市场反应因子构建及分类型介绍 [page::3][page::5]

• 设计两类公告事件市场反应因子：分析师报告因子（AROR）和交易因子（TROR）。

- AROR因子基于公告前后分析师的盈利预测调整与点评，因子多为0-1指标，表现出稳定的选股能力。

• 交易因子包括公告前及公告当天的量价指标，结合复杂函数表达式，捕捉跳空开盘幅度、日内涨幅等多维信息。

- 多张分析师因子与交易因子选股表现的累计多空收益折线图展示出因子在2007-2020年之间稳健收益趋势。

交易因子统计特征与非线性选股特性分析 [page::7][page::8]

| 指标名称 | 平时信息系数 | 公告时信息系数 | 公告时与盈利指标相关性 |
|-------------------------------------------------|-------------|---------------|---------------------|
| oprs (跳空幅度类核心因子) | 2.00% | 8.80% | 35.40% |
| csregres[tsdelay[tslma[rltrn;5];1],rltrn] | -3.20% | 0.30% | 1.30% |
| divide[turn,tsdelay[ma[turn;5];1]] | -0.50% | 3.40% | 0.80% |

• 公告当天的量价指标与平时表现差异显著，存在明显的非线性效应。

- TROR因子的非线性选股特征，通过公告日不同涨跌幅分组的60日累计超额收益曲线揭示，反转效应显著且后期正向趋势明确。

MROR模型构建流程与数据采样 [page::9][page::10][page::11]

• 使用滚动训练法，每半年训练一次，基于过去五年公告事件样本回归拟合未来60个交易日的超额收益。

- TROR模型使用公告日及前5日量价因子预测T+1到T+61日超额收益。

• AROR模型使用公告日起5个交易日内的分析师点评因子，预测T+6到T+66日超额收益。

- 采用线性回归（非负约束）和提升树回归进行因子拟合，后者对非线性效应响应更佳。

事件模型预期收益率曲线与因子化方法介绍 [page::11][page::12][page::13]

• 预期收益率曲线定义为事件发生日0时点起股票未来时间区间的预期收益，突破传统单周期因子预测。

- 利用拟合的回归系数构建凸型二次多项式拟合曲线，实现平滑的前向beta预期收益曲线。

• 任一时点给定周期的预期超额收益，通过当前时点距离公告天数乘以预期曲线差值得出，支持任意周期收益率滑动预测。

多空组合表现与中证500指数增强应用验证 [page::13][page::14][page::15]

• AROR与TROR模型构建的多空组合净值累计表现优异，提升树模型明显优于线性模型，尤其TROR体现非线性优势。

- MROR模型与基准模型相关性较低，互补性强，提升后策略年化超额收益由18%升至20%，信息比由3.13升至3.73。

• 择时数据显示，模型在每年7月至年底存在明显失效区间，体现较强的日历效应，反映上市公司基本面信息在该时期的市场敏感性下降。

增强组合年度表现统计 [page::15]

| 年份 | 组合收益 | 指数收益 | 超额收益 | 单利年化收益 | 跟踪误差 | 信息比 |
|------------|---------|---------|---------|-------------|---------|---------|
| 2010年至今 | 33.4% | 6.5% | 26.9% | 26.7% | 4.0% | 6.75 |
| 2011 | -22.5% | -33.8% | 11.3% | 15.9% | 3.8% | 4.14 |
| 2015 | 101.1% | 43.1% | 58.0% | 36.0% | 7.9% | 4.56 |
| 2018 | -23.2% | -33.3% | 10.1% | 14.9% | 6.5% | 2.30 |
| 2019-2020 | 54.7%,53.8%|26.4%,20.9%|28.3%,32.9%|20.2%,24.8%|6.2%,7.0%|3.25,3.53|

• 增强策略明显优于基准指数，且在市场下跌年份表现相对较弱，反映盈利敏感度随市场环境变化。

- 明确模型的日历效应，指导在7月至年底减少依赖该模型的策略应用。

报告分析：利用公司公告时的市场反应构建股票收益预测模型

---

1. 元数据与概览

• 报告标题: 利用公司公告时的市场反应构建股票收益预测模型

- 发布日期: 2021年2月22日

• 发布机构: 天风证券研究所

- 作者: 低飞跃 分析师（SAC执业证书编号：S1110520120001）

• 研究主题: 探讨利用上市公司公告事件期间的市场反应信息，构建股票收益预测模型，并将预测结果转化为日频因子，进而增强多因子选股模型的表现，特别是在中证500指数增强策略中的应用效果。

核心论点:
报告基于股票公告事件前后市场反应信息，设计了市场反应因子，建立两个主要事件模型：TROR（交易类因子）模型和AROR（分析师报告类因子）模型。通过线性回归和提升树回归对公告发生后三个月（60个交易日）的股票超额收益进行预测，继而将预测收益转化成连续的预期收益率曲线（日频因子），用于多因子模型中。实证表明，加入公告事件模型后，中证500指数增强策略的年化超额收益率和信息比均得到提升，显示了公告事件市场反应因子的独特价值。[page::0, 3, 6, 14, 15]

---

2. 逐节深度解读

2.1 引言

引言部分说明了市场反应信息的两大来源——交易数据和分析师点评报告。报告基于之前两篇经典报告《净》（基于利润超预期的异象）和《树》（树模型提取非线性alpha信息），指出《净》报告存在覆盖率低、调仓时间固定的问题，该报告则通过建模方法解决这两个问题，实现了对所有股票公告事件的连续覆盖。
设计了两类事件因子MROR：交易类因子TROR和分析师因子AROR，分别采用线性回归和提升树回归建模。结果模型覆盖面广且可连续生成日频因子，用于多因子组合构建。[page::3]

2.2 基准模型

报告设定两种基准模型供后续对比：

• 盈利质量与成长模型（Quality and Growth model）：利用季度ROE、净利率、毛利率、周转率等指标及其同比、环比、超预期等特征，经行业排序和中性化处理，采用带非负限制的逐步线性回归训练模型。[page::4]
• 分析师预测数据模型（Analyst Forecast Data model）：包含一致预期、分析师覆盖率、预测调整、评级等多种指标；对于连续指标使用中位数填充缺失，计数指标用零填充；采用lightGBM提升树回归训练，利用时间序列3折交叉验证优化超参数。[page::4]

2.3 MROR因子简介与选股特征

• 分析师报告类因子（AROR）包含预测类（分析师上调预测百分比、公告ROE偏差等）、点评类（是否认为业绩超预期）、人数类（首次覆盖分析师人数等），大部分为0-1类指标且表现出良好选股能力。四个图表（图1-4）展示了这些因子从2007年至2020年间的多空组合累计收益，均呈稳健增长趋势，体现良好预测能力。[page::5, 图1-4]
• 交易类因子（TROR）分为公告当天因子和公告前因子，涉及风险调整后的开盘跳空幅度、日内涨幅、换手率等复杂量价指标。通过表4至表6详细列出具体公式和变量含义。著名的JOR因子是公告当天开盘跳空幅度的非线性选股指标，证实了公告后股票跳空价格的选股价值。交易因子在公告时间和平时呈现不同的信息系数，存在独立的选股信息和非线性特征。例如公告时某些因子信息系数从负转正，反映公告事件对价格影响与平时不同。[page::5-7]
• 表7统计多个TROR因子在平时、公告时信息系数与公告时与ROE同比的相关性，数据揭示公告时交易因子的选股能力及其独立性，批注指出oprs、JOR因子显著与ROE同比高度相关，支持其作为核心因子。[page::7]
• 图5与图6详细展示了TROR因子（oprs与cors组合）选股的非线性特征。公告当天的正向日内涨幅（cors）在头5天呈现明显反转效应，但5天后正向涨幅对应的股票表现明显优于负向涨幅股票，揭示了因子内的动态非线性选股结构。[page::8，图5-6]

2.4 MROR模型构建

• 训练目标与方法：

预测公告发生后60个交易日的超额收益，采用滚动训练（每年5月和11月训练），训练窗口为前5年数据（图7示意）。

• TROR模型采样： 以公告当天及公告前5天的量价指标作为自变量，$T+1$至$T+61$日的风险调整残差收益率为因变量（图8示意）。
• AROR模型采样： 以公告前及公告后5天内的分析师点评数据为自变量，$T+6$至$T+66$日的超额收益为因变量（图9示意）。
• 采样示例： 以平安银行2020年4月21日公告为例，图10、11清晰展示两个模型各个时间段自变量和因变量的对应关系。[page::9-10, 图7-11]
• 回归方法： 采用受非线性影响考虑的两种方法：

- 线性回归：带非负约束的最小二乘回归
- 提升树回归（lightGBM），用5折交叉验证确定参数和早停机制，超参数设计具体且有限制条件，保证模型泛化能力。[page::11]

• 降低与常用因子相关性：

为确保MROR模型的独特性，采用区间正交化技术减少与财务成长、分析师预期及换手率波动等传统因子的相关性，提升模型在多因子体系中的增量价值。[page::11]

2.5 事件模型预测值因子化

• 定义预期收益率曲线（Expected Return Curve），表示模型对不同未来持有期内股票累计收益预期。区别于传统单周期因子预测，强调多周期收益动态预测，有利于整合快慢因子，指导交易决策，兼顾交易成本。
• 通过回归估计模型预测值$\bar{y}$与累计残差收益之间的关系，构造前向beta曲线$\{b_t\}$；再用带约束的二次多项式拟合该曲线，得到预期前向beta函数$f(t)$。约束保证曲线凹型和正收益等合理经济性（图12示例）。
• 任意股票的预期收益曲线为$\bar{y}f(t)$；进一步，可计算任意时刻未来固定周期（例如20个交易日）的预期收益$\bar{y}(f(T+20)-f(T))$，将事件模型预测零散的收益转化为连续的日频因子，实现模型预测值的多周期因子化，方便多因子模型使用。[page::11-13，图12]

2.6 实证结果

• 多空策略表现（图13，14）:

AROR模型线性回归与提升树效果相近，TROR模型提升树明显优于线性回归，符合因子的非线性特性，提升树能有效捕获非线性alpha。[page::13，图13-14]

• 相关性分析（表8）：

MROR模型与基准模型相关性较低，说明其提供了不同的信息增量。TROR与AROR模型间相关性也较低，模型能够互补。[page::14]

• 中证500指数增强应用（图15，16，表9）：

引入MROR模型后，增强组合的年化超额收益从18%提升至20%，信息比由3.13提升至3.73；说明模型在实际指数增强投资中有效提高了收益表现。
年度表现中，成长风格好的2019、2020年模型效果减弱，推测由于动量和分析师预测数据基准模型表现优异。历史多次市况下跌年份增强效果较弱，表明下跌阶段市场对基本面反应较弱。
显著的日历效应表明，模型增强效果自每年7月起趋势减弱至年底或次年初，可能与基本面信息披露节奏有关，指向7月至年底为信息透明度降低期，市场反应较弱。[page::14-15, 图15-16，表9-10]

2.7 总结

报告提出基于公告事件市场反应信息构建的股票收益预测模型，利用交易数据因子和分析师点评因子，结合线性及非线性建模手段，精准捕捉公告事件后未来三个月股票超额收益趋势。模型不仅覆盖面广，且可转化为日频因子，打通事件模型与多因子体系。实证证明其能够稳定提升中证500指数增强策略的超额收益及信息比，具有实用价值和普适性，并明确了模型适用的时间窗口和日历效应，为投资者合理使用提供指导。[page::15]

---

3. 图表深度解读

图1-4：分析师报告类因子多空收益表现

• 展示不同分析师因子（如分析师上调盈利预测比例、公告后分析师覆盖数、业绩超预期情况及报告标题中提到业绩超预期）的多空累计收益曲线，自2007年至2020年均呈正向稳定增长，说明分析师点评因子具有持续的alpha空间支持。

- 四条曲线表现一致且稳健，证实了分析师点评的市场发掘能力。

图5-6：TROR因子选股的非线性特征

• 图5对公告当天oprs为1%-2%区间，根据cors不同水平划分三组股票，观察未来60天平均累计超额收益。

- 显示公告当天日内涨幅变化对oprs选股能力有调节作用，简言之，只有当cors处于适中涨幅时，oprs的选股能力最佳。

• 图6对oprs=1%-2%区间，基于cors正负划分，观察头5天及后续日子的累计收益表现。

- 头5天呈现典型反转（cors为正的股票下跌，cors为负的股票上涨）；5天后反转结束，cors正股表现优于cors负股，动态性显著。这说明因子存在复杂的非线性时间动态，提升树模型作为非线性方法更适合捕捉此特征。

图7：滚动测试示意图

• 展示模型训练与测试时间节点关系。以半年度为周期更新训练样本，避免过拟合和概念漂移，同时保证模型更新的及时性。

图8-9：TROR与AROR模型采样方法示意图

• 明确了变量时间序列关系：

- TROR模型自变量取公告当天及前5日量价指标，因变量对应公告后1-61日收益。
- AROR模型自变量为公告前及公告后5日分析师点评数据，因变量对应公告后6-66日收益。

• 图示清晰辅助理解时间窗口设计合理性，AROR因点评发布需时间，故起始期较TROR模型滞后。

图10-11：实例采样示例

• 以平安银行2020年4月公布财务报告为样本，图示两模型采样时间段，具象化模型样本构建过程，验证理论时间窗口的实际应用。

图12：预期前向beta曲线示例

• 展示提升树回归下TROR模型预测值与不同时长累计收益的linear beta校准曲线及其二次多项式拟合结果。

- 拟合曲线平滑且代表预期收益分布，曲线为凹型且斜率均为正，体现未来收益权重递减但正收益的经济合理性。

图13-14：AROR与TROR多空收益累计曲线

• 两个因子的测试中，提升树回归模型明显优于线性模型尤其在TROR侧，图形上提升树回归曲线的累计收益增长更为平稳且幅度更大。

- 印证了之前选股能力分析中的非线性特征。

图15-16：中证500指数增强效果及提升

• 图15比较基准模型（baseline）和基准+MROR模型（all）净值表现，显示加入MROR因子后策略收益显著提升且更平稳。

- 图16展示两者差值，明确呈现超额收益提升趋势。

• 该数据直观反映了MROR模型在指数增强策略中的实际贡献。

---

4. 估值分析

本报告主要是因子模型构建及应用研究报告，无直接企业价值估值部分，但其价值归于因子模型带来的超额收益提升。分析侧重点为模型构建及收益预测，评估指标包括超额收益率、信息比、跟踪误差等，强调风险调整后的收益能力。通过非线性提升树模型与传统线性回归的对比，展示了提升树回归在捕获复杂非线性信号上的优势。

---

5. 风险因素评估

• 模型失效风险: 如同任何基于历史数据的量化模型，模型可能因市场环境变化、投资者行为变动或政策调整而失效，尤其公告事件的基本面信息可能因信息披露制度改革而变化。
• 因子失效风险: 交易类因子和分析师点评因子均基于历史行为模式，若未来投资者反应模式发生根本性改变，因子信号可能失准。
• 市场环境风险: 市场整体波动性增加或大类资产调整，会影响模型表现，同时模型在市场下跌阶段表现较弱（如2011年、2016年、2018年），说明模型较依赖于正常或上涨的市场环境。
• 日历效应风险: 7月至年底期间模型增强效果减弱，可能因信息披露淡季导致基本面信息不足，模型在该时间段表现不稳定。

报告未提供详细缓解措施，但通过滚动训练、正交化处理和非线性建模，已在一定程度上增强模型的稳健性和适应性。[page::0, 14-15]

---

6. 批判性视角与细微差别

• 优势判断合理: 报告通过详尽数据和多角度实证，论证了公告事件期间市场信息的预测价值，并采用多种建模方法验证因子的非线性选股能力。
• 关注点:

- 报告依赖过去十多年的历史数据和中证500指数实验，模型适用性在其他市场或极端市况下未明示。
- 日历效应表明模型并非全年均有效，投资者需警惕夏秋季业绩披露窗口期的模型表现下降风险。
- 对于提升树模型，参数选择空间有限且仅采用lightGBM，可能限制捕获更复杂非线性特征的潜力。
- 报告强调基准模型和市场反应模型的相关性低，但部分相关性仍存在，实际应用时依然需关注多因子共线风险。

• 细节补充: 区间正交化方法虽提及，但技术细节依赖旧报告，首次读者可能需额外查阅。

---

7. 结论性综合

该报告通过细致的市场反应数据挖掘，创新设计了基于上市公司公告事件的市场反应因子——MROR模型，分别包含交易类因子（TROR）和分析师类因子（AROR），并将它们通过线性回归和非线性提升树模型拟合公告后股票未来60天超额收益。报告严密建立了从事件收益预测，到预期收益率曲线构建，再到任意周期日频因子的转化方法，解决了事件模型应用中因预测时点分散、频率不连贯的问题。

丰富的统计数据和图表如TROR因子的非线性特征（图5、6）、模型多空收益曲线（图13、14）、预期前向beta曲线（图12）等，均支持模型的稳健性和选股能力。实证结果强烈表明，将MROR模型纳入多因子体系，尤其是中证500指数增强策略中，能显著提升年化超额收益率（从18%到20%）及信息比（从3.13到3.73），实现了基本面公告事件信息的有效量化利用。

同时，报告指出了模型存在的日历效应、下跌市场灵敏度不足等现实应用限制，为后续策略调整和模型改进提供了重要思路。总体而言，该研究在利用公告事件市场反应信息构建预测模型的理论与应用层面皆有突破，为投资者在多因子投资框架内引入高质量事件信息提供了切实可行的解决方案和范例。[page::0-15]

---

参考文献和数据来源

• 天风证券研究所原创数据与分析

- Wind数据支持

• 相关研究报告：《金融工程：基于净利润断层的选股策略》、《金融工程：用树模型提取分析师预期数据中的非线性 alpha 信息》[page::0, 5]

---

此分析涵盖了报告所有核心内容与图表解读，详细说明了模型构建、操作流程与风险控制，为理解如何基于公告事件市场反应信息进行股票收益预测与实盘应用提供了专业指南。

报告