如何改善一致预期

1、内容目录 HYPERLINK l _TOC_250035 分析师一致预期的潜在问题 5 HYPERLINK l _TOC_250034 覆盖率问题 5 HYPERLINK l _TOC_250033 乐观性问题 5 HYPERLINK l _TOC_250032 可比性问题 6 HYPERLINK l _TOC_250031 乐观程度的个体差异 6 HYPERLINK l _TOC_250030 差异化覆盖 7 HYPERLINK l _TOC_250029 一致预期的可比性问题 8 HYPERLINK l _TOC_250028 预测模型的能力圈 9 HYPERLINK l _TOC_250

2、027 “吹哨人”还是扩音器？公司信息流与分析师报告 9 HYPERLINK l _TOC_250026 预测模型的潜在优势 10 HYPERLINK l _TOC_250025 盈利分布规律的识别 10 HYPERLINK l _TOC_250024 盈利分布稳定的公司 11 HYPERLINK l _TOC_250023 预测模型的劣势及盲区 11 HYPERLINK l _TOC_250022 TF 盈利预测系统介绍 12 HYPERLINK l _TOC_250021 系统概述 12 HYPERLINK l _TOC_250020 数据获取 12 HYPERLINK l _TOC_25

3、0019 模型选择与盈利估计 13 HYPERLINK l _TOC_250018 历史可以外推的前提 13 HYPERLINK l _TOC_250017 基础模型及选择流程 14 HYPERLINK l _TOC_250016 他山之石借鉴分析师的观点完善模型 15 HYPERLINK l _TOC_250015 显著高估 15 HYPERLINK l _TOC_250014 拐点的识别 16 HYPERLINK l _TOC_250013 周期的变动 17 HYPERLINK l _TOC_250012 当年盈利尚未公布的情况 17 HYPERLINK l _TOC_250011 TF

4、盈利预测效果 18 HYPERLINK l _TOC_250010 盈利预测效果比较 18 HYPERLINK l _TOC_250009 全市场内预测效果比较 18 HYPERLINK l _TOC_250008 重要指数成分股中预测效果比较 19 HYPERLINK l _TOC_250007 模型优势来源分析 20 HYPERLINK l _TOC_250006 分析师覆盖水平 20 HYPERLINK l _TOC_250005 公司盈利形态 21 HYPERLINK l _TOC_250004 TF 盈利预测衍生指标 22 HYPERLINK l _TOC_250003 预期 EP

5、22 HYPERLINK l _TOC_250002 预期增速 23 HYPERLINK l _TOC_250001 预期 ROE 24 HYPERLINK l _TOC_250000 6. 总结 25图表目录图 1：分析师覆盖率变化 5图 2：分析师预测偏差 6图 3：最乐观与最悲观分析师的个股预测偏离度比较 7图 4：分析师的差异化覆盖 7图 5：分析师差异化覆盖与一致预期的可比性 8图 6：预测模型的能力圈 9图 7：盈利分布稳定性判断 10图 8：盈利分布稳定的公司比例 11图 9：各行业盈利分布稳定的公司比例 11图 10：TF 盈利预测系统 12图 11：公司财务信息优先顺序 13

6、图 12：新华联半年度及年度业绩（2016-2019 年，单位：亿元） 13图 13：如意集团半年度及年度业绩（2016-2019 年，单位：亿元） 13图 14：神州信息上半年及下半年业绩（2016-2019 年，单位：亿元） 14图 15：新安股份上半年及下半年业绩（2016-2019 年，单位：亿元） 14图 16：基础模型选择流程 14图 17：美锦能源半年度及年度业绩（2016-2019 年，单位：亿元） 16图 18：方大特钢半年度及年度业绩（2016-2019 年，单位：亿元） 16图 19：纳思达半年度及年度业绩（2016-2019 年，单位：亿元） 17图 20：寒锐钴业半年

7、度及年度业绩（2016-2019 年，单位：亿元） 17图 21：TF 盈利预测与朝阳永续一致预期的预测效果比较 18图 22：TF 盈利预测与朝阳永续一致预期预测效果分行业比较 18图 23：基础模型平均占比 19图 24：TF 盈利预测与朝阳永续一致预期的预测效果比较（中证 800 指数成分股） 19图 25：TF 盈利预测与朝阳永续一致预期的预测效果比较（中证 1000 指数成分股） 20图 26：不同预测类型股票的预测效果比较 21图 27：不同盈利形态股票的预测效果比较 21图 28：TF 预期 EP 的平均月度超额收益 23图 29：朝阳永续预期 EP 的平均月度超额收益 23图

8、30：TF 预期 EP 的多空净值（20100101-20200529） 23图 31：朝阳永续预期 EP 的多空净值（20100101-20200529） 23图 32：TF 预期增速的平均月度超额收益 24图 33：朝阳永续预期增速的平均月度超额收益 24图 34：TF 预期增速的多空净值（20100101-20200529） 24图 35：朝阳永续预期增速的多空净值（20100101-20200529） 24图 36：TF 预期 ROE 的平均月度超额收益 25图 37：朝阳永续预期 ROE 的平均月度超额收益 25图 38：TF 预期 ROE 的多空净值（20100101-202005

9、29） 25图 39：朝阳永续预期 ROE 的多空净值（20100101-20200529） 25表 1：分析师预测调整日期与公司公告日期间距统计 10表 2：预期 EP 因子月度 IC 及分组检验结果 22表 3：预期增速因子月度 IC 及分组检验结果 23表 4：预期 ROE 因子月度 IC 及分组检验结果 24股票价格的长期驱动因素是公司的业绩，因此，更加合理、准确地跟踪、预测公司的业绩变化就成为投资者的不懈追求。目前市场上使用广泛的是分析师预期数据，例如通过不同加权方式形成的分析师一致预期。在本文中，我们讨论了分析师一致预期在实际应用中存在的问题，并且提出了一套体系化的盈利预测模型，希

10、望能够给出更加合理、系统化的预期盈利，从而辅助投资者决策。分析师一致预期的潜在问题国内外很多研究表明，分析师在进行盈利预测时存在高估的倾向。此外，部分上市公司缺少分析师的持续跟踪，因此无法获得有效的分析师预期。这两方面是投资者在使用分析师预期时最常见的顾虑。在本章中，我们主要从三个维度探讨了将分析师一致预期应用于实际投资时可能存在的问题，分别为覆盖率问题、乐观性问题、可比性问题。覆盖率问题目前 A 股有 3000 多家上市公司，但是分析师的精力、机构投资者的关注度是有限的，因此并不是每家公司都会受到分析师的持续跟踪覆盖。在剔除上市半年内的新股及 ST 股后，我们统计了每月末在过去六个月内有分析

11、师覆盖（即分析师给出了盈利预测）的公司数量。相应地，计算全市场股票的分析师覆盖率，并且作为对比，计算中证 800 及中证 1000指数成分股的分析师覆盖率。首先，从绝对数量来看，在 2017 年 7 月以前，分析师覆盖的股票数量长期呈现增加趋势，而在此之后，覆盖数量迅速减少。从覆盖比率来看，自 2010 年至 2017 年，分析师覆盖率平均为 82 ，而自 2018 年开始，分析师覆盖率急剧下降，2019 年以来，分析师覆盖率平均仅为 59。其次，从不同板块来看，中证 800 指数成分股的分析师覆盖率长期处于 85以上，即使其在 2017 年之后也呈现下降的趋势；相比来看，中证 1000 指数

12、成分股的覆盖率在 2017年之后显著降低，2019 年以来平均覆盖率为 67 。从各板块分析师覆盖率的对比可以看出，首先，大盘股受到更多的分析师关注；其次，2017 年以来，分析师的注意力更加明显地聚焦于部分股票，如行业龙头、优质成长股等。图 1：分析师覆盖率变化10036009032008028007024006020005016004012003020092010201120122013201420152016201720182019800全市场股票数量（右轴）分析师覆盖数量（右轴）全市场覆盖率中证800覆盖率中证1000覆盖率资料来源：Wind，朝阳永续， 分析师覆盖率在截面、时序上的变

13、化，体现了资金对“核心资产”的诉求变化。然而，对于投资者来说，对于缺少分析师覆盖的公司，如何获取合理的盈利预期？如何比较分析师覆盖的股票以及缺少覆盖的股票的未来盈利呢？这就使得分析师盈利预期的实际应用存在困难。因此，我们需要一个相对独立于分析师的盈利预测体系，能够客观地给出合理的盈利预期。乐观性问题卖方分析师在发布盈利预测时，会受到多重因素的约束，如上市公司、证券公司、自身声望等。因此，分析师的盈利预测普遍偏向乐观，而在分析师对公司前景或者股票价格不看好时，往往倾向于减少发声或者终止覆盖，而不是给出看空的预测。对于卖方分析师的乐观倾向，是市场已有的共识。本章想要指出的是，这种乐观倾向对于分析师

14、一致预期质量可能带来的问题。我们可以通过对比分析师的盈利预期与上市公司实际业绩之间的差别，来衡量分析师预测的乐观程度。定义分析师预测偏差为： =|其中， 为分析师对股票年度的净利润预测偏差， 为分析师对股票年度的预测净利润，为股票在年度的实际净利润。在 t 年内各月末，计算当月跟踪股票的所有分析师对该股票年度的盈利预测偏差中位数。下图统计了各月末所有股票的分析师预测偏差中位数。首先，从每年的 1 月到 12月，随着公司生产经营的进行以及信息的公开，分析师能够获取更加充分、可靠的信息以估计公司当年的盈利情况，其预测偏差逐渐降低。其次，分析预测偏差的中位数长期为正向，即分析师倾向于高估企业的盈利情

15、况。图 2：分析师预测偏差50454035302520151052010012010052010092011012011052011092012012012052012092013012013052013092014012014052014092015012015052015092016012016052016092017012017052017092018012018052018092019012019052019090资料来源：Wind，朝阳永续， 分析师的乐观预测可能诱导投资者高估公司的未来增速，从而扭曲其对股票估值的判断。因此，如何合理、客观地估计公司未来盈利对于投资者来说是投资中亟待

16、解决的核心问题。可比性问题乐观程度的个体差异前文我们看到分析师的盈利预测表现出系统性的乐观倾向，但是不同分析师的乐观程度也有所差异。在各行业中，银行股的业绩波动相对较小，也更加容易预测，因此我们以银行股的预 测偏离度为例进行说明。根据分析师对银行股 2019 年净利润的预测，找出最乐观的分析 师以及最悲观的分析师。下图比较了两个分析师对其所覆盖的银行股的净利润预测偏离度。整体来看，对于绝大多数股票来说，相对于最悲观的分析师，最乐观的分析师都会给出更 加乐观的预测。从这个简单的例子可以看到，分析师的乐观程度存在个体间的显著性差异。有的分析师对于其所覆盖的所有公司都倾向于给出更加乐观或者更加悲观的

17、预期，这可能由于分析师对于宏观经济或者行业的预判更加乐观或悲观。图 3：最乐观与最悲观分析师的个股预测偏离度比较3210124 -3 最乐观分析师最悲观分析师资料来源：Wind，朝阳永续， 差异化覆盖由于分析师的精力、资源有限，难以覆盖行业内的所有公司，并且为了形成相对优势与差异化，分析师通常会选择性地覆盖部分公司。这导致在被分析师覆盖的所有公司中，不同公司由不同的分析师集合所覆盖。我们选取 2019 年卖方分析师发布的对 2019 年的盈利预测报告，统计覆盖各股票的分析师集合。此处，为了剔除部分小型机构的影响，仅选取当年发布报告最多的前 30 家机构的分析师。在每个行业内计算分析师集合的数量

18、，及其占分析师所覆盖股票总数的比例，即差异化比例差异化比例 = 分析师集合数量/覆盖股票数量差异化比例越高，说明分析师所覆盖股票的差异化越大。当差异化比例最小时，所有股票都有同一组分析师集合覆盖；当差异化比例最大（为 1）时，每只股票都由不同的分析师集合覆盖。180 100160971409412091100888085608240792076图 4：分析师的差异化覆盖073商贸零售建筑综合非银行金融纺织服装机械电力及公用事业 电力设备及新能源计算机基础化工交通运输汽车农林牧渔房地产 医药建材通信钢铁轻工制造有色金属国防军工食品饮料煤炭电子传媒家电消费者服务石油石化银行分析师集合数量覆盖股票数

19、量差异化比例（右轴）资料来源：Wind，朝阳永续， 从图中可以看出，各行业的差异化比例均在 80以上，“80 ”的含义是如果某行业内有 100 个股票被分析师覆盖，共有 80 个不同的分析师集合跟踪覆盖这些股票。以银行业为例，30 家机构共覆盖了 28 家银行，共有 28 个分析师集合，即每一家银行都由一组不同的分析师覆盖；而对于商贸零售行业来说，30 家机构共覆盖了 53 家公司，共有 43 个分析师集合，说明其中有 10 家公司与其他公司由相同的分析师集合覆盖。一致预期的可比性问题分析师乐观程度的个体差异以及差异化覆盖使得不同分析师、不同公司的预期盈利缺少可比性。一方面，分析师的盈利预测隐

20、含了其对未来宏观、行业以及公司运行情况的假设，不同分析师使用的预测模型、假设条件不尽相同，这使得分析师的预测偏差存在显著的个体差异，因此不同分析师给出的盈利预测实际上是不可比的。另一方面，每个分析师所覆盖的公司不尽相同，同一家公司会被不同的分析师集合所覆盖，因此通过加权方式所计算得到的分析师一致预期实际上也存在可比性的问题。对此，我们通过一个简单的例子进行说明。假设某行业内有两个分析师 A 和 B，分析师 A 的乐观程度高于分析师 B。乐观的分析师 A 对于行业中的所有公司可能都倾向于给出更加乐观的预测，相应的，悲观的分析师 B 对于所有公司的盈利预测都更加悲观。如果两个分析师对行业内所有公司

21、均进行了覆盖，那么通过计算两个分析师对各公司盈利预期的均值，可以得到“一致预期”，该值在行业内是具有可比性的。即使分析师有不同程度的乐观倾向，整体来看我们可以获得一个相对中性的可比的盈利预期。因此，当行业内分析师数量足够多时，只要各个公司被相同的分析师集合所覆盖，通过取分析师预测均值的方法得到的盈利预期在不同公司间就是可比的。而我们常用的一致预期就是考虑了时间、分析师等影响因素后的加权均值。但是，这是一种理想的情况。实际上，由于精力、资源等限制，分析师通常只会跟踪部分公司，更为极端的情况下，某些分析师仅会持续覆盖行业中的一家上市公司。就会出现上文阐述的差异化覆盖问题。在差异化覆盖的情况下，即使

22、是对于盈利情况相似的公司，当跟踪的分析师集合不同时，分析师自身的乐观性差异就会造成一致预期盈利出现差别。以两个分析师为例，假设公司 P 由分析师 A、B 覆盖，公司 Q 由分析师 A 覆盖，公司 R 由分析师 B 覆盖，由于分析师 A 比分析师 B 更加乐观，即使三个公司的盈利水平相当，由于分析师的差异化覆盖，如下图所示，三个公司的分析师一致预期盈利可能为： 。图 5：分析师差异化覆盖与一致预期的可比性资料来源： 因此，分析师乐观程度的个体差异以及差异性覆盖会导致个股之间通过加权平均计算得到的一致预期缺乏可比性。至此，可能读者会产生疑问，在估计分析师一致预期时，会使用分析师历史预测偏离度作为权

23、重，这种处理方式是否能够解决可比性问题呢？实际上，分析师差异化覆盖以及个体差异使得分析师预测集合不具有可比性，而加权均值仅能够在分析师预测集合的范围之内进行调整，并不能弥补集合的缺失所带来的问题。因此，我们需要一种系统性的盈利预测工具，能够给出具有可比性的预期盈利。预测模型的能力圈我们对盈利预测系统应该持有什么样的设想呢？它可以帮助我们一劳永逸地解决盈利预测的所有问题吗？答案当然是否定的。因此，我们需要界定预测模型的“能力圈”，在能力圈之内尽可能精细，而对于能力圈之外暂不强求。巴菲特在致股东的信（1996）中提到了“能力圈”原则，“投资人需要具备的能力是对所选择的企业进行正确评估的能力。请特别

24、注意所选择的这个词：你并不需要成为一个通晓每一家或者许多家公司的专家。你只需要能够评估在你能力圈范围之内的几家公司。能力圈范围的大小并不重要，然后，清楚自己能力圈的边界非常重要”。在当前的数据、技术等条件下，我们按照公司业绩的可预测性，对预测模型划分出三层能力圈，分别为预测正常经营公司的盈利，预测业绩剧烈波动公司的盈利，预测业绩爆发或者暴雷公司的盈利。能力圈由内到外难度逐渐增加，而从覆盖样本及重要性来看，逐渐递减。图 6：预测模型的能力圈资料来源： 我们希望通过比较分析师预期与预测模型的相对优势，知道我们能够做什么，不能或者至少目前不能做什么。基于此，我们可以合理地设定对预测效果的预期，并且调

25、整模型改进的方向。我们发现预测模型可以获得与分析师相似的信息集，并且在处理常规问题上具有更高的稳健性，而分析师的相对优势在于其能够处理非标准化的信息，在少数情况下，可能识别到潜在的拐点。“吹哨人”还是扩音器？公司信息流与分析师报告首先，预测模型可能受限于处理复杂的非标准化信息。分析师在筛选、解读信息上具有机器难以取代的优势。分析师的信息源是多方面的，公司公告、调研、产业链、监管层，甚至海外。为了识别公司公告对于分析师预期的重要程度，我们计算了分析师调整盈利预测的时间与公司最近公告之间的时间差，即 = 其中， 为分析师预测调整报告撰写日期，为分析师预测调整报告撰写日期前最近的一次公司公告日期，公

26、司公告包括定期报告、快报及业绩预告。样本中仅包括分析师在 T 年度发布的对 T 年度盈利预测进行调整的报告。从分析师调整盈利预测日期与最近的公司公告日期间隔来看，各年度中，50 的分析师预测调整报告都是在公司公告后 20 天内撰写。分析师调整预测的日期与公司公告日期之间的间隔在逐渐减少，2010 年平均间隔为 31 天，2019 年平均间隔为 23 天。这一现象自 2017 以来尤为明显，2017 年 60的预测调整发生在公司公告后 20 天内；而在 2019 年，67 的盈利预测调整发生在公司公告后 20 天内。表 1：分析师预测调整日期与公司公告日期间距统计年度20304050607080

27、N最大值平均值2010131020324459519091833120111371731456057356190302012137162943597045618530201313715274260628801853020141361426405746467188292015241018294258464691823020161371627425859235193302017125112035546721818527201812371530525766819025201911351326475633018323资料来源：Wind，朝阳永续， 因此，公司公告是驱动分析师调整盈利预测的主要信息来源。

28、而从这个角度来看，预测模型能够获得的信息与分析师是高度相似的，因此关键在于如何分析公司公告的信息。我们的预测模型，希望能够模仿分析师对公司公告的分析过程，生成合理的盈利预测。预测模型的潜在优势定量模型在将历史规律外推时具有明显的优势。有些公司全年盈利在各季度之间的分布具有较为稳定的规律。如果能够识别出这种分布特征并予以外推，就能够得到有效的盈利预测。在股息率因子全解析中我们使用过类似的方法预测公司的盈利。盈利分布规律的识别我们可以根据上市公司的季度盈利分布，识别出盈利分布稳定的公司。根据过去三年的净利润，判断公司盈利分布是否具有稳定规律。为了便于描述，年度前季度归母净利润记作, ，年度前季度扣

29、除非经常性损益后的归母净利润记作,。具体的判断方式如下：图 7：盈利分布稳定性判断资料来源： 选取过去三年前季度的扣非归母净利润，即, ， = 1,2,3计算各年度前季度扣非归母净利润占全年扣非归母净利润的比例，即= , ， = 1,2,3 。4,计算净利润比例相对其平均值的最大偏离，即 = | |13其中， = 为过去三年中前季度扣非归母净利润的平均占比。若最大偏离小于 10 ，则认为盈利分布稳定，否则认为盈利分布不稳定。盈利分布稳定的公司我们在每年 4 月、8 月、10 月末，根据公司过去三年的盈利情况，判断其一季报、半年报、三季报盈利占比是否稳定。下图展示了每年各季度盈利分布稳定的公司比

30、例，可以看到，平均 38的公司一季度盈利占比稳定，平均 28的公司半年报盈利占比稳定，而平均 28的公司三季报盈利比例稳定。全样本中盈利占比稳定的公司平均为 31.85 。图 8：盈利分布稳定的公司比例45 40353025201510502010201120122013201420152016201720182019平均一季报半年报三季报资料来源：Wind， 下图为各行业一季报、半年报、三季报盈利分布稳定的公司占比，以及平均占比。图 9：各行业盈利分布稳定的公司比例100 80604020银行交通运输医药建筑家电消费者服务商贸零售计算机 食品饮料国防军工轻工制造传媒纺织服装电力及公用事业汽车

31、电力设备及新能源机械电子通信建材基础化工非银行金融石油石化煤炭农林牧渔房地产 有色金属钢铁综合0平均一季报半年报三季报资料来源：Wind， 分行业来看，银行、交通运输、医药、建筑行业平均 40 以上的公司呈现稳定的盈利分布，而综合、钢铁、有色金属、房地产行业中盈利分布稳定的公司则较少，平均占比在20 以下。因此，这些盈利分布稳定的公司和行业对于量化模型以及分析师来说，都是更容易预测的样本，而量化模型的优势在于能够更加准确地识别出盈利的规律并且进行外推。预测模型的劣势及盲区定量模型的假设在于历史会重复，而模型的输入数据往往时间较短，因此其本质上依靠趋势的延续。对于业绩波动较大的公司及行业，如周期

32、性行业，则定量模型则难以发挥其优势。此时，分析师的相对优势就会体现出来。行业分析师通过追踪宏观经济指标、产业上下游价格变化，往往能够较早地提示行业或者公司的盈利拐点。对于这些分析师具有的相对优势，预测模型可以参考分析师研报中的定性描述，将其纳入到模型中。此外，有些公司的业绩变动不论是对于分析师还是预测模型来说都是难以预测的，如暴雷，并购等带来业绩剧烈变动。实际上，还有不少公司业绩预告、快报盈利，而正式年报亏损。对于这些公司，来自公司自身的业绩信息准确度尚且如此堪忧，外部的分析师、预测模型就更加难以给出准确的预测。这种情形下，可能需要更加复杂地判断。因此，本文暂时放弃对该类样本预测准确性的改进。

33、TF 盈利预测系统介绍系统概述我们的 TF 盈利预测包含三个步骤：数据获取：获取公司最近的盈利公告，包括正式报告、业绩预告、快报；获取分析师研究报告及盈利预测。模型选择与估计：根据公司当年及历史盈利情况，选择适当的基础模型，并且给出当年盈利估计。模型校准：使用分析师研究报告及盈利预测对基础模型的预测数据进行校准，输出修正后的盈利预测。下图展示了 TF 盈利预测系统的工作流程。下面我们对流程各步骤进行详细介绍。图 10：TF 盈利预测系统资料来源： 数据获取在 T 年度，每次进行盈利预测时，我们均获取关于预测 T 年盈利的可得到的公司公告信息，包括公司财务信息以及分析师研究报告信息。公司财务信息

34、包括正式报告、业绩预告、快报，优先顺序如下图所示：图 11：公司财务信息优先顺序资料来源： 对于每个公司，均按照以上顺序获取优先级别最高的最新数据。因此，在同一期预测时，不同股票所使用的最新财务数据可能并不属于同一报告期。模型选择与盈利估计历史可以外推的前提本文盈利预测模型的整体思路是，根据当年已实现的盈利情况，将历史盈利进行外推，以得到当年盈利预测。然而合理外推是基于两个基本前提的。为了便于表述，我们将 T 年度的前 n 季度的净利润定义为Pn,T，剩余季度的净利润为RPn,T = P4,T Pn,T。第一个前提是，当年的经营状况未发生重大改变。具体来讲，就是当年已实现的净利润是否正常。在这

35、里，我们将同比变动幅度在 50并且盈亏方向相同的当年已实现盈利定义为“已实现净利润正常”。即 (Pn,T,1) 0ABS(Pn,T1)n,Tn,T1例如，在预测 2019 年净利润时，若已知 A 公司 2019 年度前两季度净利润2,2019 ，可以直接考虑以 2018 年度三、四季度的净利润为基础作为调整。然而，如果公司 2019 年前两个季度亏损，而 2018 年同期盈利，如左下图，即使历史三年中前两季度净利润占比稳定（2016、2017、2018 年占比分别为 19.68 、17.12 、13.37 ），使用历史规律外推仍然不合逻辑。此外，如果 2019 年前两个季度净利润相比 2018

36、 年出现异常高增速，那么将历史规律进行外推也可能造成非常大的预测偏差。如右下图所示，公司历史三年中前两季度净利润占比稳定（2016、2017、2018 年占比分别为 34.10 、28.30 、23.86 ），而 2019 年前两个季度相对于去年同期同比增速为 215.20 ，上半年的异常变动可能表示公司当前经营情况相比过去发生了显著变化，此时使用历史数据预测未来就可能会出现非常大的偏差。图 12：新华联半年度及年度业绩（2016-2019 年，单位：亿元）图 13：如意集团半年度及年度业绩（2016-2019 年，单位：亿元）100.52016201720182019201620172018

37、2019980.4760.3540.2320.110-10.0上半年 全年上半年 全年资料来源：Wind， 资料来源：Wind， 第二个前提是，用于外推的历史盈利可外推。具体来讲，就是去年剩余年度的净利润没有出现异常，即当去年剩余年度净利润相比以前同期均值的变动在 2 以内，(RPn,T1 RPn)/RPn)2RPn = (RPn,T2) + (RPn,T3)/2类似地，如果 2019 年前两个季度的净利润与去年同期相比稳定增长，但是 2018 年三、四季度发生巨额亏损（如左下图）或者异常增长（如右下图），那么在 2018 年三、四季度净利润的基础上估计 2019 年的盈利就不尽合理了。图 1

38、4：神州信息上半年及下半年业绩（2016-2019 年，单位：亿元）图 15：新安股份上半年及下半年业绩（2016-2019 年，单位：亿元）3 8 2016201720182019162726151403-1-12-21-2020201720182019-3 -1 上半年 下年上半年 下年资料来源：Wind， 资料来源：Wind， 因此，为了确保历史盈利外推的合理性，我们提出了两个前提，并且给出具体的判断方法，这也是后文中选取基础模型决策中的两个重要依据。基础模型及选择流程下图展示了选择基础模型的决策流程。可以看到，主要需要判断当年盈利是否正常以及用于外推的历史盈利是否正常。图 16：基础模

39、型选择流程资料来源： 下面我们对基础模型进行详细的介绍。比例外推：使用当年已实现利润以及历史平均占比外推当年盈利，具体地4, = ( , / , ) + ,1其中，4, 为年度预测净利润，, 为年度前季度扣非归母净利润，, 为年度前季度归母净利润，为过去三年前季度扣非归母净利润占全年的平均比例，即3 =，= , ， = 1,2,3 。4,平均增速：以预期增速估计当年盈利，具体地4, = (4,1 ,1) (1 + , ) + ,其中，, 预计增速，为过去两年平均年度增速与当年已实现净利润增速的平均值，即, = ( + ,)/2 = (4,1 4,2)/(4,2) + (4,2 4,3)/(4,

40、3)/2, = (, ,1)/(,1)前期平均：用以前年度剩余季度平均净利润估计本期剩余季度净利润，即4, = （4,2 ,2 + 4,3 ,3）/2 + ,其中，4,2 ,2为 2年度剩余季度净利润，4,3 ,3为 3年度剩余季度净利润。去年同期：以上年度剩余季度净利润估计本期剩余季度净利润，即4, = 4,1 ,1 + ,其中，4,1 ,1为 1年度剩余季度净利润。盈利变化：以当年已实现的净利润变化，调整上年年度净利润，即4, = 4,1 + 4 (n, ,1)/n其中， n, ,1 为当年已实现净利润相对于上年同期的变化， (n, ,1)/n为当年已实现的单季度净利润平均变化。前期平均盈

41、利变化：用当年已实现的净利润变化调整以前年度剩余季度平均净利润，估计本期剩余季度净利润，即= 4,2 ,2 + 4,3 ,3 + (4 ) , ,1 + 4,2.其中，（4,2 ,2 + 4,3 ,3）/2为 T-2、T-3 年度剩余季度的平均净利润，n, ,1为当年已实现净利润相对于上年度的变化。他山之石借鉴分析师的观点完善模型上市公司的利润预测是一件非常复杂的事情，多种因素都可能导致利润预测出现大幅偏离。因此，在定量预测模型之后，我们可以借助分析师的预测以及定性描述对模型进行校准。在本章我们主要考虑显著高估和异常低估两种情况，其中异常低估主要考虑盈利拐点以及周期股的问题。显著高估在分析师乐

42、观倾向下，如果定量模型给出了更高的预测，很可能在估计增速时出现了较大的偏差，相比之下，分析师的预期可能更加合理，此时可以使用分析师一致预期净利润对模型估算的盈利预测进行纠偏。如下左图，美锦能源 2016 年至2018 年前三季度净利润占比并不稳定（分别为 13.76 、42.87 、31.81 ），2019 年前三季度净利润同比增速为 14.70 ，根据模型选择流程，使用平均增速模型，预期 2019 年净利润为 22.21 亿元。而截止到 2019 年 8 月 30 日，3 个月内有 6 家机构的分析师给出了该公司的盈利预测，一致预期净利润为 16.77 亿元。预测模型的盈利估计相对于分析师一

43、致预期高了 32.46 。类似地，方大特钢 2016 年至 2018 年前三季度净利润占比符合我们定义的盈利分布稳定要求（分别为 39.44 、29.48 、44.62 ），平均为 37.85 。因此根据比例外推模型预测2019 年净利润为 27.09 亿元。而截止到 2019 年 8 月 30 日，3 个月内有 14 家机构的分析师给出了该公司的盈利预测，一致预期净利润为 20.46。预测模型的盈利估计比分析师一致预期高 32.36 。图 17：美锦能源半年度及年度业绩（2016-2019 年，单位：亿元）图 18：方大特钢半年度及年度业绩（2016-2019 年，单位：亿元）24 2118

44、151296302016201720182019预测模型 一致预期30 25201510502016201720182019预测模型 一致预期上半年 全年上半年 全年资料来源：Wind，朝阳永续， 资料来源：Wind，朝阳永续， 在这种情况下，对于盈利高估的样本，我们可以使用分析师一致预期进行调整。具体地，定义预测模型的预期净利润相对于分析师一致预期的偏离幅度为： = (4, 4, )/(4, )其中，4, 为预测模型给出的年度预测净利润，4, 为该时间节点分析师对年度的一致预期净利润。当偏离幅度高于 10 时，则认为预测模型显著高估，以分析师一致预期作为替代。拐点的识别基于历史数据外推的模型

45、往往依赖于趋势假设，而当公司业绩出现拐点或者逼近临界点时，模型难以捕捉到这种“量变”到“质变”的转变。相比之下，分析师通过对公司经营情况的持续跟踪以及对宏观基本面的预判，通常能够有更加恰当的理解与把握，例如行业竞争格局转变带来的公司扭亏转盈等。而此时预测模型可能会显著低估企业的盈利。为了修正模型对于“拐点”判断的时滞性，当模型预测值与分析师一致预期的偏离幅度小于-1、模型预测的净利润小于 0、当年已实现净利润为正时，若我们识别出：分析师报告标题中包括“改善”或“拐点”，对于这类样本，我们可以对模型预测值进行上调。如图，根据平均增速模型，纳思达 2019 年预期净利润为-8.82 亿元，而 20

46、19 年上年年度净利润为 3.20 亿元，分析师一致预期为 13.68 亿元，并且在中报公布后的分析师研究报告标题中提及“改善”，因此预期模型很可能出现低估的情况。然而由于分析师本身存在高估倾向，贸然使用分析师一致预期作为替代，可能会矫枉过正。此时，我们会比较 6种基础模型的预测，选取其中低于分析师一致预期的最大预测值作为调整后的预测。在本例中，经过比较，我们选取了去年同期模型的预测值，即 5.72 亿元。15129630-3-6-9-12 20161720182019预测模型一致预期 20图 19：纳思达半年度及年度业绩（2016-2019 年，单位：亿元）上半年 全年资料来源：Wind，朝

47、阳永续， 周期的变动周期性行业的盈利具有非常大的波动性，使用历史外推形式的预测模型可能造成在周期顶部或底部大幅高估或低估公司未来的盈利。相比之下，行业分析师通常会追踪产业上下游价格的变化以判断行业的周期变化。对于周期性行业（钢铁、有色金属、煤炭），当模型的预测盈利相比分析师预期的偏离小于-1 时，我们会筛查标题中提及产品价格变动利好公司业绩的研究，表明分析师的盈利预期受到产品价格变化的驱动，具有较高的可靠性。而此时，预测模型很可能出现低估的情况。由于分析师本身存在高估倾向，我们会比较 6 种基础模型的预测值，选取其中低于分析师预期的最大预测值，作为调整预测值。我们将同时满足下列条件的研究报告标

48、题定义为提及“价格利好”的研报：包含“价”；包含“上”或“益”或“好”；不包含“乏力”、“拖累”、“负”、“损”。如图，根据盈利变化模型，寒锐钴业 2019 年预测净利润为-5.11 亿元，而 2019 年上年年度净利润为-0.78 亿元，分析师一致预期为 1.44 亿元，并且当年分析师报告标题中提及价格利好相关的关键字，因此预期模型很可能出现低估的情况。此时需要对模型预测进行校准，我们在 6 种基础模型预测值中，选取了低于分析师预期的最大预测值，即前期平均模型的预测值 1.04 亿元，以此调整预测模型的输出。图 20：寒锐钴业半年度及年度业绩（2016-2019 年，单位：亿元）8 2016

49、201720182019预测模型一致预期6420-2-4-6 上半年 全年资料来源：Wind，朝阳永续， 当年盈利尚未公布的情况以上估计方法在估计年盈利时，都需要使用到年的业绩报告，然而在 1 月到 4 月期间，会出现有些公司尚未公布当年一季报或一季报预告。对于这些公司，我们无从获取当年已实现的盈利情况，因而无法根据以上盈利预测系统给出当年盈利估计。因此，对于这些样本，我们会使用朝阳永续一致预期数据。因此在每年度前 3 个月，TF 盈利预测与朝阳永续一致预期的结果会出现比较高的相似。随着公司一季报的公布，会有越来越多的公司使用盈利预测模型进行估计，TF 盈利预测的优势也会逐渐显现出来。TF 盈

50、利预测效果盈利预测效果比较全市场内预测效果比较为了检验预测模型的效果，我们对比了 TF 盈利预测与朝阳永续一致预期的预测效果。具体地，在每月末，预测年度净利润，计算各行业内，预测净利润与实际净利润的秩相关系数。下图展示了在各预测节点两个模型各行业的相关系数的平均值。图 21：TF 盈利预测与朝阳永续一致预期的预测效果比较100908070605040302010020181614121086420-220092010201120122013201420152016201720182019差值（右轴）TF盈利预测朝阳永续一致预期资料来源：Wind，朝阳永续， 长期来看，TF 盈利预测的准确性更高

51、。TF 盈利预测与实际净利润的平均相关系数为 0.81，朝阳永续一致预期与实际净利润的平均相关系数为 0.74，TF 盈利预测的准确性平均提高了 0.07。此外，TF 盈利预测的准确性更加稳定，而朝阳永续一致预期的准确性从 2018年开始明显降低，这与分析师覆盖率下降、使用质量较低的数据填充缺失值有关。下图比较了两个模型在各行业内的长期预测效果，即预测净利润与实际净利润的相关系数均值。可以更加直观地看出，TF 盈利预测模型在各行业的预测效果整体上比较均衡，并且除了银行外，在其他各行业内均有不同程度的提升图 22：TF 盈利预测与朝阳永续一致预期预测效果分行业比较1.0 0.140.80.110

52、.60.080.40.050.20.020.0-0.0银行非银行金融交通运输建筑医药消费者服务食品饮料电力及公用事业商贸零售煤炭家电汽车纺织服装轻工制造建材房地产 石油石化国防军工电子计算机 基础化工传媒有色金属机械电力设备及新能源农林牧渔通信综合金融钢铁综合1TF盈利预测朝阳永续一致预期差值（右轴）资料来源：Wind，朝阳永续， 我们的预测系统中，实际上使用到了 7 种模型，包括 6 个基础模型，以及分析师一致预期。下图为每期预测时，7 种模型样本的平均占比。从长期平均比例来看，比例外推、去年同期、平均增速的比例最多，合计达到 67.94 ；而分析师一致预期占比为 6.30 。23.8523

53、.0921.0011.8310.206.303.73图 23：基础模型平均占比2520151050资料来源：Wind，朝阳永续， 重要指数成分股中预测效果比较前文我们都是在全市场中对比模型的预测效果，然而实际上，投资者的关注度主要集中于部分股票。因此，我们还在中证 800、中证 1000 指数成分股中，比较了 TF 盈利预测与朝阳永续一致预期的预测效果。在中证 800 指数成分股中，TF 盈利预测与实际净利润的相关系数均值为 0.83，朝阳永续一致预期与实际净利润的相关系数均值为 0.79，TF 盈利预测的准确性提高了 0.04。从下图可以更加明显地看出，TF 盈利预测长期优于朝阳永续一致预期

54、。可见，即使是在分析师覆盖度高、信息透明度高的股票中，TF 盈利预测仍然具有显著的优势。图 24：TF 盈利预测与朝阳永续一致预期的预测效果比较（中证 800 指数成分股）1 0.130.8 0.10.6 0.070.4 0.040.2 0.010-0.0220092010201120122013201420152016201720182019差值（右轴）TF盈利预测朝阳永续一致预期资料来源：Wind，朝阳永续， 在中证 1000 指数成分股中，TF 盈利预测与实际净利润的相关系数均值为 0.71，朝阳永续一致预期与实际净利润的相关系数均值为 0.61，TF 盈利预测的准确性提高了 0.09。

55、从下图可以看出，TF 盈利预测长期优于朝阳永续一致预期，并且从 2018 年开始，随着分析师覆盖率的降低，这种优势更加突出。图 25：TF 盈利预测与朝阳永续一致预期的预测效果比较（中证 1000 指数成分股）1 0.30.8 0.230.6 0.160.4 0.090.2 0.020201420152016201720182019-0.05差值（右轴）TF盈利预测朝阳永续一致预期资料来源：Wind，朝阳永续， 模型优势来源分析在前文我们检验发现 TF 盈利预测优于朝阳永续一致预期，但是这种优势的来源是什么？本章就对此进行分析。我们从分析师覆盖水平以及公司盈利形态两个维度对样本进行划分，考察模

56、型的优势来源。分析师覆盖水平由于分析师覆盖不足的原因，朝阳永续一致预期并不完全来自于分析师预测数据，而是通过不同方法进行填充。朝阳永续一致预期数据共有 4 种预测类型：加权计算：90 日内有 5 家以上机构出具了该股的预测，严格按照朝阳永续的一致预期算法，对机构影响力和时间影响力进行双重加权。补充估算：90 日内有不足 5 家机构出具了该股的预测，按照相关估算方法计算出一致预期。数据模拟：即统计日起的历史未有机构出具有效预测数据，因此以最近的四个季度滚动收益或其他有效预测数据进行模拟计算所得的数据；该预测数据只能作为指数估值时的测算数据，不能作为该股票的预测值。沿用数据：即统计日起的历史 6

57、个月内未有机构出具有效预测数据，因此沿用 6个月前的一致预期数据。这四种类型体现了分析师覆盖程度的差异。可以看到，实际上仅有“加权计算”与“补充估算”两种预测类型使用到了有效的分析师预期。为了考察模型预测效果差异的来源，我们在不同预测类型样本中比较了 TF 盈利预测与朝阳永续一致预期的预测效果差异。具体地，在各行业、各预测类型内，计算各期 TF 盈利预测、朝阳永续一致预期分别与实际净利润的秩相关系数，将相关系数的差值在时间序列上求平均。下图展示了各预测类型中两个预测的相对表现，差值为正表示 TF 盈利预测优于朝阳永续一致预期。整体来看，在分析师覆盖充分的股票池（加权计算）中，TF 盈利预测略优

58、于分析师一致预期；而在分析师覆盖较少或者缺失的其他几类样本（补充估算、数据模拟、沿用数据）中，TF 盈利预测显著优于分析师一致预期。从样本占比来看，分析师覆盖最为充分的第一类样本平均占比仅为 27.65 ，而绝大部股票都缺少有效的分析师覆盖，这使得朝阳永续一致预期数据的可靠性极大地打了折扣。图 26：不同预测类型股票的预测效果比较0.35 500.300.250.200.150.100.050.00加权计算补充估算数据模拟沿用数据454035302520151050平均中位数平均比例（右轴）资料来源：Wind，朝阳永续， 另一方面，我们也可以看到，在“加权计算”类型中，通过基础模型的叠加，TF

59、 盈利预测能够达到和分析师预期相当的预测准确性，这体现了我们盈利预测模型的合理性。综合来看，TF 盈利预测对于缺少分析师覆盖的公司能够给出更加准确的预期，进而从整体上提高了模型的预测效果。公司盈利形态在我们的 TF 盈利预测中使用了 7 种模型，体现了公司不同的盈利形态。同样地，为了考察模型预测效果差异的来源，我们在不同盈利形态中比较了 TF 盈利预测与朝阳永续一致预期的预测效果差异。具体地，在各行业、各盈利形态内，计算各期 TF 盈利预测、朝阳永续一致预期分别与实际净利润的秩相关系数，将两者相关系数的差值在时间序列上求平均。下图展示了各盈利形态中两个预测的相对表现，差值为正表示 TF 盈利预

60、测优于朝阳永续一致预期。可以看到，在去年同期、比例外推、平均增速三类最常见的模型所对应的盈利形态中，TF 盈利预测的准确性均高于朝阳永续一致预期；此外，当公司盈利发生异常变化或者历史盈利出现异常情况时，如前期平均、盈利变化、前期平均盈利变化模型中， TF 盈利预测呈现出更加显著的优势。图 27：不同盈利形态股票的预测效果比较0.5 300.4240.3180.2120.160.00平均中位数平均比例（右轴）资料来源：Wind，朝阳永续， 因此，整体来看，TF 盈利预测对于盈利正常的公司来说，能够给出合理并且优于朝阳永续一致预期的预测；而对于盈利异常波动的公司来说，其相对于朝阳永续一致预期的准确