• 盈利预期调整的事件研究分析发现，盈利预期上调带来显著正的超额收益，而下调时效性较差，解释了下调效果弱的原因 [page::3]：

• 盈利预期调整因子构建对比显示，分歧度标准化的FYRDISP因子在信息比率和收益波动比方面优于基准FYRPCT和FYRSTD [page::4]：

| 因子名称 | 覆盖度 | IC | ICIR | 多空对冲收益波动比 | 多头收益波动比 |
|------------|---------|-------|------|-----------------------|----------------|
| FYRPCT | 35.18% | 3.69% | 1.85 | 2.19 | 0.85 |
| FYRSTD | 27.56% | 3.74% | 2.45 | 2.38 | 0.81 |
| FYRDISP | 35.18% | 4.34% | 2.38 | 2.38 | 0.88 |

• 时间加权法（半衰期权重N=60）对FYRDISP因子性能提升明显，组合加权$W{\delta t}$后，多空信息比率从2.38提升至2.79，最大回撤降低到3.77% [page::5]:

| 因子名称 | ICIR | 年化收益 | 信息比率 | 最大回撤 |
|-----------------|-------|----------|----------|----------|
| 原始FYRDISP | 2.38 | 14.95% | 2.38 | 6.83% |
| Wt1加权 (N=60) | 2.46 | 15.26% | 2.63 | 4.42% |
| W△t2加权 (N=60) | 2.57 | 16.51% | 2.70 | 5.56% |
| Wt加权 (N=60) | 2.64 | 16.08% | 2.79 | 3.77% |

• 股价跟随性加权$W{close\herd}$显著提升因子ICIR，最佳参数A=0.2时，ICIR达到2.92，且多空信息比率最大达到2.86[page::6]：

| 因子名称 | ICIR | 年化收益 信息比率 | 最大回撤 |
|-----------------------|-------|-------------------|----------|
| 原始FYRDISP | 2.38 | 14.95% 2.38 | 6.83% |
| Wcloseherd加权(A=0.1)| 2.88 | 13.04% 2.53 | 4.07% |
| Wcloseherd加权(A=0.2)| 2.92 | 15.13% 2.86 | 3.70% |
| Wcloseherd加权(A=0.3)| 2.77 | 15.10% 2.62 | 5.63% |
| Wcloseherd加权(A=0.4)| 2.58 | 15.70% 2.60 | 6.24% |

• 预测准确度加权未能提升FYRDISP因子效果，显示分析师预测准确度的持续性有限 [page::7]:

• 结合时间加权和股价跟随性加权的FYRDISPstrength因子表现最佳，多空信息比率提升至3.14，最大回撤降至3.92%，回测表现明显优于原始因子 [page::7]:

• 选取FYRDISPstrength因子排名前30股票构成核心股票池，绝对收益年化27.8%，对冲中证全指后年化收益24.4%，收益波动比2.17，选股效果明显[page::8][page::9]:

| 组合 | 年化收益率 收益波动比 | 最大回撤 胜率 |
|--------------------|-----------------------|--------------|
| 30 | 27.79% 1.02 | 63.33% |
| 60 | 24.08% 0.96 | 31.81% 63.33%|
| 90 | 21.68% 0.87 | 33.82% 63.33%|
| 预期调整大于0 | 16.13% 0.63 | 37.46% 63.33%|
| 中证全指 | 3.17% 0.14 | 51.30% 54.00%|
| 30对冲中证全指 | 24.38% 2.17 | 7.83% 77.33% |

• 分析师羊群效应因子 $\Delta CSAD\FR$ 在盈利预期上调样本池表现正向ICIR为0.60，能进一步识别信息分歧较大的股票[page::9][page::10]:

• 反转动量因子中，理想反转因子及长端动量因子在盈利预期上调样本池也展示选股能力，分析师关联动量因子多空信息比率达0.85，事件收益动量因子达0.97[page::11]:

• 结合动量因子与反转因子构建合成因子$R{-}M$，实现多空对冲信息比率1.30，作为风险因子用于后续组合增强[page::12]:

• 资金流维度采用大单残差因子，在盈利预期上调样本池中表现较好，多空信息比率达1.76[page::12][page::13]:

• 评级变动因子在盈利预期调整股票池中表现显著，评级上调对冲评级下调信息比率高达1.41[page::13][page::14]:

• 预期ROE高低维度对组合增强效果较弱，高预期ROE组表现较好但多空对冲曲线表现不稳定，因而未纳入优化组合[page::14][page::15]:

• 盈利预期调整优选组合构建策略：

（1）选取FYRDISPstrength正值股票池；
（2）剔除评级非增持买入股票；
（3）剔除评级下调股票；
（4）剔除风险因子$R{-}M$与大单残差后10%分位的股票。
优选组合信息比率1.21，超额年化收益26.89%，胜率72.67%[page::16]:

• 优选组合偏向大市值，行业集中于医药生物、食品饮料及机械设备[page::17]:

详尽分析报告：《如何基于盈利预期调整构建优选组合？ | 开源金工》

---

1. 元数据与概览

• 标题：《如何基于盈利预期调整构建优选组合？》

- 作者及机构：魏建榕（开源证券金融工程首席分析师）及团队，开源证券金融工程团队发布

• 发布时间：2022年8月6日

- 主题及研究对象：基于分析师盈利预期调整，探讨因子构建、因子改进及基于此构建的优选投资组合，研究领域涵盖因子模型、基本面量化及多维度选股因子强化

• 核心论点与目标：

- 利用分析师在当前财年盈利预期调整揭示股票超额收益机会
- 提出标准化及权重调整方法，提升因子信息比率（ICIR）
- 在盈利预期上调股票池基础上启用多种风险因子进行组合增强
- 构建改进版盈利预期调整优选组合，显著超越原始组合，展现稳定和优异的风险调整绩效

---

2. 逐节深度解读

2.1 摘要与数据概览

报告以盈利预期调整事件研究为核心，从历年分析师对同一股票财年盈利预测的变动出发，对盈利预期调整比例进行定义和统计。发现：

• 盈利预期调整比例集中在0附近，高频调整较为稳健

- 盈利预期上调对应更大幅度和较显著的超额收益，效果明显优于盈利预期下调

• 盈利预期下调时效性较差，导致市场反应提前，超额收益分层较弱

基于朝阳永续数据，报告统计了分析师报告类型及时效性，确认分析师报告时效性较高（7天内存量95%），覆盖沪深300及中证500超70%以上，且分析师报告集中于财报发布期附近，数据质量高，具有研究价值。

数据图表详释

• 图1（点评类报告占比最大）说明市场信息反馈及事件影响主要集中于点评报告，分散在其它报告类别，表明数据包含多样的分析师视角

- 图4（宽基指数覆盖率）反映分析师对沪深300、中证500股票覆盖度高，但全A市场覆盖率近年下降，需注意覆盖范围对结果的制约

---

2.2 盈利预期调整事件研究与因子构建

报告定义盈利预期调整比例 \( FYR\PCT \)为当日与最近过往预测间的财年盈利预期变化相对值。重要细节包括：

• 只选取距离较近（≤180天）预测作为对比，确保逻辑与时效性

- 分析师跳槽等特殊情形予以剔除，保证数据连续性和来源一致

• 排除负/微利基数及极端变动，避免计算失真

事件研究结果（图5）显示：

• 上调幅度越大，超额收益累积越明显，且分层识别清晰

- 下调样本数略多，但分层表现差，源于信息效应滞后和市场提前反应

• 上调信息报告间隔时间显著短于下调（图7），验证上调更具预测价值

---

2.3 盈利预期调整因子生成标准化比较

构建因子 \( FYR\PCT \) 的标准化方式为关键，共讨论三种：

1. \( FYR\PCT \)：均值法，直接对盈利预期调整比值取均值

2. \( FYR\STD \)：时间序列标准差法，计算分析师盈利预期调整标准差

1. \( FYR\DISP \)：分歧度标准差法，基于分析师盈预期调整的横截面标准差（分歧度）

表1中多指标综合比较显示：

• \( FYR\DISP \) 因子表现最高（IC平均4.34%，ICIR 2.38，多空对冲波动比2.38），覆盖度与均值法相当且优于时间序列标准差法

- 时序标准差法覆盖度较低，导致其实际可用性受限

• 因此后续研究基于 \( FYR\DISP \) 因子展开

---

2.4 多维度权重加权：因子改进

分析师盈利预期调整的影响被赋予不同权重，三大维度探索：

• 时间权重：基于两次预测时间间隔与最后预测与因子计算时间间隔的半衰期加权，采用指数衰减公式设计

- 股价跟随性权重：剔除盈利预期调整与前60天股价趋势同向部分，提高因子创新性和独立价值

• 预测准确度权重：结合分析师历史胜率赋权，提升因子精准预测能力

结果总结

• 时间权重显著提升ICIR（从2.38提升至2.79），对半衰期参数稳定敏感

- 股价跟随性权重带来更明显改进，ICIR最高达到2.92，且增强资金利用效率，最大回撤降低到3.7%左右

• 预测准确度权重未带来明显效益，因市场环境变化和分析师表现不可持续导致预测准确性不稳定

- 综合时间与股价跟随性权重，得到最终改进因子 \( FYR\DISP{strength} \)，ICIR从2.38提升至3.14，最大回撤降至3.92%，表现优异（图13）

表4显示不同加权组合的收益表现及回撤情况均较原始因子大幅提升，证明多因素加权路径合理。

---

2.5 盈利预期上调股票池构建及性能验证

报告选用改进后的 \( FYR\DISP{strength} \) 因子构建样本股票池，以因子值最高的前30、60、90及大于0进行回测（图14及表5）。
结果显示：

• 30只股票池绝对收益年化27.8%，信息比率=2.17，收益波动比1.02，显著优于中证全指基准（年化3.17%，波动比0.14）

- 泽选组合收益随组合规模增加有所下降，10只股票时年化收益最高达40%，但结合超额收益波动比与稳健性，30只作为最终持仓

---

2.6 分析师相关风险因子挖掘

报告进一步从以下四个维度挖掘风险与增强因子：

1. 分析师羊群效应（\(\delta CSAD\FR\)）

- 通过分析师预测与市场一致预期偏差的绝对距离变化测量羊群效应
- 盈利预期上调池内呈现正向选股能力，ICIR约0.60；下调池内表现负相关（图15-18）

1. 动量与反转因子

- 反转因子采用理想反转与MHigh对比后选用MHigh为反转指标
- 动量包括长端动量、分析师关联动量与事件收益动量，整体效果稳定，ICIR综合达到1.30

1. 资金流强度（大单残差）

- 大单残差在盈利预期上调池具有广泛时间窗口的有效选股能力，ICIR约1.76（图23-24）

1. 其他预期维度关联

- 评级变动因子中，评级上调对冲下调ICIR达到1.41，表现出色
- 预期ROE高低分组中，高预期ROE组回归斜率（\(\beta\)）更高，说明单位预期调整引入更大估值弹性，表现较好但多空对冲波动大，暂未纳入组合（图28-31）

---

2.7 盈利预期调整优选组合构造

基于多维度风险因子构建风险剔除条件：

• 初始筛选 \( FYR\DISP{strength} > 0 \) 股票

- 剔除非增持和买入评级股票

• 剔除评级下调股票

- 剔除风险因子 \(R{-}M\) 及大单残差后10%分位股票

改进后30只股票组合对比原始组合，展示信息比率由1.07提升至1.21，整体超额收益稳定（图32），收益波动比高达2.58，胜率维持72.7%（表9）。组合表现优异且具有较低回撤。
组合偏向大市值股票，行业曝光集中在医药生物、食品饮料、机械设备等领域（图33-34）。

---

3. 图表深度解读

• 图5-7（盈利预期事件研究）：描述不同预期调整区间股票的累积超额收益表现和事件数量分布，确认上调预期对应较好反应，且时效性优于下调

- 表1（因子标准化效果对比）：三个不同标准化方法（均值、时序标准差、分歧度标准差）对因子覆盖度、IC均值、ICIR及多空对冲指标的横向比较，表明分歧度法整体最佳

• 图9-10、表2（时间加权效果）：通过调整半衰期参数，时间加权改进因子ICIR显著提升，最大回撤显著下降，模型更稳健

- 图11、表3（股价跟随性加权）：股价跟随性权重优化效果良好，ICIR从2.38提升至近3，最大回撤减半

• 图12（预测准确度权重）：该权重调整未带来实质提升，显示预测准确度对后续预期改进的有限影响

- 图13、表4（最终改进因子回测）：展示改进因子 \( FYR\DISP_{strength} \) 在长期中的多空对冲净值增长曲线及指标，确认稳健超额收益能力

• 图14-15（因子值分层与羊群效应）：盈余预期调整30只股票绝对及超额收益远超基准，中证全指；羊群效应在上调池内呈正向信号

- 图19-21（动量相关因子分析）：动量因子在盈利上调股票池内有效，包括关联动量和事件收益动量

• 图23-24（资金流因子）：大单残差选股能力显著且较为稳定

- 图25-27（评级变动）：市场多集中评级为买入和增持，评级变动分布较合理且评级提升型股票表现显著更优

• 图28-31（预期ROE影响）：高预期ROE组拥有更强的市净率弹性和回报率，但多空对冲波动不稳定

- 图32（组合信息比率提升）：增强组合净值显著优于未增强组，信息比例提升20%以上

• 图33-34（组合市值与行业分布）：组合偏向大市值，以医药生物、食品饮料等行业为主

---

4. 估值分析

本报告不直接涉及公司估值，但对组合绩效（绝对收益、超额收益、收益波动比等）进行了细致量化评价。组合优化基于风险调整分层，即通过风险因子剔除潜在弱势标的，确保收益的稳健性和提升信息比率。
报告选股因子IC及ICIR等统计方法，统一以信息比率衡量其预测能力与风险调整后的稳定性，兼顾收益与回撤，选股数量敏感性分析体现稳健性原则。

---

5. 风险因素评估

报告明确风险提示：

• 所有模型均基于历史数据和统计规律，未来市场环境可能出现重大变动，导致历史规律失效

- 盈利预期调整因子本质依赖于分析师的行为，存在分析师主观偏差及市场情绪波动风险

• 组合风险集中于大市值与特定行业，行业波动可能导致组合回撤

- 评级及资金流等因子改进固然优化组合表现，但如市场震荡或监管政策变化等系统性风险不可预测

• 报告未给出明确风险缓解策略，投资者需结合市场情况谨慎应用模型成果

---

6. 批判性视角与细节

• 假设稳健性：报告用分歧度标准化突出因子的选股效率，但未深入讨论此方法在极端市场周期中的稳定性或噪声敏感性；

- 预测准确度加权无效：说明分析师失效后续预测能力差，此点对因子数据信赖提出警示，未来或需更复杂机制优化；

• 行业及市值暴露较为集中：虽统计了行业分布，但对行业轮动风险预测未做充分讨论，或存潜在结构性风险；

- 样本外检验有限：虽然绩效显著，但更多跨市场、跨周期的样本外验证可以增强结论信度；

• 模型复杂度与实际可操作性：因子权重与多维度风险剔除虽提高信息比，但组合构造及调仓频次投入可能较高，未详述交易成本与实施细节；

- 评级覆盖下降隐忧：随着注册制推进，分析师覆盖下降可能影响因子信号质量，需长期关注此趋势。

---

7. 结论性综合

本报告系统地分析了基于盈利预期调整的多维度选股模型和组合构建策略。核心发现包括：

• 盈利预期调整作为信息源价值显著，特别是预期上调能带来稳定的超额收益，且其事件时效性优于下调类型。

- 标准化采用分歧度方法最佳，在覆盖度、预测稳定性等均优，提升了因子的预测能力。

• 时间加权与剔除股价趋势跟随观点的权重设计显著优化因子性能，ICIR由2.38提升至3.14，最大回撤下降近一半，凸显有效性。

- 多维度风险因子（动量、反转、资金流、评级调整等）有效增强组合表现，优化资产配置，提升信息比率和风险调整后的收益。

• 最终构建的盈利预期调整优选组合展现卓越的长期超额收益能力，全区间年化超额收益26.9%，收益波动比2.58，胜率超七成，实证可靠且具操作意义。

- 组合显著偏好大盘及医药、食品饮料等行业，提示风格侧重，同时需关注行业波动风险。

综合而言，报告通过严谨的量化研究和丰富的实证检验，呈现了基于盈利预期调整构建优选组合的逻辑脉络和操作实践价值。成果不仅为投资者提供了有效的选股工具，也为学术及实务领域关于分析师预期解析提供了范例和借鉴。

---

重要图表附注

• 分析师盈利预期上调获得显著超额

- 改进后因子多空对冲ICIR提升至3.14，回撤下降明显

• 预期调整因子分层效果图

- 盈利预期调整优选组合信息比率提升明显

• 组合市值分布偏大盘

- 组合行业分布

• 评级调整组合丰厚业绩

（所有图表数据均来源于Wind、朝阳永续及开源证券研究所，时间区间2009-2022年）[page::0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17]

---

总结：报告充分运用历史数据和多因子方法构建了基于盈利预期调整的优选组合，改进了因子计算方法，结合分析师行为特征、动量及资金流等多维度风险因子，实现组合稳健超额收益。该方法对于量化投资策略构建具有实务指导意义及较强的应用前景，同时也指出了分析师预期数据使用中的一些潜在限制和风险点。

报告