盈利指标ROA单变量筛选分析 [page::4]

• 将样本中股票按ROA分为10组，月均收益在2.03%-2.23%区间，月均超额收益仅0.20%，并无显著选股能力。

- 2013年前高ROA组合表现稍优，之后表现与低ROA组合趋于一致，反映ROA因子被市场风格掩盖。

盈利指标dROA表现优异 [page::5]

| 指标 | D1月均收益 | D10月均收益 | 月均超额收益 | 月胜率 | T统计量 |
|-------|------------|-------------|--------------|--------|---------|
| ROA | 2.23% | 2.03% | 0.20% | 54% | 0.54 |
| dROA | 2.62% | 1.66% | 0.95% | 70% | 4.46 |

• dROA分组组合表现显著优于ROA，月均超额收益达0.95%，多空胜率高达70%，具备较强的选股能力。

盈利指标与市场风格相关性分析及风格调整后表现 [page::5][page::6]

| 指标 | 市值相关性 | 估值相关性 | 反转相关性 | 换手率相关性 | 波动性相关性 | 流动性相关性 |
|------|------------|------------|------------|--------------|--------------|--------------|
| ROA | 0.27 | 0.13 | 0.03 | 0.01 | 0.00 | 0.14 |
| dROA | 0.04 | 0.08 | 0.06 | 0.00 | 0.04 | 0.04 |

• ROA与市值等风格因子相关度高，受小盘风格影响显著。

- 调整风格因子后，高ROA组合月均超额收益提升至1.11%，T统计量3.09显著，dROA调整后依然表现出0.74%的超额收益。

横截面回归验证盈利指标风险溢价 [page::7][page::8]

• 使用Fama-MacBeth回归控制行业、市值、估值等因素，盈利及盈利变化指标虚拟变量（ROA>0，dROA>0）均呈现显著正系数，盈利上市公司和盈利提升公司月均收益分别超出亏损和下滑公司0.49%和0.58%。

- ROA、dROA Z-Score回归结果一致，ROA标准差提升1单位带来股价涨幅0.38%，dROA带来0.18%。

引入盈利指标提升收益预测模型精度 [page::8]

| 指标 | 引入前月胜率 | 引入后二月胜率 | 引入前均值 | 引入后均值 | 引入前IR | 引入后IR |
|--------------|--------------|----------------|-----------|-----------|----------|----------|
| RankIC | 0.90 | 0.94 | 0.142 | 0.149 | 3.96 | 4.73 |
| IC | 0.85 | 0.90 | 0.110 | 0.116 | 3.26 | 3.90 |

• 引入ROA与dROA后，模型的RankIC、IC及IR指标均有显著提升，说明盈利因子有效增强了收益预测能力。

结论与风险提示 [page::9]

• 盈利水平及其变化对股票收益具有长期稳健预测能力，抵御了风格因子的影响，符合基本金融理论。

- 盈利因子不仅能构建有效投资组合，还能优化多因子组合策略。

• 需注意因子历史规律可能失效，投资需谨慎。

海通证券研究所关于“关注盈利指标”选股能力的详尽分析报告解读

---

一、元数据与报告概览

• 报告标题：择基逻辑系列四—债券基金的风格归因与因子剥离初探 / 选股因子系列研究（二十一至二十二）——分析师覆盖度、预期收益，与盈利指标的选股能力深入研究。

- 研究主题：探讨盈利指标（ROA及其同比变化dROA）在A股市场的选股能力及其是否为短期风格还是长期趋势。

• 报告发布日期：2017年7月6日及前期相关报告。

- 分析师：冯佳睿（S0850512080006）、沈泽承（S0850516050001）

• 报告核心论点：

- 单一使用盈利指标ROA筛选个股，长期并无显著超额收益。
- 盈利指标的真实选股能力受到市场风格的掩盖，尤其ROA与大盘股倾向相关。
- 盈利变化（dROA）因子具有较强的选股能力，且与ROA相关较弱，表现更稳健。
- 通过风格因子剥离和横截面回归，得出盈利状况良好或盈利增长的上市公司能获得长期稳健超额收益。
- 引入ROA与dROA指标能提升多因子收益预测模型的表现。

• 风险提示：因子历史规律可能失效。[page::0]

---

二、逐节深度解读

1. 单变量筛选

1.1 资产收益率（ROA）

• 利用ROA指标对全市场股票按2009年1月至2017年6月进行等分成10组 (D1至D10)，月度再平衡。

- 高ROA组（D1）月均收益2.23%，低ROA组（D10）2.03%，多空组合超额收益仅0.20%，且统计显著性不足（T值0.54），表明长期单用ROA无法稳定选股成功。

• 图1（ROA组合月均收益柱状图）显示各组收益差异不大，且无持续性趋势。

- 图2（高低ROA组合相对强弱指数）揭示2009-2013年前高ROA公司有超额收益，但2013年后这种优势不明显甚至被弱化，2017年有所回升。

• 结论：ROA单因子存在选股能力被市场风格掩盖，且短期波动显著[page::4]

1.2 资产收益率变化（dROA）

• dROA代表盈利能力同比变化，反映了盈利成长性。

- 同期分组测试显示，高dROA组合月均收益2.62%，低dROA组仅1.66%，超额收益达0.95%，统计显著（T=4.46）。

• 图3柱状图展示dROA分组收益明显两极分化，图4相对强弱指数持续显示高dROA组合优越。

- 表1清晰量化指标差异，表2的RankIC指标（均值0.0359，IR=2.49）表明dROA的选股有效性强于ROA。

• 结论：盈利能力变化比水平本身更能解释未来收益的差异[page::5]

2. 风格调整的单变量筛选

2.1 ROA、dROA与风格因子的相关性

• ROA与市值相关显著（相关系数0.27），大盘股盈利能力普遍较高。但A股市场呈现“小盘溢价”风格，导致ROA的选股效果被抑制。

- dROA与风格因子相关较低，说明盈利增长较少受市值等风格因子干扰。

• 这提示对ROA进行风格调整后，其选股能力将更显著，而dROA较少受影响。

- 结论：必须剔除风格因子对盈利指标的干扰，才能还原其真实的投资价值[page::5]

2.2 风格调整后ROA与dROA表现

• 利用截面回归剥离ROA与风格因子的线性关系（主要是市值因素）。

- 风格调整后，高ROA组合月均收益2.57%，低ROA仅1.46%，多空组合超额收益1.11%，统计显著（T=3.09）。

• dROA去除与ROA的线性相关部分后，高低组合差异仍显著，收益分别为2.40%与1.66%，多空组合超额0.74%（T=3.36）。

- 图5-8显示调整后ROA与dROA组合的收益分布及相对强弱均明显优于未调整情况，且长期趋势向上。

• 表4-5定量佐证了风格剥离后指标选股能力的提升，ROA RankIC提升至0.0464且IR达1.39，dROA仍保持较好水平。

- 结论：风格调整显著释放ROA潜在价值，dROA本身信息量较大且独立于市值等风格[page::6][page::7]

3. 横截面回归的风险溢价分析

• 研究采用Fama-MacBeth截面回归，控制行业、市值及非线性市值、估值、反转、换手率、波动率及流动性等多种因子，再考察ROA、dROA对跨期收益的影响。

- 虚拟变量模型：ROA>0与dROA>0均显著正向溢价，月均溢价分别约0.49%、0.58%（T值>3），说明盈利正向状态和增长均带来可观的超额收益。

• Z-Score模型：标准化指标下，ROA每提高1个标准差带来0.38%月度收益提升，dROA带来0.18%，且均通过高显著性检验。

- 图9与图10展示了2009-2017年中ROA与dROA月溢价的时间序列分布，整体正面，未出现溢价消失或逆转。

• 结论：盈利指标溢价稳定存在，是股票回报的重要驱动力，与风格及行业等风险因素共同影响收益[page::7][page::8]

4. 收益预测模型改进

• 将ROA与dROA因子纳入多因子收益预测模型后，模型的月度胜率与RankIC/IC指标均有所提升，RankIC-IR从3.96提升至4.73，IC-IR从3.26提升至3.90。

- 这意味着盈利指标可提升多因子模型对未来收益的预测能力和组合表现。

• 结论：基本面因子尤其是盈利变化指标的引入能够显著增强股票收益预测，补充了传统风格和技术因子的不足[page::8]

5. 总结

• 盈利指标ROA与dROA的选股效应验证了“盈利良好或增长的公司能获得超额收益”的金融学基本假设。

- ROA虽被市场风格掩盖，但风格调整后能显著提升其选股能力；dROA自身相关性低，更稳定。

• 通过横截面回归严格控制多种风险因子，盈利指标的正向溢价得到确认且长期稳定。

- 引入盈利指标扩展了多因子模型的覆盖面，降低了依赖单一风格因子的风险，提升了预测及实操效果。

• 风险提示尤为重要：历史因子效用可能随市场结构变化而失效，投资者需谨慎使用相关指标。

- 报告总体严谨，结论矩阵完整且深入，具备较强的实证与理论支持。[page::9]

---

三、图表深度解读

图1与图2（ROA组合月均收益与相对强弱指数）

• 图1展示十组按ROA分组的股票月度平均收益，差异极小，呈略微递减的趋势。

- 图2曲线显示高ROA多空组合的相对强弱(2008年至2017年)，2013年前有阶段性收益优势，随后多空优势消失或逆转，2017年又有所复苏。

• 说明ROA作为单因子选股时，受市场风格变化干扰波动较大。

图3与图4（dROA组合月均收益及相对指数）

• 图3显示高dROA组合月均收益显著高于低dROA，差异明显。

- 图4相对强弱指数长期稳步上升，且波动较小，表现出更好的稳定性和持续性。

图5至图8（风格调整后ROA与dROA组合表现）

• 风格调整明显提高两指标的选股能力，图5与图7显示收益的分组差异扩大。

- 图6与图8的相对强弱指数均呈较强单边上升趋势，说明剥离风格因子后盈利指标的正向溢价清晰且持续。

表格1-5（收益及相关统计测试）

• 表1-2验证了原始ROA因子表现有限，dROA指标表现较好。

- 表3显示ROA与市值相关较强，dROA相关性较弱，为风格剥离提供依据。

• 表4-5说明风格调整后ROA和调整后dROA均表现出较强统计显著的选股能力。

表6-7（横截面回归结果）

• 表6以虚拟变量形式，证明盈利与盈利增长均带来significant正向收益溢价。

- 表7以Z-Score形式进一步量化盈利指标对未来月度收益的增益效应。

图9-10（ROA与dROA月溢价时间序列）

• 两图均显示月溢价多为正，且时间上较均匀分布，表明盈利因子在不同市场阶段均有效。

表8（收益预测模型性能对比）

• 显著提高所有三个主要指标（胜率、RankIC/IC、IR），说明因子引入在模型实用价值方面具有正面效果。

---

四、风险因素评估

• 报告反复强调“因子历史规律失效”的风险，暗示因子可能受市场环境、制度、流动性及风格轮动影响。

- 其他风险包括风格因子混淆导致误判、盈利数据的被操纵风险、行业集中特定风险等。

• 报告未详述缓解策略，但通过风格剥离、横截面回归控制多因素，试图降低风险影响，提升因子稳健性。

---

五、批判性视角与细微差别

• 报告逻辑清晰、数据充分，然而存在以下不足/风险提示：

- ROA与dROA虽相关，但线性剥离不能完全消除二者交叉影响，模型可能存在共线性问题。
- 风格风险剥离过程依赖线性假设，复杂非线性关系(如风格因子变动)可能未充分考虑。
- 简单分组方法可能掩盖跨行业、周期等异质性，应结合行业及宏观经济变量做进一步澄清。
- 报告结论多基于统计显著性，实际交易成本、流动性风险未充分论述，影响实操可行性。
- 文章时间截止至2017年中，后续市场变更及新兴风格因子影响尚不可知。

---

六、结论性综合

本报告系统性论证了盈利指标ROA及其同比变化dROA在中国A股市场的真实选股能力。研究发现：

• 单独使用ROA筛选组合收益不显著，但与市值等风格因子的相关性掩盖了其效用。

- dROA作为盈利变化指标，选股效果更稳健，与风格因子的相关较低。

• 经过风格因子剥离后，ROA与dROA的选股能力更为显著，均显著正相关未来股票收益。

- 通过横截面Fama-MacBeth回归控制行业、风格及技术因子验证，盈利指标仍体现稳定的正收益溢价。

• 进一步引入ROA与dROA改进多因子收益预测模型，指标表现显著提升，说明盈利因子拓宽了选股视角。

- 盈利良好或盈利增长的上市公司能长期获得稳健的超额收益，证实了基本面投资理念的有效性和持续性。

• 报告最后提醒风险因子可能失效，及因子使用中的市场环境风险。

本报告实证方法严谨，数据详实，论证结构合理，具备较强的研究价值与投资指导意义。盈利指标特别是盈利变化因子，作为多因子模型的重要补充，值得投资者重点关注和利用。[page::9]

---

参考图表示例

• 图1 ROA 组合月均收益（2009.1-2017.6）

• 图4 高低 dROA 组合相对指数（2009.1-2017.6）

• 图6 风格调整后高低 ROA 组合相对指数（2009.1-2017.6）

• 图9 ROA 月溢价估计（2009.1-2017.6）

---

本文全面剖析和梳理了海通证券研究所“关注盈利指标”的研究报告内容，涵盖报告的重要论点、数据、图表和模型，并提出了相关风险及批判性理解，适合专业基金经理和量化研究人员深入学习参考。

报告