本报告建立了一套另类量化预期框架,将非标准非结构化的另类信息转化为可比较、可验证的业绩预测信息。基于供应链、科技关联、地区比较优势、时间序列及CFO-ACC模型构造多类另类量化预期,相较分析师预期显著提升了覆盖程度和预测准确率,平均预期偏差改善幅度约6%。融合另类量化预期的衍生因子在多项风险调整指标上均表现优于传统预期因子,提升了预测能力与稳定性,未来将基于此构建完整行业配置策略 。
| 年份 | 预期覆盖率 | 分析师覆盖率 | 新增覆盖率 |
|---|---|---|---|
| 2013 | 3.76% | 2.25% | 1.51% |
| 2014 | 7.72% | 5.28% | 2.44% |
| 2015 | 16.56% | 11.61% | 4.95% |
| 2016 | 21.19% | 15.92% | 5.26% |
| 2017 | 24.29% | 16.93% | 7.36% |
| 2018 | 15.17% | 8.22% | 6.95% |
| 2019 | 13.28% | 6.58% | 6.70% |
| 年份 | 预期覆盖率 | 分析师覆盖率 | 新增覆盖率 |
|---|---|---|---|
| 2015 | 16.32% | 13.24% | 3.09% |
| 2016 | 18.68% | 15.63% | 3.05% |
| 2017 | 21.04% | 17.18% | 3.86% |
| 2018 | 23.30% | 15.84% | 7.46% |
| 2019 | 21.10% | 13.61% | 7.49% |
| 方法 | 覆盖率 | 改善行业数 | 平均改善幅度 |
|---|---|---|---|
| 地区关联 | 约68% | 8个 | 2.7% |
| 地区比较优势 | 约20% | 11个 | 2.6% |
| 方法 | 覆盖率 | 改善行业数 | 平均改善幅度 |
|---|---|---|---|
| 时间序列模型 | 约65% | 13个 | 3.4% |
| CFO-ACC模型 | 约41% | 23个 | 5.9% |
报告立意科学严谨,逻辑清晰,既注重构建模型的理论合理性,也坚持实证验证,力求推动量化基本面研究方法的创新和实践应用。, , ,
报告首先回顾了基本面量化信息分类,包括:
鉴于另类数据覆盖度低、可比性弱,传统因子化难以实现全市场优化组合构建,报告提出新的基本面量化思路:将多种稀疏、低频的非标准数据转变为可比较、验证的预期信息,构建另类量化预期体系,解决现有预期覆盖不足的问题,从而产出更准确、有效的基本面预测模型。该体系核心是标准化验证和可用性筛选,以实现包容多类另类数据、提高预期覆盖及预测水平为目标。
通过逻辑关联和统计模型,将股票相关的另类数据(供应链、行业特殊财务数据、事件数据等)映射到未来业绩预期,再对构造的另类预期做滚动验证(检验“好坏”与“可用性”),最终将可用的另类量化预期和传统分析师预期结合,从而应用于多样投资策略(组合构建、事件驱动、估值、产业配置)
报告采用6大类构造方法:
基于供应链的预期
基于科技关联的预期
基于地区关联的预期
基于地区比较优势的预期
基于时间序列模型的预期
基于CFO-ACC模型的预期
结论:
行业适用性:
图4:分析师覆盖率历年趋势
显示2005-2019年分析师对A股上市公司的覆盖比例,大致维持在60%-70%区间,但2018、2019年出现显著下滑至50%左右,反映出传统分析师预期覆盖率的不足,进而为另类量化预期补充市场需求奠定基础
图5:分行业分析师覆盖率分布
银行、保险、证券等金融板块覆盖率高达90%以上,而房地产覆盖率低于50%,显示市场分析师重点聚焦金融行业,其他行业覆盖存在差距
表2:供应链预期覆盖率及新增覆盖
2013-2019年供应链预期覆盖逐年上升,最高达到2017年24.29%,其中约半数标的已有分析师覆盖,新增覆盖率虽仅6%左右,但呈增长态势
图7&8:供应链预期偏差及改善行业
初期偏差达50%-100%之间,但通过滚动验证筛查适用标的后,电子、通信、汽车、机械等产业链联系紧密的行业明显改善,预期偏差平均降低8.2%,8]
图20、21:融合后的因子分组收益及多空收益
融合另类量化预期后,“业绩预期同比增长”、“预期ROE”、“预期ETOP”等因子表现均优于仅依赖分析师预期的基线模型,特别是在分组收益的最高组和多空收益方面提升显著,体现了另类预期提升投资价值的潜力,21]
报告侧重于构建与验证另类量化预期及其策略因子的有效性,对具体公司或行业的估值数值模型(如DCF、P/E等)未做详细阐释。核心在于将另类量化预期有效衍生成为能够提升预测准确性和投资表现的量化因子。从而推动基于预期的多因子模型优化及行业配置策略构建。
报告未集中展开风险专节,但从内容中可推断:
风险管理依赖于历史滚动验证和统计显著性的标的筛查,报告强调使用统一的验证标准以甄别适用领域防范无效预期带来的损失。,11,13,15,17]
报告深入挖掘了多种另类量化预期方法,但整体来看,初期构造的预期偏差普遍偏大,尤其是地区关联和地区比较优势方法效果较差,需警惕实际应用场景的局限和潜在误导风险。
预期覆盖率虽有提升,但仍存在明显缺口——最大新增覆盖率多于10%-20%区间,表明另类量化预期需结合更多数据源、扩大信号覆盖才能实现质的飞跃。
统计筛选与滚动验证方法构成核心方法论保证,但存在模型参数时变、数据未来不确定性等模糊风险,未来研究应注重动态模型调整及长期稳定性的培养。
报告对各种预期因子提升度量采用了IC和ICIR,表明作者重视因子预测能力的稳定性,而非单一收益表现,体现专业严谨。
融合后部分环比因子性能改善有限,暗示预期改进的空间及方法需针对性强化。
报告并未详述另类预期对市场行情波动或非基本面因素的潜在影响,建议未来研究深化风险联动分析。
国泰君安证券研究报告系统地提出并实践了构建另类量化预期的框架及其在投资策略中的应用。通过涵盖供应链、科技关联、地区关联、比较优势以及时间序列和CFO-ACC模型共6类方法,报告实现了:
将非标准、非结构化的另类信息高效转化为可比较和可验证的业绩预期。
跨行业检验显示,除地区关联外,其他方法均显著降低了分析师预期的平均偏差,部分行业改善达8%以上,尤其是产业链紧密与技术密集领域表现突出。
结合滚动验证机制与回归筛选保证了模型的稳定性及预测质量,避免盲目全样本应用风险。
融合另类预期后的新型预期因子在因子表现(IC、ICIR)、分组及多空收益上均优于传统分析师单纯预期,明显提升了量化选股及资产配置的基础判断力。
预计未来将继续丰富另类数据源和建模技术,完善预期框架,进而开发基于另类预期的行业配置等更完善的投资策略。
从整体来看,本报告既提出了创新理论体系,又严谨验证了其实用价值,推进了量化基本面研究方法的升级,为量化投资领域提供了新的研究路径和工具组,尤其对解决中国A股市场分析师预期覆盖不足问题具有重要现实意义。
图1:基本面量化因子分类框架
图2:另类量化预期构造流程示意图
图4:历年分析师覆盖率
表2:供应链另类预期覆盖率
| 年份 | 供应链覆盖率 | 分析师覆盖率 | 新增覆盖率 |
|---|---|---|---|
| 2013 | 3.76% | 2.25% | 1.51% |
| 2014 | 7.72% | 5.28% | 2.44% |
| 2015 | 16.56% | 11.61% | 4.95% |
| 2016 | 21.19% | 15.92% | 5.26% |
| 2017 | 24.29% | 16.93% | 7.36% |
| 2018 | 15.17% | 8.22% | 6.95% |
| 2019 | 13.28% | 6.58% | 6.70% |
图20:新预期因子分组收益对比(业绩预期同比增长)
本文所有分析观点及数据均来源于国泰君安证券2019年12月10日发布的《另类量化预期体系的构建》报告 ,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24]
本报告以严谨系统的研究范式,提出并实现了另类量化预期体系的建构与验证,突破了传统分析师预期覆盖不足的局限性,通过融合多重另类数据和统计模型,大幅提高预期覆盖及准确性,最终验证了其对投资因子提升的贡献,确立其为未来量化投资研究与实践的重要方向。
大类资产配置:另类量化预期体系的构建.pdf