2024年金融市场策略：积极适应市场风格，行为金融+机器学习新发现

一、量化策略跟踪

1.1、分析师预期选股策略月度跟踪

1.1.1 分析师预期修正选股策略

1.1.1.1 分析师预期修正选股策略概述

证券分析师由于对某个行业研究较为深入，与所研究行业的上市公司联系较紧密，其掌握的行业和个股信 息通常比其他人要多，分析师预期数据已成为投资者重要的信息来源。分析师预期修正意为在一个时间段内， 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，有些分析师会运用该信息领 先自己的同行对自己的预期进行调整，最后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，预期均值会伴随修正趋势进行变动。具体表现为前一期预期均值的调整往往会带动后一期预期均值继续 往同向调整。分析师预期修正的调整对下一月的分析师预期值有着同向的影响。其中，预期 EPS、预期净利润的 上调和下调均有较强的趋势性，因此我们选取这两个指标作为后续模型的候选股因子。

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（预期标准差）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。同样，我们可以根据分析师的均值和 离散度进一步将预期的下调细分为两个阶段 P3（分析师均值下降，离散程度上升）和 P4（分析师均值下降，离 散程度下降）阶段。

1.1.1.2 分析师预期修正选股策略效果跟踪

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 2023 年 10 月 31 日，组合累计绝对收益 826%，相对中证全指累计超额收益 684%，年化超额收益 15.54%，超额收 益夏普比率 1.80，超额收益最大回撤 10.0%。

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 2023 年 10 月底，累计绝对收益 74%，累计超额收益 63.49%，样本外跟踪 51 个月只有 15 个月超额收益为负，月度胜率 71%，回撤为9.9%，样本外表现非常优秀。

我们基于最新 2023 年 10 月底的分析师预期数据进行选股，共选 95 只分析师主动上调预期的股票（P1 阶 段股票），其中有 16 只创业板股票，精选的 95 只分析师主动上调预期的股票里按照中信一级行业分类，其中 医药和电子最多分别为 15 只和 11 只，然后是电子 10 只，短期我们也值得重点关注这些行业的表现。

1.1.2 分析师预期修正增强选股策略

1.1.2.1 分析师预期修正增强选股策略概述

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力度又能反 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。因此，我们基于分析师盈利预期调整信息构造了分析师盈利预 期调整因子，具体计算方式和步骤如图 5，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。

然后我们在每月末，针对分析师预期修正策略股票池，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。其中样本池踢掉了停牌、上市半年之内新股、 ST 和当天涨跌停的股票，这个组合我们称为分析师预期修正增强组合。

1.1.2.2 分析师预期修正增强组合效果跟踪

经过历史样本内回测和样本外跟踪（自 2020 年 12 月 31 日开始样本外跟踪），从 2010 年 1 月至 2023 年 （截至 10 月底）12 年时间，组合年化收益 27.50%，相对中证 500 指数的年化超额收益为 25.46%。

另外，从 2021 年 1 月开始样本外跟踪，截至 2023 年 10 月底，累计绝对收益 29.78%，累计超额中证 500 收 益 48.83%，样本外跟踪 34 个月只有 10 个月超额收益为负，月度胜率 71%，回撤为-11.30%，样本外表现非常 优秀。

我们基于最新 2023 年 10 月底的分析师预期数据进行选股，从 90 只分析师主动上调预期的股票（P1 阶段 股票）中精选出了 20 只股票，其中有 6 只创业板股票，精选的 20 只分析师预期修正增强的股票里按照中信一 级行业分类，其中医药最多为 4 只，然后电子为 3 只，汽车和机械各 2 只，短期我们也值得重点关注这些行业 的表现。

1.2、事件追踪选股策略

1.2.1 跟踪事件库概览

综合考虑事件关注度、数据可得性和政策支持度，目前选择 14 类事件作为跟踪事件库，共分为 6 个大类： 再融资、股权变动、公司业绩、公司治理、负面公告和其它。事件数据源主要来自万德底层数据库和朝阳永续 数据库，报告中所有事件数据提取的截止日期为当月月底。对于每类事件，会根据事件逻辑保留相应的关键属 性，并作逐一清洗。后续我们会根据关注度、数据源、政策等因素，不定期地增减事件类型。

1.2.2 事件量统计

回溯过去一年各类事件的发生数量，按月统计并去除重复个股。截止 2023 年 11 月，1）月均覆盖总量为 2980、最新覆盖总量为 2980；2）财报相关事件的覆盖量呈明显季节性规律，如业绩快报仅在 1 至 4 月触发、 业绩预告集中在 1、7 月触发；3）月均覆盖量排名靠前的事件为机构调研、低预期信息和股东增减持；4）最新 覆盖量中值得关注的事件为业绩预告。将 2023 年 11 月与去年同期相比：1）低预期信息、限售股解禁、机构调 研的覆盖量出现大幅上升；2）股东增减持的数量小幅下降； 3）大部分类别事件数量基本持平。

1.2.3 事件表现跟踪

1.2.3.1 测试方法与设定

对事件表现跟踪分为两个方面，一是对事件个体检验事件效应，考察事件触发日后的累计异常收益；二是 定期构建事件组合，考察相对宽基指数的组合超额收益。

1.2.3.2 事后效应跟踪

测算截止 2023 年 11 月的近一年事件效应，具体考察 T+1~T+20、T+21~T+40、T+41~T+60 和 T+1~T+60 这四 种窗口的 CAR 表现。由于事件类别较多，仅选择重点类别做主要展示。筛选 60 日窗口内 CAR 显 著的事件类别，再按收益波动比指标降序排列。 对于正向事件，“业绩快报-超预期”与“超预期信息-增速”的表现尤为突出，前者 CAR 超过 5%、胜率均 超过 50%，其中前者的冲劲更足，在 2 个子窗口内均为正向 CAR、后 20 日 CAR 略有走平；此外，“股权激励预案”表现出极强稳定性，收益波动比达 31.5。对于负向事件，“负面公告-诉讼仲裁”表现最突出，其 CAR 最 低、负率最高、中短期窗口内稳定性；相对而言“超预期信息-调升”事件效应与逻辑背离，综合表现略弱些， 但仍具备一定稳定性和持续性。另外，机构调研等事件也有不俗表现。

1.2.3.3 事件组合追踪

测算截止 2023 年 11 月的近一年事件组合表现，从整体来看，1）事件组合对中证 500 和中证 1000 的增强 效果要明显强于沪深 300；2）流通市值加权组合的超额幅度要弱于等权组合；3）拉长事件观测期对组合持股量 有提升，但对超额收益影响不一。从事件类别来看，1）低预期信息、限售股解禁，在各指数各观测期大体为正 超额；2）快报预告(负)在 300 内、500 内和 1000 内均为正超额；3）快报预告(正)在 300、500 内负超额，但在 1000 内显著正超额；4）负面公告的回测效果与自身逻辑出现背离，整体呈正超额，仅 500 内为负超额。 从 300 内表现看，正向超额上，负面公告和限售股解禁表现较优，前者受观测长度影响有限、后者在短期 内表现更强劲；负向超额上，股东减持和定向增发表现较优，前者正好与股东增持表现相对应，表明股东增减 持在 300 内区分度较强。此外，快报预告易受观测期长度影响，负面事件在短观测期中为正超额，而正面事件 在短期稳定负超额。

从 500 内表现看，正向超额上，激励类事件超额收益较高、胜率一般，员工持股在短观测期下更为突出； 负向超额上，超预期信息类事件表现突出，此外负面公告、股东减持事件也呈明显负超额。

从 1000 内表现看，正向超额上，股权激励表现尤为突出，短观测期内胜率最高、收益最高，此外负面公告 事件也有不俗表现；负向超额上，正类快报预告呈明显负收益，而股东增减持均为负向表现，市值加权下短期 和长期均呈负超额。

筛选超额表现突出的事件组合，正超额中，500 内的员工持股组合近期表现强势、但近一月略有走平，1000 内的负面公告组合也略有走平、300 内的负面公告组合则有持续上升趋势；负超额中，往期表现稳定的 300 内 股东减持组合持续走平，而 1000 内的快报预告(正)出现明显走低态势。

1.3、分析师预期收益率生命周期模型及分析师因子再增强

1.3.1“预期双击”组合选股策略概述

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。

1.3.2“预期双击”组合效果跟踪

经过历史样本内回测和样本外跟踪（自 2022 年年初开始样本外跟踪），从 2010 年 1 月至 2023 年（截至 10 月底）12 年时间，组合年化收益 24.25%，相对中证 500 指数的年化超额收益为 22.28%。

另外，从 2022 年年初开始样本外跟踪，截至 2023 年 10 月底，累计绝对收益-14.69%，累计超额收益 13.09%， 样本外跟踪 22 个月只有 8 个月超额收益为负，月度胜率 64%，回撤为-6.94%，样本外表现非常优秀。

1.3.3“预期双击”行业轮动组合效果跟踪

经过历史样本内回测和样本外跟踪（自 2022 年年初日开始样本外跟踪），从 2010 年 1 月至 2023 年（截至 10 月底）12 年时间，组合年化收益 10.39%，相对行业等权指数的年化超额收益为 6.18%。

另外，从 2022 年年初开始样本外跟踪（专题报告数据截至 2022 年 6 月底），截至 2023 年 10 月底，累计 绝对收益-5.79%，累计超额收益 12.33%，样本外跟踪 22 个月仅有 10 个月超额收益为负，月度胜率 55%，回撤 为-9.00%，样本外表现非常优秀。

我们基于最新 2023 年 10 月底的分析师预期数据进行行业选择，“预期双击”组合行业轮动所选的五个行 业分别为煤炭、消费者服务、电子、汽车、电力与公共事业，短期这些行业的表现值得我们重点关注。

1.4、指数增强组合跟踪月报

1.4.1 关系图谱增强组合历史表现

基于存量因子+关系图谱联合训练模型的预测输出，进一步通过组合优化在各个指数成分股内进行指数增强 组合构建。

沪深 300 图谱增强最佳组合为 TRI，2018 年以来累计绝对收益 51.67%，累计超额 83.28%，年化 10.91%， 超额夏普比率 2.09。 中证 500 图谱增强 TRU 组合累计收益 66.65%，超额 92.33%(年化 11.93%)，超额夏普 2.39 。 中证 800 图谱增强三组合分化较小，累计收益 40%附近，年化超额最佳 9.46%(TRI)，超额夏普 2.10 。 中证 1000 图谱增强 TRI 组合累计收益 95.34%，超额 128.98%(年化 15.31%)，超额夏普三组合均在 2.5~2.8 之间 。 TRI 图谱集成增强方案在 300、800、1000 增强上均呈现最优。

1.4.2 关系图谱增强组合跟踪表现

2023 年 6 月样本外跟踪以来，图谱集成模型增强组合在四个指数成分股内均取得正超额,截止至 11 月 30 日，各个成分股内最佳集成方案各有差异。 沪深 300 图谱增强组合累计收益-2.93%(TRI 最优)，超额 5.69%，超额夏普 2.7，跟踪误差 4.17%。 中证 500 图谱增强累计收益-3.30%(TRU 最优)，超额 5.54%，超额夏普 2.89，跟踪误差 3.81%。  中证 1000 图谱增强累计收益-2.43%(TRI 最优)，超额 5.50%，超额夏普 2.94，跟踪误差 3.72%。 中证 800 图谱增强组合累计收益-2.31%(TRI 最优)，超额 6.43%，超额夏普 3.27，跟踪误差 3.88%。

（一）沪深 300 增强

沪深 300 图谱增强 TRI 组合累计收益-2.93%，超额 5.69%，超额夏普 2.7，跟踪误差 4.17%。

三组合近一月超额均在 1%以上，近一周、两周均有正超额，样本外超额日胜率均在 60%以上。

（二）中证 500 增强

中证 500 图谱增强 TRU 组合累计收益-3.30%，超额 5.54%，超额夏普 2.89，跟踪误差 3.81%。

三组合近一月超额均在 1%以上，除 LRI 近一周回撤外，其余组合近一周、近两周均有正超额， 样本外超额日胜率均在 55%以上。

（三）中证 800 增强

中证 800 图谱增强组合累计收益-2.31%(TRI 最优)，超额 6.43%，超额夏普 3.27，跟踪误差 3.88%。

三组合近一月、近两周、近一周均有正超额，近一月超额 1%以上。

（四）中证 1000 增强

中证 1000 图谱增强累计收益-2.43%(TRI 最优)，超额 5.50%，超额夏普 2.94，跟踪误差 3.72%。

三组合近一月仅 TRU 超额为正，11 月上半月出现不同程度回撤，相比其他宽基指数增强本月超 额略显疲软。

二、分析师预期策略再挖掘——分析师关注与公司短期业绩共振

2.1、分析师预期覆盖度和首次覆盖度因子

2.1.1 分析师预期覆盖度简介

分析师预期覆盖度，即分析师对一只股票的关注程度。分析师的注意力是有限的，任何分析师都只能重点 关注少量的一部分股票，也就是说，整个分析师群体的关注资源是有限的，一只股票的分析师预期覆盖度可以 理解为该股票获得了多少分析师的关注资源，分析师预期覆盖度越高的股票，意味着其获得了更多分析师的“青 睐”；因为中国市场是一个不能做空的市场，所以分析师关注的股票往往是其比较看好的股票，当一只股票的 分析师预期覆盖度处于高位时，往往代表着这只股票正受到分析师群体的追捧和看好；我们使用覆盖一只股票 的机构数量、研报数量、首次覆盖机构数量作为分析师预期覆盖度的代理变量。

2.1.2 分析师预期覆盖度因子：过去 N 个月有覆盖的机构数量

2.1.2.1、指标构建

综合考虑不同周期的因子的表现，我们分别选取过去 3 个月有覆盖的机构数量、过去 6 个月有覆盖的机构 数量、过去 9 个月有覆盖的机构数量和过去 12 个月有覆盖的机构数量因子进行接下来的研究。

2.1.2.2、因子表现

过去 3 个月覆盖的机构数量因子表现出更优异的选股能力。因子年化多空收益 15.22%， 夏普比率 1.40，IC 均值 3.67%，年化 IC_IR 为 1.30。

综合考虑因子的表现，我们选择过去 3 个月有覆盖的机构数量因子进行接下来的研究。

2.1.3 分析师预期覆盖度因子：过去 N 个月有覆盖的研报数量

2.1.3.1、指标构建

综合考虑不同周期的因子的表现，我们分别选取过去 3 个月有覆盖的研报数量、过去 6 个月有覆盖的研报 数量、过去 9 个月有覆盖的研报数量和过去 12 个月有覆盖的研报数量因子进行接下来的研究。

2.1.3.2、因子表现

过去 3 个月覆盖的机构数量因子表现出更优异的选股能力。因子年化多空收益 15.74%， 夏普比率 1.40，IC 均值 3.80%，年化 IC_IR 为 1.34。

综合考虑因子的表现，我们选择过去 3 个月有覆盖的研报数量因子进行接下来的研究。

2.1.4 分析师首次覆盖度简介

分析师首次覆盖度，即在过去一段时间内对一只股票进行首次覆盖的机构数量。首次覆盖的定义分为三种， 机构对股票的首次评级，首次关注和首份报告。平均而言，首次覆盖的研报数量占总研报数量的 14.62%（2007 年-2022 年各年占比平均）。

2.1.5 分析师首次覆盖因子：过去 N 个月首次覆盖的机构数量

2.1.5.1、指标构建

综合考虑不同周期的因子的表现，我们分别选取过去 3 个月首次覆盖的机构数量、过去 6 个月首次覆盖的 机构数量、过去 9 个月首次覆盖的机构数量和过去 12 个月首次覆盖的机构数量因子进行接下来的研究。

2.1.5.2、指标构建

过去 3 个月首次覆盖的机构数量因子表现出更优异的选股能力。因子年化多空收益 16.50%， 夏普比率 1.78，IC 均值 3.56%，年化 IC_IR 为 1.94。

综合考虑因子的表现，我们选择过去 6 个月首次覆盖的机构数量因子进行接下来的研究。

2.1.6 分析师覆盖因子在不同股票池的表现

过去 3 个月覆盖机构数、过去 3 个月覆盖研报数以及过去 6 个月首次覆盖机构数这三个分析 师覆盖因子在不同股票池中的表现。其中，在中证 1000 中，三个分析师覆盖因子表现更好，年化收益分别达到 21.16%、23.83%和 18.72%，IC 均值分别为 4.61，4.61 和 4.00。

2.1.7 分析师覆盖因子与其他大类因子的相关系数

除了 LnFloatCap 因子与分析师覆 盖因子相关性高以外，各类分析师覆盖因子之间的相关系数也很高。

2.2、分析师预期覆盖度和首次覆盖度因子

2.2.1 需要更为关注短期成长因子原因

传统上，我们理解市场，是基于经济学中关于理性人的假设，将市场分为强有效市场、半强有效市场和弱 有效市场三种类型，然而有效市场理论并不能解释市场当中长期存在的异象；为了解释这些令人匪夷所思的不 理性现象，上世纪 70 年代，行为金融学派诞生了，行为金融的观点认为人是非完全理性的，金融市场的非理性 行为，在价格变动中扮演了极其重要的角色，而且非理性的行为会重复地出现，人的种种难以解释的非理性行 为，导致了繁荣和萧条交替，这使得资产价格总是超过其价值的附近区间。从金融市场的实际情况来看，确实 有很多投资者在市场中长期跑赢了市场。 行为金融学提出了许多著名的理论和效应，如期望理论、后悔理论、过度自信、过度反应，以及马太效应、 搭便车效应、二八定律、长尾理论、羊群效应、棘轮效应、挤出效应、隧道效应等。

锚定效应（Anchoring），是行为金融学众多效应中的一种，锚定效应是一种众所周知的感知偏差，它会影 响人类的决策。锚定效应的通俗解释为，人们会在做出判断时将看到的或者听到的第一印象的影响作为锚点， 并根据锚点进行调整，因为调整不充分偏向于该锚点而造成的判断偏差的现象。锚定效应会扭曲人们对后来信 息的感知并影响决策过程产生的答案。 比如：研究表明，当被要求在 5 秒或更短时间内提供答案时，人们估“8x7x6x5x4x3x2x1=？”比 “1x2x3x4x5x6x7x8=？”时的数字更高（前一个问题的中位数答案是 2,250，后一个问题是 512；正确答案是40,320）。在这个过程中，人们将序列中的第一个数字是 8 或 1 充当锚，这影响了他们的判断，使其估计的结果 偏高或偏低。

反锚定效应（Anti-Anchoring）在股市中，锚定效应很常见。一种是“股价锚”，如某散户买了某个股票， 已套牢三年，还差 20%就解套了，这里，他的解套价就是他心里设定的锚。另一种是“观点锚”，比如说，因为 股票 A 在过去涨得好，绝大多数价值投资者都一致认为其是价值投资的标杆，将来会十年、甚至二十年继续提 价或者释放产能，股价还会继续上涨。甚至听不得人说股票 A 不好，大多数人对股票 A 未来的上涨，形成了一 致性预期；也有部分投资者对个别表现较差的股票有着一种偏见，认为烂股票永远也不可能有变好的一天。这 是一种观点锚定。 “士别三日，当刮目相看。”看人是如此，股票亦是如此，当一件事物开始出现变化时，我们不能死抱着旧 观念而刻意置新变化于不顾，而是以一种客观超然的态度去审慎地审视新变化；我们必须时刻警醒自己，忘记 过去的刻板经验，拥抱最新的变化，见风使舵，随机应变，方能做出更好的抉择。 因此，在股票市场中，相对于长期成长因子，短期成长因子对当前的形式刻画的更深入，可对随时变化的 形式有着更好的把握，在选股能力上一般来说更优越。

2.2.2 长期成长因子

2.2.2.1、因子构建

综合考虑不同周期的因子的表现，我们分别选取过去一年净利润同比增速、过去两年净利润同比增速和过 去三年净利润同比增速因子进行接下来的研究。

2.2.2.2、因子表现

三个因子的选股能力均不显著。其中选股能力相对最好的为过去两年归母净利润同比增 速因子，年化多空收益-4.66%，夏普比率-0.76，IC 均值-0.74%，年化 IC_IR 达到-0.43。

2.2.3 短期成长因子

2.2.3.1、单季度净利润同比增速

我们首先看短期成长因子中的单季度净利润同比增速这个因子。 单季度净利润同比增速因子表现出优异的选股能力。因子年化多空收益 10.04%，夏普比率 1.05，IC 均值 3.41%，年化 IC_IR 为 1.53。

单季度净利润同比增速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 11.18%的超额收益（其中 Q1 达 12.45%的多头超额收 益，Q10 为 1.27%）。

2.2.3.2、最新单季度同比增速在时间序列上的排名（过去八个季度的排名）

最新单季度同比增速在时间序列上的排名（过去八个季度）这个因子在短期成长因子中也很重要，我 们研究这个因子的表现。 最新单季度同比增速在时间序列上的排名因子表现出优异的选股能力。因子年化多空收益 11.87%，夏普比 率 1.72，IC 均值 3.21%，年化 IC_IR 为 2.30。

最新单季度同比增速在时间序列上的排名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 12.53%的超额收益（其中 Q1 达 13.37%的多头超额收益，Q10 为 0.84%）。

2.3、分析师关注和短期业绩增速共振模型

2.3.1 模型构建

基于上文的分析，我们在 3 个分析师覆盖因子和 2 个短期成长因子中各挑选一个进行策略的构建。在过去 3 个月覆盖机构数、过去 3 个月覆盖研报数、过去 6 个月首次覆盖机构数 3 个因子中，虽然过去 3 个月覆盖机 构数的 IC 均值表现不及其它两个因子，但其多空收益和分层效果好于其他两因子；在 2 个短期成长因子中，单 季度净利润同比增速因子与最新单季度同比增速在时间序列上的排名因子相比，虽然前者多空净值表现不如后 者，但前者 IC 均值和分层收益单调性的表现要好于后者，且前者的因子覆盖率要高于后者（后者需要用到过去 8 个季度的单季度同比值，即需要用到过去 12 个季度的单季度报表，这样一来就剔除掉了部分没有过去完整 12 个季度单季度报表的股票）。综上，我们选择过去 3 个月覆盖机构数和单季度净利润同比增速两个因子进行进 一步的策略构建。 我们建立了一个同时结合单季度净利润同比增速因子和过去三个月覆盖机构数因子的共振模型，该模型利 用两因子将股票分为四大板块，十六部分，四大板块分别是“L1”、“L2”、“L3”、“L4”，处于同一个板块的股票构 成了一个投资组合。

当一只股票单季度净利润同比增速处于高位，且过去三个月覆盖机构数量也处于高位时，这意味着股票处 于“L1”阶段。 当一只股票单季度净利润同比增速处于低位，但过去三个月覆盖机构数量处于高位时，这意味着股票处于 “L2”阶段。 当一只股票单季度净利润同比增速处于低位，且过去三个月覆盖机构数量也处于低位时，这意味着股票处 于“L3”阶段。 当一只股票单季度净利润同比增速处于高位，但过去三个月覆盖机构数量也处于低位时，这意味着股票处 于“L4”阶段。

2.4、“共振”模型再增强

2.4.1 预期收益率触底增强

“共振”组合+分析师盈利预期调整??????_??????因子增强精选前 20 只，简称“共振增强”组合。如下图 所示，“共振增强”组合年化收益为 35.12%，年化超额中证 500 为 32.79%，信息比率为 2.65。

2.4.2 共振主动上调组合

“共振”组合与“分析师预期修正”组合取交集，简称“共振主动上调”组合。如下图所示，“共振主动上调” 组合年化收益为 34.39%，年化超额中证 500 为 32.27%，信息比率为 2.28。

2.4.3 共振主动上调增强组合

2.4.3.1 共振主动上调增强组合表现

“共振主动上调”组合+分析师盈利预期调整??????_??????因子增强精选前 20 只，简称“共振主动上调增 强”组合。

2.4.4“共振”组合行业轮动

最后，我们利用“共振”组合来构建行业轮动组合，因为“共振”组合的每月持股数较多（平均每月 169 只）， 更利于用来构建行业轮动组合。

2.4.5 各共振增强组合效果对比

将各“共振”组合取并集进行展示，如下图：共振上调增强组合表现最好，年化收益 42.09%，年化超 额收益 39.85%，超额最大回测为-10.69%，且每月平均持股数为 15，表现非常优秀。

三、行为金融学初探——行为金融学在量化选股中的应用

3.1、行为金融学介绍

3.1.1 行为金融学引言

传统上，我们理解市场，是基于经济学中关于理性人的假设，将市场分为强有效市场、半强有效市场和弱 有效市场三种类型，然而有效市场理论并不能解释市场当中长期存在的异象；为了解释这些令人匪夷所思的不 理性现象，上世纪 70 年代，行为金融学派诞生了，行为金融的观点认为人是非完全理性的，金融市场的非理性 行为在价格变动中扮演了极其重要的角色，而且非理性的行为会重复地出现，人的种种难以解释的非理性行为， 导致了繁荣和萧条交替，这使得资产价格总是超过其价值的附近区间。从金融市场的实际情况来看，确实有很 多投资者在市场中长期跑赢了市场。

行为金融学的基础是人们的心理和行为偏差，这些偏差可能导致非理性的决策。心理因素对人们投资行为 的影响主要体现在两个方面，一方面是认知错误（cognitive error），另一方面是情感偏差（emotional bias）。 认知错误由于投资者认知方面的局限所导致的，认知错误分为固执己见偏差和信息处理偏差两类。固执己 见偏差会使投资者强化自己的观点，导致决策时过于片面，常见的固执己见偏差有：代表性偏误、乐观等。信 息处理偏差出现在投资者处理信息时，这些偏差在投资者获取新的有效信息后容易被纠正，常见的信息处理偏 差有：易得性偏差、锚定效应、框架效应、心理账户、赌徒谬误、羊群效应等。 情感偏差源于冲动或直觉，尤其是个人的非理性判断，主要与投资者的情感感受有关。情绪是一种自发的 精神状态，在投资者群体中，情感偏差或多或少普遍存在，同时这些情感偏差会影响投资者做出次优的投资决 策。常见的情感偏差有：损失厌恶、处置效应、过度自信和维持现状。

3.2、行为金融因子分类 1：锚定效应

3.2.1 锚定效应介绍

锚定效应（Anchoring），是行为金融学众多效应中的一种，锚定效应是一种众所周知的感知偏差，它会影 响人类的决策。锚定效应的通俗解释为，人们会在做出判断时将看到的或者听到的第一印象的影响作为锚点， 并根据锚点进行调整，因为调整不充分偏向于该锚点而造成的判断偏差的现象。锚定效应会扭曲人们对后来信 息的感知并影响决策过程产生的答案。 在股市中，锚定效应很常见。一种是“股价锚”，如某散户买了某个股票，已套牢三年，还差 20%就解套 了，这里，他的解套价就是他心里设定的锚。另一种是“观点锚”，比如说，因为股票 A 在过去涨得好，绝大 多数价值投资者都一致认为其是价值投资的标杆，将来会十年、甚至二十年继续提价或者释放产能，股价还会 继续上涨。甚至听不得人说股票 A 不好，大多数人对股票 A 未来的上涨，形成了一致性预期；也有部分投资者 对个别表现较差的股票有着一种偏见，认为烂股票永远也不可能有变好的一天。这是一种观点锚定。

“士别三日，当刮目相看。”看人是如此，股票亦是如此，当一件事物开始出现变化时，我们不能死抱着旧 观念而刻意置新变化于不顾，而是以一种客观超然的态度去审慎地审视新变化；我们必须时刻警醒自己，忘记 过去的刻板经验，拥抱最新的变化，见风使舵，随机应变，方能做出更好的抉择。

3.2.2 锚定效应因子定义与构建

本报告借鉴 Ashoura 等（2019）的方法，构建分析师锚效应偏差 CAF（Cross-sectional Anchoring in Analysts’ Earnings Forecasts）因子。分析师锚效应偏差 CAF 的理论基础如下： 假设分析师在预测上市公司财务数据时，也会有锚定效应。分析师以公司所在行业作为定价的“锚”，当 预测的财务指标超出（低于）行业中位数时，分析师会做出悲观（乐观）预测的指标，以接近行业中位数。财报 公布后，被预测的公司的财务指标将高于（低于）预测值，股价表现将更优（更差）。

3.2.3 锚定效应因子绩效表现

3.2.3.1 CAF_EP 因子绩效表现

CAF_EP 因子选股能力一般。因子年化多空收益 7.27%，夏普比率 0.77，IC 均值 3.88%，年化 IC_IR 达到 1.84。 CAF_EP 因子的分层效果区分度比较高。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 8.18%的超额收益（其中 Q1 达 9.42%的多头超额收益，Q10 为 1.24%）。

3.2.3.1 CAF_BP 因子绩效表现

CAF_BP 因子选股能力较强。因子年化多空收益 7.69%，夏普比率 0.61，IC 均值 3.98%，年化 IC_IR 达到 1.33。 CAF_BP 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 8.98%的超额收益（其中 Q1 达 9.67%的多头超额收益， Q10 为 0.69% ）。

3.3、行为金融因子分类 2：前景理论

3.3.1 前景理论因子介绍

3.3.1.1 前景理论

前景理论由 Kahneman & Tversky （1979 ）提出，建立心理学实验基础上, 抛弃了理性人的假设，直接研究 现实中人们的决策行为，将个人的价值感受因素融入决策行为分析中。

3.3.1.2 前景理论的应用

股价溢价之谜：股票投资的历史平均收益率相对于债券投资高出很多。投资者在行为模型中是风险回避型 的。他们对损失比对收益更敏感，对证券市场价格的频繁波动带有排斥心理，因此在面对这种风险时就要求一 个较高的资产溢价。 波动率微笑：投资者往往高估小概率事件，当投资者对期权深度虚值的情况赋予过高的权重时，会导致其 对期权的期望价值过高，引起股票期权价格被高估，出现波动率微笑的现象。 开放式基金赎回率：基金业绩越好，赎回率越大。即投资者在处置股票时，倾向卖出赚钱的股票、继续持 有赔钱的股票。前景理论的价值函数呈现 S 型，反映出投资者在盈利状态下倾向于先卖出证券，不愿意承担确 定性风险，而在亏损状态下倾向于持有证券，更加倾向于承担不确定风险。

3.4、行为金融因子分类 3：羊群效应

3.4.1 羊群效应因子介绍

3.4.1.1 羊群效应简介

羊群效应指的是人们在面对不确定的情况时，倾向于跟随大多数人的行为或看法，而不考虑自己的判断力 和独立思考。这种行为可能会导致人们做出错误的决策，因为跟随者可能会忽略他们自己的观点和信息，而仅 仅依赖于所谓的“群体智慧”。 在股市中，羊群效应一般在市场普涨或者普跌时非常明显，表现为投资者跟随大多数人的投资决策，而不 是基于个人的分析和判断。当股市普涨时，人们看到股票市场一片大好，可能会盲目“上车”，跟随他人买入 股票；当股市普跌时，人们可能会看到其他投资者纷纷抛售，他们也可能会跟随抛售。然而，这种行为可能会 导致过度买入或卖出，使股价暂时偏离合理值，长期来看会导致投资收益不佳。

3.5、行为金融学因子与其他大类因子的相关系数

在前景理论因子中，20D_PTV 因子与动量因子中的 Momentum_1m 的相关性较高；40D_PTV 因子与动量因 子中的 Momentum_1m 和 Momentum_3m 的相关性较高。 在锚定效应因子中，CAF_BP 因子与 BP_LR 因子的相关性较高；CAF_EP 因子与 EP_TTM 因子的相关性较高。 羊群效应因子与其他大类因子的相关性较低，总体来看效果也是最显著的一类因子。能够作为新的因子加 入多因子模型。

（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。）