盈利预期调整优选组合的构建

1、分析师预期数据蕴含着大量的信息，在业绩超预期 Plus 组合的构建中，我们立足于业绩超预期股票池，基于财务数据、股价行为、大单资金流等，优中选优构建了超预期 30 组合，该组合样本外跟踪绩效表现优异，2022 年以来超额中证 500指数 14.6%，月度超额胜率 86%。业绩超预期基于的是财报盈利实际值和分析师盈利预期值的对比，除此之外分析师预期的自身对比，即盈利预期调整也蕴含着重要的信息，本篇报告将对该问题详细展开，主要涵盖因子的生成及改进、组合的构建。本文的创新点如下：在因子的生成上，标准化方法为影响因子效果较为关键的因素，我们讨论了 3 种方式，并使用分歧度标准化的方式作为最终的因子；在

2、因子的改进上，我们讨论了分析师行为对于盈利预期调整因子的影响，并从时间加权、股价跟随性加权、预测准确度加权三大维度出发给出了尝试，最终因子的多空对冲信息比率从 2.38 提升至 3.14；在组合的构建中，我们从分析师覆盖股票池出发，并从预期调整角度构建了特色因子，包括分析师关联动量、分析师羊群效应等；对于每个细分因子，我们有不同构造方式的详细讨论；对于盈利预期调整的选股效果，其也会一定程度受到其他预期维度的影响，这里我们主要考虑了：评级调整方向和预期 ROE 的高低。1、 朝阳永续一致预期数据概览朝阳永续一致预期数据，是广为市场熟知的记录分析师预期行为的专项数据。为了后续的研究方便，在文章的第

3、一部分我们先对其进行简单的数据统计，具体从以下四个角度展开：不同类型报告分布、报告数量月度分布、创建与入库时间差、宽基指数的覆盖度，具体情况如下图所示。其中对于非个股报告而言，我们选取置信度在 5 以上的样本为有效样本。图1：点评类报告数量最多图2：分析师报告在财报发布日前后数量较多、朝阳永续、（2021.1.1-2021.12.31）、朝阳永续、研究所（2009.1.1-2022.6.30）图3：创建与入库时间差 7 天以内占到 95%图4：主流宽基指数覆盖率较高，全 A 覆盖率下滑明显、朝阳永续、（2009.1.1-2022.6.30）、朝阳永续、研究所从不同类型报告分布来看：点评报告的数

4、量相对较多，深度报告、一般个股报告、非个股报告（置信度大于 5）类的数量次之，调研报告、会议纪要的数量最少。从报告数量的月度分布来看：分析师报告在财报发布日前后数量较多，即在 3、 4、8、10 几个月出现了小高点。从创建与入库时间差来看：分析师报告发布和入库存在一定的时间滞后性，但整体来看时效性较高，其中时间差在3 天以内的样本量占到80%，7 天以内占到95%。在后续的分析中，我们默认创建与入库时间差小于 7 天的样本为有效样本。从覆盖度来看：对于沪深 300 指数成分股，分析师覆盖度基本保持在 90%以上的水平；对于中证 500 指数成分股，分析师覆盖度在 70%90%之间浮动；随着注册

5、制的实施，全市场个股的分析师覆盖率呈现了较大幅度的下滑，从 2016 年Q3 的 75%以上的覆盖率水平逐步下降到 2022Q2 大约 50%的覆盖率。2、 盈利预期调整：事件研究与因子的构建、 盈利预期调整事件研究：盈利预期上调有明显超额对于盈利预期调整幅度，我们采用如下的方式进行定义：对于股票而言，使用分析师在当日所在年份的预测财年数据,，与同预测年份最近一期预期财年数据,1进行对比：_, =, ,1,1其中，在此计算中我们考虑到如下几个细节：（1）若相对于当前预测时点，分析师对股票前一次预测时点发生在 180 天以前， 我们认为该数据离当前时点过远， 时效性存在一定问题， 此时该股票的_

6、,会被设置为空值；（2）这里的,和,1都是基于机构 id 来进行匹配的，但是当分析师跳槽 后，则会出现前后两次预测机构相同、分析师不同的问题。这里的处理方式为：当前后两次预测机构相同，但署名分析师完全不一致的情况下，我们才会将该股票的_,设置为空值；（3）若该股票,1为负值或微利值，以及_,的绝对值大于 1 时， 我们认为计算结果在一定程度上会失真，此时该股票的_,会被设置为空值。接着，我们统计了不同盈利预期调整幅度在 T-20 至 T+60 的超额收益状况，这里超额的比较基准为中证全指，结果如图 5 所示。从图中我们可以得出 4 点结论：分析师盈利预期下调样本数略高于上调样本数，这是由于分析

7、师普遍偏向于高估，往往伴随着财报的披露会下修盈利预期；分析师盈利预期调整比例在 0 附近的数量较高，说明大幅调整的冒险性行为出现概率偏小；分析师盈利预期上调往往能够获得更大超额收益，且上调的分层效果比下调的效果更好；下调分层效果较差的原因即：时效性更低。从图 7 中可以观察到：在相同的调整幅度下，上调报告间隔的时间要小于下调。盈利预期下调由于信息比较滞后，在发布报告之前市场可能已经反应这一事件，因此报告后的异常收益区分度并不明显。图5：分析师盈利预期上调往往能够获得更大超额收益数据来源：Wind、朝阳永续、（2009.1.1-2022.6.30）图6：盈利预期下调样本数略高于上调样本数图7：下

8、调盈利样本时效性更低、朝阳永续、（2009.1.1 -2022.6.30 ）、朝阳永续、研究所（2009.1.1-2022.6.30）、 盈利预期调整因子的构建：分歧度标准化更有效进一步地，我们将盈利预期调整事件转化为月频调仓因子，具体做法为：对于股票，每月底回看过去 180 天，计算该时段所有分析师最近一期的_,，并=1求平均得到因子值_,，公式表达即：_, = _,。在计算时，若这只股票在这 180 天内覆盖分析师数小于 3，则因子值被设置为空值。除了_,的定义方式，本文也讨论了其他 2 种定义方式：_,。该因子的标准化方法为：盈利预测调整时序上的标准差。具体做法为：对于股票，每月底回看过

9、去 180 天，其中分析师盈利预期调整序列为,，序列长度为，该股票覆盖分析师数为（若或者小于 3，则_,被赋予空值），利用此_,可以被表达为：1,_, = ()/=1,_,。该因子的标准化为：盈利预测调整横截面标准差，即分歧度。 具体做法为：对于股票，每月底回看过去 180 天，其中所有分析师最近一期的盈利预测调整集合为,，该股票分析师覆盖数为（若小于 3，则_, 被 赋予空值），利用此_,可以被表达为：_=1, /,(,)/我们对三种标准化方式下的盈利预期调整因子进行回测，手续费双边千三，结果如表 1 所示。我们可以看到：FYR_DISP 无论是在 IC 均值、ICIR、多空对冲还是多头的表

10、现上都是相对较优的，FYR_PCT 效果最差。FYR_STD 虽然效果不错，但是在计算时序标准差时，我们要求至少存在 3 个样本点，这会导致覆盖度偏低。所以后续我们的分析对象主要是 FYR_DISP。多头收益波动比多空对冲收益波动比ICIRIC覆盖度因子名称表1：三种标准化方式对比下，FYR_DISP 效果最好FYR_PCT35.18%3.69%1.852.19 0.85FYR_STD27.56%3.74%2.452.38 0.81FYR_DISP35.18%4.34%2.382.38 0.88、朝阳永续、研究所（2009.1.1-2022.6.30）、 FYR_DISP 的改进：时间、股价跟

11、随性、预测准确度对于 FYR_DISP 而言，构建方法中的分子为所有分析师最后一期盈利预测值变化的平均，但是不同分析师盈利预期变动带来的市场影响力是不同的，在这里我们从三个角度出发进行加权处理：时间，股价跟随性，预测准确度。时间对于时间的加权，我们主要考虑：1、前后两次预测间隔时间差1；2、最后一次预测时间距离生成因子的时间间隔2，具体示意如图 8 所示。图8：时间加权间隔示意图资料来源：研究所对于时间加权的权重，我们采取半衰期加权法来确定，以1为例，对于股票，加权后的分析师权重为1, ，公式表达如下(为分析师覆盖个数，为半衰期参 数)：21,/1, =121,/进一步，我们对半衰期参数N 做

12、了参数遍历。在不同参数下，时间加权FYR_DISP的 IC_IR 表现如图 9 及图 10 所示。图9：加权下 FYR_DISP 的 ICIR 有一定程度提升图10：加权下 FYR_DISP 的 ICIR 提升明显、朝阳永续、研究所（2009.1.1-2022.6.30）、朝阳永续、研究所（2009.1.1-2022.6.30）从上图中我们可以看出：1、相比于原始的FYR_DISP，1或者2时间加权 下的表现都有所提升；2、2时间加权下的表现更优；3、二者对于半衰期参数敏感性不高。接着，我们选取 N=60，对两种时间加权权重进行合成，形成，采取的方式为1与2相乘，再归一化。最后，我们对1、2、

13、三种方式下的加权因 子进行了5 分组回测，结果如表2 所示。从表中可以看出在时间加权下，FYR_DISP的多空信息比率从原始的 2.38 提升至 2.79，最大回撤从 6.83%降至 3.77%，是较为有效的改进方案。表2：合成加权下的 FYR_DISP 多空对冲信息比率从原始的 2.38 提升至 2.79因子名称IC_IR多空对冲年化收益信息比率最大回撤原始 FYR_DISP2.3814.95%2.386.83%1加权(N=60)2.4615.26%2.634.42%2加权(N=60)2.5716.51%2.705.56% 加权(N=60)2.6416.08%2.793.77%、朝阳永续、（

14、2009.1.1-2022.6.30）股价跟随性对于盈利预期调整而言，往往会受到前期市场涨跌的影响，比如当某只股票处于强势的上涨趋势中，分析师更大概率会积极上调盈利预测。对于跟随市场涨跌的盈利预期调整而言，我们认为其跟风效应强、创新性不足，而那些与市场走势不同的观点可能更有参考价值。为了验证这一猜想，我们结合盈利预期调整与股票前 60 天的超额收益方向进行综合判定，若两者一致，给 A 权重，反之给 1-A 权重，对于调整比例或超额收益有一者为 0 的情况，我们给 0.5 的权重，最后进行归一化，我们就得到了股价跟随性加权下的分析师权重_ 。在这里我们对参数 A 做了敏感性分析，加权后FYR_D

15、ISP 的 ICIR 结果如图 11 所示。图11：股价跟随性_加权下 FYR_DISP 的 ICIR 提升明显、朝阳永续、研究所（2009.1.1-2022.6.30）从图 11 我们可以看出：在 A0.5 的区域，相比于原始 FYR_DISP，股价跟随性加权下的因子效果明显提升，该结果也成功验证我们的猜想：与市场走势不同的观点更有价值。进一步，我们对股价跟随性加权改进 FYR_DISP 进行 5 分组回测，结果如表 3所示。我们可以发现在不同参数 A 下，改进后因子多空对冲信息比率都有明显的提升，为了避免参数过拟合，我们最终选取A=0.3。在该参数下，FYR_DISP 的多空信息比率从原始

16、的 2.38 提升至 2.62，最大回撤从 6.83%降至 5.63%，是较为有效的改进方案。表3：股价跟随性_加权下的 FYR_DISP 多空对冲绩效提升明显因子名称IC_IR多空对冲年化收益信息比率最大回撤原始 FYR_DISP2.3814.95%2.386.83%_加权(A=0.1)2.8813.04%2.534.07%_加权(A=0.2)2.9215.13%2.863.70%_加权(A=0.3)2.7715.10%2.625.63%_加权(A=0.4)2.5815.70%2.606.24%、朝阳永续、研究所（2009.1.1-2022.6.30）预测准确度对于分析师而言，市场层面的预测

17、准确度往往是考量该分析师能力的重要维度，这里我们将其纳入改进范畴，观察其是否能够对因子做进一步增强。对于预测准确度的衡量我们采取如下的方式：1、计算盈利预期调整方向与调整后 60 天的超额收益方向，若一致则判定为正确，反之则错误，若出现调整比例或超额收益有一者为 0 的情况，则判定为模糊；2、对于股票而言，若分析师对其最近一期的预测时点为，则我们统计该分析 师在 240, 60区间内判断正确的次数减判断错误的次数。若其大于 0 则该分析师被赋予 B 权重，反之给 1-B 权重，若该区间内该分析师全部都是模糊的判定，则赋予 0.5 的权重，最后我们将其进行归一化，就得到了预测准确度加权下的分析师

18、权重。在这里我们对参数B 做了敏感性分析，预测准确度加权后 FYR_DISP 的 ICIR 结果如图 12 所示。图12：预测准确度_加权下 FYR_DISP 的 ICIR 没有提升、朝阳永续、研究所（2009.1.1-2022.6.30）从图 12 我们可以看出：相比于原始 FYR_DISP，预测准确度加权后的效果并没有明显提升。该结果显示：分析师对市场股价预判准确度的延续性并不能保证，即对于前期预测准确度较高的分析师而言，其后续的准确度不一定更高。综合判断在上述 3 维度的分析中，我们发现利用时间间隔和股价跟随性进行加权得到的改进因子效果较好。综上，我们将二者进行相乘并归一化得到最后的权重

19、，基 于得到的改进因子我们这里记为_。接着，我们进行了 5 分组回测，原始_与改进后的_多 空对冲对比如图 13 所示。改进后的因子多空对冲信息比率从 2.38 提升至 3.14，最大回撤从 6.83%降为 3.92%，得到了明显改善。图13：结合时间和股价跟随性加权的_多空对冲信息比率从 2.38 提升至 3.14、朝阳永续、研究所表4：不同加权方式下的绩效皆有提升，_效果最好因子名称IC_IR多空对冲年化收益信息比率最大回撤原始 FYR_DISP2.3814.95%2.386.83% 加权(N=60)2.6416.08%2.793.77%_加权(A=0.3)2.7715.10%2.625.

20、63%_3.0815.48%3.143.92%、朝阳永续、研究所（2009.1.1-2022.6.30）3、 盈利预期上调股票池增强探索：优选组合的构建在上面的分析中，我们主要定义并改进了盈利预期调整因子，本部分我们的目的是做因子增强，构建出具有超额的精选股票池。在做增强之前，我们发现盈利预期调整因子_本身的效果已经较 好。这里我们选取预期调整因子排名前 30、60、90，以及预期调整大于 0 股票池做了回测，手续费双边千三，结果如图 14 所示。我们发现该因子分层效果较为出色，以 30 只股票为例，其绝对收益年化 27.8%、收益波动比 1.02，对冲中证全指后的年化 24.4%，收益波动比

21、 2.17。图14：_本身的分层效果已非常优异、朝阳永续、研究所表5：_分层绩效较为优异，以因子值较大的 30 只股票池为例，对冲中证全指收益波动比 2.17组合年化收益率收益波动比最大回撤胜率3027.79%1.0240.07%63.33%6024.08%0.9631.81%63.33%9021.68%0.8733.82%63.33%预期调整大于 016.13%0.6337.46%63.33%中证全指3.17%0.1451.30%54.00%30 对冲中证全指24.38%2.177.83%77.33%、朝阳永续、研究所（2010.1.1-2022.6.30）为了达到更进一步的增强效果，我们从

22、分析师羊群效应、分析师股票池的动量与反转、资金流强度、其他预期维度的关联这几大方面展开进行探讨，试图挖掘具有区分度的因子并进行组合增强。3.1、 分析师羊群效应：_多空对冲信息比率 0.60在交易层面，A 股存在明显的羊群效应。对于分析师而言，也存在明显的羊群效应，因为分析师总是试图去靠近一致预期，而不愿冒风险给出过于激进的预测。这里我们参照用于刻画交易羊群效应的指标，则对于股票，时刻的分析师的 羊群效应_,用公式表达如下（为分析师个数，,为分析师的预测值，,为一致预期）：1_, = |, , |=1对于股票而言，当_,指标开始上升时，代表分析师之间羊群效应在减 小，此时往往会有一些信息了解更

23、加全面、或者研究能力更强的分析师给出与市场一致预期不一致的观点。而当_,开始下降时，代表分析师之间羊群效应在减小，各家分析师的观点在逐渐靠拢。进一步，为了验证羊群效应变动的选股能力，我们使用本月_,与过去月_,均值进行比较，定义了羊群效应变动 因子_,，具体如下：1111_, = (_, _,)/( _,)=0=0接着，我们对参数做了遍历，在盈利预期上调和下调样本池内的 ICIR 如下图所示。从图中可以看出：在盈利预期上调的样本池中，_呈现明显的正向选 股能力，而在盈利预期下调的样本池中，_呈现明显的负向选股能力。图15：盈利预期上调样本池中，_的 ICIR 为正图16：盈利预期下调样本池中，

24、_的 ICIR 为负、朝阳永续、研究所（2010.1.1-2022.6.30）、朝阳永续、研究所（2010.1.1-2022.6.30）我们这里以 = 6为例，分别在两个股票池内进行了 5 分组回测，如下图所示。其中，_在盈利预期上调股票池内多空对冲信息比率为 0.60，在盈利预期下 调股票池内多空对冲信息比率为 0.75。图17：盈利预期上调的样本池中，_多空对冲 信息比率为 0.60图18：盈利预期下调的样本池中，_多空对冲 信息比率为 0.75、朝阳永续、研究所、朝阳永续、研究所、 盈利预期上调样本池内的动量与反转：R_M 多空对冲信息比率 1.301、反转对于反转因子而言，我们在A 股

25、反转之力的微观结构中提出了效果较好的理想反转因子。从表 6 可看出，该因子在分析师覆盖股票池的 ICIR 为-1.32，在盈利上调股票池 ICIR 为-0.83。其中，组成该因子的 M_Low 基本没有效果，甚至导致在盈利上调股票池内，理想反转的效果差于 M_High。最终，我们使用 M_high 因子作为本篇报告使用的反转因子。表6：在分析师盈利上调样本池中，M_High 绩效优于理想反转全样本分析师预期覆盖分析师盈利预期上调理想反转-2.31-1.32-0.83M_High-1.97-1.23-0.91M_Low0.770.350.07、朝阳永续、研究所（2010.1.1-2022.6.3

26、0）2、动量对于盈利预期上调股票池而言，我们希望深入挖掘其中的动量效应，这里我们主要从以下几个方面出发：（1）长端动量；（2）分析师关联动量；（3）事件收益动量。长端动量在如何构造A 股中的动量因子中，我们发现在A 股，当把时间维度拉长之后，按照活跃度指标比如振幅对收益进行分域，即可将动量和反转效应区分开。该因子在分析师覆盖股票池的 ICIR 为 0.87，在分析师预期调整大于 0 股票池 ICIR 为 0.74，依旧具备一定选股效果。表7：在分析师盈利上调样本池中，长端动量依旧具备一定选股能力全样本分析师覆盖分析师盈利预期上调长端动量1.290.870.74、朝阳永续、研究所（2010.1.

27、1-2022.6.30）分析师关联动量关联网络现象在股市中显著存在，之前我们从资金流角度研究了股票之间的关联网络并构建了有效的选股因子，本文主要从分析师覆盖股票池出发，并从预期调整角度挖掘分析师关联动量因子。其做法主要有如下三步：第一步：确定关联指标。对于关联网络而言，其核心在于关联指标的选取，即对于股票 A 而言，何种特征的股票会是其关联股票。这里我们选取盈利上下调个数差值为关联指标；第二步：计算盈利上下调个数差值。每月底回看过去 180 天，使用上调盈利预期分析师个数-下调盈利预期分析师个数；第三步：回归取残差。我们将与股票 A 盈利上下调个数差值方向一致的股票月度收益率取平均，回归股票A

28、 自身同期月度收益率，残差即为分析师关联动量。我们对分析师关联动量进行 5 分组回测，其在盈利预期上调股票池内，多空对冲信息比率为 0.85，整体绩效较为优异。图19：在分析师盈利上调样本池中，分析师关联动量多空对冲信息比 0.85、朝阳永续、研究所事件收益动量我们以盈利预期调整日为界限，在盈利预期上调样本池中，分别向前和向后回溯 N 个交易日，计算个股在这些交易日的超额收益率，并计算其与未来持仓收益率的 IC。从图 20 可以看到，在盈利预期调整日当天的 ICIR 最高，调整日前的交易日更多呈现动量特性，调整日后的交易日更多呈现的是反转效应。这里我们选取 T+0即盈利预期调整当天的超额收益记

29、为盈利预期调整OER 因子，该因子在盈利上调股票池内的 5 分组回测如图 21 所示，多空对冲信息比率为 0.97。图20：在分析师盈利上调样本池中，盈利预期调整日当天的 ICIR 最高图21：在分析师盈利上调样本池中，盈利预期调整 OER因子多空对冲信息比 0.97、朝阳永续、研究所（2010.1.1-2022.6.30）、朝阳永续、研究所3、反转与动量的结合通过上述的分析，在反转维度有效因子有 M_High，在动量维度有效因子有长端动量、分析师关联动量、盈利预期调整OER 因子。接着，我们将其排序，动量类因子正序排列，反转类因子逆序排序，排序相加后的合成因子记为R_M 因子。该因子在盈利预

30、期上调股票池的多空对冲信息比率为 1.30，整体绩效较为优异。、朝阳永续、研究所、 资金流维度：大单残差多空对冲信息比 1.76在大单与小单资金流的 alpha 能力中，我们发现大单残差为较为有效的选股因子，这里将其使用在盈利上调股票池进行分层测试，检验其效果。首先，我们针对盈利预期调整前后 N 个交易日，每个交易日都使用该方法计算大单残差，其中不同交易日的大单残差选股 IC 如图 23 所示：图23：在分析师盈利上调样本池中，不同事件交易日的大单残差选股效果并没有表现出特别明显的差别、朝阳永续、研究所（2010.1.1-2022.6.30）从图 23 我们可以看出：对于不同交易日的大单残差，

31、选股效果并没有表现出特别明显的差别，其并不像在事件收益动量中有规律可循。所以对于大单残差的研究，我们不筛选特定交易日，即对于每只股票，在每个月底都统一回看过去 20 天计算大单残差，该因子回测结果如图 24 所示，其在盈利预期上调样本池内多空对冲信息比率为 1.76。、朝阳永续、研究所、 与其他预期维度的关联：评级变动和预期 ROE 高低除了盈利预期之外，朝阳永续数据库还包括一些其他预期数据，本篇报告主要考虑分析师预期评级变动和预期 ROE 高低，试图从这两个维度继续增强盈利预期上调组合。1、 评级调整朝阳永续数据库将评级分为卖出、减持、中性、增持、买入、其他等几类，不同评级的分布如图25 所

32、示。从图中可以看出，分析师报告基本都是买入和增持评级，所以比较绝对评级意义并不大，这里主要考虑评级变动的影响。进一步，我们定义了评级变动因子，即每月底回看过去 180 天，得到所有分析师最近一期的评级变动，利用评级上调分析师个数-评级下调分析师个数，若大于 0 则评级上调，小于 0 则评级下调，等于 0 则评级不变，该因子在 3 种不同评级的分布比例状况如图 26 所示。图25：评级为增持和买入的数量最多图26：评级不变的占比较多、朝阳永续、研究所（2009.1.1-2022.6.30）、朝阳永续、研究所进一步地，我们利用评级变动因子在盈利预期上调股票池内进行分组，其效果如图 27 所示，评级

33、上调对冲评级下调后的信息比率为 1.41。图27：在分析师盈利上调样本池中，评级上调对冲评级下调后的信息比率为 1.41、朝阳永续、研究所2、 预期ROE对于股价的变动，我们往往会从盈利和估值两个角度去观察。一般来说，Ln(PB)和预期 ROE 之间有明显的线性关系，而且二者回归的斜率越大，说明单位的预期调整能够带来更大程度上的估值变动调整，出现戴维斯双击的概率也会越大。若从这个角度出发，增强盈利预期上调股票池的出发点可以落在：找寻该股票池内回归斜率更大的部分。我们这里尝试使用预期ROE 的高低对其分域，观察回归斜率是否有明显差别。为了验证在不同预期ROE 水平下的斜率差别，我们按照预期 RO

34、E 进行二分域，从历史序列中取一期来观察在不同域下 Ln(PB)与预期 ROE 的散点关系，结果如下图所示（数据均已去极值、标准化）：图28：高预期 ROE 组中 Ln(PB)与预期 ROE 拟合为0.51，为 0.26图29：低预期 ROE 组中 Ln(PB)与预期 ROE 拟合为0.36，为 0.13、朝阳永续、研究所（统计时点：20210129）、朝阳永续、研究所（统计时点：20210129）通过上述散点图我们观察到，在预期 ROE 较高处，Ln(PB)与预期 ROE 的2更高而且回归的斜率也要更高。进一步，我们在历史上每月底都做以上的回归，回归斜率的分布如图 30 所示。图中明显显示：

35、在高预期 ROE 组合，回归斜率均值明显高于低预期 ROE 组，因此在高预期 ROE 域中，单位的预期调整可能会带来更大的估值变动，股票可能表现更好。图30：在盈利预期上调样本池中，高预期 ROE 分组下的 Ln(PB)与预期 ROE 回归斜率更大、朝阳永续、研究所（2010.1.1-2022.6.30）为了进一步验证在不同预期 ROE 分域下的股票收益表现。我们令预期 ROE 较高组为多头，预期 ROE 较低者为空头，其二者的净值走势以及多空对冲如图 31 所示。从图中我们可以看出：高预期 ROE 的表现会好于低预期 ROE 组，但多空对冲的曲线并不稳，尤其近 1 年产生了较大的回撤，所以后

36、续在优化组合时并没有纳入这一维度。图31：在盈利预期上调样本池中，高预期 ROE 的表现会好于低预期 ROE 组，但多空对冲的曲线并不稳、朝阳永续、研究所、 盈利预期调整优选组合：超额信息比率 2.58在上述的分析中，我们发现反转与动量综合因子 R_M、大单残差、评级变动因子效果较好，多空对冲信息比率分别为 1.30，1.76，1.41，后续我们利用其作为风险因子进行组合增强。组合的具体构建流程如下：（1）确立初始股票池：选取_大于 0 的股票池；剔除该股票池评级为非增持和买入的股票；剔除评级下调的股票；剔除位于风险因子R_M 以及大单残差后 10%分位的股票。通过上述的操作，我们筛选出改进盈

37、利预期调整 30 组合，我们将其与原始盈利预期调整 30 组合进行对比，其效果如图 32 所示。从图中我们可以看出，改进后的组合绩效明显更好，信息比率达到 1.21。图32：以 30 只股票池为例，增强后的组合信息比率提升明显、朝阳永续、研究所为了对比不同选股数量的差别，我们对数量进行了遍历，其绩效如下表所示。从绝对收益来看，绩效与选股的数量呈现了非常单调的关系，在组合数量为 10 时，录得 40%的年化收益，收益波动比达到 1.36。从超额收益来看，组合数量为 10 时，虽然超额收益最高，但是收益波动比反而较低，其中收益波动比最好的为20 只股票。综合绝对收益和超额收益的表现，以及为了避免过拟合，最终我们选取 30 只股票为最后的持仓，我们将其命名为：盈利预期调整优选组合。组合年化收益率收益波动比最大回撤胜率1040.00%1.3631.87%68.67%2033.71%1.2633.96%66.00%3030.79%1.2128.66%66.00%4027.40%1.0928.71%68.00%5026.04%1.0430.30%67.33%6025.88%1.0430.73%66.00%表8：不同选股组合数量下的敏感性分析绝对收益1036.11%2.2511.26%74.67%2029