金融工程：业绩超预期中的投资机会

1、目录TOC o 1-2 h z u HYPERLINK l _TOC_250014 业绩超预期概述 4 HYPERLINK l _TOC_250013 如何量化业绩超预期？ 5 HYPERLINK l _TOC_250012 业绩超预期因子的特征分析 8 HYPERLINK l _TOC_250011 行业间差异分析 8 HYPERLINK l _TOC_250010 业绩超预期与股票市值 9 HYPERLINK l _TOC_250009 业绩超预期与其他因子的相关性 10 HYPERLINK l _TOC_250008 业绩超预期中的投资机会 11 HYPERLINK l _TOC_250

2、007 单季度业绩超预期和报告期业绩超预期 11 HYPERLINK l _TOC_250006 事件研究分析 12 HYPERLINK l _TOC_250005 业绩超预期因子选股能力 14 HYPERLINK l _TOC_250004 组合分析 16 HYPERLINK l _TOC_250003 基于业绩超预期的投资策略 18 HYPERLINK l _TOC_250002 中证 500 指数优选组合策略 18 HYPERLINK l _TOC_250001 行业优选组合策略 19 HYPERLINK l _TOC_250000 总结 21图表目录图 1：ARIMA(1,0,0)(0

3、,1,0)4 模型的净利润预期值与实际值对比（单位：亿） 6图 2：不同行业上市公司业绩超预期平均值（2007Q1 至 2019Q3） 8图 3：行业业绩超预期排名的延续性 9图 4：不同市值规模下的业绩超预期水平（2007Q1 至 2019Q3） 9图 5：行业中性市值分组下的业绩超预期（2007Q1 至 2019Q3） 9图 6：业绩超预期与其他因子的截面相关性（2007Q1 至 2019Q3） 10图 7：单季度业绩超预期与报告期业绩超预期相关性（Pearson） 12图 8：单季度业绩超预期与报告期业绩超预期相关性（Spearman） 12图 9：单季度业绩超预期事件后股价平均走势（2

4、007Q1 至 2019Q3） 13图 10：报告期业绩超预期事件后股价平均走势（2007Q1 至 2019Q3） 13图 11：单季度业绩超预期因子的历史 IC 序列（2007Q1 至 2019Q3） 14图 12：报告期业绩超预期因子的历史 IC 序列（2007Q1 至 2019Q3） 14图 13：因子与不同交易日区间个股区间收益率的平均 IC 15图 14：因子与不同交易日区间个股累积收益率的平均 IC 15图 15：一季报与上年度年报业绩超预期选股能力对比（单季度） 15图 16：一季报与上年度年报业绩超预期选股能力对比（报告期） 15图 17：单季度业绩超预期因子在不同行业内的选股

5、能力 16图 18：单季度业绩超预期因子在不同规模区间内的选股能力 16图 19：盈利超预期因子与其他因子的截面相关性（2007Q1 至 2019Q3） 16图 20：中证 500 优选组合净值曲线（20070508 至 20200123） 18图 21：医药行业优选组合策略表现 20表 1：上市公司业绩市场一致预期的时间序列模型 5表 2：业绩超预期因子与其他因子之间的相关性（2007Q1 至 2019Q3） 10表 3：业绩超预期事件后 30 日收益率统计 13表 4：两类业绩超预期指标选股能力对比 14表 5：因子分组测试结果（20070430 至 20200123） 17表 6：中证

6、500 优选组合分年表现 19表 7：医药行业优选组合分年表现 20业绩超预期概述业绩超预期是指上市公司公告的经营业绩超越市场的一致预期。上市公司的业绩超预期，意味着业务规模的扩张、收入的大幅提升、成本的大幅下降，最终的表现是市场占有率 的提升、利润的大幅提高等。而作为投资者，我们关心的问题则是：我们能够从上市公 司的业绩超预期中获得稳定的投资收益吗？理论上来看，如果市场充分有效，一方面，股票的价格充分反映了所有有关上市公司的 公开信息，包括股票过去的成交价、成交量、公司治理状况、经营状况、历史盈利水平、 未来盈利预测等，另一方面，当出现新的信息后，股票价格能够迅速调整以反映新的信 息。因而，

7、如果有效市场假设成立，当上市公司公告的盈利数据超越市场的一致预期后， 股价会迅速吸收该信息，投资者无法从股票的业绩超预期事件中获取到稳定的超额收益。但是大量的研究和事实都表明，市场并非完全有效，特别是 A 股市场，当前正处于快速发展阶段，市场有效性尚待进一步提高，在这种情况下，股票的市场价格可能并不会立即反应业绩超预期信息，而是在业绩公告后缓慢地调整，这就带来了一定的投资机会。事实上，利用业绩超预期进行选股投资也是众多投资者的投资方法之一。尽管从 A 股市场的经验来看，业绩超预期是可以利用的投资机会，但业绩超预期中的投资空间有多大？在不同的业绩超预期指标中，哪种指标对投资更有价值？业绩超预期后

8、的投资机会能够持续多久？这些问题更多地是需要详细的实证来回答，需要通过量化和计量的手段对历史数据进行分析来得出可靠的结论。从量化的角度对业绩超预期进行分析，能够使我们更精确地把握业绩超预期中的投资机会，测算业绩超预期中的投资收益空间。本文试图从量化的角度研究以下几个问题：第一，如何对业绩超预期进行量化？第二，业绩超预期与行业和市值有什么关系？ 第三，上市公司业绩超预期中是否有投资机会？第四，如何利用业绩超预期构建投资策略？如何量化业绩超预期？业绩超预期是指上市公司公告的经营业绩超越市场的一致预期。业绩超预期中有两个核心变量，一个是上市公司公告的实际经营业绩，另一个是市场对该经营业绩的一致预期。

9、公司经营业绩有多种不同的衡量指标，绝对指标方面包括营业收入、营业利润、利润总额、净利润、归母净利润等，相对指标则有净资产收益率（ROE）、总资产收益率（ROA）、 每股收益（EPS）等，采用不同的业绩指标可以计算得到不同的业绩超预期指标。业绩超预期计算中的关键点是如何测算市场对上述业绩指标的一致预期。由于市场的一致预期无法直接观测，需要采取间接的方法进行衡量。从现有的研究来看，主要有两类方法来估算市场一致预期：第一类是利用计量手段，通过对上市公司历史业绩数据建立时间序列模型，并用过去一段固定长度或者滚动的时间窗口作为样本对模型参数进行估计，进而利用估计出的模型对上市公司未来的业绩进行预测，将模

10、型的预测值作为市场对上市公司业绩的一致预期。表 1 中总结了常用的市场预期计量模型。表 1：上市公司业绩市场一致预期的时间序列模型模型表达式随机游走模型随机游走模型（带漂移项） = 1 + , . . . (0, 2)() = 1 = + 1 + , . . . (0, 2)() = + 1季节性随机游走模型季节性随机游走模型（带漂移项）季节性自回归模型ARIMA(1,0,0)(0,1,0)4 = 4 + , . . . (0, 2)() = 4 = + 4 + , . . . (0, 2)() = + 4 4 = + 1(1 5) + , . . . (0, 2)() = + 4 + 1(1

11、 5)资料来源： 上述 5 个模型中，是白噪声过程，是时间 t 的业绩，是常数，代表模型中的漂移项，()代表市场对时间 t 的业绩的一致预期。采用计量模型测算上市公司业绩预期值的优点是可以对所有的上市公司进行业绩预测，只要该上市公司拥有足够多的历史业绩数据作为样本来对模型参数进行估计即可。表 1 中的前两个模型（随机游走模型），适用于对年度业绩数据建模，这两个模型中没有考虑季节效应；后三个模型（季节性随机游走模型和季节性自回归模型）适用于季度业绩数据，图 1 是采用季节性自回归模型对浦发银行（600000）在 2017 年以来每季度净利润的预测值和公司公告的实际值的对比。另一类市场一致预期的测

12、算方法是采用分析师对上市公司业绩预测值的平均值作为市场对上市公司业绩的一致预期，即“() = 分析师预测均值”。卖方分析师通过对上市公司发展战略、经营状况、产品生产和销售状况、成本控制状况等进行深入调研和分析，形成对上市公司未来业绩水平的预测。分析师预测相比于计量统计模型预测的好处是，分析师在预测上市公司未来经营业绩时，除了可以利用过去的盈利数据之外，还能够充分挖掘其他数据中的信息，而且还能够根据最新的信息及时更新对上市公司未来业绩的预测。然而，分析师预测数据的一个致命缺陷是，分析师预测往往针对少部分公司，聚焦在市场关注度高、市值大、行业龙头等上市公司，盈利预测的覆盖面较窄，许多上市公司并没有

13、分析师的盈利预测数据，而从量化研究的角度来说，样本空间的缩小会降低统计分析结论的可靠性。图 1：ARIMA(1,0,0)(0,1,0)4 模型的净利润预期值与实际值对比（单位：亿）200.00180.00160.00140.00120.00100.0080.0060.0040.0020.002017-03-312017-06-302017-09-302017-12-312018-03-312018-06-302018-09-302018-12-312019-03-312019-06-302019-09-302019-12-310.00净利润预期值净利润实际值资料来源：天软科技， 无论采用哪种方

14、法测算业绩预期，在得到市场一致预期()后，业绩超预期可以采用以下几种方法进行衡量。对于个别相对业绩指标，可以直接使用实际值与预期值时间的差作为业绩超预期指标，即：业绩超预期(Earning Surprise) = ()对于大多数业绩指标，采用实际值与预期值之差的方法得到的数值在不同上市公司之间往往不具有可比性，例如不同规模的公司，营业收入体量差异明显，相同的“ ()”对不同规模的公司来说意义完全不同，此时采用“ ()”来比较不同上市公司之间业绩超预期水平的差异是不合理的。因而，为了确保业绩超预期的测量在不同上市公司之间具有可比性，通常采用以下公式来计算业绩超预期：业绩超预期(Earning S

15、urprise) = ()其中 Deflator 作为除数，目的是将实际值与预期值()之间的差异进行“标准化”，从而使业绩超预期的测算在不同上市公司之间具有可比性。具体来看，Deflator 可以选择|、|()|、( ()、等，分别表示实际业绩的绝对值、预期业绩的绝对值、业绩预测误差的标准差以及股票价格。除了上述采用实际业绩与预期业绩对比的方法外，另一种测算业绩超预期的方法是计算业绩公告日附近两三个交易日内上市公司股票的收益率作为业绩超预期的代理变量。这种测算方法的主要缺陷是，上市公司股票在业绩公告日附近的收益率不仅仅反映了有关公司业绩的信息，还同时包含所有其他相关的信息。例如，如果上市公司在

16、业绩公告的同时还公告了分红预案、并购计划等，那么业绩公告日附近的股票收益率中会包括对这类信息的反应，因而无法正确测算上市公司的业绩超预期情况。本研究重点关注业绩超预期中是否存在赚取超额收益的机会，测算频率为季频，由于分析师预测数据的覆盖度较低，且针对季度业绩预测的数据获取难度较大，因而我们使用统计模型来测算上市公司业绩的市场一致预期。Foste（r 1977）、Foster，Olsen 和 Shevlin（1984）等研究表明，不同统计模型的计算结果在测算业绩超预期时没有显著差别，因 而我们使用带漂移项的季节性随机游走模型 = + 4 + ，此时() = + 4，即某一季度业绩的市场一致预期等

17、于上一年同期的实际业绩加上漂移项，该模型中的是需要通过历史数据进行估计的参数。为了提高预期模型的准确性，采用滚动估计的方式，在计算某股票在季度 t 的预期业绩时，利用该股票过去 8 个季度的业绩数据进行估计，因而实际上是一种动态更新的预期模型。在计算业绩超预期时，Deflator 使用|()|，也就是|4 + |，最终业绩超预期指标的计算如下：业绩超预期(Earning Surprise) = 4 |4 + |本文以下部分重点分析业绩超预期的分布特征，包括不同行业、不同市值大小的上市公 司在业绩超预期大小上的差异，然后采用不同的分析方法探索业绩超预期中的投资机会，最后基于业绩超预期构建投资策略

18、进行回测分析。业绩超预期因子的特征分析我们首先使用单季度净利润作为业绩指标，从描述性统计的角度，分析单季度业绩超预期指标的统计特征，包括行业分布差异、市值分布特征、与其他因子的相关性等。行业间差异分析首先从行业角度来看业绩超预期的分布情况。我们统计了 2007 年以来每个中信一级行业业绩超预期指标的平均值，首先在每个时间横截面上，计算全部 A 股上市公司的业绩超预期指标，将属于同一行业的个股的业绩超预期指标汇总求均值，得到各个行业业绩超预期指标平均值的时间序列，最后求时间序列的平均值，测算结果如图 2 所示。在计算横截面均值的时候，为了剔除极端值的影响，我们对每个行业内个股的业绩超预期指标进行

19、缩尾调整（Winsorize）。从图 2 的测算结果来看，2007 年以来，业绩超预期水平最高的五个行业是银行、非银行金融、房地产、石油石化以及家电。业绩超预期能力排名靠后的是钢铁、农林牧渔、综合金融、食品饮料、煤炭。业绩超预期指标行业分布的一个特征是，除了排名前 5 和后 5 的 10 个行业之外，其他处于中间的行业各自的平均业绩超预期能力相差并不大，这表明业绩超预期能力的高低与公司所属行业之间的相关性并不十分紧密，行业因素对业绩超预期的影响不大，不同行业中都有业绩超预期能力较高的个股。图 2：不同行业上市公司业绩超预期平均值（2007Q1 至 2019Q3）250%200%150%100%

20、50%0%银行非银行金融房地产石油石化家电轻工制造电力及公用事业消费者服务医药交通运输国防军工汽车建筑商贸零售建材传媒综合基础化工电力设备及新能源有色金属通信电子 计算机纺织服装机械煤炭食品饮料综合金融农林牧渔钢铁-50%资料来源：Wind，天软科技， 我们进一步从行业业绩超预期能力的延续性来看行业与业绩超预期之间的关系。在每个时间截面，计算当期各行业平均业绩超预期能力排名与上一期各行业平均业绩超预期能力排名之间的相关系数（Spearman 相关系数），该相关系数越高，表明行业业绩超预期能力的短期延续性越强（图 3）。从测算结果来看，相邻两个季度的业绩超预期排名基本都表现出正相关性，说明行业的

21、业绩超预期能力具有一定的延续性，但从相关系数的绝对值来看，相关性并不算特别高。图 3：行业业绩超预期排名的延续性0.900.800.700.600.500.400.300.200.100.00-0.102007-062007-122008-062008-122009-062009-122010-062010-122011-062011-122012-062012-122013-062013-122014-062014-122015-062015-122016-062016-122017-062017-122018-062018-122019-06-0.20Spearman相关系数 平均值资料来

22、源：Wind，天软科技， 业绩超预期与股票市值进一步来看市值与业绩超预期之间的关系。一般来说，市值规模大的公司，盈利能力更强，更有可能实现业绩超预期，因而我们猜测市值越大，业绩超预期指标也越高。在每个时间截面上，根据股票市值分布，将全部上市公司等分为 10 组，统计每组中股票业绩超预期指标的平均值，得到每个市值分组在各个时间截面上的平均业绩超预期指标，最后求时间序列的平均值，得到各个市值分组的历史平均业绩超预期水平（图 4）。从图 4 的结果来看，市值对业绩超预期的影响呈现非常明显的单调性，市值规模越大，上市公司的业绩超预期水平就越高，唯一例外是在市值最高的第十组，其历史平均的业绩超预期水平低

23、于市值次高的第九组。进一步采用行业中性的方式对市值进行分组，在每个时间截面上，首先在中信一级行业内按照市值大小将股票分为十组，然后将每个行业中属于相同市值组的股票合在一起作为当前时间截面最终的市值分组，其他计算方法与上面相同，得到的各市值分组的历史平均业绩超预期能力如图 5。结果表明，剔除行业影响后，市值对业绩超预期影响的单调性有所减弱，但整体来看依然是市值越大，业绩超预期能力越强。图 4：不同市值规模下的业绩超预期水平（2007Q1 至 2019Q3）图 5：行业中性市值分组下的业绩超预期（2007Q1 至 2019Q3）80% 71.03%61.37%60.90%54.26%44.52%2

24、5.80%20.63% 20.94%1.71%70%80% 67.27%61.32%53.59%50.30%39.22%14.57%3.65%36.08%34.94%70%60%50%40%60%50%40%30%30%20%10%0%-10%-8.65%20%10%0%-10%-7.46%-20% 市值最小组 第二组 第三组 第四组 第五组 第六组 第七组 第八组 第九组 市值最大组-20% 市值最小组 第二组 第三组 第四组 第五组 第六组 第七组 第八组 第九组 市值最大组 资料来源：天软科技， 资料来源：Wind，天软科技， 业绩超预期与其他因子的相关性与其他因子的相关性分析是为了检验

25、业绩超预期因子相对于其他指标是否可能具有潜在的增量信息。由于业绩超预期从性质上与公司基本面息息相关，因而我们主要选择了公司基本面类的因子来进行相关性计算，包括对数总市值、市盈率、市净率、市销率、市现率、资产负债率、去年同期净利润等，同时我们也考虑了资产定价模型中的 Beta 指标。首先计算上述指标在各个横截面上的相关性，最后将各截面相关性求均值，得到历史平均相关性（表 2）。从表 2 中可以看到，业绩超预期指标与其他因子的相关性都比较低，相关性最高的是与对数总市值之间的相关性，为 0.073，依然处于比较低的水平。表 2：业绩超预期因子与其他因子之间的相关性（2007Q1 至 2019Q3）因

26、子名称业绩超预期beta对数总市值PETTMPBLFPSTTMPCFTTM资产负债率去年同期净利润业绩超预期1.000-0.0050.0730.0480.0660.0490.007-0.007-0.104beta-0.0051.000-0.0240.037-0.102-0.042-0.0190.014-0.014对数总市值0.073-0.0241.000-0.0940.022-0.0500.0080.1060.666PE0.0480.037-0.0941.0000.1810.1550.051-0.118-0.159PBLF0.066-0.1020.0220.1811.0000.4660.088

27、-0.041-0.148PSTTM0.049-0.042-0.0500.1550.4661.0000.072-0.292-0.157PCFTTM0.007-0.0190.0080.0510.0880.0721.000-0.118-0.019资产负债率-0.0070.0140.106-0.118-0.041-0.292-0.1181.0000.121去年同期净利润-0.104-0.0140.666-0.159-0.148-0.157-0.0190.1211.000资料来源：天软科技， 图 6 是各因子与业绩超预期之间相关性的时间序列，可以看到，在各个横截面上，各因子与业绩超预期之间的相关性基本都

28、在-0.2 到+0.2 的区间内，相关性不高。因而单从相关性来看，业绩超预期因子相对于其他因子来说具有一定的增量信息。那么这些增量信息是否能够带来投资机会，需要通过对业绩超预期指标与股票收益率之间的关系进行分析来回答，这是下一部分的研究重点。图 6：业绩超预期与其他因子的截面相关性（2007Q1 至 2019Q3）0.2000.1500.1000.0500.000-0.050-0.100-0.150-0.2002007-03-312007-09-302008-03-312008-09-302009-03-312009-09-302010-03-312010-09-302011-03-31201

29、1-09-302012-03-312012-09-302013-03-312013-09-302014-03-312014-09-302015-03-312015-09-302016-03-312016-09-302017-03-312017-09-302018-03-312018-09-302019-03-312019-09-30-0.250beta对数总市值PEPBLFPSTTMPCFTTM资产负债率去年同期净利润资料来源：天软科技， 业绩超预期中的投资机会在上一部分中，我们以单季度的净利润作为上市公司业绩指标来计算上市公司各季度业绩超预期指标，统计分析了业绩超预期在不同行业、市值规模上的

30、分布特征以及业绩超预期指标与其他因子之间的相关性。本部分我们聚焦于探索业绩超预期中是否存在投资机会。上市公司业绩公布的主要渠道是定期报告，包括一季报、中报、三季报、年报。由于不同上市公司定期报告发布时间不一致，因而，在测算上市公司业绩超预期对股价的影响时，最直接的分析框架是采用事件研究法，将业绩公告日作为事件日，将公告日后 N 个交易日作为事件窗口，统计事件窗口内，上市公司股价走势。在分析上市公司业绩超预期后投资机会的过程中，有两个点值得注意。第一，虽然定期报告是上市公司业绩发布的主要渠道，但是有一些公司会在报告期结束后、定期报告正式发布前，根据初步的会计核算结果，发布业绩预告或者业绩快报，其

31、中业绩快报会中包含具体的业绩数字，因而在使用事件研究分析业绩超预期时，对于有业绩快报的上市公司，应当使用业绩快报公告日作为事件日，以业绩快报公布的业绩数字来计算业绩超预期指标，因为定期报告晚于业绩快报，股价在此期间很可能已经完全调整完毕，从而使测算结果出现误差。第二个值得注意的点是，上市公司定期报告中主要公布的是当年年初至报告期末的财务报表，例如中报中公布是第一季度和第二季度两个季度的经营业绩，三季报公布是当年前三个季度的经营业绩，年报公布的是全年经营业绩。而单季度的经营业绩大都不是直接公布，需要间接计算得到。此时，就存在两种方式计算业绩超预期，即“单季度业绩超预期”和“报告期业绩超预期”。报

32、告期业绩超预期是指年初至报告期末经营业绩的超预期情况。两类业绩超预期指标相关性如何？哪类超预期指标对投资更有价值？我们需要从对数据的实证分析中寻找答案。单季度业绩超预期和报告期业绩超预期由于报告期业绩是单季度业绩的累计加总，因而我们猜测这两个业绩超预期指标蕴含的 信息会有高度重叠。首先，我们简单统计两类指标之间的相关性。以 2007 年以来每个 季度为时间截面，计算单季度业绩超预期指标与报告期业绩超预期指标之间的相关系数。对于一季报来说，单季度业绩超预期指标和报告期业绩超预期指标完全相同，相关系数 为 1，没有参考意义，因而我们计算截面相关系数时去掉每年一季报数据。图 7 是各个时间截面上单季

33、度业绩超预期指标与报告期业绩超预期指标之间的相关系数。测算结果与我们的预期相反，这两个指标之间的相关系数并不高，除了 2011 年二季度之外，基本上在其他季度中，两者之间相关性不足 0.3，整体的历史均值为 0.11，表明两者之间的信息重叠较低。两个指标之间相关系数低仅仅表明两者之间没有简单的线性关系，在选股策略中，往往只关注指标排序中蕴含的信息。因而我们进一步测算了两个指标之间的 Spearman 秩相关系数。Spearman 秩相关系数度量的是两个指标排序之间的相关性。图 8 是测算结果，可以看出，虽然单季度业绩超预期和报告期业绩超预期不存在明显的线性关系，但两者的排序相关性却很高，表明两

34、者的排序信息中有较大的重叠，与我们的预期相符。这一结果意味着，如果仅仅通过指标大小来选股，两个指标的选股结果相似性会比较高。图 7：单季度业绩超预期与报告期业绩超预期相关性（Pearson）图 8：单季度业绩超预期与报告期业绩超预期相关性（Spearman）0.9 0.80.70.60.50.85 0.800.750.700.40.650.30.20.10.600.552007-06-302007-09-302007-12-312008-06-302008-09-302008-12-312009-06-302009-09-302009-12-312010-06-302010-09-302010

35、-12-312011-06-302011-09-302011-12-312012-06-302012-09-302012-12-312013-06-302013-09-302013-12-312014-06-302014-09-302014-12-312015-06-302015-09-302015-12-312016-06-302016-09-302016-12-312017-06-302017-09-302017-12-312018-06-302018-09-302018-12-312019-06-302019-09-302007-06-302007-09-302007-12-312008

36、-06-302008-09-302008-12-312009-06-302009-09-302009-12-312010-06-302010-09-302010-12-312011-06-302011-09-302011-12-312012-06-302012-09-302012-12-312013-06-302013-09-302013-12-312014-06-302014-09-302014-12-312015-06-302015-09-302015-12-312016-06-302016-09-302016-12-312017-06-302017-09-302017-12-312018

37、-06-302018-09-302018-12-312019-06-302019-09-3000.50Pearson相关 Pearson相关(均值)Spearman相关 Spearman相关(均值)资料来源：天软科技， 资料来源：天软科技， 事件研究分析业绩超预期之所以可能蕴含着投资机会，源于市场并非完全有效。有效市场假设认为，股票价格能够及时并完全反映全部公开信息，在一个半强式有效的市场中（Semi-Strong Efficient Market），当上市公司在定期报告公告日（或业绩快报公告日）公布的业绩超预期后，股票价格应当在公告日迅速调整以反映业绩超预期这一信息，公告日后股票价格不再出现

38、长期稳定的单方向调整（假设没有其他新信息），因而无法从业绩超预期事件中获取超越市场的收益。当然，现实中市场并非完全有效，其中一个重要原因在于，具有有限理性的投资者，信息处理能力有限，无法及时消化业绩公告中的信息，从而导致业绩超预期后股票价格的调整并非一步到位，而是有个持续的过程，最终带来获取超额收益的机会。利用事件研究框架，将上市公司业绩公告日（定期报告公告日或者业绩快报公告日）作为事件日，考察业绩公告日后不同业绩超预期水平上市公司股票的累积净值情况，可以直观地揭示出业绩超预期事件中是否存在可利用的投资机会。我们统计了 2007 年第一季度以来，全部 A 股上市公司业绩公告后 30 个交易日内

39、股价走势，总计 11787 个业绩公告事件。根据业绩公告日的净利润，分别计算单季度业绩超预期指标和报告期业绩超预期指标，根据指标大小，在每个横截面上将业绩超预期事件分为五组，考虑到每个时间截面上都有业绩超预期的极端情况，增加两个极端值组，共计七个分组，业绩超预期指标由低到高。在前面的统计分析中，我们知道市值会影响业绩超预期指标的高低，因而在每个截面分组时，采用市值中性的方法，具体如下：股票池为全部 A 股，剔除 ST，停牌，涨跌停不能买卖的股票；为了避免幸存者偏差，每个截面的股票池中包括目前已经退市，但当时仍在挂牌的股票。在每个时间截面，根据个股总市值的大小，将股票池中的个股均分为十个市值组。

40、在每个时间截面的每个市值组中，按照业绩超预期指标大小，将该市值分组中的股票均分为七组。最后在每个时间截面，将每个市值组中属于同一个业绩超预期分组中的个股结合起来，作为当前时间截面的业绩超预期分组。通过上述分组方法，每个时间截面上不同业绩超预期事件分组中的市值分布基本保持一致，实现了市值中性化。图 9 是使用单季度净利润作为业绩指标，按照单季度业绩超预期指标对事件进行市值中性化分组的测算结果。可以看到单季度业绩超预期事件强度与业绩公告后股票走势保持了较好的单调性，业绩超预期越强，后期走势越好，且走势越平稳，而业绩超预期越低的组，后期走势表现较差，且有波动，业绩公告后三十日内表现平平。业绩超预期极

41、大值组和极小值组的多空比价来看，基本保持稳定向上，特别是在业绩公告日后的几个交易日内，比价迅速走高。比价的稳定上升表明单季度业绩超预期指标对业绩公告后行情走势具有较高的区分度。图 10 是使用报告期净利润作为业绩指标，按照报告期业绩超预期指标对事件进行分组得到的测算结果。虽然在业绩超预期的低分组中依然有较好的区分度，但在几个业绩超预期较高的分组中，行情走势与业绩超预期大小并不完全一致。从多空比价来看，走势不如单季度业绩超预期指标的测算结果，表明两类业绩超预期指标在对业绩公告后股票行情走势的区分度上存在差异，单季度业绩超预期指标具有更好的区分度。单季度业绩超预期事件表现更好的可能原因是，业绩报告

42、中往往直接公告报告期数据（即年初至报告期末的整体经营业绩），单季度业绩超预期信息需要对业绩数据做进一步“信息处理”，因而报告期业绩超预期信息更为直接，市场能够更为及时地对报告期业绩超预期信息做出调整，最终降低了报告期业绩超预期信息的盈利空间。图 9：单季度业绩超预期事件后股价平均走势（2007Q1 至 2019Q3）图 10：报告期业绩超预期事件后股价平均走势（2007Q1 至 2019Q3）1.0271.0271.0221.0221.0171.0171.0121.0121.0071.0071.0021.0020.9970.9970.9920 1 2 3 4 5 6 7 8 9 10 11 1

43、2 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 300.9920 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 极小值组 第一组 第二组 第三组 第四组 第五组 极大值组 多空比价极小值组 第一组 第二组 第三组 第四组 第五组 极大值组 多空比价资料来源：天软科技， 资料来源：天软科技， 表 3：业绩超预期事件后 30 日收益率统计事件极小组第一组第二组第三组第四组第五组极大组单季度业绩超预期事件0.43%1.14%1.

44、80%2.09%2.52%2.54%2.76%报告期业绩超预期事件0.87%1.53%1.95%2.15%2.37%2.26%2.17%资料来源：天软科技， 业绩超预期因子选股能力事件研究分析统计的是业绩超预期事件后股价的表现，事件研究框架中的“事件日”是各上市公司业绩公告的日期，由于不同上市公司业绩公告日期不同，因而“事件日”也千差万别。从投资的角度来说，一般是在固定的时间周期进行仓位调整，所以本部分我们采用因子化的方式，将业绩超预期指标作为一种选股因子，来详细分析业绩超预期因子的选股能力。从因子的角度来说，一般是在一个固定的时间点统一计算股票池中全部股票的因子值，经过去极值、标准化处理后，

45、将得到的因子作为选股指标，分析选股指标的选股能力。评判选股能力的主要标准是看因子的 IC，即因子值与下一期股票收益率之间的相关性。为了避免使用未来数据，我们选择上市公司定期报告发布的最后期限作为计算业绩超预期指标的时间节点。根据交易所的规定，上市公司需要在每年的 4 月 30 日前发布上年度的年报和当年一季报，在 8 月 31 日前发布当年中报，在 10 月 31 日前公布当年的三季报，因而计算业绩超预期因子的时间节点就选在每年的 4 月 30 日、8 月 31 日、10 月31 日，在这些时间节点上，所有上市公司业绩公告均已发布。由于 4 月 30 日既可以根据上年度的年报来计算业绩超预期因

46、子，也可以根据当年一季报计算，是年报中信息更有助于选股还是一季报中的信息更有助于选股，也需要通过实证对比来分析。首先从全市场的选股效果来看，我们首先计算了业绩超预期因子与未来 63 个交易日（一个季度）股票收益率之间的 Rank IC，单季度业绩超预期因子的历史 IC 序列如图 11 所示，报告期业绩超预期因子的历史 IC 序列如图 12 所示。从 IC 的正负号来看，两个指标 IC 序列在绝大部分时间都大于 0，IC 大于 0 的比例都是 70.59%，表明两个指标与股票未来收益率主要呈现正相关关系。表 4 中给出了两个因子 IC 的统计指标，单季度业绩超预期因子 IC 均值为 6.10%，

47、IC 的 t 值为 4.84，表明 IC 显著大于 0，IC_IR 为 0.68，一般认为 IC_IR 大于 0.5 表明因子的选股能力相对稳定；相比之下，报告期业绩超预期因子的选股能力弱于单季度业绩超预期指标。图 11：单季度业绩超预期因子的历史 IC 序列（2007Q1 至 2019Q3）图 12：报告期业绩超预期因子的历史 IC 序列（2007Q1 至 2019Q3）40% 40% 30%30%20%10%20%10%0%0%-10%-10%-20%2007-03-312007-09-302008-03-312008-09-302009-03-312009-09-302010-03-31

48、2010-09-302011-03-312011-09-302012-03-312012-09-302013-03-312013-09-302014-03-312014-09-302015-03-312015-09-302016-03-312016-09-302017-03-312017-09-302018-03-312018-09-302019-03-312019-09-302007-03-312007-09-302008-03-312008-09-302009-03-312009-09-302010-03-312010-09-302011-03-312011-09-302012-03-31

49、2012-09-302013-03-312013-09-302014-03-312014-09-302015-03-312015-09-302016-03-312016-09-302017-03-312017-09-302018-03-312018-09-302019-03-312019-09-30-20% -30% Rank IC IC均值Rank IC IC均值资料来源：天软科技， 资料来源：天软科技， 因子IC均值样本量IC标准差IC_IRIC t值大于0比例表 4：两类业绩超预期指标选股能力对比单季度业绩超预期因子6.10%518.99%0.684.8470.59%报告期业绩超预期因子

50、4.13%519.84%0.423.0070.59%资料来源：天软科技， 因子所包含的信息会随着时间的变化而变动，图 13 测算了因子值与因子计算日后每十个交易日内个股区间收益率的平均 Rank IC，通过观察因子与区间收益率 Rank IC 的走势，有助于理解因子选股能力的“时间分布”。图 13 的结果表明，无论是单季度业绩超预期因子还是报告期业绩超预期因子，其选股能力主要由个股在“因子计算日”后第 30到第 40 个交易日区间内的收益率所体现，该区间内个股的收益率与因子值之间的相关性最高。图 14 测算了因子与因子计算日后 N 个交易日内个股累积收益率的平均 Rank IC，因子与累积收益

51、率之间 Rank IC 的走势衡量的是因子所蕴含信息价值在时间上的持续性。可以看到，两个因子的信息价值在因子计算日后的 10 个交易日内并没有得到充分显现，而是在 10 个交易日后开始逐渐上升。这与学术研究中的结论基本一致：投资者对业绩报告中信息的处理能力有限，股价的调整是缓慢进行的。图 13：因子与不同交易日区间个股区间收益率的平均 IC图 14：因子与不同交易日区间个股累积收益率的平均 IC4.45%4.12%3.48% 3.34%3.16%2.64%1.41% 1.07%1.30% 0.18%0.14%-2.32%5.00%4.00%3.00%2.00%1.00%0.00%-1.00%-

52、2.00%-3.00%1020304050607.00%6.00%5.00%4.00%3.00%2.00%1.00%0.00%-1.00%-2.00%-3.00%-4.00%1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63单季度业绩超预期平均IC报告期业绩超预期平均IC单季度业绩超预期平均IC报告期业绩超预期平均IC资料来源：天软科技， 资料来源：天软科技， 前面我们提到，每年 4 月 30 日是上年度年报和当年一季报的发布截止日，因而在 4 月30 日时，业绩超

53、预期信息有两个来源：上年度年报和当年一季报，我们对比两个信息源的选股能力。图 15 和图 16 是 2008 年以来每年 4 月 30 日根据一季报和上年年报计算的业绩超预期因子选股能力（Rank IC）的对比。可以看到，一季报中蕴含的信息对选股更有价值，其 Rank IC 始终高于通过上年年报计算的业绩超预期因子。图 15：一季报与上年度年报业绩超预期选股能力对比（单季度）图 16：一季报与上年度年报业绩超预期选股能力对比（报告期）40.00%40.00%30.00%30.00%20.00%20.00%10.00%10.00%0.00%0.00%-10.00%-10.00%-20.00%-2

54、0.00%-30.00%2008-04-302009-04-302010-04-302011-04-302012-04-302013-04-302014-04-302015-04-302016-04-302017-04-302018-04-302019-04-30-30.00%2008-04-302009-04-302010-04-302011-04-302012-04-302013-04-302014-04-302015-04-302016-04-302017-04-302018-04-302019-04-30上年年报-2.54%-17.89%-1.44%6.43%21.90%-0.01%1

55、.76%4.34%6.40%6.57%6.68%14.84%上年年报-9.32%-20.06%3.63%4.38%11.75%7.28%-8.31%4.10%6.44%5.70%3.05%8.27%当年一季报4.23%-13.37%11.09%16.14%32.13%8.61%-1.00%8.76%12.85%22.33%17.46%15.80%当年一季报4.23%-13.37%11.09%16.14%32.13%8.61%-1.00%8.76%12.85%22.33%17.46%15.80% 资料来源：天软科技， 资料来源：天软科技， 前面在全 A 股中测算了业绩超预期因子的选股能力，一般来

56、说，因子的选股能力在不同的股票池中可能存在差异，如果在特定股票池中的选股能力更强，那么构建策略时将股票池进行限定，就可能获得更高的投资收益。我们分别从行业和市值两个维度来探索业绩超预期因子在不同行业、不同市值规模的股票池中的选股能力。测算时只考虑单季度业绩超预期因子。从行业内的业绩超预期因子的 Rank IC 来看（图 17），家电、食品饮料、石油石化、电力设备及新能源等行业内单季度业绩超预期因子具有更好的选股能力，从 Rank IC 的 t值来看，选股能力最稳定的是电力设备及新能源行业。从不同市值分组来看（图 18），市值大小与单季度业绩超预期因子的选股能力并不是单调关系，大市值和小市值分组

57、中，业绩超预期因子的 Rank IC 都低于中等市值分组中的 Rank IC，因而单季度业绩超预期因子在中等市值的股票中拥有更高的选股能力，且在中等市值分组中的选股能力也最为稳定，其 Rank IC 的 t 值最大。图 17：单季度业绩超预期因子在不同行业内的选股能力图 18：单季度业绩超预期因子在不同规模区间内的选股能力12.00% 7.0012.00% 8.0010.00%8.00%6.00%4.00%2.00%0.00%-2.00%6.005.004.003.002.001.000.0010.00%8.00%6.00%4.00%7.006.005.004.003.00-4.00% -1.

58、00-6.00% -2.00电 医 通 食 电 基 石 汽 家 机 钢 有 轻 电 农 建 传 计 国 非 商 交 建 煤 综 消 房 纺 银 综力 药 信 品 子 础 油 车 电 械 铁 色 工 力 林 筑 媒 算 防 银 贸 通 材 炭 合 费 地 织 行 合2.00%2.001.00设饮 化 石金 制 及 牧机 军 行 零 运者 产 服 金0.00%0.00备 料 工 化及新能源属 造 公 渔用事业工 金 售 输融服 装 融务市第第第值二三四最组组组小组第第第五六七组组组第 第 市八 九 值组 组 最大组IC均值 IC t值(右轴)IC均值 IC t值(右轴)资料来源：天软科技， 资料来

59、源：天软科技， 组合分析IC 衡量的是因子的选股能力，进一步分析因子的选股效果需要通过组合分析来进行。组合分析是实证资产定价中最常用的统计方法，其目标是检验不同变量之间的关系，常常用于分析某个变量预测未来股票收益的能力。与计算 IC 的方法不同，组合分析是利用因子大小形成不同的股票组合，检验不同组合的收益率来分析因子的选股能力。图 19：盈利超预期因子与其他因子的截面相关性（2007Q1 至 2019Q3）7.006.005.004.003.002.001.002007-052007-092008-012008-052008-092009-012009-052009-092010-012010

60、-052010-092011-012011-052011-092012-012012-052012-092013-012013-052013-092014-012014-052014-092015-012015-052015-092016-012016-052016-092017-012017-052017-092018-012018-052018-092019-012019-052019-092020-010.00第1组第2组第3组第4组第5组资料来源：天软科技， 图 19 是使用单季度业绩超预期因子进行组合测试的结果，因子分组回测中，以每年 4月 30 日、8 月 31 日和 10 月 3