• 研究背景及方法介绍 [page::0][page::2][page::3]

- 多因子选股中分析师预期数据存在大量缺失值，传统将预期数据与其他因子并联合成的方式受限。
- 本报告提出“串联组合”方法：先构造传统多因子组合，再基于BL模型和分析师预期数据外部调整权重，形成最终组合。
- 多因子组合因子包括行业因子及7个常用量化因子（Beta、市值、估值、成长、流动性、动量、波动性），并施加±5%行业权重偏离限制。
- 采用两类分析师预期数据：目标收益率和目标营收增幅，分别测试在沪深300和中证500指数内的选股效果。

• 串联组合构造流程详解 [page::3]

- 以市值权重为均衡权重计算BL模型股票权重，观点矩阵基于行业内多空排序构造。
- 计算BL权重偏离后，与传统多因子组合权重叠加作为最终股票权重。
- BL计算无权重约束，直接利用效用函数最大化结果。
- 现有方案未对BL组合的行业权重偏离做严格限制，导致超额收益曲线平滑性欠佳。

• 沪深300选股效果 [page::4][page::5]

- 使用目标收益率时：
- 并联组合累计超额收益显著优于普通多因子组合和串联组合，长期涨幅突出，但存在阶段性回撤。
- 串联组合超额收益趋势更稳定，波动性相对较大，累计收益接近普通多因子组合。

- 使用目标营收增幅时：
- 并联组合表现低于普通多因子组合，效果不佳。
- 串联组合累计超额收益最高，但波动较大。

• 中证500选股效果 [page::5][page::6]

- 使用目标收益率时：
- 并联组合表现逊色，落后于普通多因子组合。
- 串联组合累计收益领先普通多因子组合，但波动较大。

- 使用目标营收增幅时：
- 并联组合同样表现不佳。
- 串联组合与普通多因子组合收益相当，但超额收益稳定性更强，尤其2017-2021年持续扩大。

• 结论与启示 [page::6]

- 串联组合在多数情况下优于并联组合和普通多因子组合，尤其体现于超额收益的持续性和整体表现。
- 该结果受多因子组合构造及预期数据类别影响，提示将分析师预期数据外部处理或有优势。
- 未来研究需关注BL模型中对行业和风格权重偏离的约束，提升组合稳定性和表现。

1. 元数据与概览（引言与报告概览）

报告标题：《Black-Litterman模型研究系列之五——多因子组合中预期数据使用方式》
发布机构： 华西证券研究所
报告日期： 202X年9月6日
分析师： 杨国平、张立宁
主题： 本报告研究在多因子股票选股模型中，如何更有效地利用分析师的预期数据（包括分析师目标收益率和目标营收增幅），重点探讨分析师预期数据与其他选股因子的结合方式，特别是通过Black-Litterman（BL）模型实现的串联组合方法与传统并联组合方法的比较。

核心论点及目标信息：

• 分析师预期数据通常采用并联方式与其他因子结合，但存在较多缺失值，影响传统多因子模型的表现。BL模型有助于处理这一问题。

- 本文创新性地提出并系统研究了分析师预期数据的“串联”使用方法，即先构造普通多因子组合（不含分析师预期因子），然后再用BL模型结合分析师预期数据调整组合权重。

• 经沪深300及中证500成分股回测，串联组合在多数情况下表现优于并联组合及普通多因子组合，尤其是在超额收益的稳定性和趋势性上表现更好。

- 报告并未对多因子组合及预期数据进行复杂优化，主要用于方法对比。

• 风险提示明确指出量化策略基于历史统计规律，若市场条件及规律发生变化，模型和结论可能失效。[page::0, 2]

---

2. 逐节深度解读

2.1 分析师预期数据与其他因子联合使用（第1章）

本章节回顾了以往使用分析师目标收益率数据选股，单因子模型虽有超额收益，但波动较大，实际操作通常需要结合更多股票因子。通常多因子选股中分析师预期数据与其他因子采用“并联”处理，即直接合成因子矩阵一同进行预测。但由于分析师预期数据缺失较多，这种做法存在数据空缺问题。

因此提出“串联”方法：先构造不含预期数据的传统多因子组合，再以BL模型利用分析师预期数据调整权重，实现两部分结合。
关键点有：

• 多因子组合包含行业因子及Beta、市值、估值、成长、流动性、动量、波动性7个量化因子，以过去1年因子收益率均值作为未来回报预测。

- 预期数据仅采用分析师目标收益率和目标营收增幅两类。

• 回测范围覆盖沪深300及中证500，月频调仓。

- 对比三种组合方式：普通多因子组合、不含分析师预期因子组合；并联组合（预期数据并入因子体系）；串联组合（预期数据作为BL模型外部观点调整）。

• 均控制多因子组合行业权重偏离基准指数±5%。

本章对方法论结构清晰，说明了本报告主要为方法探索，不追求绝对收益最高。整体框架和测试设计合适且合理。[page::2]

2.2 串联组合的具体构造方法（第2章）

本节聚焦BL模型在串联组合中的应用流程，关键步骤包括：

1. 计算普通多因子组合权重： 包含行业和7个经典量化因子，限制行业权重偏离±5%。

2. 计算基于分析师预期数据的BL权重： 根据分析师目标收益率排序，每个行业内部构造多空组合形成观点矩阵P，收益向量Q为P与股票目标收益率向量的乘积。

1. 确定观点信心矩阵Ω： Ω计算方式为 Ω = P Z P^T，其中Z为对应股票目标价预测标准差矩阵，对信心水平进行量化。

4. 计算股票权重偏离： 执行BL模型计算的权重减去市值权重，得到权重偏离。股票中BL权重<=0的剔除，余权重归一化。

1. 组合最终权重整合： BL权重偏离加至普通多因子组合权重，未在多因子组合中的股票权重为0加BL权重偏离。

6. 权重优化： BL模型采用效用函数最大化计算，无额外权重和行业偏离约束。

此外，报告指出缺少对BL部分行业权重约束导致串联组合超额收益波动较大，有待改进。整体方法结合了传统均值方差和BL模型的优势，有利于处理含缺失值的预期因子数据，逻辑严密，技术细节明确。[page::3]

2.3 沪深300内的选股效果（第3章）

3.1 基于目标收益率

• 并联组合表现优异，自2016年以来，累计超额收益显著超过普通多因子和串联组合，但2021年2月发生较大回撤。

- 串联组合累计收益与普通多因子基本相当，但超额收益趋势更加稳定，2017-2019年普通多因子组合表现平平，串联组合仍保持超额收益。

• 串联组合短期收益波动较大，原因部分来自该模型未能精准控制基准行业权重偏离。

图1（如下图）详细体现三种组合在2009-2020年的累计超额收益走势：


（图1：目标收益率下沪深300超额收益走势，蓝线串联组合、紫线并联组合、红线普通多因子组合）

3.2 基于目标营收增幅

• 并联组合表现不佳，落后于普通多因子组合，说明目标营收增幅与其他因子的结合效果弱。

- 串联组合累计超额收益优于其他两种方式，但波动性明显较大。

图2（如下所示）体现了这一动态：


（图2：目标营收增幅下沪深300超额收益走势）

调查显示串联方法更适合此类预期数据，且尽管波动，整体收益趋势更好。[page::4,5]

2.4 中证500内的选股效果（第4章）

4.1 基于目标收益率

• 并联组合走势落后，表现逊于普通多因子，表明并联处理下预期收益率未发挥优势。

- 串联组合累计收益优于普通多因子，但超额收益波动较大。

图3反映上述结论：


（图3：目标收益率下中证500超额收益走势）

4.2 基于目标营收增幅

• 并联组合表现不佳，落后于普通多因子。

- 串联组合累计收益与普通多因子相当，但超额收益长期更稳定，尤其2017-2021年间，未出现普通多因子的停滞态势，超额收益持续扩大。

图4具体展现趋势：


（图4：目标营收增幅下中证500超额收益走势）

整体来看，串联组合在中证500市场下同样具有较好表现，尤其在收益稳定性方面表现突出。[page::5,6]

2.5 总结与风险提示（第5、6章）

总结部分明确指出：

• 串联组合在多情形下均优于并联组合及单纯多因子组合，表明将分析师预期数据置于多因子组合外部、作为BL模型的观点可以增强选股策略的有效性。

- 结果受多因子组合构造和预期数据类型影响。

• 未来需解决BL模型部分权重对基准行业和风格权重偏离的约束问题，以进一步稳定组合表现。

风险提示再次强调历史规律变动对模型有效性的影响。[page::6]

---

3. 图表深度解读

本报告共配备4张核心图表，均为沪深300和中证500成分股三种组合策略的超额收益（相对于基准指数）的历史累计曲线。各图数据全样本区间包含约10年以上的月度回测，追踪量化组合相对基准的收益表现。

图1（目标收益率，沪深300）

• 描述： 显示2009年至2020年间，普通多因子（红色）、并联组合（紫色）和串联组合（蓝色）超额收益累计走势。

- 趋势与数据解读：
- 并联组合显著优于其他两组，尤其自2016年起拉开较大差距，累计超额收益接近3倍基准表现。
- 串联组合和普通多因子累计表现接近，初期波动较为平缓，后期串联组合超额收益趋势更稳定。
- 2021年2月左右并联组合超额收益大幅回撤。

• 联系文本： 图1证实了并联组合灵活吸纳分析师目标收益率因子的优势，但也暴露在控制行业权重偏离等方面的不足，导致短期波动。串联组合则在长期表现稳定性上更具优势。[page::4]

图2（目标营收增幅，沪深300）

• 描述： 反映2009年后不同时期三组合策略的超额收益累计值。

- 趋势分析：
- 并联组合跑输普通多因子组合，验证目标营收增幅作为因子的组合效能较差。
- 串联组合累计超额收益高于其他组合，但伴随较大波动，显示更高风险。

• 联系文本： 表明目标营收增幅与其他因子的并联整合效果不佳，串联方式可以更好地捕捉其信号。但波动性提升提示风险管理需求。[page::5]

图3（目标收益率，中证500）

• 描述： 通过对比三组合2009-2020年间累计超额收益，展示目标收益率在中证500中的效果。

- 关键数据：
- 并联组合明显落后，最弱表现。
- 串联组合领先普通多因子，波动性较大。

• 数据故事： 反映不同市场环境下因子效果差异，跨指数应用时风险波动需关注。[page::5]

图4（目标营收增幅，中证500）

• 描述： 三策略近十年累计超额收益走势，关注长期趋势稳定性。

- 解读：
- 并联组合表现最弱。
- 串联组合与普通多因子累计收益相当，且超额收益稳定性较高，2017-2021年保持增长。

• 意义： 进一步表明串联方式优于并联，尤其在指标合成存在较多缺失和噪声时更能保证收益稳定性。[page::6]

以上图表均数据基于月度调仓结果，超额收益指策略净值相对基准指数增值倍数，便于周期及趋势比较。数据源可靠，采用涵盖沪深300与中证500的不同市场代表性股票群体，有较好普适意义。

---

4. 估值分析

本报告并未涉及对单一标的的详细财务估值分析，而专注于多因子组合构建及股票权重生成方法，主题围绕因子融合与模型权重优化。用到的BL模型本质上是基于均值-方差框架下的贝叶斯均衡组合权重调整，以市值权重作为均衡权重基准，通过观点矩阵及信心矩阵输入构造对股票收益预期的修改。

因此，报告所用主要估值技术为基于BL模型的权重估计与优化，核心参数包括：

• 观点矩阵P及收益观点向量Q：反映行业内目标收益率分布多空观点。

- 观点信心矩阵Ω：基于分析师预期目标价的标准差，量化观点置信度。

• 均衡权重：以市值权重为初值。

- 权重计算依据典型BL模型均值方差优化，计算包含效用函数最大化，未加权重或行业约束（部分约束加在多因子组合部分）。

如报告中所述，权重灵活调整但最终未加过多额外约束，主要为方法验证。敏感性分析尚未披露，且报告指出约束的引入需求是未来改进方向。[page::3]

---

5. 风险因素评估

报告明确提及以下风险因素：

• 历史规律变动风险： 量化策略依赖于历史统计规律，一旦市场结构、宏观环境或投资者行为发生显著改变，相关因子表现和模型预测可能失效。

- 数据缺失与质量风险： 分析师预期数据存在较大量缺失，且可能存在预测误差，影响模型表现。

• 行业权重偏离控制不足： 特别是串联组合中BL模型部分缺乏行业权重及风格权重约束，可能导致组合超额收益波动加剧。

- 模型假设局限性： BL模型基于均值-方差优化和贝叶斯调整假设，对异常市场波动的适应性有限。

报告中未详细列出缓解策略，推测通过增强约束条件和改进预期数据处理可能部分缓解上述风险。[page::0,6]

---

6. 批判性视角与细微差别

• 未对多因子组合和预测因子做深入优化： 报告以简化常规流程进行方法对比，未追求最优收益，但这可能限制了结论的通用性和绝对收益表现，尤其在不同市场周期表现差异未充分考量。

- 预期数据类型有限且简单处理： 仅采用分析师目标收益率和目标营收增幅两类，未考虑其它如盈利预测、现金流预测等多元预期，可能影响模型适应性。

• BL模型未加约束限制影响表现稳定性： 作者自行指出串联组合因部分权重无约束导致波动大，表明策略仍需进一步完善风险管理框架。

- 并联组合在不同市场表现波动较大，且回撤风险较显著，未深入分析其原因及可能改进。

• 没有报告具体统计指标（如夏普比率、最大回撤、信息比率等），仅通过累计超额收益曲线显示效果，无法完全评估风险调整后收益。

- 表述中“相当多情况下串联组合表现优于并联组合”，略显笼统，具体环境、因子组合、数据缺失水平等对方法优劣的影响因素未详细量化。

整体来说，报告立足于方法探索，结论基调审慎，缺乏过度夸张，适合为后续研究提供理论和实证参考，但需结合更细致的实证验证及优化实践。[page::0-6]

---

7. 结论性综合

本报告系统研究了在中国沪深300和中证500市场中，如何将分析师预期数据融入多因子选股模型，重点比较并联（预期数据直接与传统因子合并）与串联（预期数据通过BL模型外部调整权重）两种不同因子结合方式。

主要发现包括：

• 串联组合多数情形表现优于并联组合和普通多因子组合，尤其在超额收益的长期趋势性和稳定性上表现更佳。

- 目标收益率作为预期数据，在沪深300市场中并联组合表现突出，但在中证500市场中效果不佳，串联组合表现相对稳定。

• 目标营收增幅因子并联效果较差，但串联组合能更好发掘其潜力，表现出超额收益优势，虽然伴随一定波动性。

- BL模型有效处理了分析师预期因子数据缺失较多的问题，通过观点矩阵和信心矩阵灵活调整权重。

• 目前串联组合在行业权重约束方面尚存在不足，导致短期波动加剧，未来改进约束机制有望提升组合表现稳定性。

- 风险提示体现了量化策略依赖历史规律的固有局限，投资者需审慎对待模型假设及应用范围。

整体观点：
报告通过实证研究为多因子模型中分析师预期数据的应用方式提供了新的视角和方法论支撑，强调将预期数据置于组合外部、利用BL模型进行权重微调能够提升选股策略的有效性和鲁棒性，尤其适合处理含缺失值的复杂预期数据。该结论对量化投资理论和实践均具有启示意义。[page::0–6]

---

8. 其他附属信息

• 报告末附有分析师简介与资质声明，确保报告专业性及合规性。

- 提供详细评级定义及行业评级标准，不过本报告无具体公司/行业评级，属于方法研究报告。

• 华西证券研究所声明强调信息来源合法性及免责声明，保证研究独立性和规范性。[page::7,8]

---

总体评价

作为Black-Litterman模型研究系列的第五篇，报告针对多因子选股中分析师预期数据的实用性和组合构建方法展开深入探讨，结果表明串联方法在实际投资组合构建中展现出更好的稳定性和超额收益潜力。报告结构合理，论据充分，图表直观，实证覆盖深入。策略实施细节及风险提示均较详细，具备较高参考价值。未来版本可添加更丰富的风险指标分析，约束机制研究以及更多预期数据类型，进一步强化结论稳健性。

报告