2024年金工深度研究：博采众长，分析师预期类因子初探

证券分析师与价值发现

证券分析师是资本市场的重要参与者。他们对上市公司开展调研，发布研究报告，提供行 业前景分析、公司财务预测和股票评级推荐，从而帮助投资者更深入地理解公司价值，提 升市场效率。 学术领域对分析师的研究层出不穷。一方面，不少研究发现，分析师覆盖、评级、盈利修 正等信息对股票截面收益具有预测作用。Lee 和 So（2017）认为分析师异常覆盖与股票回 报呈现正相关。Jegadeesh 等人（2002）提出分析师评级变化能够稳定地预测未来收益。 Gleason 和 Lee（2003）发现分析师发布盈利修正后，股票价格会出现同向的响应并持续 漂移。另一方面，分析师并非完美无缺。Cao 等人（2024）指出美国分析师会受到个人主 义和集体主义文化的影响，个人主义的分析师倾向于发布更为激进的盈利预测。Jegadeesh 等人（2002）总结分析师经常会推荐近期上涨和估值较高的股票。Guo 等人（2020）发现 分析师推荐股票时无法充分运用市场异象的信号。

对业界投资者而言，分析师预期数据能够弥补财报数据更新频率低的不足，有助于及时调 整公司估值，把握投资机会。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。 本篇报告基于朝阳永续分析师一致预期数据，从 3 个方向展开研究： （1）更多分析师覆盖的股票，可能预示着股票未来回报更高，但也可能受股票市值大、近 期上涨、换手高、机构持仓多等其他因素干扰，剔除这些因素后的异常覆盖因子，选股效 果更稳定。 （2）分析师的评级推荐可直接构建选股信号，如果根据过往推荐数据，筛选具有异象捕捉 能力的分析师，能够提升评级因子的表现。 （3）分析师盈利修正会引起股价漂移效应，寻找高创新性的盈利修正，并剔除盈利修正前 股票动量的影响，可以强化这种效应。

最后，将分析师异常覆盖因子、分析师评级因子、分析师盈利修正因子合成为分析师综合 因子，具有较好的选股效果。因子回测表现如下。

分析师异常覆盖因子

分析师覆盖统计

首先统计 A 股市场中分析师覆盖股票数量和比例随时间的变化情况。每月底，计算过去一 个月分析师撰写过研报的股票数量，可以看出在 4 月、8 月和 10 月等财报密集发布的月份， 分析师覆盖股票数量明显更多，具有季节性规律。近年来，随着 A 股市场股票数量的增长， 分析师覆盖股票比例有所回落，每月约有 20%～50%的股票得到分析师报告层面的关注。

分析师覆盖中的信息

市场中有大量的股票在交易，精力有限的证券分析师往往难以覆盖所属行业的全部股票， 而是有选择地覆盖部分股票。分析师是否覆盖股票的决策，可能预示着股票的前景，原因 包括：（1）分析师一般具有更强的专业技能和信息资源整合能力；（2）分析师覆盖股票需 要花费很多精力和成本；（3）覆盖股票未来的表现与分析师的市场认可度息息相关。因此 分析师有动力去寻找并覆盖预期回报更高的股票。 然而，分析师覆盖股票的决策，可能还受到其他因素的影响。例如，大市值、换手多、近 期上涨的股票，也会吸引更多分析师的关注。Lee 和 So（2017）指出，分析师的覆盖决策， 包括预期回报和可观测公司特征两部分，通过回归从分析师覆盖度中剥离市值、换手率、 过去收益的影响，得到的残差定义为异常覆盖度。论文在美股开展实证研究，发现原始覆 盖度与未来收益无关，而异常覆盖度能够预测未来收益，高异常覆盖度股票比低异常覆盖 度股票的平均月收益高 0.8%。

因子计算方法

参考论文做法，本篇报告构建了分析师异常覆盖因子，方法如下： （1）使用朝阳永续分析师数据，每月底统计个股过去 3 个月覆盖的研报数量、作者数量、 机构数量，作为分析师覆盖度的代理变量； （2）分别以上述三种代理变量为 y，以市值、行业、动量、换手率和机构持仓比例为 x， 回归后取残差作为异常覆盖因子。其中行业为一级行业哑变量，其余自变量均取过去 3 个 月均值。 （3）将异常研报数量、异常作者数量、异常机构数量 3 个因子等权合成，得到异常覆盖因 子。

因子回测

对异常研报数量、异常作者数量、异常机构数量和异常覆盖 4 个因子进行单因子测试，测 试方法如下： 1．股票池：分析师覆盖股票池，剔除 ST 股票，剔除每个截面期下一交易日停牌、涨停的 股票。 2．回测区间：2011/2/1～2024/11/29。 3．调仓周期：月频，不计交易费用。 4．测试方法：IC 值分析，因子分 10 层测试。 测试结果如下所示。无论使用研报、作者或机构数量作为分析师覆盖度的代理指标，构建 的异常数量因子均具有正向选股效果，意味着在市值、行业、动量、换手率等因素保持不 变的条件下，近期受到分析师关注更多的股票，预期回报更高。相较于作者和机构数量， 异常研报数量因子回测表现更好，可能是因为报告数量能够更准确地体现分析师覆盖股票 所投入的精力。此外，三个因子合成后的异常覆盖因子，在 RankIC 均值、TOP 组合超额 收益和信息比率等指标上有所提升。

因子相关性分析

相关性分析表明，尽管通过回归取残差，异常覆盖因子仍与市值存在负相关。这是因为： 按照论文做法，全市场股票都作为回归样本，分析师无覆盖的股票取值为 0，回归后残差（即 异常覆盖度）与市值不相关；但本文在回测和计算相关性时，仅考虑分析师覆盖股票池， 因此这部分股票的异常覆盖度跟市值又出现一定的相关性。我们做了额外测试，如果在分 析师覆盖股票池对异常覆盖度因子进一步做行业市值中性化，消除市值暴露，回测表现仍 然较好。

分析师评级因子

分析师评级统计

分析师报告中会对股票做出评级推荐，包括买入、增持、中性、减持、卖出、无评级几种 类别。统计 A 股市场中分析师各类评级比例随时间的变化情况，不难看出，买入和增持评 级占多数，中性评级较少且逐年下降，减持和卖出评级更少。

分析师与市场异象

分析师评级是否对投资者决策具有显著影响呢？Jegadeesh 等人（2002）研究了美股市场 的卖方分析师推荐行为，发现分析师倾向于推荐“魅力股”，即强动量、高成长、活跃成交 和相对昂贵的股票。论文指出，投资者不能盲目地跟从推荐，只有当股票量化指标有利时 （高价值、强动量），分析师推荐才能够提供增量价值。 学术领域有不少针对股票市场异象的研究，对于投资者获取超额收益具有启示作用。分析 师能否把握市场异象呢？Engelberg 等人（2019）探究了分析师推荐股票的目标价格与美 国股票市场 125 个异象的关系，发现对异象看空的股票，分析师的预测过于乐观。Guo 等 人（2020）将 11 个异象指标聚合成 2 类异象信号（管理层决策和公司业绩），计算分析师 历史推荐与异象信号的相关性，从而筛选更有技能（捕捉异象能力更强）的分析师，这些 分析师推荐股票的收益往往更高。

因子计算方法

本篇报告首先根据分析师评级数据，构建评级因子，接着参考 Guo 等人（2020）做法，利 用分析师捕捉异象能力，改进评级因子。方法如下： （1）根据朝阳永续的默认分数（买入、增持、中性、减持、卖出、无评级分别为 7、5、3、 2、1、0 分），将评级类别转换为连续性数据； （2）每月底统计个股过去 3 个月所有分析师评级分数的均值，得到普通评级因子； （3）以小市值、反转、低估值、高 ROE 作为异象代理指标，每月底统计每位分析师过去 3 年评级分数与股票异象指标的秩相关系数（剔除评级次数不满 3 次的样本），选取相关性 前 50%分析师，认为这些分析师具有异象捕捉能力； （4）每月底统计个股过去 3 个月有异象捕捉能力的分析师评级分数的均值，得到改进评级 因子。

因子回测

回测结果表明，改进评级因子的 RankIC 和 TOP 组合年化超额收益率明显优于普通评级因 子，根据股票异象筛选出的分析师，或能够提供更准确的评级信息。

因子相关性分析

相比于普通评级因子，改进因子减少了对动量、市值、成交金额的正向暴露，以及对账面 市值比的负向暴露（即对高估值的正向暴露）。

分析师盈利修正因子

分析师盈利预测统计

分析师报告中会对股票净利润等财务指标做出预测，盈利预测相对上期预测的变化（上调、 不变或下调）对市场预期具有一定影响。统计 A 股市场中分析师各类盈利预测比例随时间 的变化情况，发现盈利预测的分布较为均衡，最近几年下调占比相对较高。

分析师盈利修正后的价格漂移

跟盈余公告后的价格漂移类似，不少研究发现，分析师发布盈利修正后，股票价格也会呈 现漂移现象：盈利预测上调后，股价持续上涨；盈利预测下调后，股价持续下跌。可能的 原因包括：（1）信息不确定性；（2）交易成本；（3）盈利自相关性；（4）投资者行为偏差， 如有限注意力、过度自信等。 Gleason 和 Lee（2003）提出，分析师盈利修正后的价格漂移，可能受到修正幅度、修正 质量、信息环境、公司特征等多种因素的影响。首先，分析师盈利修正幅度越大，价格漂 移现象就越强烈。接着，论文使用两种指标来衡量分析师盈利修正质量——修正创新性和 分析师排名。如果分析师现在的盈利预测位于之前的盈利预测与一致预期之间，则属于低 创新性修正，如果同时高于或低于之前的盈利预测与一致预期，则为高创新性修正。研究 发现，市场对分析师盈利修正创新性的反应不足，高创新性修正会呈现更显著的价格漂移。 相反，市场对分析师排名的反应较为强烈，明星分析师发布盈利修正对股价影响或更大， 此后的价格漂移减弱。此外，覆盖分析师较多的股票，信息传递更加畅通，价格漂移现象 也更弱。最后，动量、市值、市净率等公司特征也会影响预期收益，论文将其作为控制变 量，以观察修正事件带来的更纯粹的股价反应。

因子计算方法

本篇报告首先根据分析师盈利修正数据，构建修正幅度、上调占比两个原始因子，接着参 考 Gleason 和 Lee（2003）做法，通过寻找创新性修正、剔除动量两种方式，改进盈利修 正因子。方法如下： （1）每月底统计个股过去 3个月所有分析师盈利修正幅度的均值，得到普通修正幅度因子； （2）每月底统计个股过去 3 个月盈利预测上调的研报数量，除以研报总数，得到普通上调 占比因子； （3）每月底统计个股过去 3 个月高创新性盈利修正（现在的盈利预测同时高于或低于之前 的盈利预测与一致预期）的幅度均值，得到高创新性修正幅度因子； （4）每月底统计个股过去 3 个月高创新性盈利上调的研报数量，除以研报总数，得到高创 新性上调占比因子； （5）分别以上述 4 个因子为 y，以过去 3 个月动量为 x，回归后取残差，得到剔除动量后 的因子； （6）将 4 个剔除动量后的因子等权合成，得到分析师盈利修正因子。

因子回测

修正幅度因子衡量了分析师对股票盈利预期的变化程度。该因子在 2021 年以前表现非常出 色，但随后表现下滑。通过高创新性盈利修正和剔除动量，改进后的修正幅度因子 RankIC、 TOP 组合年化超额收益率等指标明显提升。 上调占比因子刻画了分析师是否一致提高股票未来盈利预期。该因子在 2017～2020 年间 表现较差，其余时间表现较好。改进后的上调占比因子回测表现有所提升。 将多个改进因子合成后的盈利修正因子，在回测期内表现最好，月度 RankIC 均值 3.99%， TOP 组合年化超额收益率 9.55%。

因子相关性分析

高创新性因子是对原始因子的改进，与原始因子相关性较高。修正幅度和上调占比因子从 不同角度刻画分析师盈利预期变化，相关性较低。此外，剔除动量后的因子与动量相关性 降低，但不完全为 0，可能是因为回归采用 3 个月动量，而计算相关性采用 1 个月动量。

分析师综合因子

将前文的分析师异常覆盖因子、改进分析师评级因子、分析师盈利修正因子等权合成，得 到分析师综合因子。

因子回测

分析师综合因子的回测表现相比单因子有所提升。

因子相关性分析

分析师异常覆盖、评级、盈利修正因子间相关性较低，合成后的分析师综合因子与常见风 险因子的相关性也较低。

选股策略测试

华泰金工前期报告《基于全频段量价特征的选股模型》（2023-12-08）、《如何捕捉长时间序 列量价数据的规律》（2024-03-14）、《机器学习模拟投资者分歧》（2024-06-15）中，主要 利用全频段量价数据和 AI 模型训练多个选股因子，按照静态加权合成 AI 量价因子。

计算发现，分析师综合因子与 AI 量价因子相关性仅为 0.03，说明分析师数据可提供 AI 量 价以外的增量信息。将 AI 量价因子与分析师综合因子按 7:3 比例合成，得到 AI 量价-分析 师复合因子，测试指数增强策略。此外，利用分析师综合因子、AI 量价因子和基本面因子， 通过层次筛选法测试主动量化策略。

沪深 300 增强

沪深 300 增强表现较为稳定，截至 11 月底，今年以来超额 6.91%。不过加入分析师因子后 的策略表现并无提升。

中证 500 增强

中证 500 增强在今年 2 月份和 10 月份出现较大的超额回撤，截至 11 月底，今年以来超额 3.97%。加入分析师因子后，超额最大回撤明显减小，今年超额收益有所提高。

中证 1000 增强

中证 1000 增强在今年同样经历了两次较大超额回撤，截至 11 月底，今年以来超额 9.56%。 分析师因子有助于降低策略回撤和提高今年超额。

主动量化

主动量化选股策略通过层次筛选，寻找分析师看好、基本面优秀、量价趋势有利的股票， 具体构建方法如下： （1）根据分析师综合因子，筛选排名前 10%的股票； （2）进一步根据基本面因子（包括估值、成长、盈利质量），筛选排名靠前的 60 只股票； （3）最后根据 AI 量价因子，筛选排名靠前的 20 只股票作为策略持仓； （4）持仓权重考虑等权和不等权两种情形，等权组合中每只股票的权重为 5%，不等权组 合中 AI 量价因子得分靠前的 10 只股票权重乘以 2，靠后的 10 只股票权重乘以 0.5，最后 进行归一化； （5）每月初调仓，以 vwap 价格成交，交易成本双边千分之四。 主动量化组合相对中证 500 长期超额收益显著，收益弹性比指数增强更大。

总结

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%。 关于分析师预期数据的研究，仍有一些值得尝试的方向：（1）关注分析师个人特征如从业 年限、获奖经历，建立更全面的分析师评价体系；（2）将机器学习应用于分析师预期类因 子合成；（3）使用大语言模型提取分析师研报中的情感。

（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。）