一、以“智”取胜：分析师预期选股策略

1.1、分析师预期选股策略月度跟踪

1.1.1 分析师预期修正选股策略

1.1.1.1 分析师预期修正选股策略概述

证券分析师由于对某个行业研究较为深入，与所研究行业的上市公司联系较紧密，其掌握的行业和个股信 息通常比其他人要多，分析师预期数据已成为投资者重要的信息来源。分析师预期修正意为在一个时间段内， 分析师或机构对之前预测值的调整。预期调整有一定的趋势性，当新信息出现时，有些分析师会运用该信息领 先自己的同行对自己的预期进行调整，x后往往会伴随着其他分析师对自己的预测进行同向的调整。在这一过 程中，预期均值会伴随修正趋势进行变动。具体表现为前一期预期均值的调整往往会带动后一期预期均值继续 往同向调整。分析师预期修正的调整对下一月的分析师预期值有着同向的影响。其中，预期 EPS、预期净利润的 上调和下调均有较强的趋势性，因此我们选取这两个指标作为后续模型的候选股因子。 实际上，我们可以进一步将预期的上调细分为两个阶段：在上调x个阶段，称为 P1 阶段，只有少部分分 析师对自己的预期值做出上调，大部分分析师并没做出预期调整，这样可以观察到预期均值出现上升，而分析 师间预期的分歧度也开始上升，我们以离散程度（预期标准差）来衡量分歧度，即预期离散程度开始上升；而 在上调第二个阶段，称为 P2 阶段，其他分析师也会逐渐上调自己的预期，x终所有的分析师预期将会接近一个 值，即我们可以观察到预期均值出现上升，而预期离散程度则出现下降。

 

 

1.1.1.2 分析师预期修正选股策略效果跟踪

经过历史样本内回测和样本外跟踪（自 2019 年 7 月 31 日开始样本外跟踪），2009 年 7 月 31 日至 2022 年 11 月 30 日，组合累计绝对收益 923%，相对中证全指累计超额收益 709%，年化超额收益 17%，超额收益夏普比 率 1.94，超额收益x大回撤 7.5%。

另外，从 2019 年 7 月开始样本外跟踪（专题报告数据截至 2019 年 8 月），截至 2022 年 11 月底，累计绝对 收益 94%，累计超额收益 70%，样本外跟踪 40 个月只有 9 个月超额收益为负，月度胜率 78%，回撤为-3%，样 本外表现非常优秀。

我们基于x新 2022 年 11 月底的分析师预期数据进行选股，共选 77 只分析师主动上调预期的股票（P1 阶 段股票），其中有 8 只创业板股票，精选的 77 只分析师主动上调预期的股票里按照中信一行业分类，其中电 新和电子x多，为 9 只，然后是机械 8 只，短期我们也值得重点关注这些行业的表现。

1.1.2 分析师预期修正增强选股策略

1.1.2.1 分析师预期修正增强选股策略概述

分析师对于自身过去预测的调整往往意味着新信息的到来，而分析师对于不同股票的预测调整力度又能反 映出不同股票间的边际改善差异和分析师对于新信息的处理能力。进一步地，基于这种分析师调整幅度的差异 能够有利于我们构建选股效果较好的选股因子。

然后我们在每月末，针对分析师预期修正策略股票池，按照盈利预期调整幅度因子排序，选取指标值x大 的 20 只股票，构建事件叠加盈利预期调整幅度因子的选股组合。其中样本池踢掉了停牌、上市半年之内新股、 ST 和当天涨跌停的股票，这个组合我们称为分析师预期修正增强组合。

1.1.2.2 分析师预期修正增强组合效果跟踪

经过历史样本内回测和样本外跟踪（自 2020 年 12 月 31 日开始样本外跟踪），从 2010 年 1 月至 2022 年（截 至 11 月底）12 年时间，组合年化收益 30.60%，相对中证 500 指数的年化超额收益为 27.31%。

 

 

另外，从 2021 年 1 月开始样本外跟踪，截至 2022 年 11 月底，累计绝对收益 41.69%，累计超额中证 500 收 益 45.97%，样本外跟踪 23 个月只有 7 个月超额收益为负，月度胜率 70%，回撤为-11.30%，样本外表现非常优 秀。

我们基于x新 2022 年 11 月底的分析师预期数据进行选股，从 77 只分析师主动上调预期的股票（P1 阶段 股票）中精选出了 20 只股票，其中有 1 只创业板股票，精选的 20 只分析师预期修正增强的股票里按照中信一 行业分类，其中电子、电子x多为 5 只，交运 2 只，短期我们也值得重点关注这些行业的表现。

1.2、分析师文本预增选股策略

1.2.1 分析师预增的主要形式

1.2.1.1 分析师预增事件定义和类型

在之前的《分析师预期调整事件增强选股策略全攻略》报告中，我们测试了投资评上调、目标价上调以 及分析师预期主动上调事件，并从中挖掘出了非常出色的超额收益表现。本文将在之前报告的基础上，进一步 捕捉分析师对个股的强烈看好态度事件，以完善分析师信息中的超额收益事件挖掘。 本文定义分析师预增事件为分析师在研报中通过标题、摘要以及预测值中体现出来的强烈看好个股的事件， 包括分析师上调盈利预测值事件、标题和摘要文本上调事件、标题和摘要文本强烈正面事件。

1.2.1.2 本文思路框架

我们基于分析师研报标题与摘要文本信息，提取分析师上调盈利预测、分析师正面强烈看好等事件。同时， 基于分析师调整盈利预测数据，提取预期上调事件。叠加这几类事件的股票池，得到分析师预增事件股票池。 进一步地，我们基于分析师研报标题与摘要文本信息和通联数据的研报情感信息，构建出分析师态度类因 子。 x后，我们将尝试利用分析师态度类因子、之前提出的分析师调整类因子、基本面类成长因子以及技术面 类高频因子对分析师预增事件股票池进行增强，得到x终的分析师预增事件精选组合。

1.2.2 分析师上调盈利预测值事件

同样，我们可以利用盈利预测值构造选股事件。在每月末，对过去一个月的研报，识别所有分析师预期调 整幅度值为正的研报。进一步地，将这类研报对应的股票组合定义为分析师上调盈利预测值事件组合。

 

 

1.2.3 标题和摘要文本上调事件——研报标题和摘要上调盈利预测事件表现

在每月末，将研报标题上调盈利预测事件组合和研报摘要上调盈利预测事件组合进行合并，得到研报标题 与摘要上调盈利预测事件组合。我们每月末统计当月存在研报标题和摘要上调盈利预测事件样本股未来 1 个月 的历史收益表现。

1.2.4 标题和摘要文本强烈正面事件——研报标题和摘要文本强烈正面事件

在每月末，将研报标题文本强烈正面事件组合和研报摘要文本强烈正面事件组合进行合并，得到研报标题 与摘要文本强烈正面事件组合。我们每月末统计当月存在研报标题和摘要文本强烈正面事件样本股未来 1 个月 的历史收益表现。

1.2.5 文本因子

因子效果

分析师正面态度因子_ （中性化）表现出优异的选股能力。Q1 组相对 Q10 组具有接近 18%的超额 收益（其中 Q1 接近 13%的多头超额收益，Q10 仅-3.95%）。因子年化多空收益 17.42%，夏普比率 1.95，IC 均值 4.07%，年化 IC_IR 达到 1.77。

 

 

1.2.6 分析师文本预增事件增强组合

1.2.6.1 因子

下面我们介绍增强组合使用的相关因子，除了分析师预期因子之外，还包括基本面因子和技术面因子（高 频因子）。基本面成长因子我们选取了单季度净利润同比增长率，其表现出优异的选股能力。Q1 组相对 Q10 组 具有接近 9%的超额收益（其中 Q1 超过 8%的多头超额收益，Q10 仅 0.27%）。因子年化多空收益 7.78%，夏普比 率 1.04，IC 均值 2.93%，年化 IC_IR 达到 1.58。

1.2.6.2 组合

针对x类初始股票池《研报标题与摘要上调盈利预测事件》，我们采用如下步骤增强： 根据分析师调整幅度因子，每月末选取因子值x大的 20 只股票，作为x终的因子增强组合 1 针对第二类初始股票池《研报标题与摘要文本强烈正面事件》，我们采用如下步骤增强： x，我们基于分析师相对态度因子，每月末选取分析师态度为正的股票。 第二，根据分析师调整幅度因子，每月末选取因子值x大的 100 只股票。 第三，根据高频因子 MCI_B，每月末选取因子值x大的 50 只股票。 第四，根据单季度净利润同比增速因子，每月末选取因子值x大的 20 只股票，作为x终的因子增强组合 2。x后，将因子增强组合 1 和因子增强组合 2 进行合并，得到x终的组合。 针对第二类初始股票池《研报标题与摘要文本强烈正面事件》，我们分别采用各个因子筛选排名前 100 的股 票。

针对x类初始股票池，x终得到事件增强组合 1。年化超额收益 27%，超额x大回撤-7%，信息比率 2.4， 效果非常显著。

针对第二类初始股票池，x终得到因子增强组合 2。年化超额收益高达 37%，因为加了技术类因子，因此超 额x大回撤-19%，但信息比率仍有 2.57，效果非常显著。

合并事件增强组合 1 和增强组合 2，得到x终的事件增强组合——分析师文本预增事件增强组合。

x终增强组合（分析师文本预增事件增强组合）年化超额收益 32%，超额x大回撤-6%，信息比率高达 3.36， 效果是所有增强组合里面x好的。

 

 

x后我们看下组合的分年表现，组合从 2010 年回测到 2021 年 7 月底，年化超额收益 31.51%，基本上每年 都有显著超额收益，月度超额x大回撤也很低，2018 年和 2019 年连续两年的月度超额收益胜率为 100%。

另外，我们也统计了增强组合相对于沪深 300 和中证 500 的超额收益，基本上每年都会有显著超额收益。 另外我们在股票和偏股型基金里做了排名，除了在 2016 年 2017 年之外，其他年份增强组合基本上都能排到前 10%内，表现还是相当不错的。

1.2.6.3 样本外跟踪效果

我们从 2021 年 7 月底开始样本外跟踪，截至 2022 年 7 月底，分析师文本预增选股组合绝对收益达 11%， 中证 500 指数收益-13.14%，相对中证 500 指数超额收益达到 29.49%，值得重点关注。

1.3、分析师预期收益率生命周期模型及分析师因子再增强

1.3.1 分析师目标价介绍

分析师目标价是是分析师基于当时信息所给出的其认为股票未来可以达到的一个合理价格，该价格来自于 分析师的主观判断，不同的分析师给出的目标价往往会有所差异，这代表了分析师看法的不同。 我们认为，一方面，分析师目标价相比盈利数据而言，包含了除基本面以外的分析师主观的情感信息，目 标价往往代表了分析师对一只股票的“看好”或是“看坏”的真实状态；另一方面，目标价作为量化指标，相比 评指标而言更加具体、更加灵活，目标价格的变化往往会引起更少的麻烦（评下调往往会更加敏感，但目 标价格的下调通常不会造成太大影响），鉴于此，我们认为目标价格比评更能真实地表达分析师的观点。

1.3.2 分析师目标价因子

1.3.2.1 分析师预期目标价调整因子 TPM——指标构建及因子表现

在每个月末 T，我们取过去 6 个月所有分析师（若相同的分析师在过去六个月做出多次目标价预测，我们只 取其x新的预测）对于股票 s 的目标价格的平均值作为x终的分析师目标价因子值，具体公式如下： _, = (__,,)( − 6 < ≤ ) 其中，i 为所有在过去 6 个月对股票 s 进行目标价预期的分析师。 在每个月末 T，分析师目标价动量因子值具体公式如下： __, = _, −_,−1 分析师目标价动量因子反映了市场所有分析师对于股票目标价调整的平均水平。

1.3.2.2 分析师预期收益率因子 TPP——指标构建及因子表现

TPP 因子，即分析师目标价除以股价，不同股票之间的 TPP 因子可以横向比较，这是因为 TPP 因子是分析 师对于一只股票“期望收益率”的代理，TPP 越高，代表着分析师对该股票越看好。然而资本市场瞬息万变，分 析师做出预测的时点与我们建仓的时点的不同可能会导致分析师的预测已经“过时”，也就是说，像上文构建 TPM 因子那样用过去六个月的目标价平均值来直接除以我们建仓时候的股票价格是不可取的。 我们直接使用朝阳永续于建仓日给出的一直目标价，除以建仓日收盘价，构建 TPP 因子。 朝阳永续对目标价的算法是，90 天超过一家机构预测则加权计算一致目标价，若仅为一家机构预测则直接 以该预测值作为一致目标价；90 天内若无评则记为 Na。加权方式为按机构影响力和发布时间影响力双重加权 计算。 用该方法构建 TPP 因子的优势是其考虑了x新的价格信息以及时间窗口过短股票覆盖度较低的问题，且用 时间加权的方式克服了时效性的问题。 分析师目标价格动量因子表现出优异的选股能力。因子年化多空收益 12.76%，夏普比率 1.18，IC均值 3.24%， 年化 IC_IR 达到 1.14。

 

 

1.3.3 分析师预期收益率生命周期模型

1.3.3.1 模型构建

基于上文的分析，我们建立了一个同时结合 TPP 和 TPM 因子的生命周期模型，该模型利用 TPP 和 TPM 因 子将股票分为四类（也就是生命周期模型的四个阶段），分别是“触底”、“攀升”、“见顶”、“下滑”，处于同一个 阶段的股票构成了一个投资组合。

当一只股票 TPP 处于高位，而 TPM 为正时，意味着该股票价格相对目标价较低，且目标价相对上个月有所 提升，这意味着股票处于“触底”阶段。 当一只股票 TPP 处于低位，而 TPM 为正时，意味着该股票价格相对目标价开始攀升，且目标价相对上个月 有所提升，这意味着股票处于“攀升”阶段。 当一只股票 TPP 处于低位，而 TPM 为负时，意味着该股票价格相对目标价较高，且目标价相对上个月有所 下降，这意味着股票处于“见顶”阶段。 当一只股票 TPP 处于高位，而 TPM 为负时，意味着该股票价格相对目标价开始下滑，且目标价相对上个月 有所下降，这意味着股票处于“下滑”阶段。

1.3.3.2 分析师预期收益率生命周期模型四阶段效果对比

“触底”组合的年化收益为 14.89%，夏普比率为 0.57，其表现远远好于其它组合；而“见 顶”组合的表现x差，年化收益仅 1.66%,夏普比率仅为 0.07。将股票按 TPM 和 TPP 因子分为四个阶段的回测表 现的区分度是十分可观的，这说明了该策略具备优秀的选股能力。

1.3.4 策略改进

1.3.4.1 预期双击组合表现

“触底”组合+分析师盈利预期调整_因子增强精选前 20 只，简称“预期收益率触底增强”组 合。“分析师预期修正增强+预期收益率触底增强”双击组合，简称“预期双击”组合。

1.3.4.2 预期双击组合收益分年统计

x后我们统计下组合的分年表现，我们看到x近 10 年基本上每年相比基准中证 500 指数均有显著超额收 益，超额收益x大回撤也非常低，尤其是 2020 年超额收益达近 50%，回撤也非常低。

1.3.4.2 预期双击组合行业轮动

在每月，我们先计算“预期双击”组合每个行业的持股数占各自行业总股票数量的比例： __, = _,/__, 然后我们挑出__,排名前五的行业，再用这五个行业的行业指数月等权收益率作为 “预期双击”组合行业轮动的月收益率。 “预期双击”组合行业轮动具体效果如下所示，年化收益为 12.03%，年化超额为 7.36%（相对行业等权指 数收益率的超额收益率），信息比率为 0.90。

1.3.5 样本外跟踪

1.3.5.1“预期双击”组合

“预期双击”组合，从 2022 年初开始样本外跟踪（专题报告数据截至 2022 年 5 月底），截至 2022 年 11 月底，累计绝对收益-7.62%，累计超额收益 9.94%，样本外跟踪 11 个月只有 2 个月超额收益为负，月度 胜率 81.82%，回撤为-6.94%，样本外表现非常优秀。

 

 

1.3.5.2“预期双击”组合行业轮动

“预期双击”组合行业轮动，从 2022 年年初开始样本外跟踪（专题报告数据截至 2022 年 5 月底）， 截至 2022 年 11 月底，累计绝对收益 5.31%，累计超额收益 18.60%，样本外跟踪 11 个月仅有 3 个月超额 收益为负，月度胜率 72.73%，回撤为-3.56%，样本外表现非常优秀。

二、以“快”制胜：高频因子选股策略——流动性因子系统解读与再 增强

2.1、流动性介绍

2.1.1 流动性的重要性

流动性在金融市场扮演着重要的角色，影响着市场效率和股票价格。股票市场的流动性为投资者提供了转 让和买卖证券的机会，也为筹资者提供了筹资的必要前提。如果市场缺乏流动性，将导致交易难以完成，那么 市场也就失去了存在的必要。因此，流动性是市场的基础，能够为市场运行提供基本条件。 流动性作为股票的重要特性，个股流动性的高低往往意味着不同的状况。低流动性可能意味着潜在的机会 和风险，高流动性可能意味着市场的交易拥挤和过度反应。因此，流动性是个股的反映，能够透露个股的风险 和机遇。

2.1.2 流动性的定义

股市流动性是指股市迅速地、低成本地执行大量交易并且不会造成价格大幅变化的特性。流动性包括几个 方面的内容：一是交易的即时性；二是交易的低成本性；三是可交易的股票数量巨大；四是价格偏低程度小。 高流动性的股市必须同时满足两个条件：价格合理和即时性。二者是缺一不可的。

2.1.3 流动性的因子框架

本文试图归纳了过往已经提出的流动性因子，包括传统换手率因子、传统非流动性因子以及高频流动性因 子。并在此基础上，进一步尝试做出改进，得到了预期换手率因子、改进非流动性因子、增强非流动性因子以 及增强高频因子，在因子效果上取得了良好的提升。总体而言，本文将流动性的因子框架归结为换手率类、非 流动性类和高频类。

2.2、预期换手率因子�

预期换手率因子（行业市值中性化）表现出较好的选股能力。Q1 组相对 Q10 组具有 15.61%的超额收益（其 中 Q1 达到 13.5%的多头超额收益，Q10 仅-2.11%）。因子年化多空收益 14.68%，夏普比率 1.45，IC 均值-5.48%， 年化 IC_IR 达到-2.16。

 

 

2.3、非流动性类因子

2.3.1改进非流动性因子2

从逻辑上讲， 反映了绝对价格变化和成交量之间的正相关关系。 2显然是正的，会对股票预期收益产 生负向影响，即较高的2为投资者提供了更多的交易机会，使得流动性上升，因此必要收益率下降。综合来看， 预期收益随− ∗ 2增加而增加。 本质上，改进非流动性因子也是遵循“低流动性溢价”的逻辑。改进非流动性因子值越大，流动性越差，预期 未来的收益越高。 因子 （原始因子值）表现出优异的选股能力。Q1 组相对 Q10 组具有 22.55%的超额收益（其中 Q1 超过 17%的多头超额收益，Q10 仅-5.35%）。因子年化多空收益 22.6%，夏普比率 1.08，IC 均值 6.88%，年化 IC_IR 达到 1.63。

改进非流动性因子 （原始因子值）表现出优异的选股能力。Q1 组相对 Q10 组具有 29.6%的超额收益（其 中 Q1 超过 22%的多头超额收益，Q10 仅-7.45%）。因子年化多空收益 31.7%，夏普比率 1.86，IC 均值 8.75%，年 化 IC_IR 达到 2.31。

2.3.2 增强非流动性因子因子

本文参考文献刻画成交额对收益率的影响力度，构建增强非流动性因子。具体的构建方式如下： 在每月末，对股票 i 过去一个月的数据进行如下回归： , = , + , × ,−1 + , × (,) × , + , , [ − 1,] 其中，,是,对(,) × ,回归的斜率系数，即为所构造的增强非流动性因子。 增强非流动性因子度量了带方向的成交额对收益率的影响，其更精细地刻画了成交额对股票收益的 冲击。 逻辑上，增强非流动性因子越大，说明成交额对股票收益的冲击越大，股票的流动性越差，未来的 预期收益越高。 增强非流动性因子 （原始因子值）表现出优异的选股能力。Q1 组相对 Q10 组具有 29.97%的超额收益（其 中 Q1 超过 22%的多头超额收益，Q10 仅-7.67%）。因子年化多空收益 31.07%，夏普比率 1.5，IC 均值 8.92%，年 化 IC_IR 达到 2.13。

2.4、高频类流动性因子——因子

增强高频因子度量了带方向的成交额对收益率的影响，其更精细地刻画了成交额对股票收益的冲 击。 逻辑上，增强高频因子越大，说明成交额对股票收益的冲击越大，股票的流动性越差，未来的预期 收益越高。 增强高频因子 （原始因子值）表现出优异的选股能力。Q1 组相对 Q10 组具有 29.59%的超额收益（其中 Q1 超过 22%的多头超额收益，Q10 仅-7.53%）。因子年化多空收益 30.59%，夏普比率 1.47，IC 均值 9.36%，年化 IC_IR 达到 2.28。

 

 

2.5、样本外跟踪效果

我们从今年开始样本外跟踪，截至 2022 年 9 月底，六个流动性因子今年的跟踪效果都非常显著，累计多空 收益 14%-32%。效果x好的为 Gamma 因子，累计多空收益高达 31%。

三、组合构建方法探究——基于大类因子与分析师预期事件的指数增 强策略

3.1、前言

3.1.1 指数增强策略概述

本篇报告以多因子模型为核心、以中信建投金融产品团队特色的选股因子和分析师事件为主体，分别构建 沪深 300、中证 500、中证 800 和中证 1000 的指数增强策略。首先是精选阿尔法因子集，并采用线性加权的因 子配权方法得到多因子得分，而后线性叠加事件信号得到x终得分，将其与风险项、约束设置一并输入到组合 优化模型中，x终得到策略持仓。 经过测试发现：1）对于沪深 300 增强策略，使用分析师+流动性+高频+成长的因子集、等权因子配置、大 比重叠加分析师事件信号，可获得年化超额收益 11.2%，信息比率 2.52；2）对于中证 500 增强策略，使用分析 师+流动性+高频+成长的因子集、衰减和多头加权下的 ICIR 因子配置，可获得年化超额 11.3%，信息比率 2.32； 3）对于中证 800 增强策略，使用分析师+流动性+高频+成长+估值+盈利的因子集、等权因子配置、大比重叠加 分析师事件信号，可获得年化超额收益 12.5%，信息比率 2.80；4）对于中证 1000 增强策略，使用分析师+流动 性+高频+成长的因子集、衰减和多头加权下的 ICIR 因子配置，可获得年化超额 16.4%，信息比率 2.74。

3.1.2 指数增强模型框架

指数增强模型框架主要分为四个模块：因子库、收益预测模型、风险估计模型和组合优化模型。数据库方 面，以万德底层数据库、朝阳永续数据库和交易所高频数据作为数据源，分别搭建阿尔法因子库和风险因子库； 其中阿尔法因子库既包含常规选股因子如盈利类、成长类、波动率类等因子，也包含中信建投金融产品团队特 色的分析师预期类因子和高频类因子，风险因子库则参考 Barra CNE5 的十类风格因子的构建方法。收益预测模 型方面，涉及单因子选股效果检验、因子预处理流程、因子集合筛选以及因子权重配置模型。风险估计模型方 面，参考 Barra 发布的相关技术文档做了实现，涉及因子收益率估计、因子协方差估计及调整、特质方差估计及 调整。组合优化模型方面，基于收益预测模型和风险估计模型的结果，再结合设定的约束条件，由优化器求得 x优持仓组合。

 

 

3.2、单因子测试

3.2.1 阿尔法因子库概览

因子库分为 9 大类共 11 个因子。其中盈利类、估值类、成长类、规模类、反转类、 流动性类、波动率类为常规大类因子，分析师类的 Income_Adjust 和高频类的 MCIB 均为中信建投金融产品团队 的特色选股因子。 此外，我们对每个因子都进行去值、标准化和市值行业中性化的预处理步骤。去值处理采用绝对值差 中位数法（MAD），即根据因子值中位数和因子值中位数偏差绝对值的中位数确定阈值范围，将超出阈值范围的 因子值做缩减；标准化处理采用 zscore，转换成均值为 0 且标准差为 1 的因子值分布；市值行业中性化采用截 面回归方法，即将因子对市值和行业哑变量做回归并取残差值。

3.2.2 IC 回测表现

IC 是反映当期因子值与未来收益率之间的相关程度，若相关程度高则表明因子选股能力较强，具体度量方 法是使用 Pearson 相关系数。类似的指标还有 Rank IC，其度量方法是使用 Spearman 相关系数，相较于 IC 更侧 重反映单调性的相关程度，并且对变量的分布要求更低。 考虑到实际投资构建的是多头组合，难以实现空头端收益，而常规相关性度量则是同等看待所有个股。若 以 IC 指标作为因子筛选依据，容易误选空头贡献度高但实际组合贡献度小的因子。因此，我们尝试对 IC 指标做 出改进，目标是凸显多头的选股效果。具体是通过指数衰减得到多头加权 IC，个股 i 的权重公式如下，分位值的 范围从 0（多头）至 1（空头），衰减度设置为 0.25，表明 0.25 分位相对 0 分位的权重占一半。

为了统一因子方向，对规模、反转、波动率和流动性因子做取反调整。依据 IC 回测结果，可以发现：1）流 动性、波动率等技术类因子的 IC 均值较高，分析师因子的稳定性较强；2）相较于等权 IC，多头加权 IC 的数值 普遍下降；3）技术类因子的选股效果经过多头加权后有明显削弱，尤其 1 月反转因子的 IC 下降幅度超过 50%； 4）估值类与高频类因子经过多头加权后受到影响较小，甚至 MCIB 因子的多头加权 IC 比等权 IC 数值更高，表 明多头贡献占比较高。

3.2.3 分组多空回测表现

我们对单因子进行分组，并统计多空组合的绩效表现。回测细节如下： 1）股票池：全市场、剔除新股、剔除 ST 2）回测区间：2011 年 7 月至 2022 年 7 月 *中证 1000 相关的回测区间为 2014 年 11 月至 2022 年 7 月 3）分组数量：10 组；组合权重：等权 4）交易限制：剔除停牌个股和一字板个股 5）调仓频率：月频；调仓日期：次月首个交易日；成交价格：均价 依据多空回测结果，可以发现：1）流动性类和高频类因子的总体表现x优，年化收益率超过 20%、胜率超 过 70%、夏普比率超过 2；2）高频类和成长类因子的稳定性较强，年化波动率近 7%、x大回撤率小于 10%、胜 率高于 60%；3）反转类和波动率类因子收益高波动大，虽然年化收益率高于 15%、胜率超过 60%，但历史回撤 较大，风险调整后指标表现欠佳；4）估值类、盈利类和规模类因子表现不佳，年化收益率均低于 10%、胜率低 于 60%、收益回撤比低于 0.50，难有亮点。

进一步地，将股票池由全市场改为指数内，可测试指数内的多空绩效。此外，为了保证不同股票池回测的 可比性，将回测区间统一改为 2014 年 11 月至 2022 年 7 月。下表主要展示因子在不同股票池内的风险调整后收 益，将各个指数分别与全市场进行对比，可以发现：1）沪深 300 内，大部分因子的表现出现大幅滑坡，唯有分 析师类仅小幅下滑；2）中证 500 内，大部分因子表现也出现下滑，但相比沪深 300 幅度略小，而估值类的 EP 因子、盈利类的 ROE 因子表现则略有提升；3）中证 800 内，技术类因子依然有明显下滑，而分析类表现x优且 与全市场表现基本持平；4）中证 1000 内，技术类和成长类因子全面崛起，流动性因子的夏普比率更是突破 2.5。 综合各指数表现来看，分析师类因子在 300 和 800 内有突出表现；成长类因子在四大指数内表现相对均衡；高 频类因子在 500 和 1000 内表现占优；流动性类因子尽管在大市值股票池内有明显削弱，但相对于其它因子依然 有一定优势。

3.2.4 增强组合回测表现

我们对 IC 回测会侧重于分析多头表现，对分组多空回测则侧重于分析指数内表现，而x后阶段的增强组合 回测会通盘考量指数内、多头、组合限制等诸多现实因素，向实践层面更迈进一步。构建单因子增强组合主要 涉及三个部分：单因子暴露、风险估计模型和组合优化模型，因子计算方法可参阅 2.1 章节，后文着重介绍后两 部分相关内容。回测设置如下：剔除新股与 ST 股；过滤不可交易个股；调仓频率为月频；调仓日期为次月首个 交易日；成交价格为均价；费率为双边千三。 我们参照 Barra 发布的相关技术文档搭建风险估计模型，涉及计算因子暴露、估计因子收益率、估计因子协 方差矩阵以及估计特质波动率。风险因子包括XXX因子、风格因子和行业因子，其中风格因子暴露的计算方法 参考 Barra CNE5 文档，将小类因子在类内加权合成为 10 个大类风格因子，行业因子采用中信一行业分类标 准。在每个交易日的截面上，将当日因子暴露与下一交易日的收益率做带约束的 WLS 回归，得到日频因子收益 率。因子协方差的估计步骤为：计算经 Newey-West 调整后的 EWMA 因子协方差矩阵、Eigen-factor Risk 调整和 Volatility Regime 调整。特质波动率的估计步骤为：计算经 Newey-West 调整后的 EWMA 特质波动率、结构化模 型调整、贝叶斯收缩调整和 Volatility Regime 调整。

组合优化是在收益、风险和成本三者之间做出权衡，将投资逻辑和规则限制表达为优化问题，并利用优化 器求得x优持仓。根据指数增强策略的特性和要求，我们设定如下优化问题形式：1）优化目标：x大化阿尔法 暴露；2）基本限制：满仓做多；3）策略硬性限制：指数内权重下限；4）策略特性限制：个股权重偏离、行业 权重偏离、风格暴露偏离、跟踪误差上限；5）成本限制：换手上限。其中，指数内权重下限固定为不低于 80%， 个股权重偏离不高于 1.5%，行业权重偏离不高于 2%，相对于 10 个大类风格暴露偏离不高于 0.2，跟踪误差不大于 4%，单边换手不高于 25%。考虑到指数分布特点、市场环境变化等影响，对非固定约束会适当放松限制幅 度，避免出现无法求解的情况。

 

 

我们对每个因子分别在 300、500、800 和 1000 内构建增强组合，而 Income_Adjust 因本身的覆盖度和偏向 性的问题仅在 300 和 800 内做增强测试。根据指数内各个因子的表现，可以发现：1）300 内，增强表现突出的 是分析师类、成长类和流动性类，其次是高频类和盈利类，而反转、波动率和规模类未能跑赢基准；2）500 内， 增强表现突出的是成长类和高频类，其次是流动性类和规模类，反转类和波动率类依然未能跑赢基准；3）800 内，整体表现与 300 内基本一致，其中分析师类表现有进一步提升；4）1000 内，成长类与高频类的超额水平相 当，但前者的稳定性略强，反转类超额由负转正，波动率类依然比较低迷，盈利类表现不佳。 综合因子在各个指数内表现，可以发现：1）估值类因子在指数间的表现基本一致，但增强效果略弱、胜率 普遍低于 60%；2）成长类因子在各指数内均有不俗表现；3）盈利类因子在指数间的表现差异较大，随域内总 体市值水平降低，增强效果显著变弱；4）反转类、波动类呈现类似特点，总体上无增强效果；5）流动性因子在 各指数内均有明显增强效果，在 1000 内尤为突出；6）分析师类在 300 和 800 内的增强效果一枝独秀；7）高频 类在各指数内均有明显增强效果，随域内总体市值水平降低，增强效果逐步走强。

3.3、多因子增强组合

3.3.1 收益预测模型概览

收益预测模型历经探索、更迭与革新，各环节细节被不断打磨、模型复杂度也与日俱增。不过，基于因子 数量、样本长度、调仓频率等方面考量，我们选择较为简单且易于理解的构建方法，具体包含：因子筛选、因 子处理、模型选择和参数调整。 因子筛选方面，采用历史回测结合人工筛选的方法，一是参考前期单因子测试效果，二是比较不同因子集 合的绩效表现，综合筛选出表现突出的因子集。因子处理方面，针对筛选过的因子集进行填补缺失值和正交化 处理，一方面是避免个别因子值缺失导致样本数量和股票池的缩减，另一方面是避免因子间高相关而间接超配 个别因子。模型选择方面，以等权配置作为基础模型，还有几类依据因子历史表现配权的线性模型。参数调整 方面，由于非等权模型牵涉到观测长度、加权方法等细节设定，因此会对参数做些改动以观察绩效变化。

3.3.2 因子集回测表现

从因子间相关性来看：1）大类之间，盈利与估值、波动率与流动性、高频与规模均呈现高度相关；2）大类 内部，估值类与成长类的内部也呈一定程度正相关。

对于因子集的配权方法，以x常用的等权配置作为测试模型。对于因子集筛选，主要参考单因子测试相关 结果，按照整体表现的优劣逐步纳入因子。以组合 1 至组合 5 的表现来看：1）若仅使用我们特色的分析师和高 频因子，在各指数内均能获取显著超额收益；2）若再纳入流动性和成长因子，会使得整体绩效进一步提升；3） 若再纳入估值和盈利因子，收益水平略有下降，但能有效分散风险、控制回撤；4）若再纳入剩余的规模、波动 和反转因子，整体绩效均有明显下降；5）相较于组合 6 至组合 11，组合 1 至组合 5 全面占优。因此，我们以 5 因子（分析师+高频+流动性+成长）、8 因子（分析师+高频+流动性+成长+估值+盈利）这 2 种因子集作为后续测 试的基准因子集。

3.3.3 因子模型回测表现

因子模型涉及 5 种：等权配置、IC 均值加权模型、ICIR 加权模型、x大化 IR 加权模型、FMB 模型。IC 均值 (ICIR)加权模型，直接以回溯期的 IC 均值(ICIR)作为因子权重。x大化 IR 加权模型需要求解优化问题，优化目标 为x大化回溯期内复合因子的 IR，将x优值作为因子权重。FMB 模型是参考 Fama-MacBeth 回归方法，将回溯 期内的每一期的因子暴露对下期收益做截面回归得到因子溢价，统计因子溢价的均值作为因子权重。另外，非 等权模型会涉及参数：1）回溯期长度，默认为 12 个月；2）截面权重，默认为每只个股等权重，可调整为多头 加权形式，具体方法参见前文 2.3 小节；3）时序权重，默认为每期等权重，可调整为衰减加权形式，具体方法 为半衰期 12 个月的指数衰减加权方法。 按默认参数测试 5 种模型，可以发现：1）总体而言，等权配置相对于其它模型具备一定优势；2）对于沪 深 300 和中证 800，等权配置的优势明显；3）对于中证 500 和中证 1000，等权配置的优势并不明显，甚至略弱 于 IC 均值(ICIR)加权模型和x大化 IR 模型，后续会做进一步参数测试。

 

 

对于 500 增强和 1000 增强，选择 5 因子集并对 ICIR 加权模型和x大化 IR 加权模型测试不同参数，可以发 现：1）总体来看 12 个月回溯期表现较优，对于 1000 增强而言即使缩短回溯期对绩效也无明显影响；2）对于 500 增强和 1000 增强的 ICIR 加权模型，通过设置时序衰减加权和截面多头加权的参数设置，能明显跑赢默认等 权的参数设置；3）基于时序衰减加权和截面多头加权的 ICIR 加权方法，绩效表现全面优于等权因子配置。根据 上述测试结果，后文对于 300 增强和 800 增强使用等权因子配置方法，对于 500 增强和 1000 增强使用 12 个月回溯期叠加时序衰减加权和截面多头加权的 ICIR 加权因子配置方法。

3.4、叠加分析师预期事件增强组合

3.4.1 分析师预期事件概况

本章节将探讨分析师事件信号与多因子得分做叠加，尝试进一步提升增强效果。分析师预期事件来源于中 信建投金融产品团队研究成果（详情内容可参阅《分析师预期调整事件增强选股策略全攻略》和《分析师预期 收益率生命周期模型及分析师因子再增强》），涉及两类事件：1）分析师预期上调事件（以下简称上调）；2）分 析师预期收益率触底事件（以下简称触底），将两类事件取并集可得到“预期上调+预期收益率触底”事件，后 续以“上调”作为事件 1、以“上调+触底”作为事件 2。 从事件触发数量来看，呈现明显月份效应：1）每年的年中达到峰值，今年 5 月的数量更是超过 700；2）。 每年的年末跌到谷底，上调事件触发数量不足 100 只、上调+触底事件的数量则不足 200 只。从宽基成份股的分 布情况来看，1）沪深 300 和中证 500 的成份股占比大体相近，早期占比约 30%，而后逐步稳定在 25%左右；2） 中证 1000 的成份股占比基本维持在 30%。

3.4.2 叠加分析师预期事件回测表现

分析师事件信号为二元类别变量，通常以 0 代表未触发、以 1 代表触发；而前文所介绍阿尔法因子库的因 子均为连续数值变量。在因子配权阶段，涉及的五类线性模型难以同时处理多个数值型和类别型变量，因此考 虑将配权后的单一得分再与事件信号做叠加，以便清晰观察到事件信号带来的增益效果。 叠加方法仍然使用简单线性加权，但需要明确量纲和叠加权重。具体步骤：1）对多因子打分进行 zscore 标 准化处理，得到均值为 0、标准差为 1 的分布；2）对于触发事件个股增加得分、对于未触发事件个股不调整得 分，调整幅度参考得分的标准差，我们人工定为三档调整幅度：小幅对应 0.25 倍标准差、中幅对应 0.5 倍标准 差、大幅对应 1 倍标准差；3）将修正得分输入到组合优化模型，x终得到优化组合。

将多因子打分结果作为基础组合，在此之上以不同幅度叠加不同事件， 可以发现：1）对于中证 500 和中证 1000，叠加事件信号并无明显提升效果；2）对于沪深 300 和中证 800，叠 加事件信号存在明显提升效果，且沪深 300 提升幅度更大；3）相较于事件 1，叠加事件 2 的提升幅度更大，且 提升幅度随叠加幅度加大呈逐步上升。