2022年金融产品研究报告 分析师预期调整介绍

一、分析师预期调整介绍

1.1、分析师预期偏离度与分析师覆盖

我们首先看下分析师最近十年的预期偏离度，可以看出分析师总是倾向于发表乐观看法、避免给出负面观 点。分析师预测净利润偏离实际净利润的幅度长期为正，虽然最近几年有所下降，但最高偏离度可达 30%，最 低偏离度仍大于 0。这使得单纯利用分析师推荐的信息难以获得超额收益，需要针对分析师预期信息进行深入 加工。

另外，我们看下分析师预期数据的覆盖度。分析师最近十年在全市场的覆盖率逐年下降，最新已经降至接 近 50%，即全市场只有接近一半的股票被覆盖。虽然沪深 300 成分股的覆盖度仍在 90%以上，中证 500 成分股 的覆盖度让在 80%以上。整体而言，分析师对于 A 股市场的重点股票均有覆盖，而对中小票的覆盖度则逐年降 低。

1.2、分析师预期调整

分析师对于自身过去预测的调整往往意味着新信息的到来，而分析师对于不同股票的预测调整幅度可以反 映出不同股票间的边际改善差异和分析师对于新信息的处理能力。进一步地，基于这种分析师调整幅度的差异 能够有利于我们构建选股效果较好的选股因子。 我们尝试将分析师预期选股因子与分析师预期调整事件相结合，构建具有“强逻辑”的事件增强选股策略， 获得优秀的历史收益表现。 分析师预期调整主要包括三方面信息，分别是盈利预期调整、目标价格调整以及投资评级调整。 本文利用这三方面信息构建因子和事件，并基于此构建选股策略，从而实现在充分利用分析师预期调整信息的 基础上取得优秀的选股效果。

二、分析师盈利预期调整因子

2.1、指标构建

首先是分析师预期调整的第一部分内容——盈利预期调整。我们以相同分析师在时间序列上的预期调整为 基础构建分析师盈利预期调整因子，定义分析师 i 对于股票 s 在时间 t 给出的盈利预期调整指标如下： __,, = _,, − _,,−1 _,,−1 其中，_,,−1为分析师 i 上次报告对股票 s 的盈利预期，_,,为分析师 i 本次报告 对股票 s 的盈利预期。

在每个月末 T，我们取所有分析师当月对于股票 s 的盈利预期调整幅度的中位数作为最终的分析师盈利预期 调整因子值，具体公式如下： _, = median(__,,), − 1 < ≤ 其中，i 为所有在本月对股票 s 进行盈利预期调整的分析师。分析师盈利预期调整因子反映了市场所有分析 师对于股票盈利预期调整的中间水平。

2.2、因子表现

2.2.1、分层超额收益

从下图可以看出，分析师盈利预期调整因子的分层效果区分度非常高。不同分组间具有单调的年化超额收 益（相对中证全指），并且，Q1 组相对 Q10 组具有将近 15%的超额收益（其中 Q1 超过 14%的多头超额收益， Q10 仅不足-1%）。因此这个因子的分层效果非常显著，并且多头效果远远好于空头。

2.2.2、因子绩效表现

分析师盈利预期调整因子表现出优异的选股能力。因子年化多空收益 14.93%，夏普比率 1.8，IC 均值 3.96%， 年化 IC_IR 达到 2.2。

三、分析师预期修正动量事件

3.1、分析师预期修正动量事件定义

最后是分析师预期调整的第三个事件——分析师预期修正动量事件，具体可以参考之前的报告《分析师预 期修正动量效应选股策略》。下面事件介绍和历史回测部分节选自之前报告的相关内容。 预期修正意为在具体时间段内，分析师或机构对之前预测值的调整。预期调整有一定的趋势性，当新信息 出现时，分析师运用该信息领先对自己的预期进行调整，往往会伴随着其他分析师对自己的预测进行同向的调 整。在这一过程中，预期均值会随修正趋势变动。具体表现为前一时期均值的调整往往会带动后一期的均值继 续向同向调整。

为探究这一现象在国内市场是否成立，我们预先选取了预期每股收益,利润总额,营业收入,净利 润,营业利润以及目标价格六个指标，并通过分析师覆盖度进行初步筛选。其中，除营业利润之外，其他预期指 标覆盖率均值都在 50%以上，且较为平稳。接下来，我们对预期每股收益,利润总额,营业收入,净利润以及目标 价格的第一财年一致预期（即平均预期）修正方向进行统计，最后发现预期每股收益、净利润和目标价格的趋 势性最强，把其作为选股的候选指标。数据来自朝阳永续数据库。在机构当月未对指标做出预测时，用向前追 溯至多半年的预期数据进行填充。

实际上，我们可以进一步将预期的上调细分为两个阶段：在上调第一个阶段，称为 P1 阶段，只有少部分分 析师对自己的预期值做出上调，大部分分析师并没做出预期调整，这样可以观察到预期均值出现上升，而分析 师间预期的分歧度也开始上升，我们以离散程度来衡量分歧度，即预期离散程度开始上升；而在上调第二个阶 段，称为 P2 阶段，其他分析师也会逐渐上调自己的预期，最终所有的分析师预期将会接近一个值，即我们可以 观察到预期均值出现上升，而预期离散程度则出现下降。

为验证这一理论在国内市场的可行性，我们选取上面筛选出来的预期 EPS,预期净利润（NP）和预期目标价 （TP）三个指标，采用最近一个预测年度的预测值（FY1）来构建组合，并统计组合的年化超额收益、年化超额 波动率、超额最大回撤等。 我们将当月股票按分析师预期调整的不同阶段，即假设分别处于 p1、p1&p2、p2、unchange、p3、p3&p4 和 p4 等 7 个阶段，每个阶段构建等权资产组合，分别对指标构建超额收益与多头资产组合。

3.2、分析师预期修正动量事件表现

最后我们选择标红色的组合（EPSFY1、EPSFY2、净利润 FY1 叠加选股组合）作为最终推荐的组合，表现是 所有组合里面最好的。经过历史样本内回测和样本外跟踪（自 2019 年 7 月 31 日开始样本外跟踪），2009 年 7 月 31 日至 2022 年 10 月 31 日，组合累计绝对收益 897%，相对中证全指累计超额收益 753%，年化超额收益 17.6%，超额收益夏普 比率 2，超额收益最大回撤 7.5%。另外，从 2019 年 7 月开始样本外跟踪（专题报告数据截至 2019 年 8 月），截至 2022 年 10 月底，累计绝对 收益 90%，累计超额收益 80%，样本外跟踪 39 个月只有 8 个月超额收益为负，月度胜率 79%，回撤为-3%，样 本外表现非常优秀。

3.3、分析师预期修正动量事件增强表现

下面我们考虑对分析师预期修正上调事件进行增强，和之前的事件增强方法一致，将通过以下两步来完成： 第一，根据前一节思路，利用_djust 因子对主动上调预期事件样本进行分组，统计各组样本在未来 60 日相对于中证 500 的超额收益率。 第二，在每月末，按照盈利预期调整幅度因子排序，选取指标值最大的 20 只股票，构建事件叠加盈利预期 调整幅度因子的选股组合。同时剔除 ST 股票、次新股、一字涨跌停等特殊样本股票。 我们统计下组合的分年表现，我们看到最近 10 年基本上每年相比基准中证 500 指数均有显著超额收益，超 额收益最大回撤也非常低，尤其是 2019 年和 2020 年超额收益达 50%，回撤也非常低。

另外，从 2021 年 1 月开始样本外跟踪，截至 2022 年 10 月底，累计绝对收益 40.64%，累计超额中证 500 收益 54.08%，样本外跟踪 22 个月只有 6 个月超额收益为负，月度胜率 73%，回撤为-11.30%，样本外表现非常 优秀。

四、分析师目标价介绍

4.1、分析师目标价简介

分析师目标价是是分析师基于当时信息所给出的其认为股票未来可以达到的一个合理价格，该价格来自于 分析师的主观判断，不同的分析师给出的目标价往往会有所差异，这代表了分析师看法的不同。 我们认为，一方面，分析师目标价相比盈利数据而言，包含了除基本面以外的分析师主观的情感信息，目 标价往往代表了分析师对一只股票的“看好”或是“看坏”的真实状态；另一方面，目标价作为量化指标，相 比评级指标而言更加具体、更加灵活，目标价格的变化往往会引起更少的麻烦（评级下调往往会更加敏感，但 目标价格的下调通常不会造成太大影响），鉴于此，我们认为目标价格比评级更能真实地表达分析师的观点。

4.2、分析师目标价溢价幅度及覆盖

我们首先看下分析师最近十年的溢价幅度，我们用分析师给出的目标价高于报告公告日前一个交易日的收 盘价的百分比作为分析师目标价溢价幅度，下图是全市场股票目标价溢价幅度的中位数月频时序数据，平均每 个月溢价 23.69%。可以看出分析师总是倾向于乐观估计股价走势。分析师目标价溢价幅度长期为正，最高溢价 可达 30%以上，最低溢价仍大于 0，且最近几年有不断增长的趋势。这使得单纯利用分析师目标价难以获得超 额收益，需要针对分析师预期信息进行深入加工。

另外，我们看下分析师目标价的覆盖度，若一只股票在过去半年内有至少一家机构给出预测目标价，则该 股票视为被覆盖。分析师最近十年在全市场的覆盖率自 2016 年的 60%附近开始下降，最新维持在 40%。沪深 300 成分股的覆盖率常年在 90%附近小幅波动，中证 500 成分股的覆盖率一直在 60%-80%附近波动，最新维持 在 70%，即全市场有 70%的股票被覆盖。整体而言，分析师对于 A 股市场的重点股票均有覆盖，而对中小票的 覆盖度则有所下降。2018 年以来，分析师在全市场的覆盖股票数持续抬升，然而在全市场的覆盖率并没有增长，这主要系 全市场的股票数量愈来愈多所致。

全市场与中证 500 成分股的预测机构平均数目走势趋同，最新维持在 3.5 个左右，沪深 300 成分股一直以来 是各机构关注的重点，最新的预测机构平均数目高达 7 个左右。

4.3、分析师目标价上调事件

4.3.1、分析师目标价上调事件定义

接着是分析师预期调整的第二部分内容——目标价调整。我们定义分析师将股票目标价上调定义为分析师 目标价上调事件。下图首先统计每月事件样本池数量，分析师目标价上调事件每月样本池平均为 239 只股票。

4.3.2、分析师目标价上调事件表现

我们每月末统计当月存在分析师目标价上调事件样本股未来 1 个月的历史收益表现。下图表可以看出，分 析师目标价上调事件年化超额收益（相对中证 500）达 11.76%，超额收益最大回撤-10.62%，具有一定的选股效 果。

五、分析师目标价因子

5.1、分析师预期目标价调整因子 TPM 5.1.1、指标构建 在每个月末 T，我们取过去 6 个月所有分析师（若相同的分析师在过去六个月做出多次目标价预测，我们 只取其最新的预测）对于股票 s 的目标价格的平均值作为最终的分析师目标价因子值，具体公式如下： _, = (__,,)( − 6 < ≤ ) 其中，i 为所有在过去 6 个月对股票 s 进行目标价预期的分析师。 在每个月末 T，分析师目标价动量因子值具体公式如下： __, = _, −_,−1 分析师目标价动量因子反映了市场所有分析师对于股票目标价调整的平均水平。

5.2、分析师预期收益率因子TPP

5.2.1、因子简介

TPP 因子，即分析师目标价除以股价，不同股票之间的 TPP 因子可以横向比较，这是因为 TPP 因子是分析 师对于一只股票“期望收益率”的代理，TPP 越高，代表着分析师对该股票越看好。然而资本市场瞬息万变， 分析师做出预测的时点与我们建仓的时点的不同可能会导致分析师的预测已经“过时”，也就是说，像上文构建 TPM 因子那样用过去六个月的目标价平均值来直接除以我们建仓时候的股票价格是不可取的。 因此，我们构建了三种方法来克服时效性的问题： （1）用过去六个月的分析师目标价分别先除以分析师研报公告日前一个交易日股票收盘价，再对其求平均 值得到 TPP。 （2）用过去一个月分析师目标价求平均值得到一致目标价，再除以建仓日收盘价。 （3）直接使用朝阳永续于建仓日给出的一致目标价，再除以建仓日收盘价。

5.2.2、不同方法构建因子的绩效表现

5.2.2.1、方法一（过去六个月的预测除以前一个交易日价格再平均）

用该方法构建 TPP 因子的优势是其体现了每位分析师的“期望收益率”，精准刻画了每位分析师在特定时点 对该股票的看好程度，而劣势是其没有体现建仓日的价格信息、预测的时间影响。 该方法下的 TPP 因子表现出的选股能力一般。因子年化多空收益 5.02%，夏普比率 0.34，IC 均值 0.86%，年 化 IC_IR 为 0.26。

5.2.2.2、方法二（过去一个月预测目标价的平均值，再除以建仓日价格）

用该方法构建 TPP 因子的优势是其考虑了最新和较新的价格信息，而劣势是股票覆盖度较低，因为一个月 内有目标价预测的股票相对来说较少。 该方法下的 TPP 因子表现出较好的选股能力，但近期回撤较大。因子年化多空收益 13.56%，夏普比率 0.8， IC 均值 3.87%，年化 IC_IR 为 1.22。

5.2.2.3、方法三（朝阳永续）

朝阳永续对目标价的算法是，90 天超过一家机构预测则加权计算一致目标价，若仅为一家机构预测则直接 以该预测值作为一致目标价；90 天内若无评级则记为 Na。加权方式为按机构影响力和发布时间影响力双重加权 计算。 用该方法构建 TPP 因子的优势是其考虑了最新的价格信息以及时间窗口过短股票覆盖度较低的问题，且用 时间加权的方式克服了时效性的问题。 分析师目标价格动量因子表现出优异的选股能力。因子年化多空收益 12.76%，夏普比率 1.18，IC均值 3.24%， 年化 IC_IR 达到 1.14。

另外，我们再看该方法构建的 TPP 因子的分层超额收益。从下图可以看出，分析师预期收益率因子的分层 效果区分度非常高。不同分组间具有单调的年化超额收益（相对中证全指），并且，Q1 组相对 Q10 组具有将近 12.93%的超额收益（其中 Q1 达 11.20%的多头超额收益，Q10 为-1.73%）。

5.2.3、分析师预期收益率因子TPP和BP、预期EP效果对比

5.2.3.1、TPP因子的绩效来源问题探讨

根据定义，TPP 的分母是当月底的股票价格，这让人怀疑 TPP 因子的选股能力可能只是来自于价格或价格 比率的排序；TPP 的分子，也就是一致目标价，是否真的帮助 TPP 因子涵盖了更多有用的选股信息呢？于是我 们进一步地探究其他常用的价格比率 B/P、预期 E/P（CON_EP）的选股效果；最后，我们将通过双变量分组分析 探究 TPP 因子在控制 B/P 或者是预期 E/P 变量的情况下，还能否提供额外的 alpha。

5.2.3.2、BP因子绩效表现

BP 因子表现出的选股能力较差。因子年化多空收益 2.53%，夏普比率 0.12，IC 均值 3.56%，年化 IC_IR 达到 0.77。

5.2.3.3、预期EP因子绩效表现

预期 EP 因子表现出的选股能力较差。因子年化多空收益 1.47%，夏普比率 0.1，IC 均值 2.92%，年化 IC_IR 达到 0.80。

5.2.3.4、TPP、BP双变量分组分析

我们利用独立分组的方式，将 TPP、BP 各等分成５组，之后交叉形成 25 个组合。每个组合内的股票按照等 权重配置构成投资组合，表中呈现的是各组合的月平均净收益率。 从表中可以看出，控制 BP 不变时，收益率大致随着 TPP 的上升而上升，TPP 因子明显具备选股能力；反之， 控制 TPP 不变时，BP 因子并没有表现出很好的选股能力。

5.2.3.5、TPP、预期EP双变量分组分析

同样地，我们将 TPP、预期 EP 各等分成５组，之后交叉形成 25 个组合。每个组合内的股票按照等权重配 置构成投资组合，表中呈现的是各组合的月平均净收益率。控制预期 EP 不变时，收益率大致随着 TPP 的上升而上升，TPP 因子明显具备选股能力； 反之，控制 TPP 不变时，预期 EP 因子并没有表现出很好的选股能力。综上，TPP 因子的确包涵了其它一般因子所没有包涵的有用信息，这主要源于 TPP 因子的分母，也就是分 析师目标价。因子，TPP 因子在选股方面有着其独特的优势。

六、分析师预期收益率生命周期模型

6.1、模型构建

基于上文的分析，我们建立了一个同时结合 TPP 和 TPM 因子的生命周期模型，该模型利用 TPP 和 TPM 因 子将股票分为四类（也就是生命周期模型的四个阶段），分别是“触底”、“攀升”、“见顶”、“下滑”，处于同一 个阶段的股票构成了一个投资组合。

当一只股票 TPP 处于高位，而 TPM 为正时，意味着该股票价格相对目标价较低，且目标价相对上个月有所 提升，这意味着股票处于“触底”阶段。 当一只股票 TPP 处于低位，而 TPM 为正时，意味着该股票价格相对目标价开始攀升，且目标价相对上个月 有所提升，这意味着股票处于“攀升”阶段。 当一只股票 TPP 处于低位，而 TPM 为负时，意味着该股票价格相对目标价较高，且目标价相对上个月有所 下降，这意味着股票处于“见顶”阶段。 当一只股票 TPP 处于高位，而 TPM 为负时，意味着该股票价格相对目标价开始下滑，且目标价相对上个月 有所下降，这意味着股票处于“下滑”阶段。

6.2、“触底”阶段股票案例分析

以下是处于“触底”阶段股票的示例。左图是凯撒旅业，其 2020 年 3 月底的一致目标价为 11.37， TPM 值为 2.33，TPP 值为 2.82（位于当月所有股票 TPP 值的 83%分位数），在 2020 年 3 月底触底后，其后一个 月（2020-04）涨幅为 42.83%；右图是仙坛股份，其 2018 年 12 月底的一致目标价为 19.79，TPM 值为 0.99，TPP 值为 1.39（59.03%分位数），其后一个月（2019-01）涨幅为 33.33%。

6.3、分析师预期收益率生命周期模型四阶段效果对比

“触底”组合的年化收益为 14.89%，夏普比率为 0.57，其表现远远好于其它组合；而“见 顶”组合的表现最差，年化收益仅 1.66%,夏普比率仅为 0.07。将股票按 TPM 和 TPP 因子分为四个阶段的回测表 现的区分度是十分可观的，这说明了该策略具备优秀的选股能力。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）