基于基础数据的分析师一致预期指标构建 天风证券20180410
由small_q创建，最终由small_q 被浏览 18 用户
摘要
Alpha模型绩效提升关键在于增量alpha信息的来源，分析师一致预期指标具有与传统alpha因子相对独立的收益来源。而一致预期指标的构建核心在于一致预期净利润的精确估计，本文基于多维度加权得到一致预期净利润，并以此衍生出相关的一致预期指标。
分析师预测偏离度本文首先定义分析师预测偏离度，并以此衡量分析师预测数据相对于真实值的预测误差。分析师预测偏离度大小与预测时间跨度、预测企业规模，预测企业所属行业均存在显著相关性。
一致预期净利润加权分析师预测时间跨度越大，其预测偏离度便越大。因此本文基于分析师报告撰写时间的差异，赋予新旧报告以差异化的权重。
分析师自身预测精确性也存在差异。本文以偏离度作为预测数据的误差衡量指标，由于偏离度大小受到预测时间跨度等因素影响，我们将偏离度通过回归调整得到偏离度调整值。以各分析师前一年份调整后偏离度平均值作为该分析师当年的预测误差。在数据加权时，对调整后偏离度越小的分析师赋予越大的权重。
企业业绩报告（预告或快报）是企业财务状况的提前披露。相较于分析师预期，企业的业绩报告有着更高可信度。因此，存在业绩报告时，本文使用业绩报告中相关数据作为净利润的一致预期。
基于以上三个维度，本文构建了一套一致预期净利润的加权方式。
一致预期衍生指标基于净利润一致预期值，本文分析了五大类一致预期衍生指标：一致预期估值EP_FY和一致预期滚动估值EP_ROLL、一致预期净利润增速、一致预期PEG、一致预期估值变化DEP、一致预期估值分位点。本文回溯分析了各一致预期指标，它们在不同股票池中均有着优秀的选股能力，EP_ROLL、DEP和EP_PER指标IC均值均超过0.06，PEG与Growth_FY指标IC均值在0.05附近。此外，各指标间独立性尚可，对于增量信息的提供较为独立。
缺失值填充一致预期指标由于分析师覆盖度原因，存在一定缺失值。以往多因子模型一般以指标行业中位数或均值直接填充缺失值，但更合理的做法应是基于因子的投资逻辑为其量身定做一套缺失数据填补机制。
我们以预期净利润缺失企业前一年在行业内的利润增速分位点均值作为其当年在该行业增速分位点的估计值。通过估计增速分位点，我可以估计当年预期增速，最终得到一致预期净利润的填补值。该方法填充预期净利润缺失数据更符合逻辑，且最终绩效相对传统方法也略有提升。
正文
/wiki/static/upload/14/14fe5fba-bb3e-473a-8594-9e8c0bef5966.pdf
\