基于分析师目标价格的多因子选股策略研究

发布时间：2020-09-10 16:29

　　随着计算机的广泛应用和大数据处理的不断完善,量化投资方兴未艾,量化基金成为市场中一个不容忽视的力量。从量化投资的角度来看,目标价格预测是分析师基于对公司未来基本面判断而得出的对公司价值的估计,是可供量化投资者探索超额收益的重要宝库。分析师通过对上市公司进行详细调查,发布带有盈余预测、目标价格预测与股票推荐评级的报告,或解读事件,或深入分析,向投资者提供投资建议,并对上市公司的股票价格产生影响。其中分析师对于目标价格的预测,由于其更直观地展示了分析师投资建议的盈利性,受到了更为广泛的关注。然而,近年来研究报告乌龙事件频现,证券分析师的研究实力参差不齐,以分析师预测因子为基础构建的多因子选股策略有效性受到质疑。不同分析师之间目标价格的预测能力是否显著不同?投资者是否更加认可过往预测更准确的分析师作出的目标价格修正?本文试图解答这个问题。为了解决上述问题,本文对2005年至2014年的A股市场进行实证分析,观察基于12个月预测期间的目标价格准确度并探究分析师预测准确度的持续性。研究表明,目标价格预测的收益率与实际收益率相比,平均绝对误差为45%。当12个月的预测期结束时,只有38%的目标价格得以实现,但有64%的目标价格在预测期间内某一时点实现。通过实证分析,本文发现分析师的目标价格预测准确度表现出持续性,说明分析师在目标价格预测方面存在个人能力的差异,即分析师能够准确预测目标价格依靠的是“实力”而非“运气”。同时本文发现,投资者对目标价格修正做出反应时,对不同预测能力的分析师进行了区分,并且更认可预测能力更强的分析师做出的目标价格修正。最后,本文结合多因子量化选股模型构建了基于分析师目标价格预测的高潜在涨幅成长股策略,组合年化收益率为32.24%,Sharpe比率达1.21,胜率为64.64%,表现较为突出。
【学位单位】：天津大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：F832.51
【部分图文】：

目标价格,多元回归模型,分析师

图 3-1 估计期与测试期划分在此基础上，通过多元回归模型来研究分析师目标价格预测准确度的持续性。模型设计如下：0 1 2 34 5TPPERF LagTPPERF PRCMOM STDPRCMKTRET LOGMV IND TIME (3-1其中，TPPERF 为分析师目标价格预测表现，通过预测误差|TPERROR|、期末预测准确度 TPMetEnd、期间预测准确度 TPMetAny 这三个指标进行度量2。LagTPPERF 为上一期的预测表现。如果分析师的目标价格预测准确度的确具有持续性，则 LagTPPERF 的回归系数应为正。Bonini et al (2010)的研究表明，分析师目标价格预测误差的大小随着历史收益、公司规模和对企业亏损的预期的增长而增加。Kerl (2011)研究发现目标价格的准确性与分析师的预测涨跌幅及以波动率衡量的股票风险之间呈负向相关，与研究报告的详细程度、公司规模及券商声誉呈正向相关。因此，考虑到一些公司层面的因素如历史收益率、股价波动性、

目标价格,分析师,市场表现,预测表

图 4-1 分析师目标价格预测表现与市场表现可以看出，当市场整体表现更好时，分析师目标价格预测更为准确。此外，本文还根据证券市场整体表现，使用沪深 300 指数 12 个月的收益率作为考察指标，将整个观测周期划分为“上涨”和“下行”市场，观察在不同市场周期中目标价格预测的表现。2005 上半年至 2007 下半年、2009 年和 2014 年为“上涨”市场，其余为“下行”市场。可以看出，在“下行”市场中，预测收益率与实际收益率的秩相关系数 TPRANK 为 0.06，在上涨市场中跃升至 0.16。同样的，预测误差 TPERROR 在下行市场中为-48%，在上涨市场中仅为 3%，绝对预测误差|TPERROR|在下行市场中为 59%，在上涨市场中为 38%，这与分析师在市场行情较好时预测更为谨慎的事实相符。当使用期末预测准确度 TPMetEnd 度量分析师目标价格预测表现时，下行市场中有 17%的目标价格预测在预测期结束时得以实现，上涨市场中这一比率提高至 50%。同时，下行市场中 49%的目标价格预测在预测期间内得以实现（期间预测准确度 TPMetAny），上涨市场中为 71%。上述各指标在不同市场周期中的显著差异说明市场表现的确会对分析师目标价格

转化过程,信息,分析师

然而，研究报告更多的是基于分析师自身对上市公司的理解和判断其对标的股票的预期变化就体现在分析师预测的边际变化上。多因子选股策略作为一个综合性的选股平台，纳入更多有效因子能够从多维度保证策略的稳定性分析师预测类数据应用方式广泛而且灵活，既可以用来构建类事件驱动型策略亦可作为多因子选股体系中的一个标准化因子。因此，巧妙的在模型中融入分析师预测类因子是量化策略脱颖而出的关键。刘富兵和陈奥林（2015）通过观测分析师盈利预测一致预期变化幅度来预测投资者预期的变化，使用分析师一致预期调整因子排序、PEG 辅助打分的方法针对沪深 300 指数成分股行业分布情况进行行业中性选股，在考虑分红收益及80%资金效率的影响后，构建的投资组合累计超额收益达到 93.6%。图 5-1 展示了分析师一致预期因子的内在逻辑。投资者对其预期的现金流贴现形成了股票的价值，并根据当前股价判断股票价值被低估还是高估，从而在二级市场中进行买卖交易，形成下期股票价格。当分析师对目标价格进行向上预测修正时，形成的信息将促使投资者向上修正其预期现金流，做出股票价值上升的判断，进而通过买入行为推动股票价格上涨，产生超额收益。

【相似文献】