1、內容目錄 HYPERLINK l _TOC_250021 一、綜述 4 HYPERLINK l _TOC_250020 二、數據 5 HYPERLINK l _TOC_250019 三、影響 PFRD 的因素 8 HYPERLINK l _TOC_250018 盈利修正的大小 8 HYPERLINK l _TOC_250017 盈利修正大小的度量 8 HYPERLINK l _TOC_250016 rev_growth 數據中的問題 9 HYPERLINK l _TOC_250015 rev_ret 在不同報告類型下的表現 11 HYPERLINK l _TOC_250014 盈利修正的質量

2、11 HYPERLINK l _TOC_250013 創(chuàng)新的盈利修正 11 HYPERLINK l _TOC_250012 更新的盈利修正 13盈利修正的時間間隔 14 HYPERLINK l _TOC_250011 分析師的特征 14 HYPERLINK l _TOC_250010 盈利修正和信息不確定性 15 HYPERLINK l _TOC_250009 回歸模型 15 HYPERLINK l _TOC_250008 四、應用 16 HYPERLINK l _TOC_250007 構建月頻因子 16 HYPERLINK l _TOC_250006 篩選頭部股票 20 HYPERLINK

3、l _TOC_250005 4.3 思考 21 HYPERLINK l _TOC_250004 超額收益的來源 21 HYPERLINK l _TOC_250003 因子未來的有效性 21 HYPERLINK l _TOC_250002 五、總結與展望 22 HYPERLINK l _TOC_250001 六、參考文獻 23 HYPERLINK l _TOC_250000 風險提示 23圖表目錄圖表 1：三個月一致預期盈利修正因子表現 4圖表 2：盈利預測的覆蓋度 5圖表 3：盈利預測分月數量 6圖表 4：盈利修正分年統(tǒng)計 7圖表 5：盈利修正分布 7圖表 6：不同指標的相關系數 8圖表 7：

4、不同指標分組收益 9圖表 8：大幅下修盈利同時推薦的例子 10圖表 9：不同盈利修正的時間間隔 10圖表 10：不同年份 rev_growth 的分組收益 10圖表 11：不同報告下 rev_ret 的分組收益 11圖表 12：Innovation Revision 的解釋 12圖表 13：分組收益 12圖表 14：更新的盈利修正與原始盈利修正的分組收益對比 13圖表 15：分組收益 14圖表 16：不同時間間隔的盈利修正分組收益 14 HYPERLINK / P.2圖表 17：不同規(guī)模股票盈利修正的分組收益 15 HYPERLINK / P.3圖表 18：指標列表 15圖表 19：回歸結果

5、16圖表 20：不同訓練窗口下因子表現 17圖表 21：加入不同指標后 IC 的變化 17圖表 22：PFRD 的時間衰減 18圖表 23：因子覆蓋率 18圖表 24：因子表現 19圖表 25：純因子收益 19圖表 26：因子雙分組表現 19圖表 27：盈利修正因子全 A 選股超額收益 20圖表 28：一致預期盈利修正因子全 A 選股超額收益 20圖表 29：盈利修正因子中證 800 選股超額收益 20圖表 30：一致預期盈利修正因子中證 800 選股超額收益 20圖表 31：頭部選股表現 20圖表 32：2014.1-2020.3 中美市場PEAD 策略表現 21圖表 33：2020 下半年

6、PFRD 的超額收益 22一、 綜述近幾年來，主動研究的 alpha 收益在 A 股市場上越來越強，我們在之前的報告中分別從主題和機構重倉入手，試圖使用主動投資的信息給多因子模型帶來一些增量信息。本篇報告我們繼續(xù)延續(xù)這一思路，研究分析師盈利預測中的 alpha 信息。分析師預期數據可以構造很多不同的因子，例如預期的估值，預期的利潤增速等等，但其中比較穩(wěn)定的要數一致預期的盈利修正因子，例如以下展示的 3 個月一致預期盈利修正因子，在歷史樣本中一直維持著不錯的表現。由于分析師的盈利預測并不精準，整體偏樂觀，而不同分析師對不同公司的樂觀程度不同，因此如果直接使用分析師盈利預測數據來構建估值成長等因子

7、，會存在截面不可比的問題。而使用分析師預期的變化來作為因子，能夠很好地消除不同股票樂觀程度不同的問題，因此因子表現較為穩(wěn)定。圖表 1：三個月一致預期盈利修正因子表現1816141210864202007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 20203.532.521.510.50組1組2組3組4組5多空資料來源：國盛證券研究所，Wind盡管 3 個月一致預期盈利修正因子表現穩(wěn)定，但仍有一定的提升空間。首先，該因子在計算過程中并沒有考慮前后分析師是否一致的問題；其次，一致預期將不同盈利修正同等對待，但不同的盈利預

8、測所含有的信息可能有較大的差別；另外在計算一致預期時，我們通常采用過去 90 天或者 180 天的數據進行平均，存在滯后性問題。因此，本報告我們將先使用事件研究的方式，研究單個分析師盈利修正的影響，然后再將這些事件因子化或者進行其他方式的應用。 HYPERLINK / P.4事實上，分析師盈利修正后的超額收益在資產定價的論文中是較為著名的異象，一般稱之為盈利修正后的價格漂移（Post Forecast Revision Drift，后文簡記為 PFRD）。Givoly and Lakonishok（1979）最早發(fā)現了盈利修正后的價格漂移。Stickel（1991）發(fā)現一致預期提升的公司相對于

9、下降的公司在隨后的 3 到 12 個月有明顯的超額收益。Chan 等（1996）也確認了 PFRD 的存在，認為這一現象是市場對新信息反應不足的策略之一，同時論證了 PFRD 是區(qū)別于其他類似異象的，例如盈利后的價格漂移（PEAD）、動量等。Gleason和 Lee（2003）發(fā)現高創(chuàng)新的盈利修正能夠帶來更高的超額收益，同時發(fā)現知名度高的分析師所做出的修正以及較多的分析師覆蓋數能夠更好的幫助傳播盈利修正的信息，從而降低了修正后的超額收益。有多篇論文研究了PFRD 與其他投資異象的關系。例如 Barth 和 Hutton（2004）研究了盈利修正與應計利潤間的關系，他們發(fā)現二者可以相互補充，在正

10、向盈利修正的股票中，高應計利潤的公司的超額收益顯著較差，這可能是由于分析師對高應計利潤的股票過于樂觀而未考慮盈利的不可延續(xù)性。Francis 和 Soffer（1997）發(fā)現盈利修正和分析師推薦能夠獨立提供增量信息，且二者有明顯的交互作用，上調盈利預期且買入的事件要顯著好于上調盈利預期且持有或者賣出的事件。對于PFRD 的解釋，多數論文支持投資者反應不足這一論點。例如 Zhang（2006）認為盈利公告后的價格漂移（PEAD）、分析師修正后的價格漂移、動量等異象都是來源于投資者對新信息的反應不足，從而導致了短期的價格延續(xù)。同時文章認為影響投資者反應不足的最重要的因素是信息的不確定性，對于信息不

11、確定性越強的公司，股價漂移程度越高。但學術界對此也有不同的解釋，例如 Po-chang 等（2020）認為除了投資者反應不足，分析師反應不足也是 PFRD 存在的原因。分析師的盈利修正有較強的自相關性，自相關性越強說明分析師的反應越不足，從而盈利修正后的超額收益越高。我們在閱讀了大量相關文獻的基礎上，結合論文的思路以及自身的想法，研究了不同因素對PFRD 的影響，并構建了分析師盈利修正因子。二、 數據我們選取了 wind 底層數據庫中的中國 A 股盈利預測明細數據，時間區(qū)間為 2009 年 1 月 1 日到 2020 年 10 月 30 日。下圖展示了樣本中每年的盈利預測數據，由于分析師在每篇

12、報告中都包含對未來幾個報告期的盈利預測，我們只選取了其對當年盈利的預測。從下表可以看到，盈利預測的報告數量在逐年上漲，而股票的覆蓋率從 2016 年以前的 8成左右降低到近兩年的 5 成左右。圖表 2：盈利預測的覆蓋度650006000055000500004500040000350000.90.850.80.750.70.65 HYPERLINK / P.5300000.6250000.55200000.52008201020122014201620182020報告數覆蓋率資料來源：國盛證券研究所，Wind HYPERLINK / P.6圖表 3：盈利預測分月數量12000010000080

13、0006000040000200000123456789101112資料來源：國盛證券研究所，Wind從分月的角度來看，我們發(fā)現 3、4、8、10 月份的報告數量最多，這是因為這幾個月處在公司財報發(fā)布的密集期，會有大量的財報點評報告發(fā)出。在很多相關的研究中，只使用了深度報告來進行研究，認為深度報告的信息才更有價值，希望獲取分析師的研究能力帶來的超額收益。但本篇報告中我們并沒有作區(qū)分，這是由于 PFRD 本質上是在獲取利好消息后短期價格低估帶來的超額收益，我們只是單純的將分析師作為信息處理，傳輸的中介。分析師的任何一次盈利修正都是其對期間公司基本面信息的解讀所作出的反應，含有一定的信息。尤其是分

14、析師盈利修正中包含的公司的非結構化信息，例如對各種產銷事件、投資擴產事件的點評是對傳統(tǒng)基本面因子很好的補充。對于每一次盈利預測，我們尋找相同券商最近一次對該股票相同報告期的盈利預測作為前次盈利預測，然后構建盈利修正因子。在綜述中我們提到一致預期盈利修正存在的一個問題是前后分析師并不可比，但是構建單個分析師盈利修正也無法完全避免這個問題，因為同一機構的分析師可能存在更換的情況。由于這些樣本在總體樣本中占比較少，同時我們剔除了兩次盈利預測相隔 180 天的樣本，這樣能夠部分緩解該問題的影響。數據庫中有當年盈利預測的數據一共有 50 萬條左右，但有一些報告是首次覆蓋，或者在過去 180 天內沒有同期

15、的盈利預測，因此無法計算盈利修正，最終得到有盈利修正的數據為 35 萬條左右，其中盈利修正為 0 的數據有 15 萬條。由于微利股的存在，有些盈利修正幅度達到 10 倍以上，我們將數據進行了縮尾處理，并統(tǒng)計了非 0 盈利修正的分布情況。圖表 4：盈利修正分年統(tǒng)計數量均值標準差最小值25%分位50%分位75%分位最大值200999220.0160.275-0.715-0.0900.0010.0951.3742010108990.0240.198-0.543-0.0540.0060.0890.924201114162-0.0150.170-0.575-0.085-0.0030.0480.66220

16、1218011-0.0690.180-0.815-0.130-0.0370.0100.512201317131-0.0190.177-0.658-0.082-0.0030.0430.661201414542-0.0240.196-0.721-0.083-0.0050.0310.860201512672-0.0270.265-1.020-0.108-0.0080.0341.1892016169590.0110.312-0.759-0.092-0.0020.0541.9182017222990.0210.216-0.518-0.0620.0000.0631.159201822456-0.0030.

17、158-0.478-0.065-0.0020.0420.684201924125-0.0190.158-0.517-0.081-0.0050.0340.659202027552-0.0130.200-0.815-0.085-0.0020.0590.740全樣本210730-0.0120.199-0.667-0.084-0.0030.0460.897資料來源：國盛證券研究所，Wind圖表 5：盈利修正分布資料來源：國盛證券研究所，Wind從分布中可以看到，盈利修正的均值并不為 0，而是顯著小于 0，且分布略向左偏，不同年份的分布較為穩(wěn)定，這是由于一般來說分析師的盈利預測偏樂觀，而隨著年報期逐漸到

18、來，盈利預測會更加接近真實值，從而整體來看會有一個負向的修正，因此負的盈利修正并不一定代表分析師對其不看好或者期間發(fā)生了負面消息。另一方面，絕對值在 5%以內的盈利修正樣本占總體樣本的 40%左右，這些微小的盈利修正所包含的信息較為有限，有些甚至與分析師對其的觀點并不一致，很多推薦報告中，盈利預期是有所下調的。 HYPERLINK / P.7我們使用事件研究的方式來分析影響 PFRD 的因素，因此需要計算股票的異常收益率。我們使用 barra 風險模型中的殘差收益作為股票每天的異常收益率。由于發(fā)布報告以及獲取報告信息的時間不定，我們統(tǒng)一以報告發(fā)布日的后一天的收盤價作為可交易的價格，即報告發(fā)布日

19、的下一個交易日作為 T+0 日，然后計算事件帶來的超額收益。 HYPERLINK / P.8三、 影響 PFRD 的因素Gleason 和 Lee(2003)從盈利修正的大小（quantity）和盈利修正的質量（quality）兩方面來分析影響 PFRD 的因素，由于 PFRD 本質是在獲取好消息之后的價格漂移，那么好消息的幅度和質量是獲取該因子超額收益的核心。我們參照這一思路，并結合其他論文的研究，測試了多個可能影響PFRD 的因素。盈利修正的大小盈利修正大小的度量首先是盈利修正的大小。常見的盈利修正的定義為（當期盈利預測-上期盈利預測）/上期盈利預測的絕對值也有論文使用前一天的凈資產以及市

20、值作為分母，即計算盈利修正相對于其凈資產或者市值的大小。Imhoff 和 Lobo（1984）使用盈利變化除以過去盈利預期的標準差作為盈利修正的度量，他們認為盈利預測分歧較大的公司的盈利更難以估計，因此出現大幅變動的可能性較大，因此使用了盈利預期的標準差作為分布來進行修正。Gleason 和 Lee（2003）使用盈利修正日附近股票的漲跌作為盈利修正的度量，因為相比于盈利修正的數值，市場對盈利修正的即時反應是盈利修正程度較好的度量指標。我們分別測試了上述不同定義下的盈利修正與隨后 120 個交易日（T+1 到 T+120）股票的超額收益（CAR）的關系。其中 rev_ret 指股票T-1 到T

21、+0 的超額收益，rev_to_p、rev_to_bv、rev_to_dev、 rev_growth 分別為預期盈利變化除以總市值、凈資產、近 3 月盈利預測的標準差以及前次預測的絕對值。圖表 6：不同指標的相關系數rev_retrev_to_prev_to_bvrev_growthrev_to_devCARrev_ret1.0000.1440.1630.1470.1650.064rev_to_p1.0000.8350.8260.6960.062rev_to_bv1.0000.8400.7230.071rev_growth1.0000.7010.068rev_to_dev1.0000.074C

22、AR 1.000資料來源：國盛證券研究所，Wind圖表 7：不同指標分組收益0.070.060.050.040.030.020.01012345678910rev_growthrev_to_devrev_to_bvrev_to_prev_ret資料來源：國盛證券研究所，Wind從相關關系矩陣中看到，rev_to_bv、rev_to_p、rev_to_dev、rev_growth 之間有非常強的相關性，兩兩間的相關系數在 0.7 以上，而 rev_ret 相較于其他變量較為獨立。從與 CAR 的相關系數與分組收益可以看出，rev_to_p 與CAR 的相關性較弱，且分組收益的頭部顯著低于其他變量

23、。這可能是由于 rev_to_p 與股票的估值關系較大，rev_to_p 的頭部組合更傾向于選取低估值股票中盈利大幅上調的標的，而 PFRD 策略在低估值的股票中超額收益相對較低。另外盡管從分組收益和相關性的角度來看，rev_to_dev 都要略微占優(yōu)，但是 rev_to_dev 計算中需要使用過去一段時間盈利預測的標準差數據，這一數據分析師覆蓋較低的股票中缺失嚴重，使得 rev_to_dev 因子覆蓋率較低。因此 rev_to_p 和 rev_to_dev 并不是合適的盈利修正度量指標。rev_to_bv 與rev_growth 相關性在 0.8 以上，且二者表現差別不大，我們最終選取 re

24、v_growth 作為盈利修正的直接度量。rev_growth 數據中的問題在上一章中我們提到，由于分析師的盈利預測偏樂觀，但隨著年報日期逐漸來臨，盈利預測值會逐漸接近真實值，因此平均來看盈利修正是顯著為負的。也就是說負向的盈利修正并不代表股票有負面消息，可能只是分析師在調整自身的盈利預測。 HYPERLINK / P.9除此之外，我們檢查了樣本中大幅下調盈利預測的報告，發(fā)現一些報告的觀點與盈利預測調整的方向并不一致，且多數報告仍維持著買入或者推薦評級。例如以下例子全部大幅下調了盈利預測，但對股票仍然十分看好。我們認為這是由于分析師通過發(fā)布報告來更新盈利預測的頻率并不高，且發(fā)布的幾乎都是買入或

25、者推薦報告。如果股票出現了較大的負面消息，分析師可能不會立刻通過發(fā)布報告的方式來修正其盈利，而是會等到例行的業(yè)績點評才發(fā)布，但在這段時間內市場可能已經充分反映了這一預期。圖表 8：大幅下修盈利同時推薦的例子報告標題盈利預測變動幅度1業(yè)績符合預期，*優(yōu)勢顯著-32.492行業(yè)景氣復蘇，*業(yè)績提升可期-33.163*提升競爭力，*未來可期-35.61資料來源：國盛證券研究所，Wind我們計算了不同調整幅度的修正間隔時間，發(fā)現下調盈利預期的修正的時間間隔要穩(wěn)定的大于上調盈利預期的時間間隔，側面印證了上述猜想。圖表 9：不同盈利修正的時間間隔959085807570652009 2010 2011 2

26、012 2013 2014 2015 2016 2017 2018 2019 2020盈利預期下調3%以上盈利預期上調3%以上資料來源：國盛證券研究所，Wind從分年的角度來看，我們發(fā)現 2017 年以前，rev_growth 與CAR 呈非常明顯的線性關系，而 2018 年以后，盈利修正為負的樣本中，不同盈利修正幅度的股票的超額收益幾乎沒有任何區(qū)分度，而盈利修正為正的樣本中仍然呈顯著的線性關系。這可能是由于 2018年以來，分析師覆蓋的股票定價效率提升明顯，而盈利修正為負的報告由于信息比較滯后，在其發(fā)布報告期之前，其股價已經充分反映了已知信息，因此報告后的異常收益并無區(qū)分度。圖表 10：不同

27、年份 rev_growth 的分組收益0.1123456789 10 11 12 13 14 15 16 17 18 19 200.080.060.040.020-0.022017年以前20182019 2020 HYPERLINK / P.10資料來源：國盛證券研究所，Windrev_ret 在不同報告類型下的表現除了 rev_growth 之外，報告發(fā)布日 T-1 到 T+0 超額收益對隨后 T+1 到 T+120 的超額收益也有很強的區(qū)分，這是由于相比于盈利修正的數值，市場對盈利修正的即時反應是盈利修正程度較好的度量指標。從圖表 7 可以看到，rev_ret 對 CAR 也有非常明顯的區(qū)

28、分度，但線性關系相對于 rev_growth 較弱。我們將公司業(yè)績預告、業(yè)績快報、正式財報公布日三天內的報告標記為財報點評報告，其他報告標記為非財報點評報告，發(fā)現在非財報點評報告附近的股票漲跌對股票隨后的 CAR 沒有影響，而財報附近的股票漲跌對隨后的 CAR 有顯著影響，T-1 到 T+0 日的超額收益越高，未來的CAR 也越高。這可能是在非財報日，市場不會對分析師的某篇報告產生顯著的反應，因此報告附近的收益并不能體現該盈利修正是否是好消息，而財報日附近的股票的漲跌反映了市場對財報的反應。當然市場對非財報的其他事件也會有所反應，但是由于我們的數據中點評報告類型的信息，因此暫時不作考慮。與 r

29、ev_growth 類似，我們也發(fā)現在負向的反應中，rev_ret 對 CAR 沒有區(qū)分度，而在正向的反應中，有著明顯的線性關系。圖表 11：不同報告下 rev_ret 的分組收益0.070.060.050.040.030.020.010123456789 10 11 12 13 14 15 16 17 18 19 20非財報點評財報點評全部資料來源：國盛證券研究所，Wind盈利修正的質量除了盈利修正的大小外，盈利修正的質量也是需要考慮的因素之一。盈利修正的質量可以分為三點，可靠性、創(chuàng)新性和及時性?？煽啃允侵阜治鰩煹挠拚强煽康模褪袌鰧ζ涞慕庾x是一致的，如果分析師的盈利修正與市場的認知有

30、較大的偏差，那么該盈利修正可能不會帶來正向的超額收益。創(chuàng)新性和及時性是指盈利修正的信息是最新的，如果盈利修正的信息已經被市場所消化，那么該股票之后也不會跑出超額收益。創(chuàng)新的盈利修正 HYPERLINK / P.11Gleason 和 Lee(2003)認為分析師在做預測時，其自身的過往預測以及當前其他分析師的預測都是其參考的基準。如果分析師在此參考上，僅僅只將其預測調整到更接近其他分析的預測，那么這個預測中包含了較少的信息，我們稱之為Low-Innovation Revision，而如果分析師在上調或者下調預測時，同時超出或低于了自身和其他分析師的一致預期，我們認為其中包含了較多的信息，稱之為

31、 High-Innovation Revision。圖表 12：Innovation Revision 的解釋資料來源：國盛證券研究所，Gleason 和Lee(2003)我們統(tǒng)計了上述四類樣本的超額收益，從上表可以看到，在正向盈利修正的股票中，如果該盈利修正同時高于一致預期，即高創(chuàng)新（High Innovation）組合，那么其超額收益要顯著高于低于一致預期的低創(chuàng)新組合。在負向修正中這一效應同樣存在，但顯著程度不如正向修正的股票。圖表 13：分組收益相對于一致預期低高高-低相對于自身前次預期低0.01160.01760.0060 (4.45)高0.03770.0488 0.0111(7.25

32、) HYPERLINK / P.12資料來源：國盛證券研究所，Wind更新的盈利修正Stickel（1991）認為過往的盈利修正可能已經被市場充分反應，因此當下市場對盈利修正的反應應該剔除過往的盈利修正，例如計算更新的盈利修正（updated revision）。更新的盈利修正等于當期盈利預測相對于市場預期的該分析師的盈利預測的差值。而市場預期的盈利預測由過去該分析師的盈利預測、一致預期的盈利修正以及一致預期盈利相對于分析師歷史盈利預測回歸得到。由于上述模型較為復雜，且要進行參數估計，我們使用一個簡單版的更新的盈利修正。即分析師的盈利修正減去截止前一天最新的一致預期的盈利修正，作為更新的盈利修

33、正。例如分析師本次盈利預測發(fā)布日期為 T1，其上次報告的發(fā)布日期為 T2。那么我們分別取得 T1-1 日以及 T2 的市場一致預期，并計算一致預期的盈利修正，使用分析師的盈利修正與一致預期盈利修正的差作為更新的盈利修正，即認為前一天的一致預期盈利修正已經被市場所反應，而更新的盈利修正才能真正決定未來的超額收益。圖表 14：更新的盈利修正與原始盈利修正的分組收益對比0.070.060.050.040.030.020.010123456789 10 11 12 13 14 15 16 17 18 19 20更新的盈利修正原始盈利修正資料來源：國盛證券研究所，Wind但從統(tǒng)計結果來看，上述猜想并不成

34、立。我們認為可能的原因是相對于美股市場，A 股的定價效率較低，因此前期的盈利修正仍然能夠帶來非常顯著的超額收益，而并沒有被市場反應完全。 HYPERLINK / P.13另一方面，分析師的盈利修正與前一天的一致預期盈利修正有較強的相關性，全樣本相關系數在 0.7 以上。那么二者是否都能夠提供獨立的增量信息呢？我們將樣本分為如下四類，發(fā)現不管在正向還是負向盈利修正的樣本中，一致預期仍然能夠提供非常強的超額收益，是對分析師盈利修正很好地補充。分析師盈利修正與一致預期盈利修正同向為正的樣本的超額收益遠高于二者反向的樣本。我們認為這是由于分析師與一致預期的看法方向一致，從而增加了盈利修正的可靠性。圖表

35、 15：分組收益一致預期盈利修正方向負向正向正向-負向分析師盈利修正方向負向0.00920.03130.0221(13.75)正向0.02550.05160.0261(15.95)資料來源：國盛證券研究所，Wind3.2.3 盈利修正的時間間隔在 3.1.2 中我們提到，由于分析師一般不發(fā)布賣出評級的報告，因此負向盈利修正的時間間隔會比較久，而在此期間市場對信息已經進行了充分反應，這導致近幾年來，不同的負向盈利修正樣本隨后的 CAR 區(qū)分度并不顯著。因此我們猜想，如果盈利修正的時間間隔特別長，即當前盈利預測距上一次盈利預測的相隔天數較長，那么該事件隨后的 CAR會有所減弱。從下表可以看到，在盈

36、利修正最高的一組，一個月以內的盈利修正平均帶來 7.1%的超額收益，而三個月以上的盈利修正平均只能帶來 4.8%的超額收益，印證了我們的猜想。圖表 16：不同時間間隔的盈利修正分組收益一個月內1-3 個月3 個月以上1（低盈利修正）0.0150.0080.00820.0140.0040.00630.0100.0070.01340.0200.0110.01550.0350.0230.02260.0320.0250.01870.0460.0340.02980.0420.0470.03790.0560.0590.04310（高盈利修正）0.0710.0620.048資料來源：國盛證券研究所，Wind

37、3.2.4 分析師的特征 HYPERLINK / P.14分析師特征是影響盈利修正質量非常重要的因素。Gleason 和 Lee（2003）使用了兩種不同的分析師評價體系，發(fā)現了截然不同的結果。對于 the Institutional Investors All- American Research Team 評選，他們發(fā)現獲獎分析師的盈利修正后的CAR 更低，這是由于這些分析師影響力更大，他們的盈利修正的信息會被市場及時反應，從而降低了超額收益。而對于 the Wall Street Journals Survey of Award Winning Analysts 評選，獲獎分析師盈利修正

38、的價格漂移現象非常顯著，這是由于該評選完全參考歷史分析師盈利預測的準確度，而不是影響力，很多分析師都是小機構的分析師，但他們的盈利修正又較為準確，因此這些分析師的盈利修正質量很高，而且并沒有被市場充分反應，從而能夠獲取較為穩(wěn)定的超額收益。本篇報告我們暫時不對這一因素進行研究。盈利修正和信息不確定性對于 PRFD 現象的解釋有很多，其中 Zhang（2006）認為信息不確定是影響 PRFD 的重要因素。對于信息不確定性越強的公司，股價漂移程度越高。我們以股票總市值作為信息不確定的代理變量，從盈利修正與規(guī)模的雙分組可以看到，同樣的盈利修正分組下，小市值的超額收益要明顯高于大市值股票，這與論文中的結

39、論相符。圖表 17：不同規(guī)模股票盈利修正的分組收益規(guī)模分組1（?。?345（大）盈利修正分組1（低）0.0060.0120.0000.0070.01720.0240.0260.0280.0140.01930.0350.0310.0260.0160.02640.0380.0440.0360.0210.0255（高）0.0610.0660.0590.0350.040資料來源：國盛證券研究所，Wind圖表 18：指標列表回歸模型在上述分析中，我們研究了各指標可能對 PFRD 的影響，我們匯總為下表。變量定義解釋rev_growth分析師盈利預測相對前自身前次預測(180 天內)的變化率盈利修正的大小

40、：盈利修正幅度 rev_ret報告發(fā)布T-1 至 T+0 日的超額收益盈利修正的大小：市場反應 rev_to_cons盈利預測相對于前一天的一致預期的變化率盈利修正的質量：創(chuàng)新性 innovation創(chuàng)新的好消息標記為 1，創(chuàng)新的壞消息標記為-1，其余為 0盈利修正的質量：創(chuàng)新性rev_growth 與 cons_rev 同向為正記為 1，同向為負記為-1，innovation1其余為 0盈利修正的質量：可靠性cons_rev同期一致預期的變化率盈利修正的質量：可靠性分析師盈利修正的間隔，小于一個月為 1，大于 1 個月小于est_date_interval3 個月為 2，其余為 3盈利修正的

41、質量：及時性growth_sizerev_growth 與 size 的乘積，表征信息不確定對 PRFD 的影響PFRD 的一種解釋資料來源：國盛證券研究所 HYPERLINK / P.15對于以上指標，我們在全樣本分別進行了三次回歸檢驗。回歸 1 告訴我們盈利修正與隨后的CAR 確實存在非常顯著的線性關系。而當我們將 innovation 和rev_to_cons 變量加入之后，顯著性仍然明顯，但是 rev_to_cons 并不顯著，這說明 innovation 中已經包含了 rev_to_cons 的信息，即 rev_to_cons 的具體數值并不重要，如果分析師盈利預測同時高于一致預期和

42、自身前次預測，則能夠帶明顯的增量信息。最后我們將上述變量全部放入回歸模型，回歸結果與我們上述分析基本一致。Rev_ret 以及cons_rev 的系數顯著為正，而 est_date_interval 和growth_size 的系數顯著為負。但由于變量 rev_growth、 innovation、innovation1 相關性較高，使得部分變量的系數顯著性變低。圖表 19：回歸結果123const0.030.030.04(62.47)(62.92)(24.94)rev_growth0.090.060.00(31.02)(17.20)(-0.54)rev_to_cons-0.010.03(-1

43、.73)(5.22)innovation0.010.00(14.21)(-0.36)cons_rev0.02(3.33)innovation10.02(16.05)est_date_interval0.00(-6.01)growth_size-0.02(-7.25)rev_ret0.26(16.23)資料來源：國盛證券研究所，Wind以上回歸均采用了異方差穩(wěn)健的標準誤，但是由于不同分析師的盈利預測存在較強的相關性，而且由于一些分析師在同一天或者相近的幾天發(fā)布研究報告，使得殘差收益并不完全獨立，因此以上回歸仍然存在一定的內生性以及殘差相關性問題，導致統(tǒng)計檢驗的結果可能不穩(wěn)健。在 Gleason

44、和 Lee（2003）中，作者在更小的樣本中進行了測試，以排除上述問題，由于本文的目的是用以上指標進行預測，因此不在推斷部分做進一步的深入。四、 應用構建月頻因子本章我們將前面的分析進行整合，然后構建成新的盈利修正因子。首先我們生成對每個盈利修正事件的 CAR 的預測，然后在每個月底將股票過去發(fā)生的盈利修正事件匯總，得到月頻的盈利修正因子。我們采用滾動回歸的方式來進行預測，即在每年年初，使用過去 N 年的樣本作為訓練集，得到每個因素對 CAR 的回歸系數，然后在當年進行預測。選取的變量為表 18 中的所有變量，由于 growth_size 實際上衡量的是盈利修正在不同市值域的預測能力，我們這里

45、暫時不將其作為預測指標。另外一方面，除了使用回歸線性預測外，如果只預測頭部股票，使用篩選法進行預測也有著不錯的表現，甚至略微好于回歸的方法，但涉及到較多的參數，本文只展示回歸法的測試結果。 HYPERLINK / P.16我們測試了不同訓練時間窗口的表現，并以樣本外 IC 以及分組多空收益作為衡量標準。圖表 20：不同訓練窗口下因子表現時間窗口IC第十組超額收益第一組超額收益10.0850.0730.00620.0880.0730.00630.0870.0750.00740.0870.0740.00750.0880.0750.007資料來源：國盛證券研究所，Wind可以明顯的看到，不同訓練樣本

46、下，樣本外預測的表現差別并不是很大。為了保持參數的穩(wěn)健性，我們選取 5 年作為參數訓練的樣本。我們也檢驗了不同變量加入預測模型后，模型預測能力的變化。從下圖可以看到， rev_to_cons 以及 cons_rev 相對于分析師的盈利修正帶來的信息比較有限。而真正帶來顯著增量信息的是 innovation、innovation1、rev_ret。這說明除了盈利修正的大小，盈利修正的質量尤其重要，例如是否是創(chuàng)新的盈利修正，該盈利修正和市場一致預期的盈利修正是否有較大的偏差，以及市場對盈利修正的反應等。圖表 21：加入不同指標后 IC 的變化0.090.0850.080.0750.070.0650

47、.060.0550.05資料來源：國盛證券研究所，Wind HYPERLINK / P.17構建完預測之后，我們在每個月底將上述預測匯總。首先要解決的第一個問題是選取多長的時間窗口。我們將股票按照上述模型的預測值分為 4 組，分別計算了每組 T+1 到 T+120 之間滾動 10 個交易日的平均超額收益。從多頭組（組 4）可以看出，PFRD 的超額收益在前幾個交易日最高，平均日度超額達到 0.1%左右，然后逐漸下滑穩(wěn)定在 0.05%左右，大概在 60 個交易日之后開始衰減至 0.02%左右。而空頭組（組 1）與多頭組較為類似，在前幾個交易日平均日度超額收益為負，然后迅速收斂到 0 以上。在 6

48、0 個交易日之后，不同組的超額收益并沒有顯著的區(qū)分度了。圖表 22：PFRD 的時間衰減0.00120.0010.00080.00060.00040.0002161116212631364146515661667176818691961011061111160-0.0002組1組2組3組4資料來源：國盛證券研究所，Wind我們對不同樣本進行了測試，對于財報點評報告樣本以及非財報點評報告樣本，我們發(fā)現了類似的結論，因此我們認為 60 個交易日，或者大約 3 個月的時間窗口是獲取PFRD超額收益最優(yōu)的參數。我們分別測試了在每個月底求所有盈利修正事件超額收益預測值的均值、中位數、最大值，以及每個機構

49、最新一次修正事件超額收益預測值的均值、中位數、最大值等方法，發(fā)現差別并不明顯。因此我們最終構建因子的方法為在每個月底，尋找個股 90 天內的非 0 盈利修正，然后將每個機構的最新盈利修正打分取平均，作為最終的因子值。我們同時也測試了使用 180 天窗口構建的因子。圖表 23：因子覆蓋率0.80.70.60.50.40.30.20.1020132014201520162017201820192020180天90天3個月一致預期修正資料來源：國盛證券研究所，Wind HYPERLINK / P.18使用盈利修正構建的因子的覆蓋度明顯低于一致預期因子，因為單個分析師盈利修正在計算時必須對應到自身的前

50、次預測，而一致預期因子不需要。同時使用 90 天的時間窗口構建的因子覆蓋率更低，這是由于對于很多股票分析師只在財報公告時進行點評，導致這部分股票在 1 月份或者 7 月份無法計算 90 天內的修正。我們分別在全 A 域中以及分析師覆蓋域中計算了因子的表現。結果如下。圖表24：因子表現全a分析師覆蓋ICICIRICICIR3個月一致預期修正0.0252.4860.0322.37390天內盈利修正0.0242.3980.0312.36090天內盈利修正(對一致預期因子中性)0.0141.7540.0181.787180天內盈利修正0.0232.0890.0302.033180天內盈利修正(對一致預

51、期因子中性)0.0121.4630.0161.455資料來源：國盛證券研究所，Wind圖表 25：純因子收益1.41.351.31.251.21.151.11.0512013201420152016201720182019202090天內盈利修正（對一致預期修正因子中性）90天內盈利修正資料來源：國盛證券研究所，Wind圖表 26：因子雙分組表現3 個月一致預期盈利修正1（低）2345（高）90 天內盈利修正1（低）0.0070.0100.0100.0110.01420.0120.0100.0120.0140.01430.0130.0050.0140.0070.01740.0120.0060.

52、0180.0140.0185（高）0.0170.0180.0200.0220.025資料來源：國盛證券研究所，Wind HYPERLINK / P.19從以上結果可以看到，不管是從 IC 的角度還是從雙分組的角度，90 天內的盈利修正因子相對于 3 個月一致預期盈利修正都有顯著的增量信息。篩選頭部股票圖表 27：盈利修正因子全 A 選股超額收益圖表 28：一致預期盈利修正因子全 A 選股超額收益3.42.92.41.91.40.92013 2014 2015 2016 2017 2018 2019 202050只100只200只3.42.92.41.91.40.92013 2014 2015

53、2016 2017 2018 2019 202050只100只200只 資料來源：國盛證券研究所，Wind資料來源：國盛證券研究所，Wind圖表 29：盈利修正因子中證 800 選股超額收益圖表 30：一致預期盈利修正因子中證 800 選股超額收益2.32.32.12.11.91.91.71.71.51.51.31.31.11.10.90.920132014 2015 2016 201720182019 20202013201420152016201720182019202050只100只200只50只100只200只資料來源：國盛證券研究所，Wind資料來源：國盛證券研究所，Wind圖表 3

54、1：頭部選股表現50 只100 只200 只90 天內盈利修正（全 A）0.1690.1340.111一致預期修正（全 A）0.1070.1140.10290 天內盈利修正（中證 800）0.1070.0760.050一致預期修正（中證 800）0.0690.0800.052資料來源：國盛證券研究所，Wind HYPERLINK / P.20從篩選頭部股票的角度來看，在全 A 樣本內，90 天內盈利修正篩選出的股票超額收益顯著較高，其中 50 只股票的年化超額收益為 16.88%，而一致預期盈利修正的頭部 50 只股票超額收益只有 10.07%。我們同樣在中證 800 中進行了以上測試，發(fā)現也

55、有一定的提升效果，但僅限于頭部，當篩選 100 只股票或者 200 只時，差距并不大。思考超額收益的來源從因子測試角度來說，我們發(fā)現 90 天內盈利修正因子盡管表現和一致預期修正因子差距不大，但是提供了一定的增量信息。這是由于二者本質上是對分析師預期數據不同的處理方法。一致預期修正存在的問題是當前一致預期和上一期一致預期的分析師并不可比，導致該因子選出來的股票可能只是由于不同分析師的預期偏差或者說樂觀程度不同導致的。而對于 90 天內單個分析師盈利修正因子來說，盡管解決了可比的問題，但是信息丟失卻很嚴重，大部分股票可能 90 天內只有一兩個有效的分析師盈利修正數據，而有很多的分析師預測是無法計

56、算盈利修正的，比如首次覆蓋或者近期未發(fā)報告。因此二者本質上是對分析師盈利數據的不同處理方法。如果存在一種理想狀況，即每個分析師都高頻率的更新自身的觀點，那么二者的結論會比較相似。這也是為何我們在 800 成分股中篩選頭部股票，增強效果會降低，因為 800 成分股不管是分析師覆蓋的家數還是頻率都是較高的，尤其是選股數量越來越多的時候，兩個因子的表現基本一致。而在全 A 中由于分析師覆蓋較少，一致預期盈利修正受分析師不可比的問題影響較大，從而使得單個分析師盈利修正的選股效果會有顯著的提升。因子未來的有效性2020 年以來超預期、分析師類因子表現較好，但是去年下半年出現過短暫的回撤，有人可能會質疑這

57、類策略有所失效，或者說該策略的超額收益完全是由風格帶來的，我們認為未來這個因子的表現仍然會延續(xù)。因為這類策略本質上是在獲取投資者反應不足帶來的超額收益，類似于一種套利策略，而套利策略的失效的原因只會是套利空間完全消失，即在事件發(fā)生的瞬間股價就已經反應完全了，例如在美股市場，由于定價效率提升，近十年來 PEAD 策略已經完全沒有超額收益。圖表 32：2014.1-2020.3 中美市場 PEAD 策略表現資料來源：國盛證券研究所，Man Group HYPERLINK / P.21我們認為因子在去年短期失效最重要的原因是市場對超預期事件，或者說優(yōu)質股票的業(yè)績過度反應，導致了因子波動率的加大，從下

58、圖可以看到，整體來看 2020 年下半年以來 PFRD 的超額收益與之前基本沒有差別，但是這段時間股票回歸內在價值的速度要明顯加快，而在后 40 個交易日基本無超額收益，甚至產生負的超額收益。這從側面反映了市場整體效率是在逐漸提升的，策略超額收益的衰減速度變快。圖表 33：2020 下半年 PFRD 的超額收益0.060.050.040.030.020.010111213141516171812020.7.1以前2020.7.1以來資料來源：國盛證券研究所，Wind五、 總結與展望本報告試圖獲取分析師盈利修正后股價漂移（PFRD）帶來的超額收益，我們從盈利修正的大小和質量出發(fā)，分析了影響 PFRD 的因素，進一步使用上述因素為特征進行訓練，來預測當前的盈利修正可能帶來的超額收益。不管從線性的角度，還是從頭部篩選的角度，該因子相對于傳統(tǒng)的一致預期盈利修正因子有著明顯的增量信息，盡管我們構建的因子相較于傳統(tǒng)的一致預期盈利修正因子提供了增量信息，但是仍然有非常大的改進空間，尤其是在盈利修正的質量方面。首先，我們發(fā)現很多分析師在進行盈利上下調時沒有非常明確的邏輯，可能僅僅來源于其預測模型中參數的變動，該