选股因子系列研究（四十）：预期因子的底层数据处理.docx

《选股因子系列研究（四十）：预期因子的底层数据处理.docx》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、目录1.一致预期因子的处理方法52.预期因子的综合表现对比62.1因子IC表现62.2因子溢价72.3因子分组收益73.因子时间序列表现83.1因子溢价的时间序列表现83.2因子多空收益时间序列93.3因子多头时间序列走势104.结论125.风险提示12图目录图1NP因子和G因子十分组收益（2010.03-2018.09）8图2锁定财务年度VS锁定最新年度因子溢价9图3锁定财务年度VS平滑因子溢价9图4NP因子多空净值走势10图5ROE因子多空净值走势10图6NP因子多头VS基准走势11表目录表1因子RankIC对比（2010.03-2018.09）

2、6表2因子溢价（2010.03-2018.09）7表3因子分组收益以及多空收益(%)（2010.03-2018.09）7表4因子多头效应（2010.03-2018.09）11表5NP因子多头分年度超额收益11近期我们发布了多篇采用一致预期数据构建的策略报告，如《行业预期数据的应用分析》、《行业轮动系列研究8——预期情绪数据的应用分析》等，报告中发现一致预期数据在选股以及行业轮动中都有较好的有效性。本篇报告深入到一致预期因子的底层处理方式上，比较了几种不同的因子加工处理方式，对于策略和因子有效性的最终影响，方便投资者在运用一致预期数据的时候少走弯路。1

3、.一致预期因子的处理方法关于分析师的一致预期数据，可以加工的因子种类较多，我们这里不讨论衍生因子的情况，着眼于最基础的一致预期基本面因子进行分析。在这些因子中，盈利指标中的净利润（NP）、ROE，成长指标中的净利润同比增速（NPG）、2年复合净利润增速（G）基本涵盖了分析师进行预测的最重要的几类信息，这几个因子也是投资者最为关注的几个因子，所以后文中主要对这四个因子进行分析。在我们之前的专题报告《选股因子系列研究（三十三）——预期调整因子的收益特征》中，我们讨论了预期数据比较好的因子处理方式是对预期数据进行历史时间序列标准化，重建后的预期调整因子在各

4、个维度的表现上都明显优于原始因子。故而本文所分析的所有因子对象，都已经采用了这种处理方式，后文中我们不再过多赘述，文中提到的净利润（NP）、ROE等因子，都已经进行了标准化处理。处理过后的因子，不再存在上市公司本身体量不同带来的不可比情况，所有数据都为可比数据。确定了因子对象以及因子处理方式，本文主要进行分析对比的，是在进行因子标准化处理的时候，选用的底层因子的构成结构。即，以ROE因子为例，假设我们要对过去一年的历史数据进行时间序列标准化，那么ROE（t-11）、ROE（t-10）……ROE（t）这12个时间序列因子，具体选用什么样的数据构成底层因

5、子？对于大多数因子而言，都不存在这个问题，因为在每个时点上因子都是唯一的。但是一致预期数据的特殊性在于，每个时点上分析师会对未来1-3年的上市公司财务数据进行预测，也就是在t时刻，我们最多可能获取到3个ROE数据：ROE（year+1）、ROE（year+2）、ROE（year+3）。这就是本文将要进行分析的主要问题，究竟选择什么样的或者哪个年份的预测ROE，构建标准化因子的底层数据？我们主要对比三种底层数据构建方式：l平滑数据以2018年为例，在2018年年初的时候，ROE(2018)预期值全部为未来信息，而在2018年的10月份，中报已经发布完毕

6、，ROE(2018)中的一半信息已经在中报中反映，只有下半年的数据为未来信息，理论上因子的领先性会有一定降低。投资者可以通过平滑的方式重建ROE因子，使得重建后的ROE因子始终反映较多的未来信息。平滑方式根据财报期的更新，在每次季报更新后，以新的权重加权ROE(2018)和ROE(2019)，保证平滑后的ROE因子不包含已经披露的财务数据，总是代表向后滚动一年的预期值。这种处理方式的优点在于，基础ROE数据变化缓慢，不会出现由于财务年度变化，ROE突变的情况；劣势在于平滑后的因子含有信息较为复杂，相对不直观。l锁定最近年度这种处理方式在目前的应用中较

7、为常见。投资者在使用一致预期数据的时候，多数情况下更关心当前年度的年报数据，以2018年为例，在这个自然年度绝大多数时候我们更关心分析师对于上市公司2018年财务状况的预测，且对于2018年的预测一定比2019年的预测更为准确，数据获取度也更高。那么底层数据，可以选用针对当前自然年度的预测值。即每一个时刻，都选用分析师预测的（T1）值。这种处理方法的好处是：每个时刻，运用的都是相对而言最准确的预测值，也是投资者关注度最高的预测值；劣势是：底层数据所针对的财报年度可能不同，由此有些数据会存在较大波动。l锁定财务年度所有的底层数据必须是针对同样财务年度进

8、行预测的值，例如以2018年9月底的数据为例，回溯过去12个月能够得到的对于2018年的预测值。这种做法的优