高质量股票池构造体系Ⅱ事件型风险研究

1、高质量股票池构造框架回顾在我们于22年5月4日发布的前篇报告《高质量股票池构造体系—量化选股系列报告之五中我们从真实交易环境出发提出了一个三层股票池构框架包括原始股票池刚性优化股票池以及柔性优化股票池刚性优化保证了股票可交易，柔性优化提升了股票池质量。在柔性优化部分我们仅针对负向因子进行了剔除本文将延续之前的优化框架对负向事件进行梳理研究。图1：高质量股票池构造流程资料来源：、柔性优化回顾柔性优化目的是提升股票池质量我们在本系列的第一篇报《单因子组合优在指数增强策略中的应用—量化选股系列报告之一中使用组合优化的方法市场中常用单因子进行了测试，发现部分因子在多头端正向la较弱，但是空头端负向la较强。我们认为在当前的市场环境下此类因子纳入收益模型中很难提供增量信息，但是其空头端的负向预测能力可以加以利用。柔性剔除的标准可以分成三种类型，分别需要使用不同方式建模分析：负向事件预测剔除主要为财务造假预测部分财务指标对于股票收益的预能力较差但是对于财务造假事件有预测能力因此可以通过对财务造假事件行建模预测，进而规避财务造假概率较高的股票。负向事件发生后剔除部分负向事件发生后股价会出现持续性下跌如果事件发生后及时将涉事股票剔除，也可以及时规避风险。负向因子剔除因子型剔除的逻辑较为直接寻找有负向预测能力的因子除期望收益率最低的部分股票。图2：柔性剔除分类资料来源：、事件驱动型优架事件驱动型包括财务造假高管减持等特殊风险事件均为离散变量如果上市公司发生此类特殊风险事件公司的基本面或股权等将发生变动发生此类事后，需要分析事件是否会驱动股价变动，进而决定剔除该股票与否。对于有明显负向收益的事件我们需要对该事件进行主观分析判断其是否具预测可能性。对于不可预测的事件若负向超额收益集中在事件发生后那么我们可以对件进行跟踪并及时将涉事股票剔除出股票池。对于可预测事件无论其负向超额收益发生在何时我们均可构建模型进行预测，提前将涉事股票剔除。下图展示了基于事件驱动的事后剔除型优化框架。图3：事件驱动型优化框架、事件驱动测试本文采用典型的事件研究法来考察上市公司在事件发生并发布公告后的市场反应我们采用市场模型来估计预期收益率并在此基础上计算出每日超额收益R和累计超额收益率ACR以T0为事件发生日选用[T-T-3为模型的估计期，对下列模型进行估计：ttti i im ii然后根据估计参数i和i，计算事件窗口期T-30,T+30]中第t日的超额收益和截至t日的平均累计超额收益，如下所示：it

1ntnt

i10其中，m为市场指数基准收益率，本文采用中证全指作为基准；i表示第i股票的收益率。图4：事件驱动测试示意图2、不可预测负向事件跟踪事件是否具备可预测性一般需要主观分析判断对于不可预测事件来说若负向收益发生在事件发生后可以通过及时监测并剔除的方式避免损失扩大本章节从两个维度选取了若干不可预测负向事件进行测试具体来说包括基本面和经层面。回测区间我们选取20年1月至1年2月。、基本面负向事件基本面维度负向事件的信息来源主要涉及业绩预告我们将季报半年报及年的业绩预告均纳入研究范围中报告类型共有8种其中负向事件包括续亏减、预减和首亏。其具体含义如下表所示。表1：业绩预告负向事件含义类型类型 含义续亏 上年期损预期损不业绩比上同变化略减略减 业绩比年期降度于050之间预减 业绩比上同下幅过5首亏首亏 上年期利预期从事件发生数量上看四种报告类型在各年度发生频率较为均匀事件总数在年度维持在0左右。回测结果上来看四种类型报告均有显著负向超额收益其中续亏类型的报告向收益强度最大，在事件发生后7个交易日，平均累计超额收益达到-.14。负向收益区间来看，在四种类型报告发布前对应股票均已经开始出现负向收益市场反应在一定程度上会先于业绩公告数据说明市场中存“抢跑者负向收益大幅兑现则是集中于事件发生后7个交易日左右及时跟踪并剔除涉及此类事件的股票可以避免回撤扩大。图5：业绩预告续亏事件驱动回测 图6：业绩预告略减事件驱动回测。注回测区间为2010年1月2021年12月横轴表示距离事件发生的天（下同。

in，。注：回测区间为2010年12021年12月。图7：业绩预告预减事件驱动回测 图8：业绩预告首亏事件驱动回测，。注：回测区间为2010年12021年12月。 ，。注：回测区间为2010年1月2021年2月。表2：业绩预告负向事件发生次数统计会计度业绩告-业绩告-业绩告-业绩告-201060151190156201113814924217520126021917154282013710343700450201460540956352120155724786496762016560523608524201756943851739320187123787805582019624415898752202048248894211192021129531500553，。注：数据区间为2010年2021年。、经营层面负向件经营层面负向事件主要涉及公司经营活动相关事件例如违规立案调查高管离职等部分事件对股价的负向冲击明显但是预测难度较高我们测试了其中的四类事件分别为公司改名立案调查董事长离职以及高管减持超过0。回测结果上来看四种事件均有显著负向超额收益其中立案调查事件的负向益强度最大，在事件发生后7个交易日，平均累计超额收益达到-3。负向收益区间来看涉及四种事件的个股在事件发生后均有持续的负向收益中公司改名事件负向收益延续长达0个交易日及时跟踪并剔除涉及此类事的股票可以避免回撤扩大。图9：公司改名事驱动回测 图10：高管减持超过10件驱动回测，。注：回测区间为2010年12021年12月。 ，。注：回测区间为2010年1月2021年2月。图11：立案调事件驱动回测 图12：董事长离职事件驱动回测，。注：回测区间为2010年12021年12月。 ，。注：回测区间为2010年1月2021年2月。表3：经营层面负向事件发生次数统计会计度公司名立案查董事离职高管持例超过10%20103310--2011437--2012405173-20134315193-20149118235-201513745272-201614135323120179745328316201890513481219201975733642501202088684143086202188624382470，。注：数据区间为2010年2021年。其中“-”表未收集相关数据。、不可预测负向跟踪剔除测试根据上述负向事件的测试结果我们构建负向事件跟踪剔除策略来测试剔除负股票后的收益情况。具体做法为：每个交易日在全市场中挑选出涉及上述负向事件的股票并将其纳入负向股池。每个交易日在全市场股票池中剔除负向股票池中的股票，剩余股票等权买入等权买入全市场股票，作为比较基准。测试区间选择010年1月4日至1年2月1日。测试结果如下图所示负向事件剔除组合相对于基准组合超额收益稳健及时除负向事件能够避免损失扩大。图13：不可预测负向事件跟踪剔除组合相对等权重组合净值表现，。注：数据区间为2010.01.0—2021.12.31表4：不可预测负向事件跟踪剔除组合业绩表现月度率年化益年化夏普率最大撤最大撤始时间最大撤束时间20107500%0.3%0.4%2.50.5%201//1201//920117500%0.5%0.9%2.50.2%201//31201//1120128333%1.4%0.8%3.60.1%201//31201//2320137500%1.2%0.4%2.30.2%201/1/1201/1/920146667%1.1%0.2%3.30.1%201//24201//1520155833%0.8%0.1%1.20.3%201/1/3201/1/1620168333%1.6%0.1%4.80.9%201//1201//2420178333%2.7%0.3%7.30.0%201//1201//2620187500%1.3%0.1%3.60.6%201//6201//1320198333%1.7%0.1%1.11.8%201//31201//1220209167%3.4%0.9%4.20.8%202//4202//2620217500%1.2%0.4%2.40.4%202//8202//17全区间7708%1.8%0.1%2.11.8%201//31201//12资料来源：ind。注：数据区间为2010.01.0—2021.12.313、可预测负向事件研究学术界对于上市公司业“暴雷做过大量研究对于财务危机风险的预测已有了成果公司陷入财务危机是一个逐步的过程通常由财务状况正常开始逐恶化最终导致财务危机或破产因此公司的财务危机不但具有先兆而且是可预测的。本文将参考已有学术研究成果进行实证测试以财务报表为线索筛选出由财问题导致的财务危机风险事件并构造财务指标进行预测希望能构造出一套供投资者使用的财务危机风险预测模型。、财务危机风险对于财务危机风险，学术界有不同的定义方式。大体包括：股票被特别处理（ST/*ST）。公司受到监管处罚。我们认为与公司财务状况相关的财务危机是投资者需要关注的重点而且公财务恶化是一个过程具备可预测性因此我们将对上述两类事件进行提纯只保留与公司财务状况相关的风险事件。特别处理（ST*ST）特别处（ST/*ST与上市公司的财务危机风险有着紧密联系我们对5年至1年之间特别处理的原因进行了统计发现由于连续两年亏损的特别处理次数占总次数的805，显然这是特别处理最主要的原因。也即最近两个会计年度的净利润均为负数时，将发生财务危机风险。数量上来看，随着近些年处罚力度的增强，8年以来被特别处理的企业总数增多，由亏损导致的被特别处理事件占比下降。事件驱动测试结果来看，股票被特别处理前30个交易日至后2个交易日负向超额收益尤为明显，预测价值较高。图14：历年特别处事件发生数量 图15：特别处理事件驱动回测资料来源，。注：数据区间为20050101—2021231 ，。注：数据区间为20050101—2021231综上我们将特别处理事件作为财务危机风险的样本此外由于特别处理有种原因，我们还对特别处理事件数据做了提纯处理，具体规则如下：仅使用由于亏损导致的特别处理事件。剔除由ST转为*ST的特别处理事件。剔除由ST/*ST转为退市的特别处理事件。监管处罚监管处罚相关数据均来自于wind数据库的Sarellegaliy数据表我们从其中的两个维度作为切入点：首先是被处罚标的与公司关系包括公司本身公司股东公司高管等7种关系根据需求我们希望提取出能代表企业发生财务危机的报表因此仅使用处罚标的为公司本身的样本。其次是监管机构公布的处罚类型，共有五大类，包括（）未按时披露定期报告（未及时披露公司重大事（信息披露虚假或严重误导性陈（业绩预测结果不准确或不及时（）未依法履行其他职责。公司的处罚类型可包括一种或多种，我们剔除了上述类别中违规原因不明确的第五类。从数量上来看，随着近些年监管力度加大，上市公司违规的数量有明显的上升其中主要处罚原因“未及时披露公司重大事项“信息披露虚假或严重误导性陈述”。回测结果来看，5年-2021年期间，未及时披露公司重大事项的负向超额收益更为持续和明显，在事件发生前后30个交易日均有显著负向收益。最终我们将使“未及时披露公司重大事项“信息披露虚假或严重误导性述”两种违规类型作为财务危机样本。图16：违规类数量统计图 图17：监管处罚事件驱动回测，。注：数据区间为20050101—2021.1.1 in，。注：数据区间为20050101—2021.1.1。监管处罚选取“未及时披露公司重大事项”和“信息披露虚假或严重误导性陈述”两种类型。表5：违规类型数量统计表年份未按披露定期告未及披公司信息露假或重大项 严重导陈述业绩测果不准确不时未依履行其他责200511511153120061737125322007103426144200832453272200911542281201002037312520111227467620124412638820130362798020145593314832015152396334201631401791823992017431591163111702018303902311041571201924392173154149120202950919314913532021255561831601751资料来源：ind。注：数据区间为2005年2021年问题报表确认上述两类负向事件均可以作为财务危机风险样本，为了保证负例样本的数量够，我们将特别处理和监管处罚事件合并，作为财务危机风险样本集合。财务危机风险的发生一般要经历积年累月的经营情况恶化问题发生前的财务报告已经存在了问题因此可以将其纳入到负例样本中具体来说我们以财务危机风险样本为基础，将事件发生前2个会计年度的财务报表均定义为问题报表以康美药业为例，在020年5月3日中国证监会对康美药业出具的《行政处罚决定书》中判定该公司的68年年度报告均存在违规问题。此外我们从年报数据中也能发现端倪康美药业属“存贷双高型财务造假，通过其年报数据中我们不难发现，“存贷双高”现象在16年就开始显现。图18：康美药业“存贷双高”现象从2016年开始出现，；注：数据区间为2010年年报2020年年报。单位：亿元经过筛选，我们总共提取了2份上市公司年报作为负例样本，总共涉及到4家公司从时间序列分布来看2013年开始问题报表出现数量及占比均快速上升，这与A股市场监管趋严相吻合。图19：历年问题报表数量及占比资料来源：in，。注：数据区间为2005年年报2019年年报从行业分布来看问题报表多存在于化工机械医药和房地产等行业国防和军工、消费者服务等行业问题报表出现次数不多。但是我们所选取的时间跨度为5年，平均来看问题报表在行业分布中相对较为平均。图20：问题报表行业分布情况资料来源：。注：数据区间为2005年年报—019年年报此外我们还对比了不同宽基指数中问题报表占比可以看到问题报表大多集于市值较小的指数中，沪深0指数成分股出现问题报表的概率并不高。图21：问题报表在宽基指数中分布情况，。注：数据区间为2005年年报2019年年报、分箱法探究财标与财务危机在银行借贷场景中评分卡是一种常用的用来衡量客户信用风险的手段通过给各个特征进行分档能够快速对新客户给出信用评分我们将参考银行系统中常用的评分卡风控模型使用其中的分箱思想为财务报表构建一套财务质量打分体系。分箱的本质是将连续变量离散化使拥有不同属性的样本被分成不同的类别终达到类似于聚类的效果。具体来说，分箱操作有以下三种优势：将缺失值变成可用数据：务指标中难免存在缺失值，在传统多因子体系中，需要对缺失值进行填充或剔除这种操作可能会使数据失真而分箱可以将缺失值单独分成一组，即使数据的覆盖率很低也可以被我们使用。异常值处理传统的异常值处理方法多为边界值替换或剔除同样会导致数据失真的问题而分箱操作需要将变量离散化天然具备处理缺失值的功能例如资产增长率数据若出现0的极端值可将其分入100＋∞这个分箱内，从而排除影响。发现非线性关系财务指标与财务危机风险的关系并非简单的单调关系例如资产负债率指标一般认为该指标值处于4至8之间较为良好然而此类非单调关系的指标一般需凭借主观经验无法进行批量筛选甚至无法保证该经验的正确性。分箱操作能够刻画出非线性关系。分箱评价指标V与WOE分箱是对连续数据的离散化必然会导致信息的损失若分箱数量过多则没达到离散化的目标若分箱数量过少则会使信息损失过大因此分箱的过程中比较重要的问题是如何确定箱子的个数。为了平衡信息量和财务指标的预测能力，我们使用V（nfrmaionVale）和WOE（WeightfEvidence）指标来辅助判断分箱个数。其中N为分箱个数i表示第i个箱子表示第i个箱内正常财务报表的量，表示全样本中正常财务报表的数量。表示第i个箱子中正常样本占全部正常样本的比例，负样本同理。表示正常财务报表与异常财务报表比例的对数，也即对数财务危机风险概率其本质是对比分箱内识别财务危机的概率和全样本中财务危机概率之间的异。为负，说明该箱子相比于全样本更能够识别出负例样本。一般认为V与指标有效性的关系如下表所示。从该表中我们可知，V值有两重要功能，（1）评价指标有效性（）确定合适的分箱个数。V和WOE是我们后续研究中的重要参考，V值用来评价财务指标，WOE值是财务指标分箱后的打分标准。V 特征V 特征预函数贡度0.3下 特征乎带效息对型贡献00.3至009 有效息少对型贡度0.1至.9 有效息般对型贡度00.3至.9 有效息多对型贡度0.5及上 有效息常，模的献常高但此特较可疑有效指标筛选建模过程中若模型训练数据中存在较多无关数据会影响模型最终的精度与泛化能力因此在建模之前需要对指标有效性进行检验对指标进行了初步筛选之后再对每一个指标进行建模寻找对于公司是否存在对违规现象具有解释能力的指标。上一小节提到，V可以用来评价指标的预测能力。当IV小于1时，指标的有效信息含量较少，对模型的贡献度较低。根据V的计算公式我们可知，V值与分箱数量是正向单调关系。而根据后续的研究我们发现，分箱数量较多时，值的提升有限。因此最终的筛选标准设定为分箱数量为30时V值大于1的指标我们从指标库中的9个指标中最终筛选出了5个有效指标。（详见附录）分箱流程概述最终构建评分模型时会给予不同箱子中的财务报告不同的分数较好的分箱果是同一个箱子中的样本属性尽可能保持相同不同箱子中的样本属性尽可能异明显。也即达到“组间差异大，组内差异小”的效果。我们通过卡方检验的方式来比较相邻两个箱子之间的相似性若相邻两个箱子的卡方检验vale较大，则说明两个箱子非常相似，需要将其合并为一个箱子具体步骤如下：设定目标分箱值K。对财务指标进行等频率分箱，初始分箱数量默认为30。计算每个箱子的财务危机风险概负例样本占总样本的比例和WOE值。对相邻两个箱子进行卡方检验，特征相似的箱子进行合并，直到箱数小设定的目标值K为止。遍历分箱数量K重复上述过程观察不同分箱数量下的V值变化情况找出最合适的分箱个数。分箱过程如下图所示：图22：分箱生过程示意图分箱法流程小结本章节介绍了分箱法的优势目的以及整体流程其中最核心的是两个评价指标V和WOEV值可以评价分箱后数据的信息含量以此可以选择合适的分箱数量；WOE值用来评价每个箱子的负例样本识别能力，当WOE小于0时，说明该箱的负例占比要高于全样本的负例占比。接下来我们将使用上述流程对财务指标进行分箱操作并给出每个财务指标的箱结果。、财务指标分箱经过V值初步筛选出显著指标后，接下来我们要通过分箱构建指标数值与财危机发生概率之间的关系，并计算出分箱后的WOE值作为评分标准。财务指标分箱测试根据上一章节设定的分箱步骤首先要对所选财务指标进行排序操作然后对序后的财务指标进行等频率分箱我们先对数据进行了0等分每组样本数相同约包含2200个样本点最后计算各组内财务危机风险样本的比例作为财务指标在该区间内发生财务危机风险的概率同时计算WOE值作为该组的打标准。分箱操作能够为我们提供两个重要信息：财务指标与财务危机风险发生概率的关系是怎样的。财务指标处于哪些区间时财务危机风险发生概率最高。以现金比率指标为例通过财务危机风险概率分布图可以清晰的看到现金比与财务危机风险发生概率为负相关也即现金比率越低财务危机风险越高该论与经验较为符合此外从分布图中还可以获得更具体的信息当现金比率标低于5时，财务危机发生概率开始升高。当指标值低于-0时，财务危机风险发生概率为38。图23：现金比率指标与财务危机风险概率关系图，。注：数据区间为2005年年报2019年年报。横轴：指标分箱结果；纵轴：财务危风险概率（下同。卡方检验合并箱体从现金比率与财务危机风险的关系来看指标值在高于之后就已经没有显著区分度了分箱操作只会为模型引入噪音因此我们使用卡方检验对属性相似箱体进行合并。图24：现金比率指标分箱结果示意图资料来源：。注：数据区间为2005年年报—019年年报具体来说我们设定一个目标分箱数量K对所有相邻的两个箱体进行卡方检验，合并pale最高的两个箱子后重复上述操作，直到箱子数目为K时停止检验。我们对现金比率指标执行上述操作并设定分箱数量为（如何确定分箱数量下一小节结果如下图所示合并箱体之后的结果在各个箱体之间均有较好区分度，数据在离散化的同时尽可能保留了足够多的有效信息。图25：现金比指标卡方检验合并箱体之后财务危机概率分布 图26：现金比率指标卡方检验合并箱体后WOE分布资料来源，。注：数据区间为2005年报2019年年报 ，。注：数据区间为2005年报2019年年报表7：现金比率指标分箱结果明细分箱正常本量异常本量财务机生概率OE-∞,0.5]8643382812%-12.0%-0.1,-.08]9612401998%-7.1%-0.0,-.05]10031981649%-5.6%-0.0,.04]63678391164%-1.2%0.0,008]32723329.1%1488%0.0,018]77466617.6%3220%0.1,+∞)120511888.9%1755%资料来源：。注：数据区间为2005年年报—019年年报确定合适的分箱数量确定分箱数量是分箱操作中较为关键的步骤从对现金比率指标的分箱过程我也能够发现，分箱数量过多会导致没有区分度，从而引入噪音。V值可以用来判断分箱效果的好坏，确定合适的分箱数量。具体来说对财务指标的分箱数量进行2到0的遍历操作观察分箱数量与值之间的关系。同样以现金比率指标为例，下图为分箱数量与V值关系图。随着分箱数量的增多，V值呈现单调上升状态，且增速逐渐降低。当分箱数量大于7时，V值的增速显著下降继续增加分箱数量无法为指标带来更多的信息提升因此我们此来确定指标合适的分箱数量。图27：现金比率指标不同分箱数量下的IV值资料来源：。注横轴为分箱数量，纵轴为IV值。分箱结果展示我们按照上述流程对5个指标均进行了分箱操作按照指标影响方向可以分成三类下面展示了三种类型的部分财务指标在我们测试的全部财务指标中其测试结果与经济含义基本一致。正向指标指标值越大发生财务危机风险的概率越低我们挑选了两个经济意义较为明确，结果符合逻辑的指标，应收款周转率和总资产同比增长率。应收款周转率指标一般用来表示企业的营运能力，指标值越低表示企业应款周转速度越低，形成坏账的可能性越大。从拟合结果上来看，当指标值于7时财务危机风险发生概率达到5以上。总资产同比增长率可以用来表示企业的规模增速。从拟合结果上来看，当速为负时财务危机风险发生概率开始升高。图28：应收款周转指标财务危机概率分布 图29：应收款周转率指标WE分布，。注：数据区间为2005年年报2019年年报 in，。注：数据区间为2005年年报2019年年报图30：总资产同比增率指标财务危机概率分布 图31：总资产同比增长率指标WOE分布，。注：数据区间为2005年年报2019年年报 ，。注：数据区间为2005年报2019年年报负向指标指标值越大发生财务危机风险的概率越高我们挑选了金融负债占比和应收款资金比两个指标。金融负债占权益比表示企业的负债水平，根据企业的管理不同，其负债率水平也会不同。一般经验认为该指标存在一个合理区间，根据结合结果可以看到，当金融负债占权益比高于%时财务危机风险发生概率开始升高，该值与传统经验中的警戒线基本一致。应收账款是获取利润的一种营销手段一般可以表示企业在供应链中的低位应收款资金占比过高会存在较大风险。从拟合结果上来看，指标值超过1倍时财务危机风险发生概率开始升高。图32：金融负占权益比财务危机概率分布 图33：金融负债占权益比指标WOE分布in，。注：数据区间为005年年报2019年年报 in，。注：数据区间为2005年年报2019年年报图34：应收款资占比财务危机概率分布 图35：应收款资金占比指标WOE分布in，。注：数据区间为005年年报2019年年报 in，。注：数据区间为2005年年报2019年年报区间指标指标值过高或过低时财务危机风险发生的概率越高我们挑选了毛利率同比和商誉规模同比增长率两个指标。毛利率同比可以看成是企业的盈利增速，根据我们的拟合结果可以看到，盈利增速过高或过低均会抬升财务危机风险发生的概率。当指标值低于-3%高于4时发生财务危机风险的概率均较高。商誉规模同比指标为企业商誉的变动情况，商誉发生变动的企业一般是进行了合并或收购等行为从拟合结果上来看商誉规模同比小于0或高于.4%时发生财务危机风险的概率开始升高。图36：毛利率同指标财务危机概率分布 图37：毛利率同比指标WOE分布资料来源，。注：数据区间为2005年报2019年年报 ，。注：数据区间为2005年报2019年年报图38：商誉规同比指标财务危机概率分布 图39：商誉规模同比指标WE分布，。注：数据区间为2005年年报2019年年报 ，。注：数据区间为2005年报2019年年报分箱结果小结本章节使用前文给出的分箱流程对指标库中的5个财务指标均进行了分箱操作并计算出分箱后对应的WOE分布根据指标的影响方向来看大体可以成正向、负向以及区间三类指标。指标的分箱本质上也是对指标进行单独建模接下来我们要将全部单独建模的标结合在一起，构建财务报告质量评分模型。、财务报告质量卡模型构建筛选出有效的财务指标并进行分箱操作之后我们就得到了财务指标与财务危风险概率之间的数量关系接下来我们使分箱后的WOE值对财务报告进行分类打分，构建财务危机风险预测打分模型。有效指标筛选：对于指标的有效性我们使用V值进行过初步筛选，挑选出了V高于1的指标然而在分箱过程中依然会存在分箱结果与实际意义不符、财务危机发生概率不具备显著区分度等问题。因此我们还需要对指标进行动二次筛选。同类指标合成财务指标之间可能有较高的相关性接下来还需要对相关性较高的财务指标进行合并具体来说首先挑选一个V值最大的指标作为基础，然后在剩下的指标中挑选出与其相关性在6以上的指标作为一组重复上述操作直到所有指标均被分类。指标打分：我们使用分组后的指标对股票进行打分。对于打分标准来说以各箱子对应的WOE值作为该箱的分数分数越说明发生风险的概率越大。财务指标存在安全区域和风险区域我们认为只有当指标值处于风险区时，股票的打分才有意义。因此仅保留WOE为负值的部分。最后我们对同一类别财务指标的得分进行合成其平均值作为该类别指的综合得分。所有类别的综合得分相加为最终得分。图40：财务危机风险预测打分模型，。、财务危机风险结果展示我们对所有公司的年度报告均以上述打分模型进行评价打分其得分越高代表业发生财务危机风险的概率越大。以康得新为例根据打分模型来看康得新从16年开始财务质量评分大幅降低且连续处于低位此时股价依然处于上涨趋势市场并没有对康得新的财质量下滑有所反应在18年康得新被质疑财务造假股价大幅下滑财务危机风险预测模型提前2年发出了预警。图41：康得新财报历年得分，。注：数据区间为2010年报2021年报财务报告质量评分的优化效果构建财务报告质量评分模型的初衷是为了优化股票池质量因此我们使用财报量评分在全市场中进行选股测试。具体回测参数设置如下：股票池：全市场股票剔除银行及ST/*ST。调仓日期：每年年报发布截止日，也即每年的4月0日。回测区间：06年9月1日022年4月9日。分组方式：根据财务报告质量评分将股票从低到高分成5组加权方式：等权重。回测结果来看财务质量评分的分层效果较好评分高的组合能够跑赢评分低的组合此外我们发现低分组合在016年之后表现明显弱于高分组合而在此之前并没有明显的区分度。这是因为注册制的推进使得低质量股票的“壳价值降低市场不再热衷于炒作小市值股票财务报告的质量对股价的正向影响变得越来越明显。图42：206年222年回净值曲线 图43：216年222年回净值曲线，。注：数据区间为20069212022429 in，。注：数据区间为2016312022429表8：财务报告质量评分选股测试业绩指标分组年化益率年化动率夏普率最大撤o-353%2318%-0325704%o1-013%2221%-0195170%o22.3%2255%-0074821%o34.7%2244%0.14603%43.2%2218%-0044650%资料来源：。注：数据区间为2016年3月1日2022年4月29日财务危机预警组合构建接下来我们测试财报质量评分对于沪深0和中证00股票池的提升效果。具体回测参数如下：回测区间：016年3月1日022年4月9日。调仓日期：每年年报发布截止日，也即每年的4月0日。分组方式：股票池内财报质量评分最低的0作为预警组合，剩余股票作为对照组合。加权方式：等权重。回测结果来看，回测期内预警组合在沪深0和中证50股票池内均有显著负向收益。剔除预警组合的剩余股票相对于预警组合超额收益明显，沪深30股票池中年化超额收益2.50，中证0股票池中年化超额收益13.62，剔除预警组合对股票池的优化效果显著。图44：沪深30预警组合剔除测试 图45：中证50预警组合剔除测试，。注：数据区间为2016312022429 资料来源，。注：数据区间为20163.20224.9表9：沪深30预警组合剔除测试业绩表现月度率年化额年化夏普率最大撤最大撤始时间最大撤束时间20166000%4.4%7.7%0.24.7%201//16201//2120177500%1774%6.9%2.22.5%201//16201//1620187500%1531%7.0%1.33.4%201/1/12201/1/2920196667%1569%8.1%1.65.6%201//14201//2520207500%2758%8.7%2.24.8%202//7202//1420215000%1.3%1067%-0241114%202//10202//2220225000%0.2%9.5%-0413.3%202//18202//20全区间6622%1250%8.2%1.21114%202//10202//22资料来源：ind。注：数据区间为20163120224.9。超额收益为“剔除预警组合等权重”与“预警组合等权重”的相对收益。表10：中证50预警组合剔除测试业绩表现月度率年化额年化夏普率最大撤最大撤始时间最大撤束时间20165000%-137%5.6%-0907.4%201//29201/1/1420175000%-185%5.9%-1017.0%201//4201//720188333%4076%9.6%4.14.4%201/1/19201/1/2120196667%2473%1080%1.21260%201//31201//720207500%3097%1096%2.67.1%202//19202//820214167%2.0%1044%-0179.2%202//13202//2420225000%-470%1112%-0788.8%202//27202//6全区间5946%1362%9.3%1.31300%201//29201//7资料来源：ind。注：数据区间为20163120224.9。超额收益为“剔除预警组合等权重”与“预警组合等权重”的相对收益。4、总结与展望本文延续了上一篇报《高质量股票池构造体系量化选股系列报告之五中提出的三层股票池构造框架在柔性优化部分做了进一步研究对负向事件进了梳理研究，将其划分成可预测和不可预测两部分。对于不可预测事件来说我们从两个维度选取了若干事件进行测试具体来说括基本面和经营层面共8个指标每个指标在事件发生后0个交易日内均有持续显著的负向收益我们对上述事件进行了跟踪剔除回测结果显示跟踪并剔涉事股票可以有效避免负向收益的扩大，为投资者降低损失。对于可预测负向事件来说我们参考风控领域中的分箱思想构造了一个财务质打分模型对财务危机风险进行预测。该模型主要有三个核心步骤：样本筛选我们对ST事件和违规事件进行了提纯将事件中与财务报相关的部分提取出作为负例样本。财务指标显著性检验我们挑选了分箱数量为0时V值大于1的指标。对指标库中的9个指