分析师预期数据及关键处理流程 [page::4][page::5][page::6][page::7]

• 朝阳永续数据库覆盖个股分析师报告持续增长，报告录入周期缩短，2020年录入报告数达到高峰。

- 分析师预测偏离度受预测时间跨度、企业规模及行业类型显著影响：预测越接近截止时间偏离越小，大市值企业预测更准，周期性行业偏离较大。

一致预期净利润加权方法创新 [page::10][page::11][page::12][page::13][page::14][page::15][page::16][page::17]

• 设计多维度加权体系：仅用过去3个月有效预测报告，存在业绩快报时优先取业绩报告数据；同分析师最新预测优先保持。

- 时间加权采用半衰设计，近月权重更高，同时按分析师上一年修改后预测偏离度赋予差异化权重，提升预测准确性。

• 对比市面一致预期，本文方法偏离度普遍更小，预测精度显著提升。

滚动一致预期净利润及其计算逻辑 [page::17][page::18]

• 模仿滚动净利润TTM思路，滚动一致预期净利润加权未来12个月净利润，理论逻辑更贴合实际预测场景，尤其年初和年报发布前期。

关键一致预期因子及历史回测表现 [page::19][page::20][page::21][page::22][page::23][page::24][page::25][page::26][page::27]

• EPFY1（一致预期估值）：IC均值0.057，年化15.6%收益，IC-IR 2.10，多空胜率70%。

- EPPURE（剔除当前估值的估值因子）仍保持较强alpha，IC=0.04，年化约10%。

• EPROLL（滚动一致预期估值）：IC=0.064，年化19.7%，多空胜率70%，优于EPFY1。

- GrowthFY（预期净利润增长率）：原指标表现较弱，IC约0.016，调整后剔除历史收益影响的GrowthMod提升至IC=0.049，年化16.1%。

• PEG（估值相对盈利增长比率）：IC均值0.052，年化17.7%，多空胜率超80%。

- DEP（估值变化率）：IC=0.062，年化收益22.7%，剔除反转效应后仍有显著收益（IC=0.034，年化9.1%）。

• EPPER（一致预期估值历史分位点）：IC均0.067，年化23.8%，表现最佳，稳定性突出。

缺失值填充方法及稳定性验证 [page::27][page::28][page::29]

| 因子 | 填充方式 | 年化收益 | 多空胜率 | IC | IC-IR | 覆盖度 |
|---------|---------------|---------|---------|-------|-------|---------|
| EPROLL | 不填充 | 19.7% | 70.1% | 0.064 | 2.30 | 80.0% |
| | 行业中位数 | 17.7% | 70.1% | 0.060 | 2.35 | 100.0% |
| | 增速分位点 | 17.4% | 73.2% | 0.061 | 2.73 | 100.0% |

• 增速分位点填充方法更符合逻辑且提升了选股alpha能力。

- 各因子在沪深300、中证500、中证1000与创业板等不同样本空间均稳定有效，满足多风格投资需求。

一致预期指标间相关性 [page::29][page::30]

| 因子 | EPROLL | Growth | PEG | DEP | EPPER |
|---------|---------|--------|--------|--------|--------|
| EPROLL | 1.00 | 0.01 | 0.63 | 0.09 | 0.24 |
| Growth | 0.01 | 1.00 | 0.67 | 0.11 | 0.19 |
| PEG | 0.63 | 0.67 | 1.00 | 0.14 | 0.30 |
| DEP | 0.09 | 0.11 | 0.14 | 1.00 | 0.42 |
| EPPER | 0.24 | 0.19 | 0.30 | 0.42 | 1.00 |

• 各指标独立性良好，为多因子模型提供多样化增量alpha。

金融工程系列报告之分析师一致预期指标详尽解读报告分析

---

1. 元数据与概览

• 报告标题：金融工程——基于分析师预测数据构建一致预期指标

- 作者：吴先兴、张欣慰（证券分析师，具有SAC执业证书）

• 发布机构：天风证券研究所

- 发布时间：2018年4月10日

• 主题：基于分析师预测数据，构建分析师一致预期净利润及其衍生指标，挖掘分析师数据中的Alpha信息，提升多因子选股模型的效能。

核心论点：

该报告聚焦于分析师预期的增量Alpha信息，提出了基于分析师预测数据的“分析师一致预期”指标构建方法，强调精准估计一致预期净利润是核心。以统一时间权重、分析师预测修正、业绩报告优先权等多维加权方式生成一致预期净利润，进而衍生估值（EP）、增长（Growth）、PEG、估值变动（DEP）、估值分位点（EPPER）五大类指标，并结合回测验证了这些因子的稳定选股能力。同时针对指标缺失值，提出基于行业增速分位点的填充方法提升数据完整性和预测精度。最终展示这些指标在不同样本空间（沪深300、中证500、中证1000、创业板等）均表现出稳定的优秀选股能力。

---

2. 逐章深度解读

2.1 分析师预期与基础数据（章节1-2）

• 高质量Alpha模型来源于丰富且相对独立的收益因子，分析师预期作为基本面类独立因子，具有增量价值。

- 朝阳永续为主要数据来源，覆盖A股及部分沪深市场分析师预期报告。报告数量自2006年以来显著增长（图1-3），尤其在财报发布季节增量明显。

• 报告撰写时间与数据录入时间存在差异（平均76%报告2天内录入，且录入速度逐年加快，图4-6），需考虑数据时效性。

- 净利润覆盖度保持在75-80%以上，整体数据覆盖良好（图7）。

意义：构建一致预期指标的原材料充足、时间敏感性强，数据及时性需纳入加权考虑[page::0,4,5,6,7]

---

2.2 预测偏离度及影响因素（章节3）

偏离度定义：以分析师预测净利润与实际净利润绝对偏差比真实值的比例衡量预测误差。

• 时间跨度影响（图9）：

- 预测时间跨度越长，偏离度越大，因分析师预测会不断修正靠近实际公告日的预测更准确。

• 企业规模影响（图10）：

- 大市值企业预测偏离度较小，盈利稳定性使分析师预测更准确，小市值公司波动较大导致预测误差增加。

• 行业影响（图11）：

- 周期性行业（钢铁、煤炭、有色）因经营不确定性高预测偏离度较大，稳定行业（银行、食品饮料）预测更精准。

结论：三个因素均显著影响预测准确度，需在加权一致预期时加以调整[page::7,8,9]

---

2.3 一致预期净利润加权（章节4）

• 有效报告定义（图12）：近期3个月内撰写且录入的报告为有效报告，如无则扩展至6个月。避免时间跨度过大信息时效性下降。

- 分析师自我修正（表2，图13）：保留同一分析师对同一股票的最新预测，充分利用分析师迭代修正预测的逻辑。

• 业绩预告与快报优先（表3，图14、15）：企业业绩报告作为第一手数据优先使用，弥补分析师预测数据的时滞问题，显著提升预测精准度，特别是在企业业绩波动较大时。

- 时间维度加权（图16、17）：按照预测报告的时间递减权重（半衰权重1，2，4）；同时考虑年报公布日期，避免过早切换年度造成误差。

• 分析师维度加权（图18）：运用回归校正预测偏离度，控制时间跨度、市值、行业三要素因素影响，剔除系统性差异后的残差作为分析师权重依据。权重区间取1-5，权重低对应预测误差大，缺失数据分析师赋最低权重。

- 最终加权流程（图19）：综合上述维度实现净利润一致预期，采用有效报告筛选、分析师修正、业绩报告优先、时间与分析师权重加权、多次预测数据筛除。

加权效果对比（图20）：加权一致预期净利润相较于简单平均，整体偏离度显著降低，改进尤在时间维度权重较大时最明显。与朝阳永续加工的一致预期比较，本文加权方法在业绩公告前后时段表现更佳且更具逻辑合理性（图21、22）[page::10,11,12,13,14,15,16,17]

---

2.4 滚动一致净利润指标（章节5）

• 根据不同公告时间，定义基于当前时点往后滚动 12 个月净利润的估计（图23），逻辑类似TTM，将FY1、FY2净利润按月份比例加权计算滚动净利润。

- 滚动一致预期更符合实务应用：当前年报未发布时，滚动净利润使用含季报数据预估更合理，能更及时反映盈利预期。

---

2.5 一致预期衍生指标构建与绩效检验（章节6）

基于一致预期净利润，定义多个衍生指标并进行历史回测验证。选股策略均剔除异值，标准化及中性化处理，回测时间为2010-2018年2月。

2.5.1 一致预期估值 EPFY（图24-27，表4-5）

• 计算方法为一致预期净利润/市值（下个未公告年度FY1）。

- EPFY1因子整体IC平均0.057，IC胜率70%，多空年化15.6%，表现稳定；剔除当前估值信息（EPTTM）后因子IC降至0.04，但稳定性提升，年化收益仍达10%。

• EPPURE为剔除当前市盈率信息的“纯”一致预期估值，依旧表现优异，适用于捕捉分析师增量信息。

2.5.2 滚动一致预期估值 EPROLL（图28-29，表6）

• 使用滚动净利润除以市值，结合FY1-FY3预测。

- 逻辑更合理，与EPFY1相关性高，因回测获益IC达0.064，年化收益19.7%，提升显著。

2.5.3 一致预期成长 GrowthFY（图30-34，表7）

• 初步以两年净利润复合增长率计算。

- 采用最小二乘回归拟合三年利润趋势并约束过初始点，获得更稳定的复合增速估计。

• 初始Growth因子IC仅约1.6%，表现较弱；因高预期增长可能来源于基数低导致虚高，进一步以回归方式剔除净利润影响（行业、市值、历史净利润），获得成长调整因子GrowthMod，IC提升至0.049，年化多空收益16%，呈现稳定选股能力。

2.5.4 一致预期PEG指标（图35-36，表8）

• PEG定义为一致预期PE与成长的比率，采用EPROLL乘以GrowthFY的倒数作为代理。

- 表现稳定，IC平均0.052，年化多空收益17.7%，IR和胜率均相当高，因子稳定性强。

2.5.5 一致预期估值变化 DEP（图37-40，表9-10）

• 本质为一致预期估值的月环比增长，体现盈利预期变化和价格变化之间的差值，反映分析师预期调整强度减去行情反映。

- 经典反转因子相关度高，剔除反转因子后形成DEPPURE依然具有IC0.033、年化9.1%的稳定alpha。

• DEP因子年化收益优秀，IC达0.062，胜率75%以上，捕捉预期修正行情。

2.5.6 一致预期估值分位点 EPPER（图41-42，表11）

• 利用公司过去12个月滚动估值水平的历史分位点，衡量当前估值相对历史的高低。

- 分级映射0~1区间，做行业、市值中性化后表现非常优异，IC高达0.067，年化23.8%收益，稳定性极好，胜率均达80%以上。

---

2.6 缺失值填充方法（章节7）

• 传统填充：用行业中位数或均值对缺失数据填充，稳妥但粗糙。

- 增速分位点填充：基于同一行业其他缺失企业上一年实际增速分位点均值推断今年增速，结合历史净利润估计当前一致预期净利润，更合理，保持或提升因子IC和综合表现。

• 表12列示填充方式比较，均未造成因子表现明显下降，且增速分位点填充在IC及ICIR有细微优势。

---

2.7 样本空间稳定性（章节8）

• 指标在沪深300、中证500、中证1000、创业板行情池均稳定表现（表13）。

- 不同股票池因投资者关注重点差异反映：
- 大盘股（沪深300、中证1000）EPROLL稳定性更好，IC可达0.07以上；
- 中小盘股成长属性更显著，成长及PEG因子表现更佳；
- DEP和EPPER普遍表现稳健。

• 体现一致预期指标跨市场多风格的广泛适用性。

---

2.8 因子相关性分析（章节9）

• 原始值和中性化后一致预期指标间相关性普遍较低，具备较好独立性（图43、44）。

- EPROLL与Growth（成长）相关性极低，PEG与两者高度相关，DEP与EPPER相关较强。

• 指标间的相对独立确保多因子模型中能提供较为独立的Alpha贡献。

---

2.9 总结（章节10）

• 核心结论是分析师预期为多因子选股带来稳定、独立的Alpha来源。

- 准确估计一致预期净利润是指标构建的关键，报告时间跨度为最大影响因素，分析师准确性存在差异，需基于调整偏离度赋权。

• 引入业绩报告数据提升精准性。

- 通过时间权重、分析师权重、有效报告筛选，融合业绩快报，实现收益稳定优异一致预期净利润；

• 五大类衍生指标均表现优秀，涵盖估值、成长、PEG、变动及历史位次等；

- 缺失填充采用增速分位点法更为合理，填补全面且保持模型效果；

• 指标跨不同风格和市值空间均表现稳健；

- 指标间相关度不高，适合多因子扩展。

• 该体系体系逻辑严谨、针对性强，是金融工程alpha提升重要突破口。

---

3. 图表深度解读

部分重点图表解析如下：

• 图1~3（报告数据量）：月度、年度、月份分布显示2006年以来分析师报告数量稳步增长，4月、8月等为业绩报告季度更新高峰，反映了数据的时间敏感性。

- 图4~6（报告时间差分布）：撰写与录入差距有缩小趋势，说明数据采集时效性的提升是可观因素。

• 图7（净利润覆盖度）：覆盖率维持在75-90%以上，对数据完整性保驾护航。

- 图9~11（预测偏离度因素）：时间跨度、市值、行业对预测误差影响，分别表现出单调显著的相关趋势，体现预测合理性条件。

• 图12~15（有效报告与业绩报告优先）：策略逻辑以有效报告为计算基础，优先采用企业业绩预告保证数据真实性和时效性，并示例案例（600869.SH）验证。

- 图16~17（时间加权流程）：提出半衰权重合理分配，考虑月度报告量差异，避免偏重月初报量大的失真。

• 图18（分析师加权流程）：构建多因素回归校正偏差残差为权重，体现分析师预测可信度动态调节。

- 图20（加权预期改进效果）：加权法对预测偏离度降低20%以上，验证方法有效性。

• 图21~22（与朝阳永续指标对比）：提出方法在1月业绩公告前表现优于朝阳永续，侧面证明业绩报告优先策略改善预测。

- 图23（滚动指标示意）：合理考虑年报披露差异，动态滚动计算。

• 图24~29（EPFY1及滚动估值）：多个分组收益及多空策略净值表现，验证一致预期估值的稳定alpha。

- 图30~34（成长指标）：示范因子改进前后收益差异，支持净利润剔除的必要性。

• 图35~36（PEG因子）：展示PEG的优秀年度稳定性、多空收益IR优势。

- 图37~40（DEP及其剥离反转因子）：表明提纯后的DEPPURE保持优异alpha贡献。

• 图41~42（估值分位点EPPER）：分位点策略带来强劲选股回报，曲线持续上升无明显回撤。

- 图43~44（相关矩阵）：分析因子间适度独立，验证多因子模型搭建基础。

---

4. 估值分析

本报告估值方法的核心是基于分析师预测净利润构建未来一年或多年的净利润预期，一致预期净利润与市值比即为估值的基础。衍生估值指标EP（含未来滚动版本EPROLL）强调用更接近实际经济周期信息的预测净利润估值，具备较传统市盈率PE更强的预测意义。

• 加权方法：时间权半衰，分析师权重基于校正预测偏差。

- 滚动净利润法：填补季度财报季节影响，更符合现实估值动态。

• 衍生估值指标：

- EPFY与EPROLL，后者表现更佳、逻辑更合理；
- PEG结合估值与增长，强调成长溢价的稳定表现；
- DEP衡量盈利预期变动对股价的相对升级与回撤；
- EPPER捕捉个股历史估值底层结构的相对位置。

这些方法合理利用分析师预期对净利润的判断提升估值预测的深度和广度，是结合业绩信息和市场表现的有效估值指标。

---

5. 风险因素评估

报告简要提示风险包括：

• 市场环境变动风险：宏观及政策变动可能导致模型特征失灵。

- 模型失效风险：算法过拟合及非稳态导致历史表现失效。

• 因子失效风险：因子特征随时间与市场环境变化不再有效。

报告强调了风险存在但未提供具体缓解策略，比如动态模型更新、风险控制等建议，属于典型金融工程研究风险声明。

---

6. 审慎视角与细微差别

• 报告在时间跨度和数据权重方面处理较严谨，但分析师预测本质存在主观和市场情绪干扰，历史调整残差虽能部分校正但仍不完美。

- 业绩快报与预告信息的融合虽提高瞬时预测精度，但此类数据在实际应用中覆盖不均、失效概率存在，可能因事件驱动波动导致短期风险。

• 因子表现优异，然而多因子组合表现未多述，因子间微相关对组合优化影响未详，实务应用需补充。

- 缺失值填充方法创新但相对保守，更多高级填充方法（机器学习填充、多因子联合填充）未涉及。

• 市场极端行情下指标稳定性未知，尤其2015股灾、2016震荡未单独剖析。

- 报告多用回测绩效验证，前瞻验证如实盘策略跟踪未见出现。

总体报告分析流程严谨，兼顾了数据时效、质量和分析师能力权重，核心模型逻辑自洽，结论较为稳健。但对极端风险和实盘表现细节披露欠缺，这在金融工程报告中较为常见。

---

7. 结论性综合

本文针对A股市场分析师预测数据，通过科学定义预测偏离度，利用时间跨度、市值、行业及分析师自身历史预测准确程度逐步加权，构建出一套基于一致预期净利润的综合加权体系。该体系融合企业业绩报表优先原则及时间半衰权重，筛选有效报告并拒绝过旧报告，动态剔除分析师反复预测逻辑，形成更稳定、更精准的分析师一致预期净利润数据。

从核心一致预期净利润出发，衍生出五大类指标：

• 一致预期估值（EPFY，EPROLL）体现基于预测盈利的估值水平，滚动版本更具适用实时性，表现出稳定的IC和强劲的多空年化收益；

- 一致预期成长（GrowthFY及剔除净利润回归残差的GrowthMod）体现未来盈利增长水平，剔除净利润影响后更具Alpha；

• 一致预期PEG综合反映估值与成长，具有较强稳定性和收益能力；

- 估值变化DEP度量盈利预期与价格间关系动态，剔除反转效应后依然维持较强Alpha；

• 估值分位点EPPER体现个股估值相对历史位置，Alpha表现最为优异稳定；

该组合指标经缺失值合理填充、不同市场样本空间验证，均表现出稳定，不存在明显数据敏感性，适合多因子模型选股体系。因子间相关性适中，能提供多维度增量alpha。

报告强调Alpha模型绩效根基在于独立且稳定的增量信息，分析师一致预期指标属于此类指标，且逻辑链完整、方法透明，做到了从预测偏差的原因到优化权重设计的全方位考量。

风险上报告简要涵盖，建议未来加强实盘跟踪与极端事件分析。整体来看，本次分析师一致预期指标体系，不仅为中国A股基础金融工程理论贡献了建设性模型框架，同时也为实操层面带来提升Alpha的有效工具。

---

附：部分关键图表示例 Markdown格式展示

• 图1：月度录入报告数量变化

• 图9：时间跨度分组偏离度中位数

• 图18：分析师加权流程

• 图24：EPFY1 分组收益

• 图28：EPROLL 分组收益

• 图37：DEP 因子分组收益

• 图41：EPPER 分组绩效

• 图43：一致预期指标原始值相关性

| | EPROLL | Growth | PEG | DEP | EPPER |
|----------|---------|--------|------|------|--------|
| EPROLL | 1.00 | 0.01 | 0.63 | 0.09 | 0.24 |
| Growth | 0.01 | 1.00 | 0.67 | 0.11 | 0.19 |
| PEG | 0.63 | 0.67 | 1.00 | 0.14 | 0.30 |
| DEP | 0.09 | 0.11 | 0.14 | 1.00 | 0.42 |
| EPPER | 0.24 | 0.19 | 0.30 | 0.42 | 1.00 |

---

备注：

除非明确标注，所有数据均来源于“朝阳永续”数据库及天风证券研究所实证分析，[page::0-31]。

---

此次深度解读覆盖了报告提供的完整逻辑框架、数据处理流程、预测偏差建模、指标构建、实证回测、风险提示及因子独立性分析，力求帮助模型构建者和投资者充分理解分析师一致预期指标体系的理论根基及实证价值。

报告