2026年5月业绩预期模型新探索：横截面模型优势显著

在量化投资与基本面分析领域，精准的业绩预期是构建高增长组合、落地净利润断层及PEG等经典策略的核心前提。拥有前瞻且准确的业绩判断能力，有助于投资者从市场认知差中持续获取超额收益。然而，传统的业绩预期模型往往存在覆盖度不足、乐观偏差或预测精度有限等问题。招商证券在2026年5月发布的专题报告中，系统对比了分析师预期、简单预期与横截面预期三类主流业绩预测模型，并重点论证了横截面预期模型在预测精度、策略表现及因子有效性上的显著优势。

传统业绩预期模型的局限性与对比

报告首先对常见的四种业绩预期模型进行了优缺点梳理。分析师预期模型虽然融入了专业的主观深度研判且更新频率高，但存在显著的乐观偏差、覆盖度不足（当前A股覆盖率约54%）以及年度预测颗粒度粗等问题。简单预期模型计算便捷且全市场适配，但缺乏基本面多维信息支撑。时间序列模型依赖历史数据，对突发事件不敏感。相比之下，横截面模型能够纳入多维度特征，覆盖范围广，更适配全行业的业绩预测需求。

实证数据显示，分析师预期模型在整体样本中存在明显的乐观偏差，预测相对市值偏差均值大于0。在行业差异方面，银行、食品饮料等稳健行业的分析师预测精度较高，而钢铁、煤炭等周期行业因业绩不确定性大且分析师覆盖少，误差显著偏大。值得注意的是，简单预期模型在绝对误差和相对市值误差上均优于分析师预期模型，显示出基础统计规律在某些场景下优于主观判断。

横截面预期模型的构建与优势

报告重点介绍了横截面预期模型的构建逻辑。该模型借鉴学术界Fama-French等研究，选取了行情、市值、资产、盈利、应计盈余等9大核心指标作为自变量，包括公告日前相对行业超额收益、市值对数、总资产、现金分红、去年同期净利润及其交叉项、上季度净利润变化及应计盈余偏差等。模型采用Huber稳健回归进行参数估计，通过分段式损失函数处理极端值，有效提升了模型在金融数据中的适应性和可靠性。

在预测效果检验中，横截面预期模型展现出显著优势。其整体平均绝对误差仅为3.2，相对市值误差为59，均显著低于分析师预期模型（绝对误差5.63，相对市值误差103）和简单预期模型（绝对误差5.55，相对市值误差78）。分季度与分行业来看，横截面模型在绝大多数季度和行业（除银行和食品饮料外）均保持了最优的预测精度，证明了其在全市场范围内的稳健性。

策略表现与因子有效性验证

基于上述三种预期模型，报告分别构建了“超预期”策略与因子，并进行了回测对比。在策略表现方面，基于横截面预期模型的超预期组合在2014年5月至2025年10月的回测区间内，年化收益达到26.46%，超额年化收益为11.34%，超额最大回撤仅为6.79%，夏普比率提升至1.72。相比之下，基于简单预期和分析师预期的策略超额回撤较大，且近年超额收益稳定性较弱。横截面模型组合在2020年以来每年均能获得正向超额收益，表现极为稳定。

在因子有效性方面，基于横截面预期模型的超预期因子表现同样优异。其IC均值为3.46%，ICIR为2.3，t值高达7.65。因子分组测试显示，十组分组收益完全单调，多头组超额年化收益9.3%，多空组合年化收益14.6%，卡玛比率超过2。这表明横截面预期因子在全A市场中具有极强的选股能力和稳定性，有效性与稳定性远超基于分析师预期和简单预期的因子。

综上所述，横截面预期模型通过引入多维度基本面与市场特征，利用稳健回归技术，有效克服了传统分析师预期的乐观偏差和简单预期的信息缺失问题。其在预测精度、策略收益及因子稳定性上的全面领先，为投资者构建高胜率的投资组合提供了强有力的量化工具支持。