ROE与盈利预测在A股中的实证表现 [page::2]

• 传统基于历史TTM ROE的选股策略在A股无显著正负超额收益，IC均值仅为0.003。

- 引入未来12个月ROE预测（ROE12Mshift）后选股效果显著增强，IC均值升至0.056，胜率提升至66.2%。

三类盈利预测模型及其预测准确度比较 [page::3][page::4][page::5][page::6]

• 时间序列方法（如随机游走模型）利用盈利均值回复特征，需长历史数据参数估计。

- 横截面回归模型参考Hou(2012)，通过当期市值、估值、行业等多变量预测未来ROE，Adj. R²最高达70%，且随年报披露逐步提升。

• 分析师一致预期覆盖率整体良好，但存在盈利高估现象，高估幅度随年报披露下降，平均高估约30%-75%，且用加权调整可改善预测精度但未超越时间序列法。

- 综上，时间序列法预测准确性优于一致预期和横截面，且分析师预期偏差存在可预测性但难以完全校正。

分析师一致预期的选股信息增量及盈利预测调整 [page::8][page::9]

| 因子名称 | IC均值 | ICIR | 平均月收益 | 胜率 | 最大回撤 |
|------------|--------|-------|-----------|--------|----------|
| EP(TTM) | 0.013 | 0.35 | 0.00% | 48.7% | -44.9% |
| EPFY1 | 0.044 | 1.07 | 1.50% | 63.3% | -29.6% |
| EPFY1adj | 0.022 | 0.52 | 0.40% | 52.8% | -30.8% |

• 分析师一致预期计算的估值指标EPFY1信息增量显著优于历史盈利指标EP。

- 调整分析师预期偏差后的EPFY1adj选股表现反而下降，显示调整可能破坏了相对排序。

• 一致预期的动态变化和横截面相对差异是其选股价值的关键。

市价隐含预期收益（ICC）及其与PE、PEG的关系 [page::9][page::10]

• 基于东森模型，将未来两期EPS及股价反算股票隐含预期收益率ICC，理论上等价于PEG倒数平方根，且涵盖简单PE倒数的特例。

- ICC可从盈利预测数据计算得出，且具有明确的金融理论支撑。

• 以ICC为基准构建因子，利用分析师一致预期、历史盈利预测分别获得表现优异的ICC指标和次优PEGhis因子。

- ICC因子和DeltaICC（月度变化）均表现出良好选股能力。

ICC因子历史回测表现 [page::11]

• ICC基于分析师一致预期计算的因子拥有IC约0.038，ICIR达到1.86，月均收益约1.1%，胜率66.7%。

- PEGhis因子IC明显较低，表现不如ICC[page::11]。

ICC在指数层面择时能力测试 [page::12][page::13]

• 通过IVX回归方法检验ICC指标对沪深300、中证500、中证全指3大指数未来1、3、6、12个月收益的预测能力。

- 结果显示只有中证500指数的12个月收益与ICC存在显著正相关，其他期限及指数无显著预测能力，表明ICC更适合横截面选股而非择时。

• EPFY1在该回归检验中最显著，且表现稳定。

- 图16显示中证500指数走势与ICC指标的关联趋势。

报告总结与风险提示 [page::14]

• 准确盈利预测是A股超额收益重要来源，TTM盈利指标预测最精确。

- 分析师一致预期主要价值在动态调整和横截面排序，具有实用选股信息。

• ICC指标帮助投资者识别相对未来收益高低，但短期择时效果有限。

- 风险提示包括模型失效风险及极端市场冲击。

《盈利预测与市价隐含预期收益——因子选股系列研究之四十三》详尽分析报告

---

1. 元数据与概览

报告标题： 《盈利预测与市价隐含预期收益---因子选股系列研究之四十三》

作者与联系方式： 朱剑涛，东方证券研究所证券分析师，联系电话021-63325888*6077，电子邮件zhujiantao@orientsec.com.cn，执业证书编号S0860515060001。

报告发布日期： 2018年9月1日

研究主题： 本报告围绕A股市场盈利预测的有效性及盈利预测在估值与选股逻辑中的应用，重点分析不同盈利预测方法的优势与局限，构建市价隐含预期收益（ICC）指标与相应因子，验证其在A股多维选股与择时中的表现。

核心观点总结：

• 传统ROE因子在美国市场内选股效果明显，但在A股效果差，原因在于传统ROE对未来盈利预测能力不足。

- 用未来一年盈利替代ROE分子后，盈利预测的选股能力明显提升，说明未来盈利的准确预测是获取超额收益的关键。

• 三种盈利预测方法（时间序列法、横截面法及分析师一致预期）中，以时间序列法基于历史TTM数据的预测准确率最高，分析师预测普遍存在高估。

- 分析师一致预期动态调整信息及横截面相对差异，具备信息增量，基于一致预期计算的市价隐含预期收益（ICC）是有效的选股因子。

• ICC更适用于区分股票未来短期相对表现，但择时效力有限，仅对中证500指数未来一年收益有弱显著预测能力。

- 报告最后提示量化模型面临失效及极端市场风险。

---

2. 逐节深度解读

2.1 盈利预测的意义

• 以经典股利贴现模型(DDM)为理论基础，股票价值应等于未来盈利的贴现总和，盈利被视为核心定价因素。

- A股市场中，TTM的历史ROE因子对未来收益预测能力差（IC均值0.003，ICIR 0.08，选股无明显超额收益，最大回撤高达-55.9%），反映实际投资中“看不懂公司盈利”的表现（图1，图中10%多空组合月收益率甚至为负）。

• 美国市场ROE因子相较表现显著：IC 0.04，ICIR接近2，选股效果佳。

- 假设投资者能知晓12个月后的ROE（未来ROE12Mshift），则选股效果显著改善（IC 0.056，ICIR 1.43，月均超额收益2.3%，最大回撤降低至30.2%），说明未来盈利的准确预测是核心优势。

• 因此，A股市场投资者实际“看盈利”，只是历史盈利信息对未来预测作用较弱。[page::2]

2.2 盈利预测方法与实证

2.2.1 时间序列方法

• 利用AR类自回归模型基于公司历史盈利(如ROE)预测未来盈利，前提假设是盈利存在均值回复性。

- 图3显示不同盈利水平分组的股票ROE五年后均向均值靠拢，但高盈利组依旧保持相对优势。

• 市场竞争压力导致盈利均值回复，但不同行业差异大，监管垄断行业不一定回归均衡。

- 时间序列模型需较长历史数据，A股数据缺乏限制模型复杂度，故报告取用最简单的随机游走模型，即用最新的TTM盈利预测未来。[page::3]

2.2.2 横截面方法

• 横截面模型用当期市场所有股票的相关指标预测未来盈利，公式形式为$\mathrm{Y}i^{t+1} = f(\mathrm{X}{1,i}^t, ..., \mathrm{X}{K,i}^t)$。

- 变量选取参考Fama&French(2006)、Hou(2012)、Novy-Marx(2013)等文献，报告采用Hou(2012)线性模型，因其在估值、隐含成本等领域引用较多。

• 以未来年报ROE为Y变量，自变量包括市值对数、账面市值比(BP)、ROE(TTM)、股息率以及行业哑变量，加入亏损公司盈利均值回复快速的交互项。

- 横截面回归调整后的$R^2$呈周期性波动，年报发布阶段解释力最低（~40%），临近季报时上升至70%，整体模型解释度较高（图4）。

• 数据量大且回归基于TTM数据，兼顾模型稳定性。[page::4]

2.2.3 分析师一致预期

• 一致预期集成多元信息，包括政策、事件等主观判断，但存激烈的利益冲突和市场情绪影响，导致系统性高估收益。

- 通过评级分析师质量（经验、历史偏差、奖励）加权改进一致预期精度，表现优于等权平均。

• 数据覆盖率超过60%，2017年后因龙头股挤压导致覆盖率下降（图5）。

- 计算MAPE和MPE度量预测误差和偏差，结果显示：
- 时间序列方法MAPE最低（较稳定），一致预期误差最大但随年报发布前缓解；
- 分析师一致预期MPE表明明显持续高估(4月高估75%，次年2月仍高估30%)，时间序列最高估幅度1%附近，横截面方法次之（图6、图7）。

• 结合Bradshaw(2012)等国际文献发现，一致预期优于时间序列主要在大型股票的短期预测；A股长期小盘股则非如此。
• 利用市值、估值指标BP、应计项目占比（Accrual / Equity）、成长性指标(ROE变化)、近三个月股价涨幅及行业哑变量，横截面预测分析师偏差，模型平均调整$R^2$仅15%（图8），表明分析师偏差预测难度较大。

- 基于模型反向调整一致预期，显著降低高估偏差且略微提升预测精度，但仍低于简单TTM预测效果（图9、图10）。

• 调整后因子选股效果减弱，表明调整过程可能破坏了一致预期数据的横截面排序信息，信息增量受损。

2.2.4 一致预期信息增量

• 一致预期数据静态值的预测性能不佳，但其时间序列的动态变化及横截面相对关系含有有价值的盈利趋势信息。

- 构建以TTM净利润、未调整和调整后分析师一致预期净利润为分子、市值为分母的估值指标EP、EPFY1和EPFY1adj。

• 因子测试显示：

- EP因子相关性低(平均IC仅0.013，ICIR 0.35，且超额收益无显著表现)。
- EPFY1因子IC大幅提升至0.044，ICIR 1.07，超额收益率达到1.5%，表明一致预期盈利横截面的排序信息对选股有明显帮助。
- 调整后因子EPFY1adj选股能力小幅下降，反映调整过程可能折损信息。

• 进一步用EPFY1对EP做回归取残差仍有显著α，说明信息增量来源于一致预期的相对比较数据而非绝对值（图11）[page::8], [page::9]

---

2.3 市价隐含预期收益（ICC）

2.3.1 PE、PEG与预期收益的关系理论

• 报告基于Easton(2004)的证券估值模型利用两期盈利预测$\mathrm{eps}1$和$\mathrm{eps}2$推导股票价格与预期收益率$r$的关系，弥补传统股利折现模型操作上的限制。

- 若简化无分红且$\mathrm{eps}2 > \mathrm{eps}1$，得出预期收益与PEG指标平方根形式$\displaystyle r = \sqrt{G/PE}$的关系，其中增长率$G = (\mathrm{eps}2 - \mathrm{eps}1)/\mathrm{eps}1$，PE为市盈率。

• 若异常盈利增长归零，预期收益等于EP（收益率倒数）$r=\mathrm{eps}1/P0$。

- PEG估值模型前提松，适应性更强，EP则为简化模型，较易偏离实际。

• 盈利下降情形下模型不适用，或需剩余价值模型（RIM），参数多且敏感。

- 分析师一致预期数据中，$\mathrm{eps}2 > \mathrm{eps}1$在96%的样本中成立，支持上述简化模型应用。[page::9], [page::10]

2.3.2 基于ICC构建选股因子

• 利用三种盈利预测数据（分析师一致预期、历史TTM盈利数据、横截面预测盈利）计算ICC及其衍生因子$\mathrm{PEG{his}}$, $\Delta ICC$。

- 因子表现方面：
- ICC（基于一致预期）的IC=0.038，ICIR=1.86，平均月收益1.1%，胜率66.7%，最大回撤-18.5%，表现优异（图12）。
- PEGhis因子效果较弱，IC=0.019，ICIR=0.81，平均月收益0.2%（图13）。
- DeltaICC因子表现稳健，IC=0.032，ICIR=1.64，平均月收益0.8%（图14）。

• 说明基于ICC计算的预期收益率能够有效区分个股未来相对表现。[page::10], [page::11]

2.3.3 ICC与市场择时能力分析

• 探讨ICC是否可用于择时（即预测指数未来收益），以中证全指、沪深300、中证500市值加权ICC作变量，用IVX回归验证。

- 结果显示：
- ICC对中证500未来12个月收益有显著预测作用（p值<0.05），EPFY1类似表现最佳。
- 对中证全指及沪深300短期（月、季度）无显著预测能力，不能用于市场择时。

• 图15中多时间窗口回归统计量详述，图16展示中证500指数与ICC及其他指标走势对比，凸显ICC与市场收益同向但前瞻性有限。

---

3. 图表深度解读

• 图1 & 图2 (page 2): 真实运营数据中TTM ROE与未来股票收益的相关性几乎为零，多空组合超额收益为负，表明历史ROE无明显预测能力。反观预测一年后ROE分组后，IC均值0.056，ICIR 1.43，月均超额收益2.3%，最大回撤30.2%，显著提升。表明动态未来盈利指标对股票超额收益有区分力。
• 图3 (page 3): 展现2006-2018年间不同盈利水平股票的ROE长期均值回复路径。高盈利组从26%逐年回落至近10%，低盈利组向正值靠拢，验证盈利均值回复假设，为时间序列预测提供理论支持和实践依据。
• 图4 (page 4): 横截面模型每月Adjusted R-squared动态，范围从约35%到70%，说明随着财报信息披露，模型解释力增强，反映横截面特征变量对短期ROE预测的有效性。
• 图5 (page 5): 分析师一致预期数据覆盖率变化，持续大于60%，但2017年后明显下滑，透露市场关注度向龙头个股集中，小市值及冷门股一致预期覆盖减少。
• 图6 & 图7 (page 6): MAPE与MPE曲线显示三种模型中时间序列法误差最小且较少偏高估，分析师一致预期误差最大且系统性偏高估（最高75%）。季报半年度财报公布阶段，各模型误差减小。
• 图8 (page 7): 预测分析师偏差横截面回归的调整$R^2$，均低于20%，证实预测偏差模型应用限制，实际预测效果有限。
• 图9 & 图10 (page 8): 对分析师一致预期数据进行预测偏差调整后，MAPE显著下降，但仍不及直接TTM历史数据准确。高估幅度变小提升显著，提升了预测质量。
• 图11 (page 8): EP、EPFY1和EPFY1adj因子选股效果对比，EPFY1效果最好，横截面基于一致预期的估值指标有效捕捉信息增量，验证分析师预期动态与横截面优劣信息。
• 图12、图13、图14 (page 11): 市价隐含预期收益指标（ICC）及衍生因子的月度多空收益分组表现图，显示ICC因子稳定带来约1.1%月均超额收益，表现最佳，PEGhis次之，DeltaICC亦表现稳健。
• 图15 (page 13): IVX回归统计数据表明，ICC主要对中证500指数有长期（12个月）明显预测效果，且基于一致预期的估值（EPFY1）表现出更强的统计显著性，验证ICC在局部范畴的择时潜力。
• 图16 (page 14): 中证500指数与EPttm、EPFY1及ICC走势对比曲线，ICC与指数走势存在相关，但波动幅度及领先指标效应有限。

---

4. 估值分析

• 报告基于Easton(2004)模型，将股票价格与未来盈利预测联系，推导出PE、PEG指标作为预期收益估计的理论依据。

- 市价隐含预期收益ICC作为反算投资者需求收益率的工具，基于盈利增长预期及当前股价，得到预期收益率的数值解。

• ICC计算依赖于未来收益预测的准确性，使用分析师一致预期得出ICC效果更佳，变异的PEGhis和Delta_ICC因子亦表现有效。

- 理论中通常简化无股息假设，视盈利为全部现金流，实际估值中需注意分红政策差异带来的影响。

---

5. 风险因素评估

• 量化模型失效风险： 基于历史数据的模型可能因市场结构变化、政策环境调整等失效，未能完全捕捉新兴事件及市场行为。

- 极端市场冲击风险： 市场波动高度异常期（如危机、政策突发事件）模型稳定性大幅下降，可能带来较大损失。

• 分析师预测偏差风险： 一致预期存在系统性高估，且调整模型预测偏差解释度不高，容易带来预测错误风险。

- 数据覆盖限制： 特别是在小市值股票或特定行情阶段，分析师数据覆盖下降可能导致模型失效。

---

6. 批判性视角与细微差别

• 报告充分展示了盈利预测市场的复杂性与挑战性，客观评价了不同预测方法的性能及约束。

- 对时间序列方法使用随机游走模型较为保守，虽规避了参数估计风险但忽视了可能的序列依赖结构。

• 一致预期数据含主观偏差，且调整模型预测偏差解释力度不高，存在信息利用与扭曲的矛盾。

- ICC因子尽管表现良好，但择时能力有限，暗示市场短期价格波动受多元复杂因素驱动，盈利预期仅占部分。

• 风险提示简洁有力，但未对数据质量风险、模型参数敏感性等技术细节给出更细致讨论。

- 报告假设部分较强，如简化无股息假设对部分行业（高分红）适应性存疑。

---

7. 结论性综合

本报告系统地梳理并比较了三种盈利预测方法在A股的表现：历史TTM时间序列法因其统计稳定性及均值回复特性，预测准确恒优，其次为横截面回归法，分析师一致预期虽含丰富信息但存在系统偏高的结构性问题。

进一步的实证分析表明，用未来盈利替代传统历史ROE分子后，盈利预测因子的选股能力显著增强，投资者能够基于更准确的未来盈利信息获得超额收益。

利用Easton(2004)模型计算市价隐含预期收益（ICC），作为预期收益率指标，能够有效体现市场对未来盈利的定价，ICC因子具有良好的选股表现，能够区分个股未来相对收益，但其短期择时效力有限，仅对中证500指数一年期回报展现出部分预测能力。

分析师一致预期动态变化及其横截面排名信息提供了超越历史数据的价值，但预测偏差及高估现象不可忽视，且通过回归调整偏差虽降低了误差大小，但市场择时信息可能受损。

图表数据详实支持以上结论，涵盖盈利预测精度比较、模型解释力、选股因子表现及指数回归测试，验证了理论推导与实践应用的结合。

风险提示合理，提醒投资者量化模型潜在失效及极端市场冲击，建议结合多源信息与动态监控策略使用。

综上，准确盈利预测是A股因子选股的关键突破口，基于未来盈利构建的隐含预期收益因子为价值投资提供有力工具，但其局限性及盈利预测本身的难度决定了该策略应审慎且动态地运用。[page::0, page::2, page::3, page::4, page::5, page::6, page::7, page::8, page::9, page::10, page::11, page::12, page::13, page::14]

---

结束语

此报告为A股市场盈利预测方法论及隐含预期收益率构建提供了重要实证参考，深刻揭示了盈利预测对选股价值的贡献和局限，其理论和实务建议对金融分析师、资管机构及量化投资者具有较强借鉴意义。

---

标注说明： 上文所有结论与数据均依据报告正文及图表出处对应页码标注，符号如 [page::3] 表示引用自第3页内容。

报告