本报告以净经营资产收益率(RNOA)为盈利能力度量,构建“预期外盈利能力”(UP)因子,量化预期盈利与实际盈利的差异,发现UP在沪深市场能显著带来超额收益,且优于传统盈利因子。UP因子在不同样本空间及行业均有效,且与估值因子相关性低但与盈利成长相关,稳健性强,展示了盈利能力alpha的主要来源在于预期外部分,为选股提供有力参考。
报告的核心论点是:企业未来盈利能力越强,理论上内在价值越高;但预期内的盈利能力已被市场反映,难以带来超额收益,真正能够带来alpha的因子是“预期外”的盈利能力。 因此,该研究构建了基于净经营资产收益率(RNOA)的盈利能力预测模型,测量实际盈利与预测盈利的偏差作为预期外盈利能力,证明该因子具备显著的选股能力和稳健性。报告在对比多样盈利因子、估值因子和成长因子基础上,显示UP因子在各个样本空间均具有独立且持续的alpha贡献。,29]
报告从理论起点讲述"Ohlson剩余收益模型"框架,解释股票内在价值由账面净资产及未来超额盈利能力构成,盈利能力(ROE)是价值的重要决定因素,但“预期内盈利能力”已被市场消化,不再带来超额收益,只有“预期外盈利能力”能产生alpha。图1清楚区分了“预期内”“预期外”盈利能力的本质:前者为历史信息集中体现并反映在价格中,后者为未被价格体现的新冲击,具备超额回报潜力。
传统盈利能力指标(ROE,ROA)受企业融资结构及非经营活动影响,难以客观反映实际经营盈利能力。报告重点采用Nissim和Penman(2001)提出的RNOA指标,即净经营资产收益率:
文中提供了较详细的财务科目归类及计算逻辑(图2、图3),保证指标准确定义。
总结指出RNOA比传统ROE更能准确量度企业经营盈利能力,是构建预期外盈利能力因子的最佳基准。
盈利能力预测方法包括时间序列和横截面回归。时间序列方法因数据周期长、幸存者偏差等问题不适合A股。横截面回归预测既克服了生存偏差,也适用于年轻股票市场,故本报告采用横截面回归。
构建以市值比、总市值、净经营资产同比增速、往年RNOA及变化量、应计盈余偏差和分红等变量的横截面模型。模型调整R²高达63%,表明解释力较强。各解释变量作用逻辑清晰:
图4展示了回归各年度的显著性和稳健性,验证模型有效。
基于年度模型,增强实时性,开发季度预测模型,考虑季度季节性和公告节奏。季度模型解释变量适度调整,加入了季度同比变化量,分红变量采用最近年度数据。
季度模型说明盈利能力季度表现具有惯性(与上一季度同向),但年度表现呈均值回复。值得注意的是,四季度盈利预测效果明显较低(R²仅45%),暗示四季度财务调节现象更常见,对预测模型构成挑战。图5详细列示各季度回归结果。
年度及季度盈利能力采用横截面回归预测,季度模型更适配中国A股公告周期,预期外盈利能力测量基础更贴近市场实际,且表现稳健,对未来alpha挖掘价值显著。
预期外盈利能力UP定义为季度RNOA的实际值减去横截面预测值,即季度RNOA的残差,体现尚未被市场预期的盈利冲击。数据更新节点选取4月30日、8月30日及10月31日等重要季度公告日,确保信号新鲜度。
为对比,报告同时计算传统盈利因子RNOA、ROE、ROA及销售净利率PM。
表明各行业预期外盈利能力表现不一。建筑、医药、商贸零售、家电等行业多正向超预期,钢铁、煤炭、农林牧渔等行业多负向偏离预期。某些盈利能力高行业(如计算机)甚至出现负的预期外盈利,反映行业特性和市场预期差异。(图7)
UP因子在沪深300、中证500、中证800和中证全指均表现较好,特别沪深300样本的Raw IC均值达5.44%,多空组合年化收益13.1%,表明该因子在大中小市值均具备强区分能力,且不依赖某特定样本空间。[图16]
预期外盈利能力因子显著优于传统盈利能力因子,其表现稳健且独立于行业市值因素,适用于多样样本空间,具备较高的投资实用价值。
报告进一步通过回归剔除估值因子(EP、BP)、成长因子EGROWTH及传统盈利因子影响后考察UP残差表现。结果显示:
UP作为预期外盈利能力指标,对传统盈利因子及估值因子的alpha贡献均具独立性,且蕴含盈利成长之外的关键超额收益信息,具有较好的解释能力和预测力。
考虑到预测模型因变量选择的主观性及可能带来指标不稳定性,报告评估了剔除个别候选变量后的UP因子表现,变量包括市值比、总市值、去年同期RNOA、上季度RNOA同比变化、应计盈余等:
总体UP选股能力对预测模型变量选择不敏感,无过度挖掘风险。[图22-24]
未来企业盈利能力与价值正相关,但市场已充分反映预期内盈利,因此“预期外”的盈利能力是alpha关键源。基于剔除财务杠杆影响的RNOA构建横截面回归预测模型,测量实际RNOA与预测RNOA偏差,通过大样本、多因子对比和稳健性检验,预期外盈利能力UP表现显著优于传统盈利能力因子,信息独立于估值因子并包含超越成长因子的alpha,且表现稳定,适用于多种样本空间,具备较高投资应用价值,以及完善的风险控制基础。
风险提示包括量化模型可能失效及极端市场环境冲击风险。
该图清晰区分预期内盈利能力包括历史信息且已反映价格,不产生超额收益;预期外盈利能力,包含非历史信息冲击,未被价格反映,具备带来超额收益的潜力。该图理论基础明确,支撑报告整个研究方向。
图表详列2007-2016年各自回归系数和调整R²,显示模型性能稳定,近10年调整R²均值0.63,表明预测变量能解释较大比例RNOA变异,主要解释变量均显著,表现稳健。t值表明各系数统计意义强。负系数如资产增长、应计盈余偏差,正系数如去年RNOA,符合经济推理。
显示季度模型在不同季度的拟合度和各变量系数,前三季度R²均较高(约0.65),四季度仅0.45,指示四季度盈利预测难度较大,可能由于季度财务调节行为增多。季度间盈利能力表现惯性,积极影响未来同期盈利。本图体现季度模型优于传统年度模型对时效性的改进,同时指出财务操作对模型预测效果的影响。
表格覆盖29个中信一级行业,样本数量大,列出了RNOA及UP均值、标准差和中位数。建筑、医药、商贸零售等行业UP均为正,反映预测外盈利超预期多,煤炭、钢铁、通信等行业多为负值,说明这些行业盈利多低于预期。该差异提示市场内部盈利预期和盈利弹性的异质性。
因子间Raw IC分布对比,UP因子中位数和稳定性均优于RNOA、ROE、ROA和PM,表明UP因子作为alpha因子的稳定度和预测能力更强,Raw IC的中位线明显高于其他因子,且极端值更为集中于正向,说明UP选股信号更可靠。
表格中UP因子Raw IC均值为4.15%,IC_IR 2.20,高显著性(t=6.77),年化收益12.62%,夏普比1.76,最大回撤13.8%,整体表现远超其他盈利能力因子。本表直观反映了UP因子在基本面因子中优异的利润投资属性及风险调整后的收益优势。
分10组等权组合表现清楚展示了收益和风险的逐组递增趋势,顶部组合(G10)年化收益达16.7%,对应信息比0.63,月胜率62.3%,换手率维持在25-30%区间,风险收益特征良好。值得关注第10组稳定性略低,提示偶尔存在超额收益回撤风险。
两个图均展示UP多空组合的月度收益波动及净值曲线。显示该因子在市场熊市期间表现尤佳(2010-2013及2016年至今),在牛市(2014-2015)表现略弱,净值曲线稳健上升,最大回撤控制良好,增强了其投资可操作性。,21]
显示行业、市值中性后的各因子IC箱体及综合表现,UP中性IC均值提高到4.31%,IC_IR3.04,显著高于其他因子,多空组合年化收益14.02%,最大回撤7.7%,夏普比2.25。多空组合表现优异,稳定性提升,表明去除行业及规模影响后,UP因子提供的alpha更为纯粹。,19]
5组构建,数值表现更为平滑,顶部组合年化收益达17.1%,回撤显著下降,月胜率提升至64%。该图支持UP因子在风险中性后依然具备强大选股能力。
比较沪深300、中证500、中证800及中证全指的UP因子表现,发现均表现良好,尤其沪深300 Raw IC均值5.44%,多空组合年收益13.1%。表明UP具有广泛应用价值,对大中小市值均适用,且样本空间变化对因子表现影响有限。
利用相关系数和分层方法展示UP因子与其他盈利因子高度相关,但控制UP后的其他盈利因子失效,而控制其他盈利因子后的UP依然有效,强调UP因子核心alpha地位。
相关矩阵显示UP信息与估值因子(BP、EP)弱相关,与成长因子强相关。分层结果进一步验证控制估值因子不影响UP回报,但控制UP后成长因子失效,确认UP兼顾成长与估值之外的独立alpha。该特性令UP在组合多因子模型中具有突出贡献价值。
Row regression结果表明,无论控制哪些因子,UP残差依然具有显著的正alpha,IC均值维持在2%-4%之间,显示UP超额收益的独立性与稳健性。控制UP后成长因子IC降至弱显著,支持早期结论。
通过去除部分回归变量重新计算UP,检验模型敏感性。数据显示剔除去年同期RNOA对因子效果影响最大,但整体表现依然稳健,其他变量剔除影响较小,模型足够稳健,无明显过拟合迹象。中性值表现同样稳健,确认UP因子构建的模型基础稳固。
报告未采用单一DCF等绝对估值方法,主要依赖横截面回归模型预测RNOA,以盈利预测的预测误差构造预期外盈利能力因子,作为捕捉市场未反映盈利冲击的有效指标。该模型基于Fama-French等横截面回归预测方法,融入典型价值、成长和财务指标,外延良好。
核心参数包括账面市值比、总市值、资产增速、盈利水平及变化、应计盈余偏差和分红,权重动态估计,模型拟合基于年度及季度频率,预测后差值作为alpha源。
虽无传统现金流折现估值,但通过量化多因子模型精准度量“预期内”盈利,确保“预期外”盈利残差映射市场未反映价值冲击,实现间接估值alpha抽取。
报告风险提示涵盖:
此外,模型的有效性受数据准确性及时效性影响,且预测模型中四季度RNOA拟合效果显著下降,提示存在财务操纵或对冲风险,投资者需谨慎研判异常信号。
报告未明确提出系统风险缓释策略,但通过多样样本空间、行业市值中性化及稳健性检验,侧面降低了单一风险对模型的冲击。
《预期外的盈利能力》报告深入剖析了基于净经营资产收益率(RNOA)的盈利能力预测模型,创新将盈利能力分为“预期内”和“预期外”两部分。核心发现是,市场已充分定价预期内盈利能力,无法带来超额收益,而预期外的盈利能力残差则是股票超额收益的真实驱动因素。该预期外盈利能力因子(UP)经过大样本、多维度横截面回归构建并实证检验,在沪深300、中证500及全市场均表现出高IC、显著超额收益及稳健的风险调整回报率,显著优于传统ROE、ROA等盈利能力指标。
UP因子与主流估值因子相关性低、与成长因子高度相关,但成长因子alpha主要由UP贡献,UP还能捕捉成长之外的新信息,叠加产生更为纯粹的超额收益。因子表现对模型构建变量敏感性低,稳定性强。
多个图表清晰展示了因子构造、盈利能力预测准确性、因子在不同市场环境的表现及多因子控制下的独立alpha,有效说明因未来盈利冲击尚未被市场反映,合理利用UP因子可以获取显著alpha,具备实用投资价值。
报告风险提示充分,提醒量化模型潜在失效风险及极端市场冲击,实操时需动态监控。
综上,报告科学定义并构建了“预期外盈利能力”因子,建立了与传统财务指标不同且更具前瞻性和投资价值的选股指标体系,体现了基础财务数据量化研究的深度和前沿,有助于投资者挖掘未被市场充分定价的盈利信息,优化股票组合收益与风险配置。
本分析力求细致覆盖报告的所有核心环节和数据展示,清楚解释各因子定义、预测模型、实证结果及局限,旨在帮助专业投资者全面理解预期外盈利能力因子的内涵与实用价值,促进其在投资决策中的合理应用。
因子选股系列研究之二十七:预期外的盈利能力.pdf