基于全市场行业研究报告的信息甄别

引言在《金股数据库及金股增强组合策略》系列报告中，获取了2020年1月起的券商金数据，并将每只金股的推荐记录映射到相应的分析师。在此基础上，构建了绝对收益角度的推荐成功率、相对收益角度的推荐成功率、行业公平的决策成功率、赔率、推荐金股走势可持续性等量化特征，希望能将市场上持续贡献α的推荐甄别出来，并以他们推荐的金股构建金股增强组合，并进一步改造分析师预期相关的因子。利用统计期推荐成功率构建的金股增强组合，详见《金股数据库及金股增强组合策略（一，以及用IC动量挖掘构建的金股增强组合，详见《金股数据库及金股增强组合策略（二，获得了良好的分组效果和可观的累计收益。但这些方法无法把有能力持续贡献的推荐甄别出来。图1：统计期推荐成功率分层测试 图2：统计期推荐成功率分层测试_剔除行业β、 、如图1所示，以统计期推荐成功率为依据将分析师分为5组，组的编号越大，代表析师统计期推荐金股的成功率越高。分别持有各组分析师推荐的金股构成金股组合，组分层效果良好，第五组分析师推荐的金股组合相对其他组别有显著的超额。验证分层效果是由分析师自身挖掘α的能力所贡献，还是由行业β所贡献。同样先统计期推荐成功率作为分层依据，将分析师分5组，然后用金股月收益率减去分析师所覆盖申万一级行业的月收益率，剩下的部分是分析师择股能力所带来的。如图2所示，剔除行业β后，分层效果消失。统计期推荐成功率越高的分析师，其献α的能力并不强于其它组别的分析师。因此，历史胜率这个单一指标并不能有效甄别能持续贡献α的推荐群体。在《金股数据库及金股增强组合策略（二》中，引入了更多算法用以刻画分析师的征。得到更多维度的特征之后，利用IC动量挖掘、线性回归、遗传规划、神经网络的算法模型，尝试甄别出有α的推荐群体。但是随着模型复杂程度的提升，策略的回测效果反而有所降低。图3：各模型累计净值对比、如图3所示，利用单一指标统计期推荐成功率（nning_percentage）构建的金股组合表现在所有模型中较为领先，使用IC动量挖掘（I_poitive,I_poitive6）所构建的金股组合表现与单一指标组合不相上下。随着模型复杂程度的提升，构建的增强组合表现下降，表现最不理想的是两个用神经网络训练出来的组合。可能的原因有两方面。其一，金融市场的规律是时变的，且复杂模型需要大量样本以训练模型参数。如果使用扩展窗口取数据训练模型，样本量相对充足，但是模型无法别出规律的变化；如果使用滚动窗口，样本量减少，无法满足复杂模型对大样本量的需求。识别动态的规律和获取足够量的样本形成了机器学习在金股场景运用的一对矛盾。其二，股票市场数据的信噪比低，虽然金股数据库2.0版本已经努力提升了特征维度，但是距离真实场景的特征维度差距依旧很大。即使提取出了有效的特征，但有效信占总体输入信息的比重太低，机器可能依旧是在拟合噪音和标签间的关系。在《金股数据库及金股增强组合策略（三》中，补充了推荐状态稳定性的评价体系但这个增量信息依旧无法帮助模型有效识别出持续贡献α的推荐群体。在以上实证研究的基础上，得出结论：单一指标无法有效甄别出有α贡献的推荐群体；虽然券商月度金股这个场景较为标准化，但是有限的样本容量难以支撑开展多维度杂模型的研究。综上，考虑新的研究场景——上市公司评级报告。同金股数据库的构建逻辑相同，展分析师评级报告的研究，首先也需要搭建一个准确、标准、可回溯的上市公司评级报数据库。上市公司评级报告数据库介绍数据库要素整合hoice和研报平台自2015年1月至223年2的公司研究报告，包括：深度研究、公司调查研究、公司点评、财报点评、新股研究。在此基础上，匹配相应标交易数据，申万一级行业数据，并建立评级报告观点的代理变量，以此统计分析师评级目标价调整观点的准确性。最终，构建的分析师评级数据库共包含36个字段，38.7万条评级数据。该评级数据将定期更新。数据库所包含的字段如表1所示。表1：评级数据库字段表序号字段名称序号字段名称1机构名称1960交易日后价格_后复权2评级日期2020交易日后累计收益3证券代码2160交易日后累计收益4证券简称22目标价变动_后复权5当前评级23评级日前20日累计收益6评级变更24所属申万一级行业7评级日价格25所属申万一级行业指数8最新目标价26评级报告观点9分析师27短期推荐成功10区间内首次覆盖月份28短期推荐失败1对该公司评级次数29中期推荐成功12评级年份30中期推荐失败13评级月份31分析师短期累计符合个数1420交易日后价格32分析师短期累计符合率1560交易日后价格33分析师中期累计符合个数16评级日价格_后复权34分析师中期累计符合率17最新目标价_后复权35分析师累计报告数量1820交易日后价格_后复权36交易信号Choice、、如表1所示，序号1至10的粗体字段可从第三方数据平台中直接获得；序号1至13的字段可由1至10号字段改造后得到；序号14至23的字段需要获得被评级标的历史交易数据，进行日期匹配和后复权计算；序号24至25的字段需要查询被评级标的所属申万一级行业信息；序号26评级报告观点字段是评级报告观点的代理变量；序号27至36由前述字段综合处理得到。在生成26号字段“评级报告观点”时，首先取某分析师对该标的评级的变动。若评上调，则认为该分析师对该标的观点是“乐观；若评级下调，则认为该分析师对该标的观点是“谨慎；若该标的评级维持不变但目标价调高，则认为该分析师对该标的观点是“乐观；若该标的评级维持不变但目标价调低，则认为该分析师对该标的观点是“谨慎；若该标的评级维持不变且目标价不变，则认为该分析师对该标的观点是“未知。评级数据库部分字段样例如表2所示。表2：评级数库样例编码后构名称编码析师评级日期证券代码证券简称评级日格后权目标价复权区间内次覆月份…BBE%%E%%BE%.SH鸿远电子.0.8%B%E%%E%A%EE%.SH赛轮轮胎.8.7%A%E%%E%B%%E%.SH中材国际.9.1%BE%A%EE%%B%E%.SZ云铝股份.7.2%BE%A%EE%%E%.SH力合微.5.0%BE%A%EE%%B%E%.SH普门科技.0.6%B%E%A%EE%%A%E%.SH天味食品.8.9Choice、、评级报告数据特征上市公司研报数量随年份提升图4：各年份上市公司研报数6865686597497403582547316228000000005 06 07 08 09 00 01 02Choice、、如图4，随着年份增加，分析师发布的公司研究报告有上升趋势。可能的原因是近来A股的上市公司数量增长，且行业内的券商机构和分析师群体数量增长。2017年至2021年，每年的公司研究报告数稳定在5万份上下，2022年大幅增长至67586份。年内报告数量分布有季节性图5：各月报告平均数量21712171322722152361721041631256791 843594758384609000000000000000Choice、、；数据区间：2015年1月至2023年2月年内的报告数量分布有季节性，集中于3月、4月、8月和10月。3月、4月为年报一季报的集中披露期，8月为中报的集中披露期，10月为三季报的集中披露期。定期财务报告集中披露期伴随较多数量的财报点评报告。市场对股票关注度不均衡图6：关注度前30名个股1468146814541324117411211103103310289929699639529529189138958788748608438268218017987927877807747667631400120010008006004002000贵长中州城国茅汽中台车免

A上万万比汽科华亚集化迪A团学

伊宋山长利城西安股演汾汽份艺酒车

中广完兴汽美通集世讯团界

隆恒宁华基生德鲁绿电时恒能子代升

先广洋格三通导联河力一威智达股电重股能份器工份Choice、、；数据区间：2015年1月至2023年2月图6为205年1月至202年12月被发布分析报告最多的前30只股票。若以分析师发布的个股研究报告数作为个股市场关注度的代理变量，可知不同标的间市场关注度差异大。关注度排名前100的股票，其研究报告数量占所有股票研究报告数量的18.8%；关度排名前10的股票报告数占所有股票研究报告数量的50。有大量股票可能缺乏市场的研究挖掘。医药生物板块关注度最高图7：行业关注度排名40000350003000020000150001000050000医计电电药算子力生机设物备

机汽械车设备

传轻家媒工用制电产造器

建社国筑会防装服军饰务工

通有信色金金属融

农商纺林贸织牧零服渔售饰

银环公行保用事石业化

美煤钢容炭铁护理Choice、、；数据区间：2015年1月至2023年2月2015年1月至202年12，市场关注度最高的申万一级行业为生物医药、计算机、电子、电力设备和食品饮料，区间回报分别为57.71，14.73%，7093%，1.31%，316.5%；关注度最低的行业为石油石化、美容护理、煤炭、钢铁和综合，区间回报分别为-1.33，75.36，264，-17.29%，6.40。评级报告可能滞后表3：评级变更、目标价调整前20易累计回报统计评级上调评级下调目标价调高目标价调低平均数6.42%-0.61%6.38%-0.65%中位数4.73%-2.01%4.12%-1.41%标准差0.170.190.170.14样本容量660139414582737193Choice、、如表3所示，总体上，评级上调和目标价调高前20个交易日，资产价格已经积累了一定的涨幅；评级下调和目标价调低前20个交易日，资产价格也有所反应。由于分析师调研究，报告撰写以及报告发布流程等因素，评级报告的发布相较市场认知的更新可能存在一定的滞后性。评级分布不对称图8：不同评级数量对比 图9：不同评级变动数量对比Choice、、；数据区间：2015年1月至2023年2月如图8、图9所示，蓝色实线为累计占比。对上市公司的评级集中于买入和增持，占比为98%；对上市公司的评级变动集中于维持和首次，占比97。由于评级和评级变动观点分布十分不对称，与现实情况差距较大，这两个指标不能充分代表评级报告观点。需要进一步考虑其它指标。图10：目标价与市价对比Choice、、；数据区间：2015年1月至2023年2月如图10所示，蓝色实线为累计占比。若考虑目标价与市价的大小关系代表评级报告点，依旧面临分布不均衡的问题。目标价高于市价的报告占比为92.28%，目标价低于市价的报告占比为7.7%。图11：目标价变方向对比 图12：目标价变动方向饼图目标价保持38.67

目标价上调目标价下调26.05Choice、、；数据区间：2015年1月至2023年2月考虑以目标价的变动方向作为评级报告对股票观点的代理变量。图1中蓝色实线为计占比，如图1、图12所示，该指标的分布较均匀。如果评级报告对某只股票的目标价调高，则认为其对该股票的判断是乐观的，相反则是谨慎，若目标价维持不变，则认为评级报告的观点未知。关键指标算法评级报告观点表4：评级报告观点确定方法评级变动目标价调整对股票观点评级上调乐观评级下调谨慎调高乐观评级维持调低谨慎不变未知资料来：浙证券究所如表4所示，以评级变动作为判断评级报告对股票观点优先级最高的指标，上调代乐观，下调代表谨慎。若评级维持，则以目标价调整作为确定评级报告观点的指标，调代表乐观，调低代表谨慎。若评级和目标价都未发生变动，则无法判断评级报告对该股观点。观点结果判定对股票观点 20交易日后收益率 观点结果表5对股票观点 20交易日后收益率 观点结果>0 短期符合<=0 短期背离<=0 短期背离>0>0短期背离谨慎短期符合<=0资料来源：若评级报告对股票的观点是乐观，且20交易日后累计收益率大于0，则判定其短期点符合走势，相反则判定短期观点背离走势。谨慎观点同理。对股票观点 60交易日后收益率 观点结果表6对股票观点 60交易日后收益率 观点结果>0 中期符合<=0 中期背离<=0 中期背离>0>0中期背离谨慎中期符合<=0资料来源：若评级报告对股票的观点是乐观，且60交易日后累计收益率大于0，则判定其中期点符合走势，相反则判定中期观点背离走势。谨慎观点同理。观点符合率观点符合率=短期、中期观点符合走势次数/总观点次数评级报告评级事件以事件的视角来看待评级报告的发布。对于不同的事件，如评级上调，评级下调，标价上调等，可以研究事件发生后的股票收益率情况，从而找到优势的事件。除此之外以事件发生前的股票累计涨跌幅作为条件，细化事件的分类，从而优化事件的选择。收益分布构建事件策略前，先对不同事件发生后的短期和中期收益率分布进行研究，用以确何种事件发生后获取正收益的比例更大，或者赔率更高，并依此选择事件。当前评级事件对当前评级事件发生后20个交易日和60个交易日的累计收益率分布进行绘制。当前评级共分7类：买入、增持、持有、中性、卖出、回避、减持。考虑到部分事件发生的次数太少，因此绘制更具有代表性的买入、中性、回避三类事件后的收益率分布，如图13示。图13：当前评事件收益率分布Choice、、当前评级为买入的事件发生后，20交易日后收益率的均值为1.30%，中位数为0%；中性评级事件发生后，20交易日后收益率的均值为0.73%，中位数为-0.46%；回避事件生后，20交易日后收益率的均值为2.33%，中位数为0.96%。当前评级为买入的事件发生后，60交易日后收益率的均值为3.95%，中位数为0%；中性评级事件发生后，60交易日后收益率的均值为1.63%，中位数为-1.2%；回避事件发后，60交易日后收益率的均值为0.58%，中位数为-3.81%。评级变更事件对评级变更事件发生后20个交易日和60个交易日的累计收益率分布进行绘制。评级变更事件共分4类：首次、调低、调高、维持，如图14所示。图14：评级变事件收益率分布Choice、、

评级变更为首次的事件发生后，20交易日后收益率的均值为1.87%，中位数为-0.24%；调高事件发生后，20交易日后收益率的均值为2.82%，中位数为0.84%；调低事发生后，20交易日后收益率的均值为-0.02%，中位数为-0.72%。评级变更为首次的事件发生后，60交易日后收益率的均值为3.86%，中位数为-0.90%；调高事件发生后，60交易日后收益率的均值为5.26%，中位数为0.72%；调低事发生后，60交易日后收益率的均值为0.74%，中位数为-1.73%。目标价调整事件对目标价调整事件发生后20个交易日和60个交易日的累计收益率分布进行绘制。目标价调整事件共分3类：持平、调高、调低，如图15所示。图15：目标价调事件收益率分布Choice、、

目标价调整为持平的事件发生后，20交易日后收益率的均值为0.60%，中位数为-0.39%；目标价调高事件发生后，20交易日后收益率的均值为-0.07%，中位数为-1.13%；目标价调低事件发生后，20交易日后收益率的均值为2.64%，中位数为1.13%。目标价调整为持平的事件发生后，60交易日后收益率的均值为2.82%，中位数为-0.51%；目标价调高事件发生后，60交易日后收益率的均值为0.94%，中位数为-1.92%；目标价调低事件发生后，60交易日后收益率的均值为7.71，中位数为3.52%。综合上述事件回溯，评级上调事件发生后的股票预期收益率为正。针对该类事件进进一步的分析。涨跌幅分档绝对收益分布首先，从绝对收益的角度出发，按照评级上调事件发生前20个交易日累计涨跌幅对的进行分档。评级上调但是资产价格没有提前反应的股票，预期收益率可能会有优势。分档后的统计结果如表7所示。表7：评级上调前涨跌幅分档统计前20交易日涨跌幅 未来20日涨跌幅中位数（） 未来60日涨跌幅中位数（） 未来20日涨跌幅平均数（） 未来60日涨跌幅平均数（） 样本容量-以下-01010-2015563897861511171103 08 16333104 0717161607375858-6349Choice、、如表7，当评级上调前20个交易日股票的累计收益小于-10时，事件60日后的预收益率为9.97，当评级上调前20个交易日股票的累计收益大于20%时，事件60日后的预期收益率为5.58%。后文将对这两种事件构建策略并回测。图16：涨跌幅分档评级上调事件收益率分布Choice、、图16为两种事件的60交易日后收益的分布。评级上调前股票价格大幅下跌的情况下，其60交易日后收益分布直观上看更有助于获得高收益。但由于该事件发生的频率低，不适宜直接构建策略。表8：评级下调前涨跌幅分档统计前20交易日涨跌幅 未来20日涨跌幅中位数（） 未来60日涨跌幅中位数（） 未来20日涨跌幅平均数（） 未来60日涨跌幅平均数（） 样本容量-以下-01010-20-23 07 073391942-12 -60 -45 05-67-3803 0109-4004-08-26-06-13-38Choice、、

如表8所示，当评级下调前20个交易日股票的累计收益大于20%时，事件60日后收益率中位数为-9.13。股票前期大幅上涨叠加基本面的利空可能会导致短期内出现较大回撤的情况。图17：涨跌幅分档评级下调事件收益率分布Choice、、相对收益分布考虑个股相对申万一级行业所形成的超额收益。同样按照评级调整前20个交易日涨跌幅进行分档。评级上调且按上调前涨跌幅分档统计的结果如表9所示。表9：评级上调前涨跌幅分档统_超额收益前20交易日涨跌幅 未来20日超额中位数（） 未来60日超额中位数（） 未来20日超额平均数（） 未来60日超额平均数（） 样本容量-以下-01010-2011 293162861511171103 0504 0505 051113222523153933-02-47Choice、、如表9，结果与绝对收益角度的统计结果类似。当评级上调，且上调前20交易日股跌幅大于-10的个股，其20日后平均超额收益率为3.21%，60日后平均超额收益率为6.52%。在所有分档中，处于最优。图18：涨跌幅分档评级上调事件超额回报分布Choice、、如图18的分布所示，当评级上调且上调前20交易日累计收益率大于20的个股，其未来60日的超额收益呈现明显右偏分布的特征，因此其平均数大于中位数。按照评级调整前20个交易日涨跌幅进行分档。评级下调且按下调前涨跌幅分档统计的结果如表10所示。表10：评级下调前涨跌幅分档统计前20交易日涨跌幅 未来20日超额中位数（） 未来60日超额中位数（） 未来20日超额平均数（） 未来60日超额平均数（） 样本容量-以下-01010-20-97 -88 -36-0191942-01 -29 -5 -08-28-46-42 -76-77--91-36-87-34-37-23Choice、、如表10所示，当评级下调，且下调前涨幅大于20的股票，其未来20交易日和60交易日的平均超额收益率分别为-3.36%和-4.23，在所有分档中处于劣势。图19：涨跌幅分档评级下调事件收益率分布Choice、、如图19的分布所示，评级下调且下调前20交易日累计收益率大于20的个股，其未来60日的超额收益呈现明显右偏分布的特征，因此其平均数大于中位数。评级下调且下调前20交易日累计收益率小于-20的个股，其未来60日的超额收益分布较为正态。评级报告推荐准确率短期、中期推荐准确率分布本文考虑评级报告给出评级上调、下调或者维持原有评级但改变目标价的行为，将种行为视为是评级报告的一次判断。比较一个月区间、三个月区间的收盘价与报告出具的收盘价，如果股价变动方向与评级报告的判断方向相匹配，则视作短、中期判断符合际走势。需要说明的是上文提及的所有股票价格数据，为了避免公司发放红利和拆股等股价的影响，全部转换成后复权价格进行比较。对历史评级报告进行统计得到评级报告作者短线、中线判断符合价格实际走势的数，与该作者的累计研报数量相比即可分别计算出短线准确率与中线准确率。图20：评级报短期观点准确率分布 图21：评级报告中期观点准确率分布 Choice、、 Choice、、基于评级报告统计期内最后一次观测的短期评级准确率和中期评级准确率，将统计内评级符合走势次数大于等于7次的分析师纳入样本。如图20、图21所示，评级报告观点准确率期望集中在0.5附近。基于评级报告观点准确率的组合测试股票池：上市满1年；当月所有评级报告改变评级的股票；非T股票；组合构建流程：获取当月所有研报评级和分析师信息；查询分析师数据库，获取当月发布研报的每一位分析师的历史定量指标；对分析师定量指标进行排序，分别将短线和中线准确率的分析师，分为5组，根据其研报设定买入卖出策略，并构建相应的5个等权组合；每月末重复上述操作计算最新的分析师分组；(3)回测时段：2019年1月至023年2月；调仓周期：高胜率分析师发布研报后的下一个交易日；持仓周期：短线股票不低于20交易日，中线股票不低于60交易日；持仓数量：最大持仓50只，若不满50只股票，每只股票等权仓位2。图22：短期（持仓20交易日）评级功率分层测试 图23：短期（持仓20交易日）评级功率单调性测试Choice、、 Choice、、图22为分析师群体统计期短期评级成功率的分层组合，组别编号越大，代表该群体的过往短期评级成功率越高，图23为各分层组合的月均收益率。根据分层和单调性测试结可知，过往短期评级成功率越高的分析师看好的股票组合，未来的短期收益不一定越高。图24：中期（持仓60交易日）评级功率分层测试 图25：中期（持仓60交易日）评级功率单调性测试Choice、、 Choice、、图24为分析师群体统计期中期评级成功率的分层组合，图25为各分层组合的月均益率。结论与短期评级成功率类似，过往中期评级成功率越高的分析师看好的股票组合未来的中期收益不一定越高。图26：理论最优短期评级组合与沪深30指数对比Choice、、图26为理论上的最优组合，即统计期短期观点符合率最高的分析师所看好的股票组合与沪深300指数走势的对比。可见，2022年4月前，该组合走势与沪深300走势基本重合，没有显著的超额收益。2022年4月后，该组合开始对沪深300产生超额收益。相似度评价指标相似度定义及计算计算分析师收益率矩阵，设定目标收益率矩阵，通过及计算两矩阵间相似度，找到史表现满足投资人风险偏好的分析师群体。为每一位分析师建立收益率矩阵，矩阵构成方法如下。首先选取该分析师统计期内发表过乐观判断（判断方法详见表4）的所有股票，对股票按照评级日前20个交易日累计跌幅分档，然后分别计算1、3、6个月后股票累计回报均值，以及剔除股票对应申万一级行业回报后的超额回报均值。某分析师A的收益率矩阵如表1所示。表11：分析师A收益率矩阵评级前20交易日累计收益1月后回报3月后回报6月后回报1月后超额3月后超额6月后超额<-0.1-0.050.130.21-0.030.06-0.06-0.1~0.1-0.020.010.100.000.020.07>0.10.000.130.27-0.010.060.09hid、商券研究所自定义目标收益率矩阵，作为投资者对短期、中期和中长期投资收益目标的预期。文已述，评级上调且前20交易日跌幅大于10的事件所对应的预期收益率最高，因此，在目标收益率矩阵中，这一档位的预期收益率高于其它档位。投资者可根据自身风险偏好确定目标收益率矩阵中每个元素的大小，或者新增列以达对投资目标更多维度的刻画，如最大回撤，波动率等。一个设定好的目标收益率矩阵表12所示。表12：目标收率矩阵评级前20交易日累计收益1月后回报3月后回报6月后回报1月后超额3月后超额6月后超额<-0.10.050.100.200.030.080.15-0.1~0.10.040.080.160.020.050.10>0.10.020.050.100.010.030.08hid、商券研究所表13：等权权重序列评级前20交易日累计收益<-0.1-0.1~0.1>0.1权重1/31/31/3hied、商券研究所投资者可根据自身偏好设定不同事件所对应的权重，表13为一个事件等权的序列。得到分析师的收益率矩阵和目标收益率矩阵后，可计算两者之间相似度，并以此寻历史表现符合投资人偏好的分析师。计算表达式如下：i,j𝑚𝑙𝑟𝑡𝑦=∑i(xi,j⋅x∗i,ji j𝑚𝑖𝑙𝑟𝑡𝑦为某分析师收益率矩阵与目标收益率矩阵的相似度；i,j∑(xi,j⋅x∗)为i事件下分析师收益率向量和目标收益率向量的内积。为简便计算，本文采用基于正交坐标系的内积计算方法，该值可作为衡量相似度相对大小的i,jxi,j为分析师在i事件下第j类收益率；i,jx∗为目标矩阵在i事件下的第j类收益i,j𝑖为投资者设定的i事件权重；根据上述定义，相似度数值越大，代表分析师越能满足甚至超越投资者的投资目标但相应的分析师人数可能会迅速减少。假设事件间权重相等，根据上式计算的表1与表12的相似度为0.038。以表12和表13设定的目标收益率矩阵及权重序列为例，计算出的分析师收益率矩阵与目标收益率矩阵的相似度分布如图27所示。图27：相似度分布Choice、、简言之，通过设定目标收益率矩阵和权重序列，投资者可自定义符合自身需求的投目标，并通过计算相似度，找到能够满足投资目标的分析师群体。寻找适合的目标矩阵目标矩阵的设定会直接影响相似度计算的结果，依据不同目标矩阵所计算出的分析相似度不同，根据相似度排名甄选出的分析师群体也会有差别。为了使相近时刻甄选出分析师群体保持一定的持续性，且保留相似度这一指标的筛选作用，需要测试不同的目矩阵，以达到两个方面的平衡。首先，设定低、中、高档的目标收益率矩阵，如表14所示。表14：低、中、档目标收益率矩阵评级前20交易日累计收益1月后回报3月后回报6月后回报1月后超额3月后超额6月后超额低档<-0.1-0.1~0.1>0.10.000.000.000.030.020.010.080.050.030.000.000.000.030.010.000.050.030.00<-0.10.050.100.200.030.080.15中档 -0.1~0.10.040.080.160.020.050.10>0.10.020.050.100.010.030.08<-0.10.100.200.500.080.160.45高档 -0.1~0.10.090.180.450.070.150.40>0.10.070.150.400.050.100.35Choice、、

定义分析师重合度，以定量刻画不同目标矩阵所筛选出的分析师群体的持续性。分师重合度计算式如下：ln(𝑡1∩𝑡)𝑡1𝑝𝑖𝑡𝑖𝑛𝑒=ln(𝑡1

∪𝑡)𝑡−1和𝑡分别为-1期和t期筛选出的分析师群体集合，集合取当期相似度排名最高的20分析师；𝑛𝑆)为集合S的元素个数；用𝑡−1和𝑡交集的元素个数，除以𝑡−1和𝑡并集的元素个数，得到分析师的重合度。若两个集合完全相同，则重合度为1，若两个集合完全不同，则重合度为0。不同目标矩阵所对应的分析师重合度如图28所示。图28：低、中、高档目标矩阵下的分析师重合度Choice、、

如图28，从左至右分别为低档、中档、高档收益率目标矩阵所筛选出的当期和上一期分析师群体的重合度。随着目标矩阵对收益率设定的提升，分析师群体的重合度有所降。低、中、高档目标矩阵所对应的分析师重合度均值分别为74，67，64。设定更多目标矩阵，对矩阵内所有元素求算数平均值，并计算目标矩阵相应的分析重合度，得到矩阵内元素算数平均值与分析师重合度的折线图，如图29所示，图29：不同目标矩阵对应分析师重合度.5重复度.7重复度.5.6.5.2 .5 .1 .2 .5 0.3 .5 .4矩阵元均值Choice、、如图29，随着目标矩阵设定收益率的提升，分析师重复度逐渐降低，但是边际的降在减少，当矩阵元素均值达到0.2左右时，其重复度的变化已经比较稳定。图30：低、中、高档目标矩阵下的分析师群体人数Choice、、

图30为不同目标矩阵所对应的筛选后的分析师人数，筛选的标准为相似度排名最高20，因此不同目标矩阵所对应的群体人数基本相同。随着整个分析师群体人数的增加，筛选后的分析师人数也随之增加。综上，在筛选后分析师群体规模相同的情况下，表14所示的中档收益率矩阵保留了似度指标的筛选功能，且相邻时间的分析师群体重合度达到67，适合作为被选择的目标矩阵。相似度分档比较使用同5.1节的计算方法，在时序上得到分析师的相似度，并将分析师按相似度分3档，比较高相似度分档和低相似度分档的分析师所看好的股票在20交易日后和60交易日后的平均收益率。如图31和图32所示，用高相似度分档的分析师看好股票的平均收益减去低相似度分档的平均收益率，得到高低档分析师推荐股票平均收益率的差值。图31：20交易日后收益率差值 图32：60交易日后收益率差值0.15

0.20.1

0.150.050005

0.10.050005201706201709201201706201709201712201803201806201809201812201903219062019092019122020032020062020092020122021032021062021092021122220320220620220920221220170620170920171220180320180620180920181220190320190620190921912202003202006202009202012202103202106202109202112202203202206202209202212Choice、、 Choice、、20日交易日后，高减低档收益率差值大于0的占比为55.22%，平均收益率差值为0.42%。对于60日交易日后累计回报，高减低档收益率差值大于0的占比为58.2%，平均收益率差为1.17%。可见，相似度指标对于甄别分析师提供了增量信息。5.4相似度动态变化把分析师相似度的动态变化纳入考量，构建一个2维的评价体系，2个维度分别是析师当前的相似度百分位排名，百分位排名的环比变化。图33：相似度及相似度变化散点图Choice、、如图33所示，每一个散点代表一位分析师的相似度数据。横轴为分析师当前的相似百分位排名，纵轴为当前排名减去上一期排名，考虑的是排名的动态变化。绝大部分散点都在x轴附近。短期内，相似度排名发生剧烈变动的可能性较小。可以重点关注处于第一象限内的分析师，这部分分析师相似度的排名在分析师群体位列前50，且他们的相似度排名还在提升。第二象限内的分析群体，虽然排名暂时落后，但是其相似度排名的环比正在提升，说明他们观点的准确率和推票的收益率正在改善，有望从第二象限转入到第一象限。表15：分析师群样例机构 分析名称评级日期证券简称当前评级评级 对公司变更 评级次数最新目标所属申万一级行业相似度相似度排百分位变%D%8E%E%//1D%99%E%买入首次 1.5机械设备.6.0%//1%买入维持 1交通运输.3.0%//1D%99%E%买入维持 4有色金属.2.0%//1%买入维持 .5汽车.6.0D%8E%E%D%99%E%//1D%8E%E%买入维持 4食品饮料.6.0%//1%买入维持 9.5汽车.5.0%D%99%E%//1D%8E%E%买入首次 1.1轻工制造.4.0%//1%增持首次 1.5国防军工.3.0%//1%买入维持 1医药生物.3.3%//1%买入维持 4.5食品饮料.3.0Choice、、

表15为一个根据相似度筛选分析师的样例。由于展示方式的限制，无法将数据库中有字段完整呈现。分析师的相似度及百分位变化将每六个月更新一次，期间可以根据该指标找到重点关注的分析师及其推荐的股票。结论分析师评级报告有以下几个特征：每年的评级报告数量有增加趋势；年内评级报告布集中于财报季；股票关注度存在明显的28效应；评级报告的发布相对于市场认知存在滞后性；评级和评级变动的分布存在不对称性，使用目标价变动的方向作为评级报告观的代理变量较为合理。对评级报告数据库进行详细的描述性统计后，对两类事件策略进行了回测：评级上调且上调前20交易日累计跌幅大于10，或累计涨幅大于20。这两类事件策略在2019年后有效性显著提升，相对沪深300指数累积了较厚的超额收益。对评级报告在统计期内的短期、中期观点准确率进行跟踪并依此进行分层测试和单性测试，结果显示过往的观点准确率对未来准确率的提示意义较低。通过设定目标收益率矩阵和事件考核权重，可以计算分析师历史评级表现与目标收率矩阵的相似度。经实证，相似度高的分析师群体，其推荐的股票平均收益率高于相似低的分析师群体。相似度评价指标为甄别评级报告提供了增量信息。风险提示本文结果基于历史数据建模推算，未来实际情况的不确定性与模型推测结果存在差，不作为投资参考建议。模型测算使用的超参数，时间区间的选定，评级报告观点的代理变量等对模型结果较大影响，须谨慎使用；本文短期中期时间设定仅为本文根据分析情况自行设定，结果可能存在一定偏差。报告内涉及的模型超额收益等指标均限于一定测试时间和测试样本得到，收益指标代表未来。附：评级报告事件策略针对评级上调且上调前20交易日累计跌幅大于10，评级上调且上调前20交易日计涨幅大于20两类股票构建事件策略。评级上调且下跌10%起止时间：2016年1月1至2023年2月17日；入池条件：上市满1年，非T股票；买入触发条件：评级报告评级上调且上调前20个交易日累计跌幅大于10；仓位设置：当持有股票小于等于20只时，每只股票等权5仓位；当持有股票