FOM指标核心构建思路 [page::3]

• FOM计算当前最新分析师盈利预测与过去该分析师自身及其他分析师历史预测的上调比例差。

- 指标区间[-1,1]，越大代表盈利预测上调越明显。

• 该指标可结合年报业绩预告、快报及实际净利润数据，提升信息完整度与时效性。

业绩预告与快报数据覆盖及准确度概览 [page::4][page::5][page::6]

• 年报业绩预告覆盖率自2012年后逐年提升，超过70%。

- 业绩预告持续偏高估，但准确率近年提升，误差控制在10%以内。

• 业绩快报覆盖度较低，约50%，但准确度高，偏差约在1%范围。

FOM因子样本覆盖与周期优选 [page::7][page::8]

• FOM因子覆盖率较传统WFR更高，中证全指覆盖接近70%。

- 使用过去12个月分析师数据构建FOM因子表现最佳，优于3个月和6个月版本。

• 加入财报公告信息（年报、快报、预告）可进一步提升因子有效性。

缺失值填充方法对因子表现的影响 [page::9][page::10]

• 行业中位数填充和回归法填充是主要处理方案。

- 回归填充方法在恢复因子表现稳定性和可比性方面效果更佳，减少极端值偏差。

不同股票池和机构持仓分组中的因子表现 [page::10][page::11]

• FOM因子在不同股票指数（如中证全指、沪深300等）均表现出较好的收益和稳定性。

- 在高机构持仓股票中的表现优异，且在低机构持仓分组中比WFR表现更稳健。

FOM因子与WFR及其他因子的相关性及独立性分析 [page::13][page::14]

• FOM与WFR因子相关系数约为40%，与其他传统大类因子相关性较低。

- 剔除WFR后，FOM仍具有显著选股能力；反之WFR剔除FOM后选股能力下降明显。

• 两因子剔除其他因子后选股效果均显著降低。

因子收益及风险表现 [page::0][page::12][page::13]

• FOM多空组合收益稳定，最大回撤明显低于WFR。

- 各分组年化收益满足单调性，盈利上调幅度大的股票未来收益显著更高。

• FOM因子多头收益显著高于空头，对组合绝对收益贡献更大。

主要风险提示 [page::15]

• 模型基于历史数据，存在失效风险。

- 极端市场环境可能造成模型剧烈波动，投资者需关注风险控制。

详细分析报告：《更稳健易算的分析师盈利上调因子》（因子选股系列研究 之 七十三）

---

1. 元数据与报告概览

• 报告标题：《更稳健易算的分析师盈利上调因子》

- 系列：因子选股系列研究 之 七十三

• 发布机构：东方证券股份有限公司

- 发布日期：2021年3月9日

• 分析师：朱剑涛、刘静涵（附执业证书编号）

- 核心议题：针对分析师盈利预测数据，提出一种新颖且更稳健易用的“盈利上调因子”度量方法——FOM因子，从而助力构建更有效的选股策略。

• 主要结论摘要：

- 传统的盈利预期调整指标（例如WFR因子）主要基于分析师过去对同一股票的盈利预测变化进行加权计算，忽略了其他分析师的预测信息。
- 本报告提出FOM指标，综合当前分析师最新盈利预测与该分析师过去及其他分析师过去预测值的比较，衡量盈利预测上调与下调比例差异，更全面反映市场整体盈利预期变化。
- FOM因子融合了预告、快报和实际年报净利润数据，利用过去12个月分析师数据计算效果最佳。
- 经过缺失值填充后，FOM因子在ICIR、多空组合夏普比及最大回撤等风险调整指标表现优于WFR因子，且其选股效果独立且稳健，且与其他传统因子相关性不高。
- 风险提示包括量化模型的潜在失效风险及极端市场环境冲击对模型表现的影响。[page::0,3,15]

---

2. 逐节解读

2.1 盈利预测上调的度量方法

1.1 分析师盈利预测上调概率（FOM）

• 传统指标WFR基于单一分析师的时间序列盈利预测调整，计算每个分析师的预测变动幅度。

- 本文提出FOM指标，其计算基准为当期最新的分析师盈利预测，与该分析师过去及其他分析师过去预测的净利润进行横向比较。

• FOM值计算公式为：

$$
FOM = (\kappa - M) / N
$$

- $N$：过去一年内当前期内至少3篇覆盖分析师报告数。
- $\kappa$：过去分析师预测净利润低于当前预测的次数。
- $M$：过去分析师预测净利润高于当前预测的次数。

• FOM取值范围[-1,1]，越大表示盈利预测越被上调；1代表所有过去预测均低于当前预测；0代表上调和下调比例相等。[page::3]

1.2 融合年报、快报、预告数据

• 除分析师预测外，业绩预告、业绩快报及年报公布的净利润数据也可看作盈利预测的一种，需纳入FOM计算，提升因子信息的时效性和准确性。

- 预告和快报披露机制及规则：上交所、深交所披露规定差异显著，具体要求依不同证券市场和板块而定。
- 业绩预告披露率逐年上升，尤其自2012年以来覆盖率超过70%，预告通知主要集中在年初及年末月份，披露时间距实际年报约3个月。[page::4]
- 业绩预告准确度分析表明，预告普遍高估实际净利润，近年偏差幅度降低至10%以内，说明信息披露透明度提升。[page::5]
- 业绩快报覆盖度相对较低，约50%左右，披露时间距年报约1.5个月，快报准确度偏差约为1%，说明快报信息较为精准。[page::6]

• 综上，融合公告数据使FOM指标更加全面及动态，更好反映市场和公司的盈利预期变化。[page::6]

---

2.2 盈利预期上调因子的表现

数据源说明

• 选用朝阳永续数据，因其收录广泛、历史资料完整（2006年至今），包括行业和策略报告等多类型报告。

- 股票池涵盖中证全指、沪深300、中证500等核心指数，剔除银行及券商。

样本覆盖度

• FOM比WFR覆盖度更高，中证全指：FOM约70%，WFR约63%，2017年后覆盖度下降显著，2019年底FOM覆盖约52%，WFR约47%。

- 中证800内两因子覆盖均超80%，显示因子数据质量较高。

（图7-8）展示了样本数随时间变化趋势。[page::7]

因子表现 - 计算周期选择

• 比较3/6/12个月计算周期的FOM因子，12个月周期表现最佳，IC和ICIR表现均优于WFR。

- 具体数据指标中，IC最高达3.12%，ICIR最高逾2.7，显著体现预测准确与收益增强能力。

公告数据的影响

• 逐步纳入年报、快报、预告公布的净利润数据后，FOM因子IC、ICIR、tstat等指标表现明显提升。

- 例如，将公告数据加入后，全指成份内IC由2.90%升至3.51%，ICIR由2.77升至3.33，表明公告数据有效提升了因子的预测信息含量。[page::8]

缺失值处理效果

• 探讨行业中位数填充与基于行业市值回归的结构化填充，对缺失值影响较大。

- 回归填充方法表现更优，因子效果更稳定，表现更接近实际无缺失值样本的结果。

• 在中证全指内，回归法填充后，FOM因子IC为2.69%，ICIR为2.53，表现较均衡且回撤低于WFR。

股票池差异

• FOM因子在不同市值覆盖区间适用性较好，多空夏普比及最大回撤指标优于WFR。

- 高机构持仓股票内两因子均表现优异，但FOM在低机构持仓中仍然保持有效，WFR则基本失效，显示了FOM的稳健性。

• 细分行业表现中，家电行业中WFR表现稍优，其余大多数行业中两者无显著差异。[page::9-11]

---

2.3 因子时间序列表现与分组收益

• 时间序列表明FOM因子多空组合净值稳健上升，最大回撤明显低于WFR，风险调整后更具吸引力。

- 图16-19显示FOM在中证全指及800成分股范围的表现普遍优于WFR，最大回撤幅度减少约2-3倍。

• 分组收益分析中，FOM因子呈现较好单调性：盈利预期上调幅度大的股票往往在未来表现更优异，多头收益明显高于空头，凸显多头端贡献明显。
• WFR因子空头及多头端收益相对持平，且部分分组收益也出现异常，显示FOM因子的风险调整收益及稳定性更为突出。[page::12-13]

---

2.4 因子相关性及正交分析

• FOM与WFR原始因子相关系数约40%，但与传统市值、成长、盈利、流动性等大类因子相关性普遍较低，说明其提供了相对独立的信息来源。
• 通过截面回归正交化试验：

- FOM剔除WFR后仍具有显著的选股能力（IC约2%，tstat达6以上）。

- 相反，WFR剔除FOM后选股能力显著下降，接近无效。

- 两因子剔除常见其他大类因子后均失去选股显著性，表明盈利上调因子主要信息已由FOM表示。

• 结论印证FOM因子在分析师盈利预测调整中具有更强的信息整合和解释能力。[page::13-14]

---

3. 图表深度解读

• 图0（封面）：中证800成分的多空组合净值对比，红色线（FOM因子）较灰色线（WFR因子）表现更稳健，且最终收益更高。（2009-2021年数据）支持FOM因子的优异长期表现。
• 图1-3：业绩预告披露量逐年上升及覆盖范围扩大，集中在年初和年末月份，精度逐步提升，偏误由40%大幅降至10%以下，表明业绩预告越来越被市场和公司重视。
• 图4-6：业绩快报披露覆盖度较预告略低，时间上较早发布，准确度更高，偏误仅1%左右。
• 图7-8：FOM因子与WFR因子的样本覆盖和月份分布对比，显示FOM样本数量与覆盖度均优于WFR。
• 图9-11：不同计算周期与缺失值处理方法影响因子表现。明显12个月计算周期及回归法填充缺失值的FOM因子表现最优，ICIR稳定在三以上。
• 图12-15：行业、市值、机构持仓占比细分下因子表现，证实FOM因子在多种细分层面均有稳定收益能力，尤以高机构持仓股票中表现优异。
• 图16-19：时间序列净值曲线展现FOM因子在不同股票池中的稳定增长及低回撤，胜过WFR。
• 图20-21：分组年化收益分析，两者均呈现盈利上调程度与未来回报呈现正相关，FOM因子表现单调性更佳，多头端贡献更明显。
• 图22-23：因子相关性矩阵及正交回归残差选股表现，突显FOM因子独立信息贡献及其剔除WFR后仍有效性。[page::0,4-6,7-8,9-11,12-14]

---

4. 估值分析

本报告为因子研究报告，主要聚焦于因子构造、表现及稳定性评估，未涉及传统公司估值模型（如DCF、市盈率等）内容，故无估值分析环节。

---

5. 风险因素评估

• 量化模型历史有效性的风险：基于历史数据构建的量化模型未来可能面临失效的风险，建议投资者动态追踪模型表现及时调整策略。
• 市场极端情况影响：极端市场环境可能导致模型表现剧烈波动甚至亏损，需警惕系统性风险的冲击。
• 报告未明确提供缓释措施，但通过对比不同缺失值填充技术及多种股票池和分组分析，试图提升模型稳定性，降低风险。[page::0,15]

---

6. 批判性视角与细微差别

• 假设依赖性：FOM因子依赖于分析师覆盖的广泛性和预测数据的准确性，若覆盖不全或分析师行为出现重大变异，可能影响指标有效性。
• 数据时点调整：用4月30日作为报告期切换点的统一处理，可能忽略不同公司财报发布时间差异，导致部分年份数据错配。
• 行业覆盖和异质性：部分行业（如家电）中WFR表现明显优于FOM，表明单一因子不完全适用所有行业，需要组合多因子策略。
• 缺失值填充方法：回归填充虽提升数据完整性和模型稳定性，但可能引入模型误差，调优和验证缺失值处理方法重要。
• 因子相关性与独立性：FOM和WFR有约40%相关，但进一步去除WFR后FOM仍显著，显示其信息增量；然而剔除其他大类因子后有效性降低，说明盈利预测调整因子与部分传统因子存在一定信息重叠。[page::9,13,15]

---

7. 结论性综合

本报告系统且全面地阐述了分析师盈利预测调整信息的两种主要量化因子——传统WFR因子和新提出的FOM因子的定义、构造及实证表现。FOM以对比当前分析师最新盈利预测及其过去及其他分析师历史预测的净利润上下变化比例为基础，融入了业绩预告、快报和实际年报公布的财务数据，使用过去12个月内所有预测数据进行计算，展现了更高的覆盖面、更优的因子表现指标（IC、ICIR、tstat）和更稳定的风险调整收益（夏普比）。FOM因子能在多个股票池、不同行业及机构持仓层次内保持稳健效应，且多空组合最大回撤较WFR更小，风险控制能力突出。

图表数据印证了FOM因子覆盖度优于WFR，纳入公告信息后因子表现获得显著提升，时间序列及分组收益分析证明了FOM因子在信息单调性和多头贡献方面更为理想。相关性和正交分析表明FOM因子具备更多独立有效的信息增量，是选股策略中的重要因子。风险提示及缺失值处理揭示了量化模型的现实局限及改进方向。

总之，本报告提出的FOM盈利预测上调因子作为一个信息集成度更高、效果更为稳健的盈利调整因子，对于量化选股框架的构建提供了重要工具，并具有较好的应用前景。[page::0-15]

---

附：主要图表示例

1. 中证800成分内FOM与WFR多空组合净值对比：

1. 业绩预告年度覆盖趋势：

1. 业绩快报准确性指标：

1. FOM与WFR因子12个月周期因子效果对比（IC、ICIR等指标）：

（表格详见报告8页）

1. FOM因子时间序列净值及最大回撤：

1. 因子分组收益示意：

---

结束语

本报告通过多维度、细致的统计分析和实证测试，确认了FOM因子作为分析师盈利预测调整的优选指标的有效性和稳健性，为投资者在量化选股模型构建中提供了含金量极高的工具。建议结合持仓结构及行业特性，综合运用，以获得最佳投资效果。

---

参考文献及附录

• 东方证券研究所内部报告《分析师研报的数据特征与alpha》

- 东方证券研究所《来自年报季业绩超预期事件的异常收益》

• Wind资讯数据平台

- 朝阳永续分析师覆盖数据库

[page::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15]

报告