本报告基于深度学习模型构建研报文本情绪因子(KY-Bert、KY-Llama3、KY-CH及其合成因子KY-Combine-ASC),结合传统数值盈利预期调整因子FYR_DISP_strength,优化选股组合策略。文本情绪因子表现稳定且能显著提升优选组合的信息比率,尤其在2022-2023年数值因子表现低迷时优势明显,改进后组合年化收益提升至27.7%,信息比率由1.44提升至2.41,行业轮动因子超额表现也得到改善,体现出了深度学习赋能在分析师行为alpha提取上的增量价值。
盈利预期调整因子FYR_DISP_strength通过对分析师盈利预测调整值进行标准化和基于时间及股价跟随性加权,2012年至今表现优异,年化绝对收益为27.7%,相对中证500超额22.9%,但2022年和2023年表现相对疲软。
基于三大深度学习模型构建研报文本情绪变动因子:
KY-Bert基于金融新闻Bert微调,融合概率加权与股价跟随性加权,10分组多空对冲年化收益8.68%,收益波动比1.98,最大回撤2.70%。股价跟随性加权显著提升稳定性,多空信息比率从1.56提升至1.98。
KY-Llama3基于Llama3-Chinese-8bit模型,使用LoRA微调,10分组多空对冲年化收益8.85%,收益波动比2.02,最大回撤2.24%。
KY-CH采用金融情感词典结合jieba分词的计数方法,10分组多空对冲年化收益9.34%,收益波动比1.78,最大回撤3.61%,表现相对较弱。
三大模型情感预测比例均保持较高的一致性(80%以上),KY-Bert与KY-Llama3相关性最高(67.89%),KY-Llama3-ASC表现最佳。合成因子KY-Combine-ASC将三模型等权合成,年化收益11.17%,收益波动比2.33,最大回撤1.85%,月度胜率70.83%,综合性能领先单模型。
文本情绪因子KY-Combine-ASC与数值因子FYR_DISP_strength相关性低(约20.63%),说明两者捕捉的信息互补。结合文本因子调整选股逻辑后,组合整体稳定性显著增强,在2022-2023年表现尤为突出,信息比率由1.44跃升至2.41。
研报文本关键词筛选显示“业绩超预期”相关报告表现显著优于“业绩不及预期”,但关键词筛选方法存在主观和过拟合问题,后续研究将探索更合理结合情感与关键词的方法。
考虑研报文本情绪因子改进行业预期调整因子,可显著提升行业轮动多头超额信息比率,从0.51提升至1.22,体现文本因子在行业层面应用潜力。
风险提示:模型基于历史回测,未来市场环境可能变化,投资需审慎。
报告标题:《深度学习赋能分析师行为 更稳的盈利预期调整组合》
作者与团队:魏建榕(金融工程首席分析师)、盛少成(高级分析师)及开源证券金融工程团队
发布日期:2024年8月9日
发布机构:开源证券
研究主题:基于深度学习技术对分析师盈利预期调整行为的量化分析,包括研报文本情绪的深度挖掘及其结合传统盈利预期调整因子的组合优化,提升投资组合的稳定性与收益表现。
核心论点总结:
报告通过构建基于时间和股价跟随性加权的盈利预期调整因子 FYR_DISPstrength ,形成了收益稳定、年化约27.7%的盈利预期调整优选组合;基于深度学习的三大文本情绪模型(KY-Bert、KY-Llama3、KY-CH)提取研报情绪信息,构建文本情绪变动因子KY-Combine-ASC,其补充传统数值因子的信息,提升了组合稳健性和因子表现;后续将文本因子与数值因子结合优化组合,信息比率显著提高,尤其稳定了2022-2023年数值因子表现波动大的问题,实现更稳健的盈利预期调整组合。
关键内容与逻辑:
关键数据点:
逻辑推理及价值:
通过对分析师盈利预期时间序列和股价相关性的深度挖掘及加权,捕捉分析师对市场变化的动态反应,提升因子预测精度和稳健性,构建实证表现优异的因子及相应投资组合。
关键内容:
模型构建细节:
关键数据与比较:
逻辑价值:
大模型通过深度表征提高文本情感的理解准确度与因子有效性,集合三模型优势形成提升因子表现的合成因子,充分发挥研报文本的预测信息。
对比分析与改进逻辑:
价值解读:
融合文本情绪变化引入分析师“软”信息补充数值因子的不足,避免高景气假象导致的过度乐观,稳定组合收益波动和最大回撤。
关键词筛选:
行业预期调整因子改进:
报告未涉及具体公司估值模型或目标价格设置,重点聚焦因子构建与投资组合优化。评估策略绩效基于历史数据回测及信息比率(IR)、收益波动比、最大回撤等风险调整指标,未采用传统DCF、P/E等单股估值法,体现量化因子研究的特点。
本报告基于深度学习方法,创新性地将分析师研报文本情绪信息纳入盈利预期调整因子体系,形成数值预期调整因子 FYR_DISPstrength 与文本情绪变动因子KY-Combine-ASC的深度融合。通过文本模型的准确微调和有效加权,特别是三大模型(KY-Bert、KY-Llama3、KY-CH)的等权合成,显著提升了文本情绪因子的稳定性及投资效果。
文本情绪因子与传统数值因子的相关性仅20.63%,显示两者捕捉了分析师行为的不同维度。将文本情绪作为筛选过滤,结合数值因子优选标的,改进后的盈利预期调整优选组合全区间表现优异,年化超额收益显著提高,信息比率从1.44提升至2.41,尤其在2022-2023年市场不确定性增大时,果断增强组合稳健性,最大回撤显著降低。行业预期调整也因此得益,行业轮动因子信息比率翻倍。
报告通过大量历史数据回测验证了模型和方法的有效性,且图表清晰呈现了因子构建、微调技术细节及投资绩效。深度学习赋能分析师行为预测,成为提升量化投资alpha的重要途径。
综上,作者立场清晰,主张在数值盈利预期调整因子的基础上,结合深度学习文本情绪因子改进组合构建,是提升投资组合收益稳定性和风险控制能力的切实有效方法,推荐投资研究人员及从业者重点关注研报文本情绪信息的挖掘和应用。
以上分析内容基于报告全文,主要页码:,,,,,,,,,,,,,,
深度学习赋能分析师行为:更稳的盈利预期调整组合 | 开源金工.pdf