金工深度研究：博采众长，分析师预期类因子初探.pdf

金工深度研究：博采众长，分析师预期类因子初探。基本面量化系列之二：挖掘分析师数据中的 alpha。 证券分析师是资本市场的重要参与者，能够帮助投资者更深入地理解公司价 值，提升市场效率。同时，分析师数据中也包含非理性的噪声。如何发现并 剥离分析师的理性与非理性，或许是挖掘 alpha 因子的关键。本文基于分析 师一致预期数据，构造了分析师异常覆盖、评级和盈利修正三个因子，合成 得到的分析师综合因子具有较好的选股效果。

分析师异常覆盖度越高，股票预期收益越高。 分析师覆盖股票的决策，一方面预示着股票投资价值较高，另一方面可能受 市值、近期收益、换手率、机构持仓等其他因素干扰。剔除这些干扰因素后， 仍受到分析师较高关注度的股票，未来超额收益或更高。本文以研报、作者 和机构数量作为分析师关注度的代理变量，通过回归取残差构造分析师异常 覆盖因子。在 2011/1/31～2024/11/29 的回测期内，分析师异常覆盖因子月 度 RankIC 均值为 2.34%，分 10 层 TOP 组合年化超额收益率为 6.59%。

分析师捕捉市场异象能力越强，评级信息越有效。 Jegadeesh 等人（2002）研究发现，大部分分析师倾向于推荐近期上涨和 估值较高的股票，而无法充分运用市场异象的信号。根据过往推荐数据，筛 选出具有异象捕捉能力的分析师，这些分析师的推荐评级信息或许会更有 效。本文以小市值、反转、低估值、高 ROE 作为异象代理指标，基于分析 师评级分数与异象信号的相关性，筛选出排名靠前的分析师，并构建改进的 评级因子。相比于普通评级因子，改进评级因子在回测期内月度 RankIC 均 值从 1.85%提高到 2.26%，分 10 层 TOP 组合年化超额收益率从 3.60%提 升至 5.17%。

高创新性并剔除动量的盈利修正，股价漂移现象更显著。 由于信息不确定性、盈利自相关性、投资者行为偏差等原因，分析师盈利修 正后会出现股价漂移效应。市场对盈利修正创新性的反应不足，因此高创新 性盈利修正后的股价漂移现象可能更加显著。而前期上涨过多的股票，盈利 修正后的价格漂移可能变弱。本文根据分析师盈利修正数据，先构建修正幅 度和上调占比两个原始因子，接着通过寻找创新性修正、剔除动量两种方式， 对因子加以改进。改进并合成后的分析师盈利修正因子月度 RankIC 均值为 3.99%，分 10 层 TOP 组合年化超额收益率为 9.55%。

分析师综合因子选股效果较好，与 AI 量价因子相关性低。 将异常覆盖、改进评级和盈利修正因子等权合成，得到分析师综合因子。分 析师综合因子月度 RankIC 均值为 4.27%，分 10 层 TOP 组合年化超额收益 率为 10.55%，相比单因子有所提升。分析师综合因子与 AI 量价因子相关性 仅为 0.03，增量信息丰富。根据 AI 量价-分析师复合因子构建沪深 300、中 证 500 和中证 1000 增强组合，在 2017 年初至 2024 年 11 月底的回测期内 年化超额收益分别为 10.64%、15.48%和 24.73%，信息比率分别为 2.02、 2.93 和 4.44，Calmar 比率分别为 2.17、2.40 和 4.87。利用分析师、基本 面和 AI 量价因子，通过层次筛选法构建等权和不等权的主动量化策略，收 益弹性更大，相对中证 500 年化超额收益分别为 19.78%和 23.99%。