传统分析师预期存在覆盖率下降和预测偏差问题 [page::4][page::5][page::6]

• A股分析师覆盖率近年下降至约50%，行业间覆盖差异显著，金融行业最高近90%，房地产不足50%。

- 预期偏差率行业差异明显，使用净利润或市值加权后偏差一般在10%-30%区间，银行业等权偏差最低约6%。

供应链另类量化预期构建及其验证 [page::6][page::7][page::8]

| 年份 | 预期覆盖率 | 分析师覆盖率 | 新增覆盖率 |
|--------|------------|--------------|------------|
| 2013 | 3.76% | 2.25% | 1.51% |
| 2014 | 7.72% | 5.28% | 2.44% |
| 2015 | 16.56% | 11.61% | 4.95% |
| 2016 | 21.19% | 15.92% | 5.26% |
| 2017 | 24.29% | 16.93% | 7.36% |
| 2018 | 15.17% | 8.22% | 6.95% |
| 2019 | 13.28% | 6.58% | 6.70% |

• 利用客户-供应商关系构建预测模型，覆盖提升至15%-24%，新增覆盖近6%。

- 经过历史滚动验证筛选适用股票，供应链紧密行业如电子、通信、机械类预测偏差程度平均改善8.2%。

科技关联另类量化预期构建及其验证 [page::9][page::10]

| 年份 | 预期覆盖率 | 分析师覆盖率 | 新增覆盖率 |
|--------|------------|--------------|------------|
| 2015 | 16.32% | 13.24% | 3.09% |
| 2016 | 18.68% | 15.63% | 3.05% |
| 2017 | 21.04% | 17.18% | 3.86% |
| 2018 | 23.30% | 15.84% | 7.46% |
| 2019 | 21.10% | 13.61% | 7.49% |

• 利用专利科技关联度数据计算公司间预期联动，覆盖率提升至约20%，新增覆盖达7%。

- 滚动验证后以军工、建筑、机械、汽车行业改善显著，平均预测偏差改善8.5%。

地区关联及地区比较优势另类量化预期分析 [page::11][page::12][page::13][page::14]

| 方法 | 覆盖率 | 改善行业数 | 平均改善幅度 |
|------|--------|------------|--------------|
| 地区关联 | 约68% | 8个 | 2.7% |
| 地区比较优势 | 约20% | 11个 | 2.6% |

• 地区相关预期覆盖率高达65%以上，新增覆盖提升20%左右，但预测改善有限，地区比较优势作为前瞻指标对部分行业（家电、建材）有小幅改善。

时间序列及CFO-ACC模型另类量化预期分析 [page::15][page::16][page::17][page::18]

| 方法 | 覆盖率 | 改善行业数 | 平均改善幅度 |
|------------|--------|------------|--------------|
| 时间序列模型 | 约65% | 13个 | 3.4% |
| CFO-ACC模型 | 约41% | 23个 | 5.9% |

• 时间序列预测模型充分考虑季度季节性与假期影响，覆盖率和预测改善明显。

- CFO-ACC模型结合现金流与应计利润进行回归，覆盖率中等，但多行业预测偏差显著改善。

结合另类量化预期与分析师预期后预期因子表现提升 [page::19][page::20][page::21]

• 新增另类预期后，预期因子“业绩预期同比增长”、“预期ROE”、“预期ETOP”等的因子信息比率(IC)和信息比率(ICIR)均有明显提升，IC平均提升0.37%，ICIR提升0.31。

- “业绩预期同比增长”及“业绩预期3月环比增长”分组收益和多空收益均优于原始分析师预期。

充分结合另类预期与分析师预期后因子效能进一步提升 [page::22][page::23][page::24]

• 充分融合型预期因子除环比因子外，均优于原预期因子，IC提升至平均0.46%，ICIR提升0.45。

- 各主要预期因子多空收益和分组收益表现均有进一步改善，说明融合方法提升了预期及因子预测能力和稳定性。

总结及未来展望 [page::0][page::24]

• 本报告首创构造了一套兼容多种另类数据及统计模型的量化预期框架，构建“可用的另类量化预期”，有效提升市场预期覆盖率和预测准确度。

- 该方法结合行业实证验证筛选适用标的，实现标准化、可扩展且验证统一的量化预期构造。

• 未来将基于该框架发展更丰富另类数据及因子策略，推动行业配置等多层面应用，实现投资策略多样化和优化。

另类量化预期体系的构建与应用——国泰君安证券研究报告深度解析

---

一、元数据与报告概览

• 报告标题：另类量化预期体系的构建

- 发布时间：2019年12月10日

• 发布机构：国泰君安证券研究所

- 作者：李少君、李棚（分析师）

• 报告主题：报告聚焦于另类量化预期的构建，将非标准、非结构化的另类信息转化为可比较、可验证、可积累的预测信息，形成另类量化预期体系，提升基本面预期的广度和深度，辅助投资策略的开发，尤其是大类资产配置及行业配置策略。

- 核心论点概述：
- 提出一种“另类量化预期框架”，通过供应链、科技关联、地区关联、地区比较优势、时间序列、CFO-ACC等另类数据和统计模型对公司业绩的预测进行构造并验证其有效性。
- 相比传统分析师预期，该体系可扩展覆盖度，且在多个行业显著降低预期偏差。
- 将构造的另类量化预期融合至传统分析师预期中，衍生预期因子预测效果和稳定性均有提升。
- 未来将继续完善体系，积累数据，开发新策略，实现传统与另类预期的互补共生。

报告立意科学严谨，逻辑清晰，既注重构建模型的理论合理性，也坚持实证验证，力求推动量化基本面研究方法的创新和实践应用。[page::0, page::2, page::3, page::24]

---

二、逐节深度剖析

2.1 引言与基本面量化的现状分析

报告首先回顾了基本面量化信息分类，包括：

• 财务数据（标准化、结构化、覆盖广，是因子构造主力）；

- 行业特殊财务数据、非财务数据（另类数据信息）、事件数据（非标准、非结构化，具有异常收益但覆盖及频率低）；

• 基本面预期数据（主要来自分析师预期，标准化，截面可比，但整体覆盖率偏低，仅约50%左右）。

鉴于另类数据覆盖度低、可比性弱，传统因子化难以实现全市场优化组合构建，报告提出新的基本面量化思路：将多种稀疏、低频的非标准数据转变为可比较、验证的预期信息，构建另类量化预期体系，解决现有预期覆盖不足的问题，从而产出更准确、有效的基本面预测模型。该体系核心是标准化验证和可用性筛选，以实现包容多类另类数据、提高预期覆盖及预测水平为目标。[page::2]

---

2.2 另类量化预期的构造流程（图示理解）

通过逻辑关联和统计模型，将股票相关的另类数据（供应链、行业特殊财务数据、事件数据等）映射到未来业绩预期，再对构造的另类预期做滚动验证（检验“好坏”与“可用性”），最终将可用的另类量化预期和传统分析师预期结合，从而应用于多样投资策略（组合构建、事件驱动、估值、产业配置）[page::3]

---

2.3 另类量化预期构造方法详解

报告采用6大类构造方法：

1. 基于供应链的预期

- 利用上市公司披露的供应商-客户关系（2013年开始披露提振数据源）
- 通过客户业绩同比变化加权预测供应商未来业绩
- 覆盖率逐年提升，2019年覆盖约13.28%，新增覆盖6.7%
- 整体预期偏差大（50%-100%）但经过针对性标的甄别和历史滚动验证后，电子、通信、汽车、机械行业等产业链联系紧密行业偏差降低8.2%
- 由此证明供应链预期在部分行业具有较强价值和预测力[page::6,7,8]

1. 基于科技关联的预期

- 运用专利分类（利用余弦相似度计算公司科技关联度）
- 基于其他公司业绩预期加权预测目标公司业绩
- 覆盖率约20%，新增覆盖约7%
- 初始偏差约40%-80%，开展滚动验证筛选标的后，军工、建筑、机械、汽车等拥有较多专利行业预期准确率提高8.5%
- 说明科技关联在专利密集行业的预测价值[page::9,10,11]

1. 基于地区关联的预期

- 用公司地区收入向量替代专利向量进行关联计算
- 覆盖率高达65%以上，但整体预期偏差改善有限，行业预期偏差居高不下，且无行业显著改善
- 推测地区关联建立的业绩传导关系不够紧密，限制其有效性[page::11]

1. 基于地区比较优势的预期

- 结合地区宏观变量构造企业地区宏观比较优势指标（地区业绩领先指标）
- 结合时间序列预测ROE，通过回归剔除不适用标的
- 覆盖率约20%，但整体偏差较大（75%-100%），仅家电、建材、基础化工等少数行业得到小幅改善（2.6%）
- 说明该预期方法效果有限但对个别行业仍有较好预测潜力[page::12,13,14]

1. 基于时间序列模型的预期

- 对季度ROE序列进行季节性调整和春节效应处理的时间序列预测
- 覆盖率65%，新增覆盖25%
- 整体偏差较大（60%-100%），筛选适用标的后多行业预期偏差改善3.4%，尤其是电子元器件、电力设备、家电[page::15,16]

1. 基于CFO-ACC模型的预期

- 源于应计利润异象模型，关联现金流和应计利润与未来净利润，通过回归筛选适用标的
- 覆盖率41%，新增覆盖14%
- 整体预期偏差较大（60%-100%），经滚动验证，多个行业平均偏差改善5.9%，尤其是保险、信托、通信和建材行业[page::16,17,18]

---

2.4 各方法预测准确性和适用性总结

• 结论：

- 供应链、科技关联、时间序列、CFO-ACC模型四种方法均表现出合理的理论逻辑与良好业绩提升效果，构建出“可用另类量化预期”，有助投资策略应用；
- 地区关联和地区比较优势表现一般，预期准确度提升有限；

• 行业适用性：

- 供应链方法对产业链紧密行业效果优异；
- 科技关联对专利数量多的行业（军工、建筑、机械、汽车）效果显著；
- CFO-ACC模型在金融及资本密集行业表现较好；
- 时间序列模型覆盖面广但提升空间有限[page::18,19]

---

三、图表深度解读示例

• 图4：分析师覆盖率历年趋势

显示2005-2019年分析师对A股上市公司的覆盖比例，大致维持在60%-70%区间，但2018、2019年出现显著下滑至50%左右，反映出传统分析师预期覆盖率的不足，进而为另类量化预期补充市场需求奠定基础[page::4]

• 图5：分行业分析师覆盖率分布

银行、保险、证券等金融板块覆盖率高达90%以上，而房地产覆盖率低于50%，显示市场分析师重点聚焦金融行业，其他行业覆盖存在差距[page::5]

• 表2：供应链预期覆盖率及新增覆盖

2013-2019年供应链预期覆盖逐年上升，最高达到2017年24.29%，其中约半数标的已有分析师覆盖，新增覆盖率虽仅6%左右，但呈增长态势[page::6]

• 图7&8：供应链预期偏差及改善行业

初期偏差达50%-100%之间，但通过滚动验证筛查适用标的后，电子、通信、汽车、机械等产业链联系紧密的行业明显改善，预期偏差平均降低8.2%[page::7,8]

• 图20、21：融合后的因子分组收益及多空收益

融合另类量化预期后，“业绩预期同比增长”、“预期ROE”、“预期ETOP”等因子表现均优于仅依赖分析师预期的基线模型，特别是在分组收益的最高组和多空收益方面提升显著，体现了另类预期提升投资价值的潜力[page::20,21]

---

四、估值分析

报告侧重于构建与验证另类量化预期及其策略因子的有效性，对具体公司或行业的估值数值模型（如DCF、P/E等）未做详细阐释。核心在于将另类量化预期有效衍生成为能够提升预测准确性和投资表现的量化因子。从而推动基于预期的多因子模型优化及行业配置策略构建。

---

五、风险因素评估

报告未集中展开风险专节，但从内容中可推断：

• 数据披露与质量风险：另类数据（供应链客户关系、专利科技关联等）覆盖有限、更新周期及准确性影响预期构造；

- 方法适用性有限：因行业差异，部分另类量化预期模型适用范围不广，错误应用或标的筛选不严可能引发较大预测误差；

• 预期误差较大：未经滚动验证筛选的原始另类预期偏差显著，若盲目应用可能对投资组合造成负面影响；

- 模型与逻辑失效风险：经济环境、政策、技术变革可能导致供应链或行业关联性弱化，模型依赖的关联结构可能随时间动态变化。

风险管理依赖于历史滚动验证和统计显著性的标的筛查，报告强调使用统一的验证标准以甄别适用领域防范无效预期带来的损失。[page::7,11,13,15,17]

---

六、批判性视角与细微差别

• 报告深入挖掘了多种另类量化预期方法，但整体来看，初期构造的预期偏差普遍偏大，尤其是地区关联和地区比较优势方法效果较差，需警惕实际应用场景的局限和潜在误导风险。
• 预期覆盖率虽有提升，但仍存在明显缺口——最大新增覆盖率多于10%-20%区间，表明另类量化预期需结合更多数据源、扩大信号覆盖才能实现质的飞跃。
• 统计筛选与滚动验证方法构成核心方法论保证，但存在模型参数时变、数据未来不确定性等模糊风险，未来研究应注重动态模型调整及长期稳定性的培养。
• 报告对各种预期因子提升度量采用了IC和ICIR，表明作者重视因子预测能力的稳定性，而非单一收益表现，体现专业严谨。
• 融合后部分环比因子性能改善有限，暗示预期改进的空间及方法需针对性强化。
• 报告并未详述另类预期对市场行情波动或非基本面因素的潜在影响，建议未来研究深化风险联动分析。

---

七、结论性综合

国泰君安证券研究报告系统地提出并实践了构建另类量化预期的框架及其在投资策略中的应用。通过涵盖供应链、科技关联、地区关联、比较优势以及时间序列和CFO-ACC模型共6类方法，报告实现了：

• 将非标准、非结构化的另类信息高效转化为可比较和可验证的业绩预期。
• 跨行业检验显示，除地区关联外，其他方法均显著降低了分析师预期的平均偏差，部分行业改善达8%以上，尤其是产业链紧密与技术密集领域表现突出。
• 结合滚动验证机制与回归筛选保证了模型的稳定性及预测质量，避免盲目全样本应用风险。
• 融合另类预期后的新型预期因子在因子表现（IC、ICIR）、分组及多空收益上均优于传统分析师单纯预期，明显提升了量化选股及资产配置的基础判断力。
• 预计未来将继续丰富另类数据源和建模技术，完善预期框架，进而开发基于另类预期的行业配置等更完善的投资策略。

从整体来看，本报告既提出了创新理论体系，又严谨验证了其实用价值，推进了量化基本面研究方法的升级，为量化投资领域提供了新的研究路径和工具组，尤其对解决中国A股市场分析师预期覆盖不足问题具有重要现实意义。

---

附录：图表示例

---

图1：基本面量化因子分类框架



---

图2：另类量化预期构造流程示意图



---

图4：历年分析师覆盖率



---

表2：供应链另类预期覆盖率

| 年份 | 供应链覆盖率 | 分析师覆盖率 | 新增覆盖率 |
|-------|-------|--------|---------|
| 2013 | 3.76% | 2.25% | 1.51% |
| 2014 | 7.72% | 5.28% | 2.44% |
| 2015 | 16.56% | 11.61% | 4.95% |
| 2016 | 21.19% | 15.92% | 5.26% |
| 2017 | 24.29% | 16.93% | 7.36% |
| 2018 | 15.17% | 8.22% | 6.95% |
| 2019 | 13.28% | 6.58% | 6.70% |

---

图20：新预期因子分组收益对比（业绩预期同比增长）



---

溯源标注

本文所有分析观点及数据均来源于国泰君安证券2019年12月10日发布的《另类量化预期体系的构建》报告 [page::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24]

---

总结

本报告以严谨系统的研究范式，提出并实现了另类量化预期体系的建构与验证，突破了传统分析师预期覆盖不足的局限性，通过融合多重另类数据和统计模型，大幅提高预期覆盖及准确性，最终验证了其对投资因子提升的贡献，确立其为未来量化投资研究与实践的重要方向。

报告