师行为假设验证（表2）：

真正的超预期股票发布财报后分析师通常会上调预期。统计显示超预期差值>0股票中，预期调整均值>0的概率远高于<0，反之亦然。这验证了分析师预期调整能辅助判别超预期股票的正确性。

• 剔除预期下调股票效果（图3）：

剔除超预期股票池中预期调整均值<0的股票后，组合净值表现有所改善，年化收益率从20.20%提升至21.36%，信息比率提升至0.80。

• 实施细节： 当财报发布日至月底不足10天时，预期调整均值窗口作相应调整，避免未来数据影响。

总结：分析师预期调整作为反向筛选指标，能有效纠正因同比转化法产生的极端超预期判断错误。[page::3,4]

2.3 基于交易行为的进一步改进

• 交易面alpha补充（表3）：

通过区间收益OER和JUMP因子（合成的OERJUMP因子）度量市场对超预期股票的积极反应。统计数据显示超预期差值>0股票，更可能出现因子值最大的分组，反之亦然。

• 改进逻辑： 交易行为与分析师行为角度互补，能弥补分析师调整数据不足、覆盖不全的问题。

- 综合后续处理： 将分析师和交易行为结合，先剔除预期调整均值<0，再剔除OERJUMP因子值后1/5的股票，形成修正超预期股票池2.0（流程图见图4）。

结论：交易行为因子的引入显著提升了超预期判断的准确性，并作为修正的必要组成部分。[page::4,5]

2.4 修正超预期股票池2.0的绩效表现

• 表现对比（图5、表4）：

相比原始股票池1.0，修正超预期股票池2.0年化收益率提升至21.99%，信息比率上升至0.84，最大回撤小幅下降。

• 进一步剔除阶段3股票（预期均值下降、离差上升）提升（表5）：

剔除表现最差的阶段3股票后，年化收益小幅提升至22.30%，信息比率略增。阶段3股票数量少，边际贡献有限，但为前期填充法提供有效改进。

总结：基于分析师预期调整和交易数据的综合修正极大提升超预期组合的性价比，结构更加合理。[page::5,6,7]

2.5 超预期发生后分析师预期均值和离差变化规律

• 分析以2022Q3数据（图6）：

财报公告后10个自然日内，预期均值和预期离差同步上升，表现出共振上行；10-30日偏稳定或缓慢小幅下降；30-60日波动加剧。

• 四阶段划分与表现比较（图7）：

1）均值和离差均上升（阶段1）表现最佳；
2）均值升离差降（阶段2）；
3）均值降离差升（阶段3）表现最差；
4）均值离差均降（阶段4）表现介于中间。

• 逻辑分析： 阶段3表征分析师部分下调但仍存羊群行为，业绩和股价表现差；阶段4虽然整体预期下降，但利空出尽，风险有限。

基于阶段划分剔除阶段3股票，进一步优化组合表现也是本报告创新点之一。[page::7]

2.6 因子增强选股：超预期、预期调整、资金流因子

• 超预期类因子（SUE、OER、JUMP）表现（图8）：

综合因子SOJ三分组对冲信息比率0.88，多头信息比率1.09；2022年后因子平缓但长期表现优异。

• 预期调整因子（改进加权模型）（图9）：

基于时间、股价跟随度、预测准确度加权的预期调整因子三分组多空信息比率1.18，多头信息比率1.10，表现优异。

• 交易行为和资金流因子（表6，图10）：

资金流因子（主动买卖、大单残差、小单残差、散户羊群）整体超过交易行为因子，三分组多空IR均超过1，资金流综合因子多空年化回报16.59%，信息比率1.83。资金流因子作为主要权重因子引入。

• 综合因子筛选股票表现（图11，表7）：

叠加三类因子后组合年化收益39.48%，信息比率1.33，显著高于使用单一因子的组合，表现稳定优异。

以上说明多因子叠加提升选股效果，三大类因子提供互补alpha，构成优化选股框架。[page::8,9,10,11]

2.7 估值因子在组合优化中的作用

• 成长股路径刻画（图12）：

依据超预期状态、预期调整趋势和估值PETTM，将成长股划分萌芽、成长期、成熟期七个阶段。估值水平伴随成长变化，成长期阶段（PE 20-60，预期上调）绩效最佳。

• 回测对比（图13，表8）：

阶段3、4、5的成长期股票表现优异，年化收益25%-33%，信息比率0.82-1.14，数量相对适中。成熟期股票表现较差，且数量更多。

• 高估值股票剔除方法及参数调优（图14、15）：

采用PETTM与20、60日均线多头排列和过去三年80%分位线作为估值高低的判定。剔除高估值股票后组合表现提高，信息比率提升明显，特别是在2022年市场波动背景下，优化效果突出。

• 最终组合构建步骤总结：

1）计算修正后的超预期股票池2.0；
2）剔除月度预期均值下降且预期离差上升的股票；
3）剔除估值过高（λ=0.8阈值）股票；
4）基于超预期、预期调整及资金流因子优选30只股票。
该组合全年绝对收益40.46%，超中证500年化收益32.84%，信息比率1.39，波动控制优异。[page::11,12,13,14]

2.8 超预期因子在行业轮动中的应用与优化

• 行业超预期因子构建原则（图17，表10）：

行业内成分股赋值依据是否为超预期股票（1）、非超预期（-1）、无法判断（0），市值加权形成行业因子。原始IC均值5.34%，ICIR0.74，年化收益约9%，胜率近58%，表现具有一定行业轮动的能力但空间仍有提升。

• 基于预期均值和离差进一步赋值优化（图18，19，表10）：

结合预期调整阶段对个股赋值实现细分，如预期均值和离差同时上升赋值加权至2，预期均值下降离差上升赋值减少1，提升行业超预期因子IC均值至6.98%，ICIR至1.00，年化收益10.43%，信息比率1.05，行业轮动能力明显增强。

结论：行业轮动层面的超预期因子通过深度赋值优化，显著提升预测能力，提供了可操作的行业轮动策略框架。[page::15,16]

2.9 超预期Plus组合2.0其他属性及敏感性分析

• 市值和行业分布（图20、21）：

组合平均市值排名62%，行业配置偏重医药生物、机械设备、基础化工和电子，较少暴露于综合、银行等行业。

• 持股数敏感性（表11）：

组合的年化收益和信息比率随持股数量变化表现平稳，最佳入选股票数为30只，超过后信息比率轻微下滑。

• 与1.0版本绩效对比（图22，表12）：

超预期Plus 2.0组合整体净值明显高于1.0版本，除少数年份外，大部分时间信息比率和收益均优于1.0，表明本次修正及增强策略有效。

总结：策略在行业规模分布合理，股票池选择稳定，且经优化版本显著优于初版。[page::17,18]

---

三、图表集体深度解读

• 图1（超预期股票池1.0净值走势）： 展示2011年底至2022年底超预期1.0组合净值稳步攀升，长期超越中证500，同时对冲净值凸显风险控制。反映原始方法虽有效但需进一步完善。[page::2]
• 图2（不同行业超预期幅度异常比率）： 明显周期行业（钢铁、煤炭）出现极高比例极端超预期，说明同比转化法对这些行业数据存在失真。[page::3]
• 图3（剔除预期下调股票后净值对比）： 修正后的组合红线凌驾蓝线，表明剔除错误判断股票提升组合表现。[page::4]
• 图4（修正超预期股票池2.0计算流程示意图）： 逻辑清晰指出结合分析师预期调整及交易行为对原始超预期信号进行剔除的步骤。[page::5]
• 图5（修正超预期2.0与1.0净值比较）： 红色修正2.0明显压制蓝色1.0，胜出净值比明显，进一步证实修正策略有效。[page::6]
• 图6（2022Q3财报期预期均值与离差走势）： 财报公告前后均值与离差大幅变动，反映分析师对业绩信息的快速反应特征。[page::7]
• 图7（四阶段股票表现对比）： 清晰显示预期均值和离差变化对股票表现的差异性，阶段1表现优，阶段3最差，验证预期调整逻辑。[page::7]
• 图8、9、10（超预期因子、预期调整因子、资金流因子分组绩效）： 三类因子均呈现良好的分层效果，信息比率均超过1.0，资金流因子尤为突出，说明资金层面信息的重要性。[page::9,10]
• 图11（因子叠加优选30只股票净值）： 体现三类因子叠加组合收益提升，投资价值明显。[page::11]
• 图12（成长股阶段路径刻画）： 通过估值及预期状态刻画成长动能周期，有助理解不同阶段持仓优选策略。[page::12]
• 图13（不同成长阶段年化收益对比）： 成长期阶段股票收益显著优于萌芽期及成熟期，数据佐证理论。[page::12]
• 图14、15（估值剔除阈值λ遍历）： λ=0.8为剔除估值过高股票阈值的最佳参数，兼顾全区间和2022年特殊年份表现。[page::13]
• 图16（超预期Plus 2.0净值走势）： 净值稳健攀升且大幅超越中证500，体现整体策略效果。[page::14]
• 图17、19（行业超预期因子及优化前后对比）： 优化后行业因子IC均值显著提升，反映优化赋值方法提升行业轮动识别能力。[page::15,16]
• 图20、21（组合市值和行业分布）： 市值分布中等偏大，行业配置侧重医疗、机械和电子，符合成长主线定位。[page::17]
• 图22（超预期Plus 2.0 vs 1.0净值对比）： 2.0版本净值明显优于1.0，长期业绩改善。[page::18]

---

四、估值分析

• 估值方法及参数： 主要采用市盈率（PE_TTM）作为估值指标，结合其与20日、60日均线的多头排列状态及过去三年80%分位的历史PE水平作为高估值的判定标准。

- 估值应用逻辑： 根据股价-业绩及分析师预期的变化，划分成长股阶段，合理剔除极端高估值股票防范估值泡沫风险，避免高估值股票对组合造成拖累，平滑收益波动。

• 敏感性分析： 遍历λ阈值，选择0.8作为最佳剔除界线，兼顾过去多年整体表现和平滑2022年波动。

- 最终结果： 估值剔除后组合年化收益显著提升至40.46%，信息比率1.39，最大回撤33.03%，波动控制良好。

总结：估值因子不单纯以高低使用，而结合成长阶段应用与剔除，提供了风险控制且不损害收益的优化路径。[page::12,13,14]

---

五、风险因素评估

• 历史数据限制风险： 报告依托历史财报、分析师预期及交易数据回测，可能无法完全适应未来市场结构变化、政策风险及黑天鹅事件。

- 分析师预期误差风险： 分析师预期数据存在延迟、覆盖不足及行为异质性，可能影响超预期股票池的构建准确性。

• 估值判断风险： 估值剔除阈值与成长股阶段划分存在一定的经验性质，不同市场环境下可能出现较大差异。

- 市场行为异动风险： 资金流因子和交易行为受短期市场情绪影响较大，策略在极端行情波动中表现不确定。

• 组合集中度和行业波动风险： 组合重仓某些增长行业，如医药、电力设备，可能面临行业系统性下跌风险。

报告未明确给出针对风险的缓解措施或概率量化，仅在风险提示中指出历史依赖可能导致未来有效性问题，投资者应持谨慎态度。[page::19]

---

六、批判性视角与细微差别

• 报告深度但某些假设依赖性较强： 使用分析师预期调整和交易行为互补验证超预期，虽然逻辑合理，但仍基于历史行为模式，市场变化或政策影响可能削弱因子的稳定性。

- 周期行业失真问题虽部分缓解，但或存残余风险： 报告虽定义修正方法剔除极端值及导入辅助因子，但未展示具体剔除比例对各周期行业的影响是否完全有效。

• 估值因子剔除阈值选取和成长路径划分较为经验驱动： 虽通过遍历选优，估值水平划分未体现动态调整，可能导致部分成长股被误剔除或低估。

- 交易行为及资金流因子解释性有限： 资金流因子效果突出，但对因子内涵和构建细节解释不足，投资者理解和信赖度需审慎。

• 组合持股数量和换手率： 优选30只股票为最优，但换手率较高（近70%月均），可能导致交易成本及实现难度增加，实际操作需考量市场流动性。

- 行业超预期因子稳健性提升但整体收益不及个股层面组合，或限制实际应用范围。

综上，报告全面且严谨，但投资者须理解基于历史和分析师行为的超预期逻辑存在一定限制，尤其在极端市场环境下应用需谨慎，估值剔除及资金流因素需进一步细化和完善。[page::3,13,19]

---

七、结论性综合

本报告通过对超预期股票池原始计算方法的系统修正，综合分析师预期调整与市场交易行为形成超预期股票池2.0，回测表明其年化收益率约为21.99%，信息比率0.84，显著优于初始版本。结合超预期、预期调整和开源金工特色资金流类因子进行多因子选股，构建“超预期Plus组合2.0”，实现年化收益40.46%，信息比率1.39，显示出优秀的风险调整回报。

估值因子在组合构建中至关重要，通过划分成长股不同发展阶段及动态估值剔除，高估值股票得到有效排除，进一步优化组合的收益波动比。成长股阶段划分与预期调整阶段和超预期状态相符合，体现策略具备较强的逻辑连贯性。

超预期因子在行业轮动上的应用，经过基于预期均值与离差的赋值优化，IC及ICIR提高，行业轮动能力增强，年化超额收益达10.43%，信息比率1.05，具备中长期行业配置参考价值。

图表数据整体佐证报告论点：

• 超预期池1.0到2.0的净值及绩效提升（图1、5）

- 阶段划分后的表现差异明显（图7、13）

• 多因子融合权益组合的突出的收益与稳定性（图11，16）

- 估值因子的理性剔除效果（图14、15）

• 行业超预期因子优化效果（图17、19）

最后，从组合年度绩效来看（表9、12），超预期Plus组合2.0几乎所有年份均表现出正面的超额收益和良好的信息比率，体现出策略的持续有效性和可靠性。

该报告系统性构建和优化了基于业绩超预期的量化选股框架，结合多角度因子和估值手段，实现了策略的稳健提升，具有较强的理论和实操价值，是成长股量化选股及行业轮动的重要参考体系。[page::0-18]

---

附图示例（部分）

• 超预期股票池1.0净值走势较为优异

• 分行业超预期绝对幅度大于300%比例，周期行业表现突出

• 修正超预期股票池2.0净值表现优异

• 基于超预期、预期调整、估值刻画成长股路径

• 超预期Plus组合2.0净值表现强劲

• 行业超预期因子优化后绩效显著提升

• 超预期Plus 2.0相比1.0净值明显更高

---

此分析基于报告全文细致解读，关键数据和图表均已涵盖，内容深入且系统，希望为量化研究人员及投资者提供全面实用的信息参考。[page::全篇]

报告