多因子量化选股系列之三：分析师因子的研究与测试

分析师数据概述本篇报告介绍了分析师数据的概况。我们对“通联数据”的分析师报告数据进行分析，2017年至今，分析师报告数量整体变化不大，基本上在 50000至60000篇。发布报告数量最多的时间集中在每年 4月、8月、10月。我们计算了分析师数据在市场上的覆盖度，最高的为沪深 300股票池，覆盖度有 90%。

同时，我们对原始的分析师研报预测数据进行加工处理，构建了年度一致预期指标和滚动一直预期指标。

分析师因子构建本篇报告构建了一系列分析师因子，包括：一致预期 EP 因子、一致预期 ROE因子、一致预期 EPS 因子、一致预期 EPS 成长因子、滚动一致预期净利润变动因子、一致预期净利润 Y1变动因子，并对因子进行有效性检验。其中，表现最好的为滚动一致预期净利润变动 60日因子，因子多空组合的 Sharpe比率有 2.02，Calmar 比率有 3.08。

中证 500指数策略改进本篇报告检验了分析师因子在中证 500指数成分股内的有效性，并对因子进行相关性检验，从中筛选出表现较好且相关性较低的因子，合成大类分析师因子。从合成因子的检验结果来看，因子的分层效果和多空组合表现均较好。

我们将合成后的分析师因子加入原始中证 500指数增强策略，并剔除表现相对较差的北向资金类因子。回测时间为 2017.01.01至 2022.09.01，改进后策略的年化收益为 12.03%，相较于原始策略提升了 0.67%，Sharpe 比率基本未变，Calmar 比率从 1.84提升至 1.95。

研究展望本篇报告是多因子系列的第三篇报告，未来，我们将持续挖掘有效因子，包括：研发费用因子、ESG 因子、高频因子等。同时，我们将对策略进行持续优化，提高策略收益。

风险提示本篇报告的模型基于历史数据检验结果，未来可能出现因子或模型失效风险。

相关附件