• 传统最新披露 ROE 因子由于财报时延，常滞后反映当期真实 ROE，选股效果明显弱于当期真实 ROE，且最新披露 ROE 的选股有效性部分来自业绩动量效应，ROE 自相关系数约为0.5-0.9之间，存在持续性 [page::4][page::5][page::6]。

- 剔除财报空窗期（2-4月）对最新披露 ROE 选股效果影响不大，财报空窗期不是两者差异的主要原因 [page::5]。

• 通过一致预期 ROE 与最新披露 ROE 联合预测当期真实 ROE，预测误差（MAE, RMSE）显著降低，且预测因子 IC 和多空收益均超越单独使用最新披露 ROE，提升了选股效果。

• 一致预期 ROE 数据覆盖度有限（30%-80%不等），且因分析师研究关注偏向热门股，导致一致预期 ROE 选股效果在剔除估值和技术因子之后下降明显 [page::7]。

- 针对 ROE 历史波动性对预测准确度的影响，采用K-Median方法剔除波动率极端高的股票，剔除后最新披露 ROE 对当期真实 ROE 预测误差显著下降，尤其在全市场范围内效果明显，但在沪深300与中证500效果一般 [page::9]。

• 引入波动率倒数加权方法调整最新披露 ROE，将较高波动率股票权重调低，得到波动率调整 ROE，预测误差进一步降低，选股 IC、胜率、收益均有所提升，提升了因子稳定性和有效性。

| 指标 | 旧方法 | 波动率倒数加权后 |
|-------------|---------|------------------|
| IC均值 | 0.026 | 0.030 |
| IC胜率 | 69.4% | 77.6% |
| 多空收益 | 1.11% | 1.18% |

• 将一致预期 ROE 与波动率调整后的最新披露 ROE 联合回归预测当期真实 ROE，成为最优预测因子，IC 较最新披露 ROE 有50%左右提升，多空收益、胜率均显著提高，越接近理论最优选股效果。

• ROE 波动率存在显著行业差异，周期行业（有色金属、煤炭、钢铁等）波动显著偏高，传媒行业ROE波动率与商誉占比高度相关，商誉减值监管提高波动性，对ROE预测提出行业差异化要求。

• 本报告提出基于基本面核心逻辑的因子改进方法，先精准预测当期真实ROE，再以预测值构建因子，效果和稳定性优于纯数据挖掘方式，具有推广意义，但仍有进一步提升的空间，尤其考虑行业特性细化模型 [page::0][page::14].

报告标题与概览

报告标题：《选股因子系列研究（七十三）——使用基本面逻辑改进 ROE 因子》
发布日期：2021年3月5日
发布机构：海通证券研究所
分析师：冯佳睿、余浩淼
主题：基于基本面逻辑提升ROE（净资产收益率）选股因子的投资价值和预测能力

核心论点：

• 传统使用“最新披露 ROE”作为因子存在明显滞后，难以准确反映当期真实企业盈利能力，导致选股效果逊色。

- 结合“最新披露 ROE”与“分析师一致预期 ROE”，并对历史 ROE 波动率进行调整，可以显著提升当期真实 ROE 的预测精度，从而大幅优化基于ROE的选股能力。

• 新构建的ROE预测因子，在因子IC（信息系数）和月均溢价等指标上相较传统“最新披露ROE”提升约50%。

- 该方法基于对基本面数据的更精准预测，而非单纯依赖数据挖掘，因而有望带来更稳定且较优的投资效果。

风险提示包括：市场系统性风险、模型假设误设风险、有效因子变动风险。[page::0,14]

---

目录及结构概览

报告结构清晰，分为六大部分：

1. ROE 选股效果初探

2. 结合一致预期 ROE 的当期真实 ROE 预测

1. ROE 高波动股票对预测效果的影响

4. ROE 波动率的行业差异

1. 总结与讨论

6. 风险提示

此外提供了丰富的表格和图示支持分析，确保了研究的深度和数据严谨性。[page::1]

---

1. ROE 选股效果初探

1.1 最新披露 ROE 与当期真实 ROE 的选股效果对比

• 关键论点： 由于财报披露时滞（季度财报至少滞后一个月，年报滞后达4个月），市场只能用最新披露的ROE作为因子，导致与实际的当期真实ROE存在显著时差。这种滞后损害了选股效果。

- 关键数据（表1）：
- 当期真实ROE的IC均值显著高于最新披露ROE，季度单季度ROE选股效果比TTM更优，且表现胜率均超70%以上，远超最新披露ROE。

• 逻辑解释： 财报空窗期使得市场的信息滞后且不完备，最新披露ROE可能不反应近期实际经营状态，但仍保持一定选股效果，推测是业绩的“动量效应”在起作用。

- 动量效应定义： 上一季度ROE较高的公司更有可能在下一季度维持较好业绩。[page::4]

1.2 财报空窗期的影响

• 分析： 通过剔除2-4月财报空窗期，发现对最新披露ROE和真实ROE的IC及选股胜率无显著影响，推断空窗期不是迟滞主要原因。

- 结论： 业绩动量效应和信息时滞本质因素仍需关注。[page::5]

1.3 业绩动量效应验证

• 数据： 表3显示季度滑动平均ROE自相关系数高达0.86-0.95，单季度ROE约0.5左右，表明ROE自相关性显著。

- 表4进一步分析： 通过正交方法剔除动量因素后，最新披露ROE的选股能力大幅降低，反映出最新披露ROE具有部分预测当期真实ROE的功能，但动量成分贡献巨大。

• 结论： 最新披露ROE成为当期真实ROE的有限但有效预测，但仍有改进空间。[page::5-6]

---

2. 结合一致预期ROE提升预测

2.1 一致预期 ROE 与当期真实 ROE 相关性

• 覆盖率问题：一致预期ROE覆盖率仅全市场30%-40%，沪深300最高约80%，限制了因子普适性。

- 相关性分析（表5）： 一致预期ROE与真实ROE相关系数0.63左右，高于最新披露ROE的0.51，且去除最新披露ROE影响后仍保持较高相关度。

• 选股效果（表6）： 一致预期ROE单独用作因子时IC值较低，且经行业、估值等技术面因子剔除后IC几乎归零，显示该因子单独选股能力弱，推测是分析师偏好积极股票导致数据偏差。

- 结论： 虽有信息含量，但表现有限，需结合其他信息源提升预测准确度。[page::6-7]

2.2 结合双因子回归预测当期真实ROE

• 方法： 以过去12个月每月最新披露ROE+一致预期ROE作为自变量，回归当期真实ROE，得到预测模型。

- 效果（表7）： 结合模型在MAE、RMSE、R^2均显著优于单纯用最新披露ROE，说明一致预期ROE作为增量信息有效提升预测精度。

• 选股效果验证（表8、图2、表9）：

- 预测当期ROE作为因子，无论IC均值（0.033 vs 0.026）、月均溢价（1.37% vs 1.11%）及胜率均优于最新披露ROE。
- 累计因子溢价图表显示该预测因子表现稳定且长期优于传统因子，特别2017年后提升更明显。

• 结论： 结合一致预期ROE大幅提升ROE因子的选股价值，尽管受限覆盖度及数据偏差，仍为完善选股因子提供有力路径。[page::7-9]

---

3. ROE高波动股票影响与波动率加权改进

3.1 剔除高波动股票

• 理由： 高波动ROE个股最新披露ROE预测当期真实ROE精度差，影响整体效果。

- 方法： 以四季度ROE滑动平均标准差作为波动率指标，分类剔除波动性超标股票，计算预测误差（表10）。

• 结果： 剔除后全市场MAE、RMSE改进明显，沪深300、中证500效果改善有限，反映大盘蓝筹较稳定，波动影响不大。

- 选股效果（表11）： 剔除波动大股票后最新披露ROE的IC明显提升，尤其全市场范围显著。

• 结论： 波动率是参考指标，剔除极高波动股票可提升预测能力，但代价是缩小选股池，不够理想。[page::9]

3.2 引入波动率倒数加权法

• 方法： 利用波动率倒数（标准差倒数）加权最新披露ROE，降低高波动股票信号权重，使其“接近均值”，降低高噪声贡献。

- 效果（表12、表13）： 加权后指标MAE、RMSE均显著改善，因子IC、胜率及多头收益均较原始最新披露ROE提升（全市场IC从0.026提高到0.030，胜率从69.4%提升至77.6%）。

• 结论： 利用波动率倒数加权更温和、有效地调整了因子信号质量，提升了因子稳定性与预测能力。[page::9-10]

3.3 结合一致预期ROE的波动率加权预测

• 思路： 将结合最新披露+一致预期ROE预测值，进行波动率倒数加权，进一步提升预测的准确性。

- 效果（表14）： 加权后MAE、RMSE均较未加权组合模型明显改善，R^2提升使预测更精准。

• 选股效果（表15、图3、表16）：

- 统计全市场及分市场数据，采用波动率加权后的联合预测因子IC均优于其他方法，提升最为显著，收益表现更稳健。
- 2016年后，改进效果尤其突出，体现策略动态应对市场变化能力。

• 总结： 结合业绩预期与历史信息，通过波动率调整优化信号权重，是提升ROE因子表现的关键步骤。[page::10-12]

---

4. ROE波动率的行业差异分析

• 发现： ROE波动率存在明显的行业异质性，周期性行业如有色金属、房地产、煤炭、钢铁等极端波动股票比例高，同时这些行业加权权重偏离市场均值较大。

- 原因猜测： 该类行业受宏观经济周期影响大，盈利波动明显且同向变动特征明显，导致ROE波动大。

• 传媒行业特殊案例： 该行业ROE高波动区别于周期，主要源于高商誉占比及基于PE的商誉估值方法。

- 数据支撑（表17、图4、图5）：
- 传媒行业商誉比例与ROE波动权重相关系数显著高于市场整体，且2018年监管加强后关联上升。

• 结论： 不同行业ROE波动背后原因不同，需针对行业特征开发差异化预测模型，提高ROE预测精度。[page::12-13]

---

5. 总结与讨论

• 研究意义： 随着A股市场效率提升，ROE因子成为热门且重要的基本面选股因子。传统最新披露ROE因滞后性而效果受限。本文通过结合一致预期数据和波动率加权，提升了当期真实ROE的预测能力，进而改善因子的选股表现。

- 成果亮点： 新因子IC和月均溢价提升约50%，多头收益、空头收益均优化，更接近理论最佳预测因子效果。

• 未来方向： 依然存在空间提升，尤其是分行业专项模型可以进一步提高预测准确率和选股效果。

- 逻辑总结图阐释： 对未来最理想数据（当期真实ROE）不可直接获取，基于最新披露ROE自相关性，采取一致预期数据和波动率调整两条路径，同时优化最终因子性能。[page::13]

---

6. 风险提示

• 市场系统性风险：市场整体变动可能影响因子表现。

- 模型误设风险：模型假设可能存在偏差或不符合未来市场实际。

• 有效因子变动风险：因子有效性可能因市场风格或结构变化而减弱。[page::14]

---

图表解读

表1 & 表2：最新披露ROE与当期真实ROE选股效果比较

• 反映最新披露ROE由于信息滞后，选股性能逊于当期真实ROE。

- 剔除财报空窗期影响后，选股差异仍存在，表明空窗期非主因。

表3 & 表4：ROE自相关与动量贡献分析

• ROE具显著自相关性，单季度ROE自相关约0.5，预计选股中动量贡献显著。

- 剔除动量成分后，最新披露ROE选股效果明显下降，显示动量为重要驱动。

表5 & 表6：一致预期ROE的相关性与选股效果

• 一致预期ROE与真实ROE相关较强（0.6左右），但单独作为因子效果弱。

- 受限于覆盖率低及数据偏差，纯用难取得好选股表现。

表7至表9 & 图2：结合一致预期ROE预测提升效果

• 结合回归模型，预测误差降低（MAE与RMSE均改善）。

- 选股IC和多空收益提升明显，图2显示累计因子增值优于传统做法，尤其2017年之后。

表10 & 表11：剔除高波动股票的预测性能改善

• 全市场剔除高波动股票后预测误差显著下降。

- 大盘蓝筹因业绩稳定，剔除效果不大。

表12 & 表13：波动率倒数加权改进预测

• 加权后MAE、RMSE降低，IC和胜率等选股指标提升显著。

- 多头收益改善，显示稳定性提升。

表14 & 表15 & 图3 & 表16：波动率加权结合一致预期ROE预测的最优效果

• 预测误差最低、IC及收益率最高，超过其他所有单因子或组合因子。

- 图3累计因子溢价曲线领先，分年表现尤为稳定，特别迎合近年市场环境。

表17 & 图4、图5：行业ROE波动及其成因

• 周期行业和传媒行业ROE波动显著高于其他行业。

- 传媒行业ROE波动与商誉占比高度相关，体现行业特性对模型设计的重要性。

图6：基本面逻辑改进ROE因子流程示意

• 体现基于理论理想的当期真实ROE，利用最新披露ROE通过波动率调整与一致预期数据叠加，提高预测准确性，最终形成改进因子。

---

批判性视角与细微差别

• 报告充分利用丰富数据与多角度验证方法，实证分析完善。

- 一致预期ROE因覆盖率不足和卖方分析师偏好效应，单独使用效果不佳，报告对此未夸大，描述客观。

• 剔除高波动股票虽提升了因子质量，但缩小了投资范围，且波动率强依赖择优的参数设定，存在一定政策风险。

- 报告提到行业差异，建议进一步行业细分因子开发，但未展开具体方法论。未来工作可涵盖更多行业定制建模。

• 预测模型基于历史回归，隐含未来市场稳定性的假设，面临模型风险和结构突变风险。

综上，该报告提供了以系统化方法改进ROE因子的清晰路径和验证，实用性强，但需关注模型制定中的潜在风险和行业差异带来的复杂性。

---

结论性综合

海通证券的本份研究报告系统分析了传统ROE因子在A股选股中的局限性，尤其是最新披露ROE的时间滞后问题对选股效果的拖累。通过创新性地结合分析师一致预期ROE数据与基于历史ROE波动率的倒数加权调整，研究成功构造了更加接近当期真实ROE的预测因子。

实证结果显示：

• 结合预期与波动率加权的联合预测因子在IC (信息系数)、选股胜率及月均超额收益率等核心指标上，相较传统的最新披露ROE提高约50%，显著提升量化选股的有效性。

- 预测模型在全市场及沪深300、中证500等不同市场范围均保持优异表现，特别是在近几年市场环境中作用更为明显。

• 行业分析揭示不同行业ROE波动成因不同，周期性行业多波动与经济周期相关，传媒业波动则与商誉估值机制有关，指明未来分行业针对性模型开发方向。

此外，报告图谱直观展现了因子改进的逻辑链条与演进过程，验证数据样本跨度长、方法严谨。风险提示涵盖市场与模型风险，保持了分析的客观审慎。整体而言，该报告不仅为ROE因子优化提供了实用方法论，也深化了对基本面因子时效性与预测技术的认知，具备较高的理论和实务参考价值。[page::0,4-14]

---

重要图表参考

• 

朝阳永续一致预期 ROE覆盖度，显示数据源覆盖有限，影响因子广泛应用。

• 

预测当期ROE较传统指标表现更优的累计因子溢价曲线。

• 

多种ROE预测方法的因子溢价累积净值图，展示波动率加权联合预测领先性。

• 

不同行业ROE波动率极端数占比与波动率权重偏离均值，突出周期性行业波动显著。

• 

传媒行业商誉占比与ROE波动权重相关系数，体现特殊行业波动来源。

• 

使用基本面思维改进ROE选股效果的逻辑链条，清晰展示方法论框架。

---

综上，该研究为基于基本面的ROE因子预测施以创新的时效提升方案，方法科学、数据扎实，既有理论深度也具实务指导意义，值得投资量化研究者深入学习和应用。[page::0-14]

报告