研究数据来源及覆盖率 [page::2][page::3][page::4][page::5]

• 主要使用朝阳永续和Wind分析师预期数据，朝阳永续数据更为全面，尤其2015年前。

- 盈利预测、评级、目标价覆盖率在沪深300最高，三维度覆盖率分别为70%-90%、50%-80%不等。

分析师覆盖因子表现及定义 [page::7][page::8][page::9][page::10]

| 因子类型 | RankIC均值 | ICIR | 年化收益 | 夏普比 | 最大回撤 |
|----------|------------|--------|---------|--------|---------|
| aTCOV中性| 3.60% | 1.34 | 20.01% | 2.49 | 12.1% |
| COV中性 | 3.20% | 1.11 | 15.95% | 1.88 | 13.1% |

• 分析师覆盖度COV与异常覆盖aCOV均经行业和市值中性化处理表现更优，说明覆盖数本身是有信息量的选股因子。

- 覆盖多的股票未来表现较好，但Alpha因子需风险中性处理。

分析师预期分歧度因子（DISP）特性及表现 [page::11][page::12][page::13]

• DISP定义为过去3个月同报告期预测的标准差/均值，覆盖率较低（沪深300约77%，中证全指约37%）。

- DISP因子与未来收益呈负相关，分歧大的股票未来表现较差。

• 在沪深300非金融中，DISP因子多空组合年化收益约8.9%，夏普比1.07，信息比率负相关，换手适中。

盈余预测准确性及分析师属性影响 [page::14][page::15][page::16][page::17][page::18][page::19][page::20][page::21]

• 预测误差（AFE）和偏差（FB）随接近报告期时间增长而显著减小，FY1预测最准确。

- 大市值、价值股、盈利稳定、分析师覆盖多公司，其盈余预测更准确。

• 有经验、来自大型研究机构、跟踪行业较少、历史预测精度高的分析师预测更精准。

一致预期加权方法比较及优选Accwt2 [page::22][page::23][page::24][page::25]

| 加权方法 | FY1 AFE均值 | FY2 AFE均值 |
|---------|--------------|-------------|
| Wind | 3.64% | 2.05% |
| Gogo | 3.73% | 1.88% |
| Average | 3.73% | 1.95% |
| Latest | 3.77% | 1.93% |
| Accwt1 | 3.72% | 1.91% |
| Accwt2 | 3.72% | 1.89% |

• 预测精度加权方法（Accwt2）和朝阳永续内部加权（Gogo）预测误差最低且无显著差异。

- 推荐采用Accwt2加权一致预期。

一致预期相关alpha因子表现及策略回测 [page::26][page::27][page::28]

• 构建EPFY1（净利润率估值）、PEG（盈利增长比率）、SCORE（一致评级）、TPER（目标价隐含收益率）4个因子。

- 各因子在多样本空间均有显著选股能力和良好的多空回测收益，PEG在中证全指内ICIR达到3.27，强于其他因子。

预期调整因子WFR定义及表现优于传统CFR [page::29][page::30][page::31]

• WFR基于分析师预测净利润相对于自身前期预测的加权调整，克服了直接计算一致预期变化率的缺陷。

- WFR在信息比率(ICIR)和多空回测表现均优于传统CFR（一致预期调整率）。

量化因子独立性验证与残差因子表现 [page::33][page::34][page::35]

• 分析师类因子与其他五大类因子（估值、成长、盈利能力、流动性、投机性）相关性较低，尤其剔除其他因子后大部分分析师因子仍显著。

- 除预期分歧度因子因覆盖率低外，其余分析师因子残差因子IC依旧显著，部分高达2%以上，表现稳健。
| 因子 | 残差RankIC均值 | ICIR | 年化收益 | 夏普比 | 最大回撤 |
|---------|----------------|--------|----------|---------|---------|
| cOV | 2.47% | 1.09 | 11.66% | 1.62 | 11.2% |
| -DISP | 0.80% | 0.66 | 0.71% | 0.17 | 18.2% |
| EPFY1 | 1.78% | 1.31 | 4.10% | 0.85 | 12.3% |
| -PEG | 2.24% | 2.15 | 8.45% | 1.88 | 6.0% |
| TPER | 2.24% | 2.05 | 10.23% | 2.07 | 7.4% |
| SCORE | 2.35% | 1.74 | 11.43% | 2.22 | 6.7% |
| WFR | 2.56% | 2.84 | 10.26% | 2.40 | 5.6% |
| ANALYST | 4.60% | 3.44 | 18.92% | 3.71 | 5.0% |

沪深300指数增强显著受益于分析师因子 [page::36]

• 在沪深300指数增强策略中加入分析师因子后，年化收益率由8.65%提升至9.62%，提升约1个百分点。

- 夏普比由2.09提升至2.36，跟踪误差和最大回撤指标略有改善。

总结 [page::0][page::37]

• 分析师覆盖度较高的股票未来表现较好但需中性处理，分歧度高的股票容易被高估。

- 盈余预测准确性受时间、公司信息确定性及分析师属性影响，预测精度加权一致预期及相应alpha因子表现优异。

• 预测盈余调整用加权异质性调整（WFR）更具alpha贡献。

- 剔除其他因子后分析师因子独立性强，增强沪深300指数表现显著提升。

《因子选股系列研究之三十二》分析师研报数据特征与 alpha：详尽分析报告

---

一、元数据与报告概览

• 报告标题： 《因子选股系列研究之三十二——分析师研报的数据特征与 alpha》

- 作者与机构： 东方证券研究所；主要分析师包括朱剑涛、王星星、邱蕊。

• 发布日期： 2017年12月3日

- 主题范围： 基于朝阳永续分析师盈余预测、评级和目标价等研报数据，探讨分析师预期的属性、一致预期加权方法及相应的alpha因子表现。行业重点聚焦非金融类中证全指及沪深300等主要股票指数样本空间。

• 核心论点与结论：

- 分析师报告数据具有独立信息源的特性，一致预期预测的加权方法优化能显著提升预测的准确性。
- 覆盖分析师越多的股票未来表现更优（但需风险中性处理），预期分歧大的公司未来往往被高估，表现相对较差。
- 盈余预测准确性依赖于预测时间、公司信息确定度及分析师属性，经验丰富、跟踪行业少、归属于大机构的分析师预测更准确。
- 对6种一致预期加权方法对比显示预测精度加权表现最佳，推荐作为投资者采用。
- 基于预测精度加权构建出的四个alpha因子均在各样本空间展现显著的选股效果。
- 通过剔除传统估值、成长等因子后，分析师预期因子仍表现出较强的独立alpha能力，体现行业因子之外的信息增量。
- 指数增强测试表明，加入分析师预期因子，沪深300增强收益率提升约1个百分点。

• 风险提示：

- 量化模型可能因市场极端环境失效。
- 极端环境变量可能引发收益波动和亏损风险。[page::0,37]

---

二、深入章节解读

1. 关于分析师预期

1.1 数据来源

• 分析师预期数据由多家数据供应商提供，国内主要为Wind和朝阳永续。

- 朝阳永续因报告量和覆盖面更全面，尤其是2015年前表现更好，数据包括盈利预测、评级、目标价及其衍生指标。

• 统计图表（图1和图2）显示朝阳永续在报告数量和股票覆盖数量方面整体优于Wind，但近年差异收窄。

- 报告数据使用筛选原则严格过滤报告，提高数据质量和有效性，比如报告录入时间限制、排除B股和港股等。

• 报告数量呈季节性峰值分布，反映出财报季发布相关的投研活跃周期特征（图3和图4）。

- 统计显示盈利预测和评级覆盖率较高，目标价覆盖较低，沪深300样本的覆盖率整体优于中证全指。[page::2,3,4,5]

1.2 关键时点说明

• 预测涉及多个报告期，定义FY1至FY3不同报告期利润预测。

- 不同公司财报公告时间不同，因子计算调整时间划分巧妙，确保各公司FY1指标的可比性，切换时间节点在每年4月30日。

• 报告撰写时间与录入时间间隔通常较短，且剔除间隔超过7天的数据，避免未来函数影响与数据选择性推送偏差。

- 因子计算区间为2009年4月30日至2017年10月31日，主要关注非金融行业成分股。[page::6]

---

2. 分析师覆盖与预期分歧

2.1 分析师覆盖概念与定义

• 追踪分析师数量（覆盖度）与分析师之间盈利预测分歧是衡量公司的信息不确定性关键指标。

- 分析师因选择性覆盖优质股导致覆盖度高的股票未来表现往往更好，也存在因过热短期回调的矛盾解释。

• 定义两个覆盖指标：

- 简单分析师覆盖（COV）：过去3个月内报告覆盖券商数。
- 分析师总覆盖（TCOV）：考虑单个券商多个报告期预测产生的覆盖贡献。

• 异常覆盖（abnormal coverage）定义为实际覆盖减去由市值、换手率、动量解释的预期覆盖，用于捕捉分析师选择性行为。[page::7]

2.2 因子表现与回测情况

• 原始与异常覆盖比较：异常覆盖因子表现优于原始覆盖，但做行业市值中性处理后效果趋近，建议实际应用可直接用原始覆盖因子以简化操作。

- COV与TCOV高度相关（99%），选择一个指标即可。

• 分样本空间来看，非金融中证全指覆盖因子ICIR达到1.11，年化收益约15.95%，换手较低，表现稳定。

- 分组回测显示分组间表现不完全单调，但Top组有显著超额收益，整体换手适中，2015年后表现较优（图5至图10）。

• 多空组合月收益稳定，且换手较低表明覆盖因子alpha较稳定，适合作为价值信息良好的补充。[page::8,9,10]

2.3 预期分歧度定义与表现

• 分歧度（DISP）定义为过去3个月分析师盈余预测的标准差与均值的比率，用于衡量市场对公司预期的不一致程度。

- 设计时间点处理避免不同公司因报告期不一致带来的不可比问题，通过12月31日切换对当年预期的考察。

• 分歧因子覆盖率较低，沪深300非金融成分股覆盖率最高（约77%），中证全指最低（37%）。

- DISP因子负向选股能力明显，在沪深300表现最优(ICIR=1.59，年化收益8.9%，夏普比1.07)，但整体因覆盖率偏低且填補缺失值会影响 IC，导致其在全市场表现欠佳。

• 多空组合体现分歧大的股票未来表现明显较差，符合信息不对称理论预期（图11至图13）。[page::11,12,13]

---

3. 盈余预测准确性

3.1 度量方法介绍

• 采用传统的绝对预测误差(AFE)与比例预测误差PMAFE两种度量方式。AFE以预测值与实际公告净利润偏差标准化总资产衡量；PMAFE考虑公司-报告期固定效应，更多用于分析师属性对准确性影响的研究。

- 预测偏差（Forecast Bias，FB）反映预测整体系统性偏离，计算中发现多数分析师存在盈余高估趋势。[page::14]

3.2 时间维度影响

• 预测时间越临近公告，预测误差和偏差均显著下降。FY1预测准确性远高于FY2、FY3。

- 预测具有明显时间衰减效应，越接近财报发布，信息越充分，误差越小，偏差趋近零。

• 长期数据揭示分析师存在系统性高估盈余，部分原因包括维护客户关系的行为动机和非经常性损益导致实际盈利偏低。

- 实证建议因子构建以FY1和部分FY2为主，兼顾预测可信度与覆盖。（图13、14）[page::15,16]

3.3 信息不确定性分析

• 以市值(MC)、价值成长(BM)、历史ROE波动(SDROE)、分析师覆盖(COV)和预期分歧(DIS)五指标衡量信息不确定度。

- 相关分析显示，小市值、成长股、盈利波动大、覆盖少且分歧高的股票盈余预测误差更大、偏差更显著。

• 分组分析支撑信息确定性高改善预测准确性的结论，上述指标的预测误差与偏差在低不确定组更低（图15、16）。[page::17,18]

3.4 分析师属性影响

• 经验（GEXP：行业经验，FEXP：公司经验）、关注度（跟踪公司数量NCOMP、行业数量NINDS）、雇主规模(NAUT)、新财富榜单校验(XCF)、历史预测准确度(ACC)均显著影响预测准确性。

- 多变量回归分析发现：经验丰富、关注行业较少、大型机构分析师及历史精准度高者预测准确度显著提升；跟踪公司数量影响不显著，跟踪多个行业数量可能降低预测准确性。

• 新财富上榜分析师表现更好，但其影响可以被经验和机构规模等因素解释（图17、18、19、20）。

- 结论契合国际研究文献，强调分析师特质对模型加权和预期调整的重要性。[page::19,20,21]

---

4. 一致预期加总及相关因子

4.1 一致预期合成方法

• 对比Wind默认算术平均、朝阳永续的时间机构双重加权及学术界基于预测精度排序加权（Brown & Mohammad, Slavin）等多种加权方式。

- 通过线性方程根据预测时间、历史精度、经验、跟踪行业数、机构规模估计每次预测的预测误差(PMAFE)。

• 采用六种加权算法（Wind、Gogo、Average、Latest、Accwt1、Accwt2）比较预测误差，结果显示Accwt2和朝阳永续加权表现最好，推荐使用Accwt2加权因其较好透明性（图19~25）。

- 采用Accwt2加权求得一致预期净利润、评级和目标价，构建4个核心一致预期alpha因子：EPFY1(低估值)、PEG(成长)、SCORE(评级)、TPER(目标价隐含收益率)。

• 其中EPFY1因子与估值因子高度相关，PEG体现成长属性， TPERS与投机因子相关，SCORE评级因子适用于大型蓝筹股。

- 四因子在各大样本空间表现优异，部分因子在沪深300中表现尤为突出（图22~28）。[page::22,23,24,25,26,27,28]

---

5. 预期调整分析

5.1 预期调整度量

• 传统的用一致预期净利润变化率CFR度量预期调整被指出忽略了分析师个体的异质性。

- 报告提出Weighted Forecast Revision（WFR）方法：
- 计算每家机构过去3个月内相对于1个月前预测的调整幅度。
- 根据预测精度加权(Accwt2)汇总构造WFR。

• WFR更好捕捉分析师真实调整行为，减少一致预期变化不代表信息调整的误差。

5.2 调整因子表现

• WFR在各样本空间选股表现均优于CFR，ICIR在中证全指非金融中达到2.99，显著优于CFR的1.04。

- 多空组合表现更稳定，回撤更优，Top组过度调整反而表现不一定最好。

• 事件研究发现，分析师相对于自身历史预测的大幅上调事件中长期异常收益较低，短期反应强烈，显示市场存在对突发预期调整的快速反应但伴随回调风险（图29~32）。

- 因此，杜绝盲目追逐大幅预期调整，推荐使用WFR因子作为盈余调整alpha指标。[page::29,30,31,32]

---

6. 信息增量分析

6.1 因子相关性分析

• 构造涵盖估值、成长、盈利能力、流动性、投机性及分析师预期6大类alpha因子体系。

- 全面检验分析师相关因子与其他大类因子相关性，发现分析师因子普遍与价值、成长及盈利能力因子具一定程度相关，TPER接近投机因子。

• 分歧度(-DISP)与盈利能力正相关，分析师覆盖度(COV)与价值成长及盈利能力正相关，预期调整(WFR)与成长相关性较高（图33,34）。

- 剔除基础因子后，分析师预期净利润因子EPFY1相关性降低最多，但仍保持显著独立alpha，领先展示出信息增量。

• DISP因子表现下滑较为明显，因覆盖和缺失填补影响，沪深300非金融样本中因子效果仍然显著（图35）。

6.2 指数增强测试

• 将分析师大类因子加入沪深300增强模型，严格行业市值中性及换手约束。

- 结果显示，加入分析师因子后增强组合年化收益率从8.65%提升至9.62%，夏普比显著增厚，回撤略降（图36）。

• 指数增强能力验证了分析师预期数据信息的有效投资价值。[page::33,34,35,36]

---

三、图表深度解读

（为篇幅均衡，重点选择关键图表分析）

• 图1&2 (报告数量与覆盖股票数): 直观显示朝阳永续数据在公司研究报告数量及股票覆盖度上领先Wind，尤其2015年前差距明显，基于数据质量和覆盖面选择其作为主要研究数据源，支撑后续准确性分析和因子构建。[page::2,3]
• 图5 (分析师覆盖因子表现): 多维度指标（RankIC均值、ICIR、t值、夏普比等）展现分析师覆盖和异常覆盖指标优劣。行业市值中性化处理后差异缩小，显示其本质反映的仍是分析师覆盖带来的信息增量，促使实际应用中简化处理。[page::8]
• 图8(分析师覆盖多空组合表现): 展现覆盖因子组合月度收益波动，15年后更加稳定，为因子投资提供可靠性依据，且最大回撤控制在合理范围，适合量化投资内使用。[page::10]
• 图12(预期分歧度DISP多空组合表现): 表明DISP因子具备良好的负相关alpha特质，Top组合收益显著领先基准，是衡量市场乐观预期过度的重要指标，但低覆盖率限制其全市场应用。[page::13]
• 图14(预测偏差与误差时间衰减): 清晰刻画出随着预测时间临近报告期，分析师预测偏差与误差的持续下降趋势，反映信息有效逐步释放及分析师行为调整，验证时间维度预测准确性理论。[page::16]
• 图20(不同加权方法比较预测误差): 定量对比体现Accwt2方法与朝阳永续Gogo加权预测误差最低且差异不显著，Wind方法预估误差较高，强调选择合适加权方式的必要性，对一致预期构建与使用具有决定性意义。[page::24]
• 图22(核心一致预期因子表现): EPFY1、PEG、SCORE和TPER在各指数样本空间的RankIC及回测均衡表现，体现了分析师预期综合因子的强大选股能力和模型稳定性，特别是PEG在中证全指中表现极佳。[page::26]
• 图28-31(预期调整因子表现): WFR因子在多样本空间内远超传统一致预期调整CFR的选股效果与收益稳定性，事件驱动分析进一步显示大幅调整信息对中长期收益作用有限，但在短期市场反应明显，为投资决策提供细微参考。衰退回撤较小，证实WFR量化价值。[page::29-31]
• 图36(指数增强净值对比): 加入分析师预期因子后，沪深300增强组合在多年回测中实现近1%年化超额收益的提升，且波动性和最大回撤均有所改善，明确显示分析师信息的实际价值和投资组合应用潜力。[page::36]

---

四、估值分析

• 本报告的估值分析核心在于利用分析师预期数据构建一致预期净利润，通过多种加权方式测算更能准确预测未来盈利（预测误差最低）。

- 关键估值指标包括EPFY1（低估值因子）、PEG（成长估值指标），结合分析师评级SCORE和目标价隐含收益率TPER，形成多维度alpha因子用于股票筛选。

• 加权依据预测精度（通过多变量线性模型估计）有效体现分析师能力、经验、机构影响。

- 估值指标与传统估值成长因子有不同角度补充，增强了因子组合的信息多样性和独立性。

• 多重加权方法的实证对比强调透明度与预测精度兼顾的重要性，推荐Accwt2方法。[page::22,23,24,25,26]

---

五、风险因素评估

• 量化策略和因子研究均基于历史数据，未来市场极端波动可能导致模型失效。

- 分析师研报数据本身可能存在选择性偏差，如分析师倾向覆盖或发布报告于优质公司，影响因子稳定性与适用范围。

• 预期分歧因子覆盖率低，限制其在全市场的使用。

- 对事件行情的依赖可能带来短期市场异常波动风险。

• 加权方法和因子构建过程虽然透明，但依赖于数据供应商，供应链风险不可忽视。

- 并未对多空组合最大回撤等极端风险事件做深入缓释策略研究。

• 投资者应关注策略适时调整，结合实时市场状态动态评估风险，注意收益波动及回撤控制。[page::0,37]

---

六、批判性视角与细微差别

• 本报告以朝阳永续数据为主，Wind数据相对较少，但后者也广泛使用，两者数据有差异可能带来结果波动，投资者应注意数据源差异风险。

- 预期分歧度因子的覆盖偏低以及填补缺失数据可能过度平滑风险，影响模型真实表现。

• 分析师覆盖因子虽表现稳定，但部分行业和市值规模的中性化处理可能减弱其在某些细分市场的过滤作用。

- 预期调整因子WFR虽较传统方法优，但核心仍基于预测历史，极端机构偏差行为或市场阶段变化可能影响其稳定性。

• 报告中多处回归分析基于均值调整，计入未来信息，实际投资中使用需严格避免未来函数。

- 大部分因子表现的提升在2009年以后显著，2009年之前样本可能不足或市场机制差异导致效果体现有限。

• 投资建议虽明确推荐Accwt2加权及WFR预期调整指标，但未明确较多的多因子组合构建细节和风险控制框架，需要结合具体应用场景加以完善。

- 预期分歧因子在沪深300表现优于全市场，但全市场应用受限，实际运用需结合投资维度选择合适因子。

• 大幅预期调整事件异常收益短期高，中长期不稳定，提示投资者预期此类信号时需防范反转风险。[page::12,31,33]

---

七、结论性综合

本报告系统而详尽地剖析了分析师预期相关数据的特征与选股价值，通过实证验证和模型构建，核心在于利用朝阳永续数据开发了六大类分析师预期相关alpha因子（覆盖度、预期分歧、加权一致预期净利润及相关因子、一致预期评级与目标价、预期调整因子）：

• 分析师覆盖度因子（COV）： 反映分析师对公司的关注热度，覆盖多的股票未来表现较好，因子稳定性优秀，适合用作基础alpha。行业和市值中性化处理必要。

- 预期分歧度因子（DISP）： 体现市场对股票的分歧与高估风险，沪深300表现较好，覆盖面不足限制了全市场应用。

• 盈余预测准确性及分析师特质： 预测精度取决于预测时间、市值大小、价值属性、盈利稳定性及分析师经验、行业覆盖数、机构规模、历史预测精度等，通过多维度建模显著提升预测权重分配合理性。

- 一致预期加权方法： 结合预测精度加权（Accwt2）实现净利润预测更低误差，远优于Wind默认算数平均，构建EPFY1、PEG、SCORE、TPER四大alpha因子，稳定且强选股能力。

• 预期调整因子（WFR）： 基于分析师自身预测调整加权，表现远超传统一致预期变动率因子，优化选股效果，且事件研究揭示了预期调整对收益的多阶段影响。

- 信息增量及残差因子验证： 大部分分析师预期因子独立于传统估值、成长等因子，剔除后仍有显著alpha，特别是WFR、PEG和SCORE表现突出，DISP因子因缺失影响效果受限。

• 实际应用验证： 在沪深300增强模型中引入分析师预期因子年化超额收益提升近1个百分点，波动率与最大回撤无显著恶化，彰显实际投资价值。

总体而言，报告全面而严谨地构建了一套基于分析师预期数据的alpha因子体系，不仅理论依据充分，实证结果强劲，为投资者深度利用分析师预期研报数据，提升选股模型的有效性提供了坚实的基础与操作参考。鉴于因子表现受限于数据覆盖和未来市场环境变化，建议投资者动态跟踪模型表现并结合风险管理应用。

---

八、报告核心图表汇总（Markdown格式示例）

---

以上为《因子选股系列研究之三十二——分析师研报的数据特征与 alpha》的全面详尽分析，涵盖报告结构、数据解读、因子分析、预测准确性、预期调整、信息增量及实际应用等各层面内容，为投资者在量化选股和模型优化中提供深刻洞察。[page::0-40]

报告