2018年股票偏差预测研究报告.pptx

,2018年股票偏差预测研究报告,2018.6.11,主要内容,1. 分析师盈余预测普遍偏乐观2. 分析师预测偏差及其事前估计3. 事前误差因子选股能力较为出色4. 总结,2,1.1 A股市场分析师盈余预测普遍偏向乐观 A股市场预期净利润高于实际净利润的上市公司数量占比每年均超过60%,2011年-2017年年底预期净利润高于实际净利润的上市公司数量占比分别为67%、65%、63%、66%、67%、63%、63%。年初是分析师最为乐观的时点，随着季报信息的不断披露，之后的预测会不断下修，即便如此，到年底时分析师仍然整体偏向乐观。A股分析师盈利预测普遍偏乐观,1.2 海外市场中分析师的预测同样偏乐观 尽管分析师的盈余预测常常因过于乐观而遭市场诟病，但不仅A股分析师偏向乐观，海外市场同样如此,自20世纪70年代开始陆续有大量的学者对分析师行为及其盈余预测进行研究，结果显示在美股市场上，分析师同样偏向乐观。根据Grinblatt et. al.(2014)等人的研究，美股市场中，分析师在年报披露前12个月内平均预测误差始终大于0，且随着时间临近年报披露日，误差不断降低。美股市场中分析师同样非常乐观,1.3 分析师行为及预测依然是重要的alpha来源 分析师预测虽然整体偏向乐观，但分析师发布报告的行为以及其盈余预测是除公司财报数据、交易数据以外重要的第三方信息源，蕴含了丰富的信息,分析师发布报告的行为本身会产生一定的事件效应。分析师盈余调整是重要的alpha来源，其选股能力较为出色，在剔除了常见因子后依然具有非常强的预测能力。,深度报告事件效应较为明显,一致预期EPS调整因子选股能力较为突出,主要内容,1. 分析师盈余预测普遍偏乐观2. 分析师预测偏差及其事前估计3. 事前误差因子选股能力较为出色4. 总结,6,2.1 分析师预测偏差中也蕴含了较好的信息 分析师预测偏差指分析师的盈利预测与上市公司真实业绩之间的误差，学术上有多种预测误差的定义方式。由于在A股市场分析师只提供对上市公司年报的盈利预测，本文中我们按照如下方式定义分析师的预测偏差：,2.2 分析师预测误差越小的股票，后期表现更为出色 事后的预测误差与股票未来收益间具有明显的负相关性,我们使用事后的分析师误差数据由高到低来对预测当期截面上的个股分组，预测误差最小的组别大幅度跑赢预测误差最高的组别，且持续性非常强。根据计算公式，预测误差最小组别中包含被分析师集体低估的公司，随着信息不断披露过程，这种低估将被不断修复。分析师预测误差（事后）与股票分组收益表现,2.3 事前误差的估计 由于事后的分析师预测误差只有在年报披露后才能计算获得，实际应用中事前的分析师误差估计更为重要,我们构造如下回归方程,CMV为股票流通市值。SUE为季度测度的个股业绩超预期指标，按照如下方式定义： 首先，根据过去两年的财报数据，计算单季度q的净利润全年占比r，估算当前单季度的预期eps_q = con_eps*r 单季度业绩发布后，可以得到业绩超预期情况SUE = (eps_LF/ eps_q) -1Ind为行业哑变量。,2.4 事前误差估计解释变量,2.5 各解释变量均较为显著 回归结果分析,沪深300,中证500,中证全指,ConstantpastFEDispersionCoverageMomln(cmv)SUE,1.032(21.38)0.501(13.95)0.167(4.663)-0.056(-1.418)-0.156(-4.61)-0.316(-8.13)-0.025(-1.735),0.917(12.82)0.455(20.74)0.177(8.30)-0.247(-10.75)-0.092(-4.383)-0.027(-1.30)-0.214(-10.12),1.032（65.79）0.463（32.57）0.200（14.30）-0.200(-12.53)-0.066(-4.91)-0.036(-2.23)-0.218(-15.74),我们对全样本内的数据按照上述方程做回归，可看到各指标均较为显著。其中，pastFE系数显著为正，表明分析师的预测误差具有延续性，上期误差相对较高的公司，本期误差相对较高；Dispersion系数显著为正，表明分析师分歧度越高，预测误差越大；Coverage系数显著为负，表明分析师覆盖数量越高，预测误差越小；Mom系数显著为负，表明前期涨幅较高的公司，后期分析师的预测相对谨慎；SUE系数显著为负，表明前期业绩已然超预期的公司，后期分析师的预测误差相对较小。各解释变量在不同样本空间下均较为显著,主要内容,1. 分析师盈余预测普遍偏乐观2. 分析师预测偏差及其事前估计3. 事前误差因子选股能力较为出色4. 总结,12,3.1 事前误差因子的计算 不同于常见的财务和量价因子，分析师前一年的预测误差数据会在其真实EPS数据披露之后同时得到，而其余解释变量均可在当月末获得，因此我们测试时按照如下方式计算每个月末时点上的事前误差估计值,每年4月30日作为分界点，之后一年内各解释变量的值由前一个完整年度的历史数据回归得到。事前误差因子计算,3.2 事前估计的分析师预测误差因子具有较好的区分度, 事前估计的误差因子具有较好的区分度,第一组,第二组,第三组,第四组,第五组,第六组,第七组,第八组,第九组,第十组 多空组合,年化收益率 18.90%年化波动率 27.24%,17.34%26.52%,13.26%26.26%,12.80%25.79%,8.80%26.18%,8.13%25.57%,8.63%25.67%,6.62%26.70%,7.30%28.13%,4.06%28.66%,13.72%6.11%,累计收益率 242.29% 211.53% 142.24% 135.48% 82.13%,74.33%,80.08%,57.72%,65.04%,32.67%,149.37%,夏普比率,0.69,0.65,0.50,0.50,0.34,0.32,0.34,0.25,0.26,0.14,2.25,最大回撤,-37.99% -37.52% -38.69% -35.89% -37.85% -38.63% -36.56% -40.00% -41.66% -46.11%,-6.00%,从分10组的相对净值曲线数据来看，事前误差因子单调性较好，区分度明显，多空组合表现出色，年化收益13.72%，夏普比率2.25%，最大回撤约6%。事前误差因子分组测试（行业市值中性）,事前误差因子分组对冲净值曲线,3.3 事前误差因子预测能力较强 不同样本空间下，事前估计的误差因子的预测能力均相对较好,中证全指样本空间下，市值与行业中性化之后的误差因子RankIC均值约为-3.27%，表现出较为出色的选股能力。不同样本空间下事前误差因子IC分析（行业市值中性）,样本空间 IC均值,IC_IR,正显著率 负显著率 年化收益率 年化波动率 夏普比率 最大回撤,中证全指 -0.037,-0.509,0.088,0.345,4.77%,2.35%,2.03,-3.36%,沪深300中证500,-0.023-0.037,-0.280-0.477,0.0230.033,0.1000.128,3.61%4.42%,2.63%2.56%,1.371.73,-2.82%-3.23%,注：年化收益率、波动率、夏普比、最大回撤等均指现金中性组合20日调仓频率下误差因子历史IC序列,3.4 预测误差因子与盈利、估值、成长具有一定相关性 事前误差因子与其他常见因子相关性分析,从各因子值秩相关系数来看，事前误差因子与盈利因子、估值因子的负相关性相对较高，与成长因子有一定的相关性，与其余因子的相关性较小。这与我们直观经验相吻合，低估值、高盈利的股票分析师覆盖度高，跟踪紧密，其预期误差相对而言较小。预测误差因子与主要风格因子间相关性,3.5 预测误差因子的中性化处理 为了进一步验证预测误差因子的选股能力，我们通过横截面回归取残差的方式对误差因子进行中性化处理，这里我们不仅剔除市值与行业的影响，同时也剔除盈利、估值和成长因子的影响,3.6 中性化之后预测误差因子依然有效, 经过中性化处理之后的预测误差因子依然具有一定的选股能力,中性化之后误差因子分组对冲净值曲线,剔除市值、行业、盈利、估值、成长等因子之后，预期误差因子依然具有较好的分组能力，且多头组合部分区分度相比中性化之前更为理想，空头组合部分单调性有所下降，IC均值为-2.2%。资料来源：申万宏源研究预期误差因子分组表现（市值行业风格中性）,4. 总结, 不仅A股分析师倾向于发布偏乐观的盈利预测，海外市场同样如此。 通过对分析师的预测误差进行研究发现，事后的预测误差与股票未来收益之间有非常强的负相关关系，预测误差越小的股票组合，未来表现更好。 相比事后误差，事前的误差估计更为重要，我们研究发现分析师的预测误差具有延续性，前期预测误差高的股票后期预测误差也倾向于较高。此外，分析师的分歧程度与预测误差正相关，而分析师覆盖数量、前期股票涨跌幅、业绩超预期程度则与预测误差呈现负相关关系。, 通过对事前估计的分析师预测误差进行分析，该因子在不同的样本空间下均具有较好的选股能力，但同时我们也发现，其与估值因子、盈利因子、成长因子有较高的负相关性。为检验预测误差因子本身是否具有选股能力，我们对主要风格和行业因子均做中性化处理后发现，预测误差因子依然能带来额外的信息，具有较好的选股能力。,谢谢观看,THANK YOU,