因子选股系列之盈余公告异象类因子改进与挖掘.pdf

因子选股系列之盈余公告异象类因子改进与挖掘。在前期研究中，我们构建的 AI 深度学习因子展现出显著优势——基于海量样本的非线性收益预测模型具备超强拟合能力，而传统人工构建的时序统计类因子往往难以匹敌。然 而，当前因子挖掘面临两大瓶颈：一是挖掘的新因子虽单独有效，但在多因子组合中易 受相关性衰减影响，边际效用递减明显；二是深度学习在小样本事件（如低频的盈余公 告）中难以发挥优势，人工因子挖掘更具优势。

基于此，我们聚焦盈余公告事件窗口，探索未被充分开发的低相关量价因子空间，其稀 缺性体现在：1）公告信息释放引发的价格漂移现象具有独特信息含量；2）事件驱动型 量价因子与日频量价和基本面因子相关性低。

AOG因子的缺陷及改进

盈余公告窗口附近量价因子典型的代表是盈余公告次日开盘跳空超额AOG因子。AOG因 子2021年10月以来大部分时间十分组的多头组超额收益走平，而其他几组并没有失效， 只是其多头组由于超预期的投资模式被大量投资者熟悉后导致在公告前后过度透支业绩 从而在公告后没有超额收益。我们围绕AOG因子构建过程中的两个问题进行改进，一个 是跨日的时序可比性问题，一个是知情交易者在盈余公告前后提前透支业绩的知情交易 者干扰的问题。

改进后得到两个因子，一个是以公告前最大开盘跳空幅度为“真实预期”进行环比操作 的 DEMAX 超预期因子，一个是取公告前开盘跳空的“盈利质量下限”而构造的 QUANTILE 的盈利质量因子，都具有稳健的选股能力而且近 3 年的超额收益比历史上更 显著，加入现有的多因子体系也能带来超额的提升。

盈余公告异象类衍生因子挖掘

将上述因子改进过程抽象为盈余公告事件上的价量特征的因子挖掘框架。复用因子 结构加入其他价量特征，例如盈余公告次日最低价涨跌幅、盈余公告次日早盘大单资金 净流入占比特征，都能衍生出一批显著的选股因子。这些因子和传统的日频量价类因子 低相关，同时又和基本面因子低相关，因此复用这套结构可以很容易构造出一批和现有 因子低相关的因子加入因子库中。