业绩预期模型新探索：除了分析师预期我们还有什么预期

正文目录一、引言：我们为么要业绩预期？ 5二、业绩预期模型 7常见绩期型缺点比 7分析预模型 8分析数覆度 8如何算析度预期 9分析预的度 10简单期型 12三、如何做横截面期型 15横截预模介绍 15如何用截模做预测 17横截预模预效果 19四、基于预期模型策效果对比 21“虚假”超期与真实”超预期 21超预组效对比 22基于单期型超期策略 23基于析预模的预期略 24基于截预模的预期略 25超预因对比 27基于单期型超期因子 27基于析预模的预期子 28基于截预模的预期子 29五、总结 31图表目录图1：未成组超表现 5图2：净润层略现 6图3：常业模对比 8图4：深A股析盖度况 8图5：分师绩测标类型 9图6：分师绩期型示例 9图7：季分师绩期预绝误值5.63 10图8：季分师绩期预相市误值103，预相市偏值12 10图9：分度析预模型测对值差 11图10：行分师模型测对值差 11图11：同业绩增速准对比 12图12：同业析量占情对比 12图13：单绩期示例 13图14：单期型析师期型均对差 13图15：单期型析师期型均对值误差 13图16：季业预型预相市误对比 14图17：行业预型预相市误对比 14图18：术应横预期型测司来绩 15图19：截业预型指介绍 16图20：截回结示 17图21：截业预型预示例 18图21：Huber归理绍 18图23：种绩期平均对差19图24：种绩期平均对值差19图25：种绩期预测对值差季对比 19图26：种绩期预测对值差行对比 20图27：游侠络（002174）在2023一度报告股表现 21图28：源工（000683）在2021一度报告股表现 22图29：于单期的超期略现况 24图30：于析预型的预策表情况 25图31：于截预型的预策表情况 26图32：子试架 27图33：于单期的超期子 27图34：于单期的超期子组现 28图35：于析预型的预因子 28图36：于析预型的预因分表现 29图37：于截预型的预因子 29图38：于截预型的预子IC表现 30图39：于截预型的预因分表现 30表1：未成组分度收表现 5表2：策回框架 23表3：基简预模的超期略绩现 23表4：基分师期型的预策业表现 24表5：基横面期型的预策业表现 25表6：基横面期型的预策分度益表现 26一、引言：我们为什么需要业绩预期？ 我们在报告《如何找到下一个高增长机会》（2025/11/15）中提出，假设我们已知下一期上市公司的净利润增速，从而构建净利润增长的未来成长组合。未来成长组合在2010/5/1-2025/8/31区间内年化收益接近17%，高于基准组合（已知业绩增长组合）的12%，而组合的最大回撤显著低于基准组合。相对比基准组合的年化超额收益为4%，超额波动率1.39%，如图1所示。图1：未来成长组合超额表现、 ；2010/5/1-2025/8/31未来成长组合收益 基准收益 超额收益 超额波动率 信息比率 超额最大回撤201017.83%17.80%未来成长组合收益 基准收益 超额收益 超额波动率 信息比率 超额最大回撤201017.83%17.80%0.03%1.17%0.02-1.11%2011-23.91%-27.30%3.38%1.00%3.37-0.44%201214.33%9.56%4.77%1.10%4.33-0.78%201335.15%33.70%1.45%1.06%1.37-0.71%201452.12%48.78%3.34%1.06%3.16-0.81%201598.14%92.01%6.14%1.76%3.49-1.83%2016-1.62%-2.01%0.38%1.43%0.27-4.47%2017-2.51%-4.08%1.57%1.84%0.86-5.13%2018-23.92%-27.87%3.96%1.02%3.87-0.61%201941.45%35.94%5.50%1.11%4.94-0.66%202031.58%28.83%2.75%1.62%1.70-2.98%202141.60%27.88%13.72%1.36%10.12-0.63%2022-1.79%-10.69%8.90%1.65%5.39-0.49%202312.26%5.86%6.40%1.39%4.62-0.43%202412.15%6.09%6.06%1.55%3.91-1.09%202539.09%36.15%2.94%1.27%2.32-0.58%平均16.96%12.33%4.11%1.39%2.955.13%回测区间:2010/5/1-2025/8/31； 、 ；换言之，如果我们能够拥有高度准确的对公司业绩的预期，那么我们就能著提高我们投资组合的业绩表现。除此以外，我们还能够基于公司的业绩预期构建不同的投资策略。例如，投资大师马克.米勒维尼，在他的著作《股票2所示。而由彼得.林奇发扬光大的PEG策略，选择估值（PE）合理的高盈利增速（G）公司，同样需要对公司未来业绩的预期。图2：净利润断层策略表现、 ；2010/5/1-2025/8/31上。而预期能力的强弱，直接决定了投资者能否从市场认知差中获取超额收益预期模型，进一步提出我们的横截面预期模型，并基于业绩预期模型构建了相关的超预期策略与因子。二、业绩预期模型 分析师预期模型是一类非常特殊、不可或缺的预期模型，是对基本面数据极大的补充缺点。而在第二和第三节，我们将具体讨论分析师预期模型和简单预期模型。常见业绩预期模型优缺点对比如图3所示，我们将常见的四种业绩预期模型进行对比，包含分析师预期模型，横截面模型、时间序列模型以及简单预期模型。分析师预期模型优点：分师融入了专业分析师对公司业绩主观判断与 业绩拐点、产重组平稳场景具较强的性；分析师型更新较高分析数日更，够及反最信变。缺点：分析师主观估计普遍存在乐观偏差；分析师覆盖度有限导致股票样本选择存在偏差；分析师预期多为年度预测而非季度预测，颗粒度相对较粗，难以满足高频策略需求。横截面预期模型优点：模型公司覆盖程度较高，能够广泛适用于更多样本；模型支持多维度预测公司业绩，可综合纳入各类截面特征信息。缺点：对特殊公司或公司突发情况（如非经常性损益、重大事件冲击）不敏感；模型需要截面大样本数据，需要保证特征数据的公司覆盖度。时间序列模型优点：模型构建简单、直接，逻辑清晰；无需依赖截面数据，仅利用公司自身历史时序信息即可进行预测。模型公司覆盖程度较高，能够广泛适用于更多样本。缺点：模型对时序数据长度要求较高，数据不足时模型稳定性差；样本可能存在幸存者偏差（长期存续公司）；同样对特殊公司或突发情况不敏感，仅反映群体规律。简单预期模型优点：模型最为简单、直接，计算便捷，既无需截面数据，也无需参数估计，实施门槛最低，易于快速应用。缺点：预测准确度相对较低；对特殊公司或公司突发情况不敏感，同样仅反映群体规律，无法区分个体差异。图3：常见业绩模型对比、分析师预期模型分析师数据覆盖度在上一小节中，我们简单的分析分析师预期模型的优缺点。而在这一节中，我们将具体构建分析师业绩预期模型，并评价其预测的准确度。我们选用 数据表一致预期个股滚动指标（AShareConsensusRollingData）A42023A20101200只股票提升到超过3000只股票，近几年覆盖的公司数量有所回落，当前（2026/3）分析师大约覆盖2800家上市公司。而从覆盖率上看，随着A股上市公司数量的增多，覆盖率自2016年以来有所回落，当前覆盖率大约为54%。图4：沪深A股分析师覆盖度情况样本数 覆盖率(右轴)350030002500200015001000

100%90%80%70%60%50%40%2010/1/12010/6/12010/11/12010/1/12010/6/12010/11/12011/4/12011/9/12012/2/12012/7/12012/12/12013/5/12013/10/12014/3/12014/8/12015/1/12015/6/12015/11/12016/4/12016/9/12017/2/12017/7/12017/12/12018/5/12018/10/12019/3/12019/8/12020/1/12020/6/12020/11/12021/4/12021/9/12022/2/12022/7/12022/12/12023/5/12023/10/12024/3/12024/8/12025/1/12025/6/12025/11/1如何计算分析师季度预期正常来说，股票分析师会对覆盖的公司针对其未来一年（FY1）与未来两年（FY2）（FY3）5到，我们可以从中提取到分析师群体对公司FY1、FY2、FY3、预期同比增速（YOY）以及未来12个月净利润（FTTM）的预测值。图5：分析师业绩预测指标类型、上公司每个季度都会发布季度报，如何将分析师的年度预期转化成季度预期就成接下来，我们以平安银行（000001.SZ）2013年Q1为例，具体展示我们62013Q12013424YOY0.142012Q1（）的净利润为34.20润绝对值×分析师YOY预期+公司去年同期净利润（若去年同期公司业绩为正，（1+分析师YOY））2013Q139.13如何将分析师年度预期转化为季度预期可能有不同的方法，不同的方法侧重点不同，但均存在一定的瑕疵。感兴趣的投资者也欢迎联系我们做进一步交流。图6：分析师业绩预期模型示例分析师预期的准确度在上一小节中，我们介绍了我们如何将分析师的年度预期转化为季度预期，并基于此计算出上市公司的分析师季度预期。那么，接下来，我们就验证该预期的准确度。我们对每家上市公司、每个季度的业绩情况，计算如下三个指标：预测绝对误差=abs(季度净利润预测值-季度净利润实际值)/abs(季度净利润实际值)。该指标衡量预测的绝对误差相对于实际净利润的误差程度。预测相对市值误差=abs(季度净利润预测值-季度净利润实际值)/公告前一日公司市值*10000。该指标衡量预测误差相对于公司市值的误差程度。预测相对市值偏差=(季度净利润预测值-)/公司市值*10000。该指标衡量预测误差相对于公司市值的偏离程度，估。图7和图80图7：季度分析师业绩期预测绝对误差均值5.63 图8：季度分析师业绩期预测相对市值误均值103，预测相对市值偏差均值129的预测相对市值误差平均来看要比前三个季度明显更大，而前三个季图9：分季度分析师预期模型预测相对市值误差、图10我们展示了不同行业的预测相对市值误差的均值。可以看到，银行、食品饮料、国防军工行业的误差相对较小，而钢铁、煤炭、石油石化行业的误差则整体较大。图10：分行业分析师预期模型预测相对市值误差、12增速存在较大不确定性，因此分析师预期公司业绩时具有较大难度。反之，银行、医药行业整体业绩不确定性较低，因此分析师预测准确度较高。另一方面，我们统计了每个月底，回看过去三个月，针对不同行业公司发布盈利预期报告的分析师数量，计算不同行业分析师数量占比，同样取时序上的均值。如图12所示，煤炭、钢铁、石油石化行业的分析师数量占比整体较低，因此这些行业的分析师预测准确度较低，反之机械、电子、医药行业整体分析师占比整体较高，这些行业的分析师预测准确度较高。图、图12、简单预期模型上一小节中，我们计算了基于分析师预期模型的公司业绩预期，并统计了模型在不同季度、不同行业上的误差情况。作为对比，我们接下来使用简单预期模型去计算公司的业绩预期。接下来，我们同样以平安银行（000001.SZ）2013年Q1为例，具体展示132012Q1（同期34.2089.0582013Q143.25图13、图14与图15我们展示了分析师预期模型与简单预期模型的预测绝对误差、预测相对市值误差在时序上的对比。从绝对误差来看，简单预期模型平均误差约为5.55，分析师预期模型的平均误差约为5.63，简单预期模型的平均误差略小，但两者的差异不大。而从相对市值误差上看，简单预期模型平均误差约为78，而分析师预期模型的平均误差约为103，简单预期模型的相对市值误差更小。图14：简单预期模型与分析师预期模型平均绝对误差对比

图15：简单预期模型与分析师预期模型平均相对市值误差对比 下面我们同样分季度统计对比了分析师预期模型与简单预期模型的预测相对市值误差，如图16所示。对比来看，分析师模型并没有战胜简单预期模型，在每个报告期，其平均预测相对市值误差均大于简单预期模型。分报告期看，简单预期模型四季度平均预测相对市值误差同样大于前三个季度。图16：分季度业绩预期模型预测相对市值误差对比、图17我们对比了两个预期模型在不同行业的预测相对市值误差的均值。可以看到，除了银行，分析师预期模型在其他行业的误差均大于简单预期模型。图17：分行业业绩预期模型预测相对市值误差对比、三、如何做横截面预期模型 横截面预期模型介绍12年、3Fama&French(2006)Houetal（2012）同样应用市值、总资产等指标预测公司未来的总盈利，而Harris&Wang(2019)则在前者的基础上添加股价等市场指标，预测未来每股收益图18：学术界应用横截面预期模型预测公司未来业绩、公告日前公司相对行业超额收益：公告日前公司相对行业有较高的超额收益，公司可能取得较好的业绩表现；2）公告日前市值对数市值较大公司净利润高于小公司；3）上一季度总资产：相同盈利能力条件下，4）过去12个月现金分红总额；5）：盈利能力具有持续性；6）去年同期单季度净利润与负净利润哑变量的交叉项为盈，因此负盈利公司的盈利持续性往往较弱；7）上季度单季度净利润；8）上季度净利润同比变化值：盈利能力的提升短时间内具有持续性，9）应计盈余偏差：应计盈余比现金流更容易操控，应计盈余小于现金流意味着企业藏有利润，未来账面盈余增加，相反，应计盈余大于现金流意味着当前利润可能有虚高，后期账面盈余减少（Richardson,Sloan,Soliman,andTuna,2004,2005）。我们以营业利润与经营活动现金流净额来代表公司应计盈余偏差。NIMRQ=a+∗ERt+b2∗+b3∗+b4∗TDTTM+b5∗NIMRQq t ly+b6∗NIMRQ∗NegNIMRQ+b7∗NIMRQ+b8∗NI_ChgMRQ∗ACCTTMly ly lq lq lq图19：横截面业绩预期模型指标介绍、参考Fama-Macbeth先截面再时序的方法，我们同样先在截面对每个季度9t20t9t2图20：横截面回归结果展示、如何应用横截面模型做预测在上一小节中，我们介绍了我们的横截面预期模型中，并检验了其有效性。那么，我们接下来就是应用该模型去对公司的单季度净利润进行预测。212024Q32024Q392023、2022、2021Q3Huber下文我们会具体介绍Huber回归）；最后，基于回归参数与自变2024Q3图21：横截面业绩预期模型预测示例、Huber回归（HuberRegression）由PeterHuber于1964年提出，是稳健统计学的经典方法之一。其核心创新在于采用分段式损失函数：对残差绝对值小于阈值δ的观测使用平方损失（L2），保证对正常数据的高效估计；对超过阈值的极端观测则切换为线性损失（L1），将异常值的影响限制在可控范围内，如所示。HuberOLSHuber对金益率、公司财务指标等常见极端波动的数据场景具有更强的适应性和可靠性，图22：Huber回归原理介绍横截面预期模型预测效果图23和图24值误差在时序上的对比。从绝对误差来看，简单预期模型平均误差约为5.55，5.633.2，明显78，分析师预期模型的平均误差约为103，而横截面预期模型的平均误差为59，图23：三种业绩预期模平均绝对误差对比 图24：三种业绩预期模平均相对市值误差下面我们同样分季度统计对比了三个模型的预测相对市值误差，如图25所示。对比来看，横截面预期模型在每个季度的预测平均误差均小于其他两个业绩预期模型，预测准确度较高。分报告期看，横截面预期模型在四季度平均预测相对市值误差同样大于前三个季度。图25：三种业绩预期模型预测相对市值误差分季度对比、接下来，图26我们对比了三个预期模型在不同行业的预测相对市值误差的均值。可以看到，除了银行和食品饮料行业，横截面预期模型在其他行业的误差均明显小于其他两个预期模型。图26：三种业绩预期模型预测相对市值误差分行业对比、四、基于预期模型的策略效果对比 业绩预期是投资者心中对公司业绩的锚点，而预期能力的强弱，直接决定绩真实出现超预期的情况，那么公司的股价自然也会出现反应；反之，若模型预测准确度较低，投资者基于模型选出的“超预期”股票池，自然而然表现也不尽如人意。“虚假”的超预期与“真实”的超预期下面我们以两个实例来展示“虚假”的超预期与“真实”的超预期，对股票投资收益的影响。首先，我们先看第一个“虚假”的超预期实例。游侠网络（002174）在20234285-1.276040%9433图27：游侠网络（002174）在2023年一季度业绩报告后股价表现、接着，我们再看“真实”的超预期实例。博源化工（000683）在2021年一3.321.2260179%5.17图28：博源化工（000683）在2021年一季度业绩报告后股价表现、在本章中，我们分别基于分析师模型、简单预期模型以及我们所使用的横截面模型，构建超预期组合以及超预期因子，对比其有效性。超预期组合效果对比2201452025105月、9月、11月的第一个交易日10%股票样本池的等权组合。表2：策略回测框架项目 内容回测区间 2014/5-2025/10调仓日 5月、9月、11月的第一个交易日样本空间 沪深A股股票筛选 剔除停牌、涨跌停和ST股票基于超预期指标，选出超预期最高的前10%只股票。组合筛选

超预期指标=(季度净利润实际值-季度净利润预测值)/公告前一日公司市值基准 股票样本池的等权组合加权方式 等权交易费率 暂不考虑基于简单预期模型的超预期策略表3我们展示了基于简单预期模型的超预期策略表现。回测区间年化收益20.4%，夏普比率0.79。相比基准，组合超额年化收益6.71%，夏普比率1.09。但是，我们可以看到，策略超额整体回撤较大，区间最大回撤达15.85%，且在2023年与2024年超额收益基本走平。组别总收益年化收益年化波动率组别总收益年化收益年化波动率最大回撤夏普比率卡玛比率策略670.49%20.40%25.80%50.38%0.790.40基准264.29%12.47%26.27%62.15%0.470.20超额104.27%6.71%6.15%15.85%1.090.42；2014/5-2025/10图29：基于简单预期模型的超预期策略表现情况、 ；2014/5-2025/10基于分析师预期模型的超预期策略22.24%0.878.68%1.2513.57%2022组别总收益年化收益年化波动率组别总收益年化收益年化波动率最大回撤夏普比率卡玛比率策略810.24%22.24%25.58%48.64%0.870.46基准247.84%12.00%26.26%60.29%0.460.20超额149.78%8.68%6.95%13.57%1.250.64；2014/5-2025/10图30：基于分析师预期模型的超预期策略表现情况、 ；2014/5-2025/10基于横截面预期模型的超预期策略表5我们展示了基于横截面预期模型的超预期策略表现。对比基于简单预期模型与基于分析师预期模型的超预期策略，组合表现有明显提升。回测区间组合年化收益提升到26.46%，夏普比率提升到1.02。相比基准，组合超额年化收益提升到11.34%，而年化波动率与最大回撤均为6%左右，夏普比率提升到1.72，卡玛比提升到1.67。组别总收益年化收益年化波动率组别总收益年化收益年化波动率最大回撤夏普比率卡玛比率策略1223.10%26.46%25.84%47.96%1.020.55基准287.25%13.10%26.63%61.78%0.490.21超额225.89%11.34%6.60%6.79%1.721.67；2014/5-2025/10图31：基于横截面预期模型的超预期策略表现情况、 ；2014/5-2025/10仍旧十分稳定。2020年以来每年均能获得正向收益，且每年相对基准的超额收10%6策略组合收益基准收益超额收益超额波动率策略组合收益基准收益超额收益超额波动率信息比率超额最大回撤201472.30%45.09%27.21%6.83%3.98-3.56%201563.50%76.56%-13.06%10.21%-1.28-13.87%2016-4.97%-11.24%6.26%4.41%1.42-4.19%20178.00%-12.54%20.54%5.21%3.94-2.54%2018-20.77%-29.64%8.87%6.02%1.47-7.79%201932.89%29.36%3.53%4.05%0.87-5.81%202031.57%19.75%11.83%4.96%2.39-4.73%202151.10%30.24%20.86%7.63%2.73-6.89%20228.43%-8.61%17.04%6.99%2.44-4.06%202318.73%7.52%11.21%5.36%2.09-3.21%202416.02%2.55%13.47%8.50%1.59-6.79%202546.39%36.15%10.23%6.22%1.65-4.05%回测区间:2014/5/1-2025/10/31； 、 ；超预期因子对比在上一小节中，我们发现基于横截面预期模型的超预期策略表现明显优于基于分析师预期模型与简单预期模型的超预期策略。在接下来这一节中，我们分别基于这三个模型构建超预期因子，并测试超预期因子的表现。超预期因子=(季度净利润实际值-季度净利润预测值)/公告前一日公司市值。图32中我们列出了因子回测的框架。回测区间为2015年1月1日至20262180ST股票。图32：因子测试框架、基于简单预期模型的超预期因子IC均值为2.27%，t5.89%10.27%。分10组单调性较为一般，如图32所示。图33：基