【兴证金工】猎金系列之三十二：财报季的财务效应研究和因子构建
由qxiao创建，最终由qxiao 被浏览 88 用户
导读
量化选股的数据来源无外乎财务数据、量价数据、预期类数据以及部分另类数据（文本、网络热度、专利、新闻情绪等）。除了另类数据的探索之外，传统数据加工方法的创新化也是探寻新Alpha的路径。
我们从公司财务能力的四大衡量维度入手（偿债能力、营运能力、盈利能力、企业发展能力），分别选取有代表性的指标作为公司财务能力的衡量维度，进一步引入计算公司财务能力相似度的方式，相似度高的公司股价应具有一定的协同效应。在此基础上，我们构建了财务动量因子（简称为F-Momentum）去衡量这种协同效应，并研究该因子的选股有效性。
从测试结果来看，F-Momentum因子IC达到0.027，ICIR达到0.42，T值为4.9，分位数各组别严格单调，有效性非常强。尤为难能可贵的是该因子特异性非常强：1)、F-Momentum因子和传统的Barra十风格因子以及兴证金工底层165个因子相关性均低于0.25；2）、即便通过Fama-MacBeth回归测试（将Barra十个风格因子或者我们精选的28个选股因子放入进行测试），该因子Fama-MacBeth测试效果依然非常强；3）、我们将四大财务能力因子等权合成（称之为F-Bench），该因子和F-Momentum因子相关性仅仅为0.11。
实证分析发现该因子在财报季效果更优：财报季结束后的月份因子IC明显高于正常月份。我们认为财报季期间，海量的财务信息超出了投资者的处理能力，而该因子捕捉到了这种信息，进而体现一定的Alpha能力。
作为尝试，我们将该因子与我们团队2019年构建的Adaboost因子进行结合。从测试结果来看，该因子对Adaboost因子有明显的提升作用：以十分位多空为例，复合后的因子多空年化收益率从55.7%提升至57.0%、最大回撤从8.0%改善至5.4%，风险收益比从5.13提升至5.35。
**风险提示：**文献中的结果均由相应作者通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。
布道者Vs. 革新者
量化选股的数据来源无外乎财务数据、量价数据、预期类数据以及部分另类数据（文本、网络热度、专利、新闻情绪等）。其中财务数据应用最为广泛、逻辑性也最为直接。很多学者专家也给出了众多基于财务维度的的选股因子。我们经常提及的价值、成长、质量风格的选股因子等均是财务维度的延伸……这些传统的圭臬便成为量化投资者在研发策略的“桌上宾”。奈何，独木桥上行人多，走的人多了，风景没了，湿鞋的人也多了，同质化让这些因子的有效性在不断降低，波动性也在不断加大。同时，市场真正的Alpha大多来自于超预期，财务基本面的数据实际上是滞后的信息源，所以基于财务数据构建的传统Alpha有可能不是真正的收益，反而是一种虚假的结果（用某类财务数据产生了Alpha，但其真正的原因并不是这些财务数据）。
怀揣着这些经典，咀嚼着现如今的苦涩，那么该何去何从呢？本篇报告正是基于财务维度的方法论的全新探讨。我们仍然运用财务数据，只不过对于财务数据的加工和利用视角不同。正如烹饪，虽然素材相同，但全新的加工过程依然能让“老树开新花”。
我们首先从传统的公司财务能力的四大衡量维度入手（偿债能力、营运能力、盈利能力、企业发展能力），分别选取有代表性的指标作为公司财务能力的衡量维度，进一步引入计算公司财务能力相似度的方式，相似度高的公司股价应具有一定的协同效应。在此基础上，我们构建了财务动量因子去衡量这种协同效应，并研究该因子的选股有效性。
后续如无特别强调，我们的研究时间窗口均指2009年12月31日-2021年9月30日。
财务关联度构建
公司财务能力理论回顾
财务报表综合分析就是将企业盈利能力、偿债能力、营运能力和发展能力等方面的分析纳入一个有机的整体，对企业的各个方面进行系统、全面、综合的分析，从而对企业的财务状况、经营成果和现金流量等作出整体的评价与判断。本文将对财务报表中所反映的企业盈利能力、偿债能力、营运能力和发展能力内涵以及其常用的衡量指标进行介绍。
盈利能力
盈利能力是指企业利用各种经济资源，在一定时期内获取经济利益的能力，盈利能力综合体现了各部门的生产经营情况，良好的盈利能力对企业的持续发展和稳健经营至关重要（洪阳，2014）。盈利能力是企业赖以生存的基本要求，是生存力、发展力、创新力和应变力的基础和综合体现（徐书江，2011）。对于企业的盈利能力，可以从以下几方面进行分析：
第一，与投资有关的盈利能力，主要指标为净资产收益率（ROE）、总资产收益率（ROA）等。
第二，与生产经营有关的盈利能力，主要包括净利润率（NPM）、收入利润率、成本利润率等。
第三，上市公司特有的盈利能力指标，包括每股收益（EPS）、普通股权益报酬率等指标（洪阳，2014）。
净资产收益率（ROE）是公司净利润与净资产的比率，是评价上市公司资本经营效益的核心指标。通常，净资产收益率越高，上市公司自有资本获取净收益的能力越强，股东获得的投资回报也就越多（徐书江，2011）。ROE 衡量的是公司股东的收益率，体现了投资者投入的资金获取净收益的能力，是评价企业自有资本及其积累获取报酬水平的最具综合性与代表性的指标，反映了企业资本运营的综合效应（曾繁荣，2009）。该指标不受行业限制，通用性好（陈瑞希，2018）。而总资产收益率（ROA）指的是税后净利润/总资产，主要作为管理效率指标，反映了企业资产转化为净利润的能力（曾繁荣，2009）。
净利润率（NPM）是指经营所得的净利润占销货净额的百分比，或占投入资本额的百分比。净利润率反映的是费用管理即成本控制与服务定价策略的效率，其在一定程度上反映了管理控制的方向，企业可以通过成功地控制支出以使收入最大化，从而增加收益，提高股东收益率（曾繁荣，2009）。
每股收益（EPS）也被称为每股税后利润，指税后利润与股份总数的比率，是普通股东能够获得的企业净利润。每股收益是衡量企业盈利能力的一大财务指标，其反应企业普通股的实际收益能力和获利水平（陈瑞希，2018）。通常每股收益越高, 企业的获利能力就越强, 表明企业经济效益好（张宝清，2006）。需要注意的是每股收益和分红的关系，不是每股收益越多，企业分红就越多，也要判断企业的股利分配政策，结合企业股利支付率等指标进行全面性考虑（陈瑞希，2018）。
偿债能力
偿债能力是指企业偿还到期长期债务与短期债务（包含本金及利息）的能力，也是指企业利用企业资产在进行经营的过程中创造收益偿还债务的能力。
衡量企业偿债能力的常用指标有流动比率、速动比率和资本周转率等。
流动比率计算了流动资产合计和流动负债合计的比率，它反映了公司流动资产对流动负债的保障程度；
速动比率计算了每1元流动负债有多少速动资产作为偿还的保证，进一步反映了公司资产对流动负债的保障程度；
资本周转率表现为可变现的流动资产与长期负债的比例，反映公司清偿长期债务的能力。
Singh K等（2011年）基于1999年至2008年期间250家印度制造业公司的数据证明，流动比率越高，公司资产流动性越强，公司相对偿债能力也越强；Enyi（2005年）抽取了25个公司样本进行研究表明，使用流动比率、速动比率等指标去衡量一个公司的相对偿债能力效果是显著的；Katerina L（2000年）在研究1997年希腊食品行业的资产流动性数据时发现，资本周转率与流动比率、速动比率有着显著的正向相关关系，并在进一步研究中表明资本周转率越高，企业应付款项递延期越短，偿还负债能力越强。
营运能力
企业营运能力是指企业经营管理水平和资源利用效率的高低。企业收益能力和生产经营能力在很大程度上都取决于该企业自身的经营管理水平和企业效率。Habib和Ljunqvist(2005)运用随机前沿分析（SFA）的方法来衡量了1992-1997年间1487个美国公司的企业效率，发现该期间平均而言，公司16%的价值损失来源于效率低下。
常见的营运能力分析指标包括：**存货周转率、应收账款周转率、总资产周转率和流动资产周转率等。Voulgaris等(2000年)基于财务比率对1988-1996年间希腊中小型公司股票进行评估，发现存货管理（以存货周转率衡量）是公司股票表现的主导因素之一。Deloof(2003)对1992-1996年间1009家比利时的非金融公司分析发现，营运资金管理与公司盈利能力之间存在显著关系，且应收账款周转天数的减少能够提高企业的盈利能力。Fairfield和Yohn(2001)将净营运资产收益变化分解为利润率变化和资产周转率变化，并且发现只有资产周转率的变化才能预测企业未来的盈利能力变化。他们认为：资产周转率的变化通常比利润率的变化更为持久，因此导致更高的公司价值变动。
发展能力
企业的发展能力表现为企业在生存的基础上，能够扩大其规模、壮大其实力的潜在能力。实际上，企业的发展能力也就是企业通过自身的生产经营活动，不断扩大积累而形成的发展潜能。
企业能否健康发展取决于多种因素，包括外部经营环境，企业内在素质及资源条件等。历史研究表明，分析发展能力的主要指标为营业收入增长率、资本保值增值率、技术投入比率等。
营业收入增长率是企业本年营业收入增长额与上年营业收入总额的比率，反映了企业营业收入的增减变动情况；技术投入比率，是企业本年科技支出（包括用于研究开发、技术改造、科技创新等方面的支出）与本年营业收入的比率，反映企业在科技进步方面的投入，在一定程度上可以体现企业的发展潜力。
NufazilAltaf（2016年）选取了 325 家公司作为样本数据，探究 EVA （经济增加值）和营业收入对于企业市场价值的影响，并通过对比分析后发现营业收入相比 EVA 与公司市场价值的关系更加密切。营业收入增长率越高，表明企业增长速度越快，企业市场前景越好，企业持续发展的能力越强。KeeH.Chung（2003年）的实证研究成果则表明，企业未来的发展机会与研究与开发投资活动有显著的相关关系，研究与开发投资是企业取得核心力，占据产品技术高地的关键，企业必须长时间持续性的保持研发活力以换取企业相应的高速发展。
公司财务能力具体指标选择
根据前面的公司财务能力衡量介绍，我们选择偿债能力、营运能力、盈利能力、企业发展能力的10个代表性指标作为维度表征（部分参见图表1）。固然，我们也尝试过其他一些因子的组合，但从结果来看，差异不大；另外从选择的因子两两相关性来看，均较低，具有信息差异性。
相似度衡量理论介绍
在介绍了公司财务能力的不同指标后，我们需要了解如何基于这些维度去捕捉公司在财务能力方面的相似度。我们将这种相似度称之为财务能力关联度指标。那么相似度的定义多种多样，如欧氏距离（Euclidean Distance）、曼哈顿距离（Manhattan Distance）、车比雪夫距离（Chebyshev Distance)、余弦相似度(Cosine Similarity)等等。不同方式的应用场景/优缺点有所不同。我们这里对主流的相似度计算方式进行简单的介绍。
欧氏距离（也称欧几里得度量）指在m维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。从应用上来讲，在数据完整(无维度数据缺失)的情况下, 维度间的衡量单位是一致的, 否则需要标准化处理：
曼哈顿距离则是指欧几里得空间的固定直角坐标系上两点所形成的线段对轴产生的投影的距离总和：
车比雪夫距离是向量空间中的一种度量，二个点之间的距离定义为其各坐标数值差的最大值：
余弦相似度，又称为余弦相似性，是通过计算两个向量的夹角余弦值来评估他们的相似度。余弦相似度主要用来衡量两个向量之间的差异：
除了以上几种方法外，还有皮尔逊相关系数、汉明距离(Hamming Distance)、闵可夫斯基距离(Minkowski Distance)等等。这里就不一一介绍。但需要注意的是，余弦相似度衡量的是投射到一个多维空间中的两个向量之间的夹角的余弦。当在多维空间中绘制余弦相似度时，余弦相似度体现的是每个向量的方向关系（角度），而非幅度。如果想要幅度，则应计算欧几里德或者前面三种距离。
全新的财务动量因子
在介绍完毕财务能力指标以及相似度相关理论后，我们将两者进行结合，通过高维空间来构建股票之间的财务关联度，并进一步构建财务动量选股因子。
因子构建逻辑&流程
所谓财务关联度实际上就是两个股票之间在十个财务因子构建的高维空间下的余弦相似度：
其中k代表因子（十个财务因子）、i代表公司、t代表相应时点；
Cijk代表公司i在t时刻时k因子的值大小；
F-linkijt代表公司i和j在t时刻的余弦相似度，简称为财务关联度。
需要注意的是，由于不同因子的量纲不同，所以首先需要对因子做截面标准化，我们这里采用的是分位数变换标准化方法。
财务关联度是任意两个公司财务维度相似性的衡量方式，在一个时点实际上有3000*3000对数值（假设市场截面共计3000个在市公司）。在财务关联度的基础上，我们构建财务动量因子，具体参见公式（6）：
Retjt表示公司j在t时刻的月度收益率。那么F-Momenit表示针对于公司i，所有关联公司月度收益率（当然这里也可以季度或者其他频次的收益率）的财务关联度加权结果。从这个因子的构建逻辑来讲，因子值越大实际上表示和公司i财务关联度高的集群公司在考察月份（或者其他时间频次，我们后续如无特殊强调，均指月度频次）涨幅相对较高，我们认为这种情况下考察公司i接下来会有上涨的可能，所以简称为财务动量因子。
鉴于构建过程中利用到了月度收益率的概念，为了进一步剥离A股的月度反转效应的影响，我们将生成的财务动量因子对月度收益率做正交化，剥离月度反转效应，形成最后的财务动量因子。
\
因子覆盖度研究
从因子对A股的覆盖度角度来看，除2015年7月份覆盖度较低外，其他月份覆盖度均较高，近年来覆盖度接近100%。而2015年7月份覆盖度较低的主要原因在于当月的月度反转因子覆盖度较低（这是由于我们在计算月度反转因子时，设置了80%的日收益率非空的要求，而2015年7月市场的极度震荡让很多公司临时停盘，所以很多股票日收益率为空）。
抛开2015年7月份来看，该因子覆盖度较高，满足后续的研究需求。
因子有效性分析
从因子IC以及分位数组合测试来看：因子IC均值达到0.027，T达到2.7，分位数各组别基本严格单调，多空组合年化收益率12.9%，有效性较强。
为了进一步剥离行业市值的影响，我们对因子做行业市值中性化处理（实际上该因子和流通市值相关性为0.06，相对较低）。从中性化之后的结果来看，IC以及分位数组合测试均表明因子的稳定性得到大幅度提升：IC的t值从2.7提升至4.9、ICIR从0.23提升至0.41，分位数多空组合夏普率由0.89提升至1.45。所以后续主要用行业市值中性化后的结果(我们仍然用F-Momentum来表示行业市值中性化后的财务动量因子)。
因子选股特异性分析
相关性&Fama-MacBeth测试分析
从前面因子的表现来看，F-Momentum因子选股效果较好。回到因子构建逻辑上，我们实际上筛选财务关联度高同时关联度高的公司涨幅大的公司集合，而财务关联度是建立在细分的财务因子上。我们观察F-Momentum与十个财务因子的相关性，从结果来看，相关性较低。
兴业金融工程团队选股因子库共计165个因子，细分为价值、成长、质量、分析师情绪、动量反转、另类这六大类指标，其中另类进一步分为：规模、风险、流动性、技术这四个子类。我们计算底层165个选股因子与F-Momentum的两两相关性，从结果来看，绝大多数因子和F-Momentum相关性非常低：相关性0.1以下的占比高达93.3%，这从侧面说明了该因子的特异性。
为了进一步说明这个问题，我们通过Fama-MacBeth回归测试来验证其对收益率解释的显著性和特异性。我们首先将十个财务因子和F-Momentum因子一起进行Fama-MacBetch回归测试，来验证F-Momentum相对于这十个因子的特异性。从结果来看，无论是单独回归亦或是将十个财务因子&F-Momentum因子放到模型中进行回归，F-Momentum的解释力度的优势非常明显。这进一步说明该因子的特异性。
进一步，我们从底层165个因子中挑选有代表性的选股因子，共计28个，将这些因子和F-Momentum因子一起作为Fama-MacBeth模型的输入（因子明细参见图表9），来验证该因子的特异性。
从结果来看，即便将28个传统因子和F-Momentum因子一起进行FamaMac-Beth测试，因子的有效性依然非常显著。
相比基准，彰显特异性
和众多因子极低的相关性以及稳健的Fama-MacBeth测试验证了F-Momentum的有效性和特异性。为了进一步论证这种构建方式带来的信息增量，我们将十个财务因子等权合成作为参照，简称为F-Bench（从测试结果来看各个因子均做行业市值中性化后的结果更加优异，所以这里首先将十个因子做行业市值中性化，进一步等权合成）。
单纯从表现上来看，F-Bench足够优异。因子IC达到0.044，T值达到7.42，多空组合年化收益达到18.9%，夏普率达到2.07。但从和传统因子的相关性来看，该因子和传统很多因子相关性较高，相关性大于0.4的因子有9个（其中有4个相关性高达0.6）。这意味着该因子能被传统因子所解释。而进一步观察该因子与F-Momentum因子相关性，我们发现两者相关性仅仅为0.11，相关性极低。
综上分析，虽然F-Momentum因子表现并不如基准，但从和各因子相关性的水准（包括和基准因子）以及Fama-MacBeth测试的结果，论证了该因子选股特异性。
因子有效性深度探究
宽基指数范围内的选股有效性分析
我们知道风格因子的表现不仅仅取决于因子自身还取决于股票池。除行业和特定板块外，主流的宽基指数包括沪深300、中证500等。理想情况下基于相应股票池进行研究得到的规律是更为可靠的（毕竟很少有策略会基于全市场选股）。其中基于沪深300、中证500股票池计算得到因子我们称之为F-Momentum-300、F-Momentum-500（以沪深300为例，这意味着从一开始因子标准化到寻找财务相似度均是在沪深300股票池内进行；另外因子均是剥离了动量、行业市值风格）。我们分别统计F-Momentum以及不同宽基因子在宽基指数股票池内的表现。从结果来看：
基于不同宽基指数范围构建的因子均有不错的选股能力。以中证500股票池为例，F-Momentum-500因子IC均值为0.032，T值为5.6，多空年化收益达到10.2%，夏普率为1.29，有效性较强；
基于全市场得到的因子在不同宽基指数范围内的选股有效性也非常明显。F-Momentum在中证500股票池内IC均值达到0.027、T值3.8、多空年化收益率8.0%，夏普率0.83；
对比基于全市场训练得到的因子与基于宽基指数范围训练得到的因子，整体来看：基于全市场训练得到的因子收益端表现更好，而基于相应宽基指数范围训练得到的因子稳定性更好（体现在IC测试波动率更小、多空组合夏普率更高、最大回撤更小）。
财报季效应带来的因子溢价研究
分月度来看，我们发现因子在每个月的IC表现实际上是有差异的。统计结果显示，在每年的6月份因子有效性远高于其他月份。以行业市值中性化后的F-Momentum因子为例，6月份IC均值达到0.094。进一步，我们观察宽基指数范围内的测试，发现结果亦是如此。除了6月份以外，我们发现5月份、10月份、11月份亦有类似的效果（只不过6月份效果最为明显）。
6月份的IC实际上反应的是5月份因子值与6月份月度收益的关系，而每年4月底所有公司的年报及一季报公布完毕（10月份、11月份实际上反应的是3季报的信息）。一方面，新的财务信息给投资者带来增量Alpha。另一方面，我们认为投资者处理信息的时间和能力是有限的（实际上投资者处理信息的能力时间有限也是学术界解释因子有选股作用的一种流派），而财报公布季期间这种效应体现的更加明显。海量的财务信息超出了投资者的处理能力，因而不能有效的利用这些信息，而F-Momentum独特的构建方式弥补了这种缺陷，进而展现出一定的Alpha效应。
基于财务动量因子的应用研究
到目前为止我们对因子的有效性和特异性有了大致的了解。为了更全面的认识该因子，我们进行了一些更多的尝试：1、既然十个财务因子构建的F-Bench有不错的表现，且和F-Momentum相关性极低，那如果将两者进行合成会有怎样的效果呢？2、在我们兴证金工选股因子库中，最为有效的应该属2019年4月份撰写的《基于集成学习算法的量化选股模型研究》中构建的ENIS（Enhanced Neutralized Integrated Signal ，因子构建的思想是利用Real Adaboost 算法从165个因子中选择弱分类器，并进一步构成强分类器，形成最终的ENIS因子）。那么如果将F-Momentum和ENIS进行结合会有怎样的效果呢？我们这里也进行了探讨。
F-Momentum&F-Bench--两相结合显益彰
我们将F-Momentum和F-Bench等权合成，称之为F-MB因子，并进一步测试其选股效果。从结果来看，相比于F-Bench或F-Momentum因子，合成后因子的表现提升是全方位的：F-MB因子IC、ICIR、T值分别为0.049、 0.73、 8.6，分位数多空年化收益、夏普率分别达到20.5%、2.39，均优于原来的单独因子的表现。
ENIS因子走的更远
前面简单介绍了ENIS因子生成的逻辑，本质上其是利用Adaboost算法对165个因子进行不断筛选，最终选择30个弱分类器，并进一步构成ENIS因子。而我们在前面也验证了F-Momentum因子与165个因子相关性极低（相关性最高的仅为0.22）。那么如果将两者进行结合，能否提升ENIS因子的表现呢？
将两者进行结合的思路有两种：1、直接将F-Momentum与ENIS因子进行合成（比如等权）；2、将F-Momentum引入到因子池中（相当于利用Adaboost算法对166个因子进行筛选、操作）。我们将第一种方式合成的因子称之为F-ENIS-Eql，采用第二种方式合成的因子称之为F-ENIS-I(I代表Integrated),进一步观察两种方式合成的因子选股效果。从结果来看，两种方式都体现出了相应的作用：
等权合成的F-ENIS-Eql因子虽然IC没有ENIS高，但整体稳定性优于ENIS：F-ENIS-Eql因子IC波动更小、ICIR以及分位数夏普率更高，同时多空最大回撤以及纯多头收益改善明显；
通过将F-Momentum作为一个因子和其他165个因子合并然后利用Adaboost进行训练得到的因子整体表现和ENIS也有一些差异。F-ENIS-I因子的IC、分位数多空年化收益、最大回撤表现更优。分年度来看，我们也能观察出这种差异。
无论是何种结合方式，测试结果均突出了F-Momentum因子的特异性：等权合成放大了该因子的影响，但从效效果来看，在没有损失收益的情况下，大幅度提升了ENIS因子稳定性。将F-Momentum作为一个因子然后和其他165个因子一起训练，根据逻辑来讲，可能影响甚小，但从结果来看，这种差异还是相对较为显著的，进一步凸显了该因子的作用。
结语
至此，我们完成该主题的研究。在本文中，我们首先对新数据的来源做了简单的点评，突出财务维度的重要性，并从公司四大能力出发（偿债能力、营运能力、盈利能力、企业发展能力），分别选择有代表性的指标，最终挑选了10个相关性较低的因子，构成财务能力衡量指标。然后我们创造性的引入余弦相似度方法，对选择的10个财务因子进行衡量，从而构建了高维空间下公司财务能力相似度的衡量指标（F-Link），并进一步构建了财务动量因子（F-Momentum）。
针对于财务动量因子，我们进行了全方位的测试和分析，均验证了该因子的有效性和特异性（无论是单因子表现、亦或是Fama-MacBeth回归测试等）。同时，我们对该因子进行了一些尝试和延伸研究，如和基准财务因子的结合，和机器学习生成的ENIS因子结合等。
我们虽进行了诸多尝试，该研究仍有一些不足或者需要进一步探讨的地方：
财务动量因子的成因分析。针对于该点，文章进行了简单的探索，指出投资者能力/时间不足以应对更复杂的海量财务信息，尤其是在财报公布季时，这一点一览无余（而F-Momentum因子确实在财报公布季表现更加优异）。我们认为财务动量因子的成因分析还需要进行更加深入的探讨和分析；
文章创造性引入余弦相似度来衡量高维空间公司财务能力相似度。实际上，这是一种方法，可以应用到很多领域，去衡量任意两个公司在某一方面的能力。比如，我们可以简单的选择一部分估值维度的因子，然后构建估值相似度指标；我们知道量价信息非常丰富，是否可以引入一些量价维度的信息，去刻画股价形态，并进一步通过余弦相似度去衡量量价走势的相似度等。
传统的多因子体系是量化选股的基石和圭臬，也正是得益于这一套可解释、延展性强、易操作的体系，量化选股在过去几十年才得以蓬勃发展。但现如今我们也深刻感受到这个领域需要不同的声音、创新的思路。正如烹饪一样，要么引入新的素材，要么不断变换烹饪方法，只有这样，我们的味蕾才不会疲倦，量化选股的前景才会更加光明。
参考文献
风险提示：文献中的结果均由相应作者通过历史数据统计、建模和测算完成， 在政策、市场环境发生变化时模型存在失效的风险。
注：文中报告节选自兴业证券经济与金融研究院已公开发布研究报告，具体报告内容及相关风险提示等详见完整版报告。
证券研究报告：《猎金系列之三十二：财报季的财务效应研究和因子构建》。
对外发布时间：2021年10月20日
报告发布机构：兴业证券股份有限公司（已获中国证监会许可的证券投资咨询业务资格）
分析师：郑兆磊
SAC执业证书编号：S0190520080006
E-mail: zhengzhaolei@xyzq.com.cn
\