摘要
季度盈利预测的必要性
与年度盈利相比，未来的季度盈利能够带来显著的增量信息。分析师通常仅给出年度盈利预测，《如何改善一致预期》报告中的预测方法也适用于预测当年的盈利。本文构建了一个系统化的季度盈利预测体系，能够提高对季度预测的准确性，并且从选股因子角度带来信息增量。
本文假设理性的投资者通过一套系统性地方法预测企业的未来盈利，同时公司业绩指引、分析师盈利预测也会作为其预测的参考。本文的季度盈利预测体系由四个基础模型构成，分别为：业绩预告、规律外推、分析师预期、简约模型。在每一期对单个公司进行预测时，首先获取其最新的季度财报，从而确定需要预测的未来的最近报告期，然后根据一套体系化的流程选择恰当的模型进行预测。
在模型选择过程中，若公司给出了盈利指引，则以业绩预告作为季度盈利预测值。其次，若其满足历史规律外推的条件，则以规律外推模型进行预测；若其不满足历史规律外推的条件，对于有分析师覆盖的公司，以分析师预期作为季度盈利预测，对于无分析师覆盖的公司，以简约模型作为季度盈利预测。
TF季度盈利预测效果
使用系统化的季度盈利预测方法，能够比历史季度盈利更加准确地预测公司未来季度的盈利情况。季度盈利预测系统的预测偏差中位数平均为39.81%，历史季度盈利的预测偏差中位数平均为48.52%。与历史季度盈利相比，季度盈利预测系统能够将季度盈利的预测偏差降低8.71%。
TF盈利预测衍生指标
在预期季度盈利基础上构建的衍生因子均具有不同程度的信息增量。
预期季度EP因子的IC均值为0.0524，年化ICIR为3.39，剔除单季度EP、TF预期EP（见《如何改善一致预期》）因子后，年化ICIR在2以上，具有显著的增量信息。
预期季度增速因子的IC均值为0.0288，年化ICIR为2.18，剔除单季度净利润同比增速因子后年化ICIR为1.81。
季度业绩超预期因子的IC均值为0.0386，年化ICIR为3.81，剔除标准化预期外盈利（SUE）因子后年化ICIR为1.80。中性化季度业绩超预期因子IC均值为0.0377，年化ICIR为3.60，剔除标准化预期外盈利（SUE）因子后年化ICIR为1.69。
正文
在报告《如何改善一致预期》中，我们提出了一个系统性地预测个股年度净利润的方法。我们看到，通过模式化的盈利预测能够得到有效的年度预期盈利，并且能够带来显著的增量信息。
实际上，随着公司生产经营的开展以及财务数据的披露，年度盈利预测中已经实现的净利润部分逐渐增加，而关于公司未来经营情况的信息占比则逐渐降低。因此，年度盈利预测中实际上包含大量已知信息，而我们更多希望能够获得关于公司未来经营情况的信息。然而，目前分析师通常只会给出全年的盈利预测，报告《如何改善一致预期》也着重于年度盈利预测。由于企业季度盈利的动量、季节效应的影响、投资者的线性思维等，季度盈利往往蕴含着不同于年度盈利的增量信息。
因而，本文致力于解决公司未来一个季度的盈利预测问题。
1
季度盈利的增量信息
本章想通过一个很美好的“幻想”，以说明预期季度盈利的重要性。假设在每次企业发布正式财务报告后，投资者便可以提前一期知道未来季度的盈利水平。通过这个真实的季度盈利构建简单的因子。具体地，在T年度中的t日，获得个股已经公布的最新财报报告期，据此确定相应的下一个季度报告期。以下一个季度的实际归母净利润计算估值因子，即
下表为预知下一季度及预知当年盈利的估值因子的IC及分组检验结果。
可以看到，相比于预知当年盈利情况的估值因子，预知下一季度盈利的估值因子仍然具有显著的信息增量。当年的实际盈利随着时间的流逝，包含越来越多的“陈旧”信息，而其中新的信息包含的是尚未实现的若干季度的累积盈利。因此虽然其能够映射更长的时间，但是没有体现企业累积盈利的实现路径，而下一季度的盈利却能够弥补该信息的缺失。
由此可见，单季度的盈利预测是必要且有价值的。然而，分析师通常仅给出年度盈利预测，报告《如何改善一致预期》中的预测方法也适用于预测当年的盈利。因此，一个系统化的季度盈利预测模型就显得非常重要。
2
信息来源
在我们的季度盈利预测体系中，我们希望尽量合理地刻画投资者形成未来盈利预期的过程。一个理性的投资者关于上市公司未来盈利的预期可能受到几种信息的影响：公司业绩指引（如公司的业绩预告），分析师的盈利预测报告，投资者基于自己搭建的盈利模型对公司盈利情况的预测。
对于这几种信息，首先，公司的业绩指引无疑是可靠度最高的。其次，对于部分业绩相对稳定的公司来说，分析师以及理性的投资者自身均可能根据其所掌握信息进行有效地预测。再次，分析师可通过调研等途径掌握更多前沿信息从而进行专业判断，而同时分析师也不可避免地由于自身以及外界的压力，存在高估企业盈利的倾向。最后，对于业绩波动剧烈的公司，分析师以及理性的投资者可能都难以给出有效的预测。
我们假设理性的 投资者通过一套系统性地方法预测企业的未来盈利，同时公司业绩指引、分析师盈利预测也会作为其预测的参考。如下图所示，在三重信息的交融与相互影响下，投资者最终会获得一个相对合理的盈利预测。
虽然业绩预告、分析师预期对于投资者来说是重要的决策参考，但是这两种来源的信息在减少。2019年起，由于交易所对上市公司业绩预告披露要求的变化，上市公司发布的业绩预告数量明显减少。而从2017年开始，由于机构投资者关注度的聚焦，分析师覆盖的股票数量也在减少。因此，对于越来越多的公司，投资者可能需要脱离公司业绩指引、分析师预期，根据自己的预判与模型形成盈利预测。这就使得系统化的公司盈利分析变得更加重要，同时，这些信息不对称的公司可能蕴藏着亟待挖掘的投资机会。
下图展示了全市场股票中，发布下一报告期业绩预告的公司数量及占比。具体地，在每月末，获得每个公司最新的正式财报，从而确定各公司未来最近的一个报告期，统计在月末之前对该报告期给出业绩预告的公司数量，并计算其占比。
可以看到，由于中小板、创业板信息披露规则的变化，自2019年起，发布业绩预告的公司数量及占比明显下降。业绩预告能够提供的关于公司未来经营情况的信息显著减少。
类似的，下图统计了分析师覆盖的股票数量及占比。具体地，在每月末，统计过去六个月内分析师发布盈利预测的股票数量，并计算其占比。从2017年开始，分析师覆盖的股票数量显著降低，相应地，随着新股上市，覆盖股票占比显著下降，2019年以来平均覆盖率仅56.48%。因此，分析师所能提供的盈利预测信息也在减少。
除了公司业绩预告、分析师预期外，部分投资者会根据其自有的模型对公司的盈利进行预测。假设其中一部分投资者会仅根据公司的历史业绩进行外推。本文试图通过模型模拟这类投资者的预测行为。假设这类投资者会根据公司历史的盈利特征与规律，对不同的公司选择不同的模型从而给出盈利预测。例如，有些公司季度盈利之间存在稳定的比例（即季度增速一致），则可以使用占比进行外推；对于盈利增速正常的公司来说，根据历史增速给出预期增速进行外推。
此外，当公司的历史盈利缺少有迹可循的规律或者呈现较大波动时，在没有额外信息（如产业链、政策变动、宏观经济）的情况下，投资者可能假设公司的季度盈利服从随机游走，从而使用的简单模型，以历史平均盈利来预测未来。
我们的季度盈利预测系统就建立在对这三种信息的综合处理之上。下面具体介绍季度盈利预测的流程与模型。
3
季度盈利预测系统
3.1 季度盈利预测的信息流
季度盈利预测系统由四个基础模型构成，分别为：业绩预告、规律外推、分析师预期、简约模型。在每一期对单个公司进行预测时，首先获取其最新的季度财报，从而确定需要预测的未来的最近报告，然后根据一套体系化的流程选择恰当的模型进行预测。因此，预测系统的核心在于如何对不同的样本选择适当的模型。
如下图所示，对于一个公司而言，若公司给出了盈利指引，则以业绩预告作为季度盈利预测值。其次，若其满足历史规律外推的条件，则以规律外推模型进行预测；若其不满足历史规律外推的条件，对于有分析师覆盖的公司，以分析师预期作为季度盈利预测，对于无分析师覆盖的公司，以简约模型作为季度盈利预测。
模型选择过程中关键的判断条件包括是否发布业绩预告、是否可历史外推、是否有分析师覆盖。具体标准如下：
1.是否发布业绩预告：公司是否发布相应报告期的业绩预告；
2.是否可历史外推：具体见3.3；
3.是否有分析师覆盖：过去六个月内存在分析师覆盖。
下面具体介绍四种基础模型：业绩预告、规律外推、分析师预期、简约模型。
3.2 业绩预告
对于发布预测期业绩预告的公司来说，投资者可直接使用预告利润作为盈利预测。具体地，以业绩预告的上限与下限的平均值作为业绩预告盈利，减去当年已实现的盈利，则可得到季度盈利预测，即
3.3 规律外推
3.3.1 规律外推的条件
适用于规律外推模型的样本首先需满足可历史外推的条件。如果公司盈利满足下面两个条件之一则认为该样本可历史外推：
情形1（S1）：基期盈利正常，且历史盈利分布稳定；
情形2（S2）：基期盈利正常，且历史盈利分布不稳定，且预测期上年同期盈利正常。
如下图所示，在每期进行预测时，按照以下流程图判断样本是否满足历史外推的条件，从而选择相应的基础模型。
在确定样本是否可历史外推时，需要判断三个条件，具体如下。
例如，当预测2019年三季度盈利时，需要判断预测期的上年同期（即2018年三季度）盈利是否正常，则将其与2017年三季度、2016年三季度的平均盈利进行比较。若变动幅度在2以内，则认为正常，否则为不正常。
3.3.2 规律外推的基础模型
对于满足可历史外推情形1（S1）的样本使用比例外推模型，对于满足可历史外推情形2（S2）的样本使用平均增速模型。下面对这两个基础模型进行详细的介绍。
以贵州茅台（600519）为例。在2019年8月末，根据该公司二季度盈利预测三季度盈利。下图为该公司2016年至2019年间二季度及三季度的扣非归母净利润。2019年二季度同比增速为18.39%（决策树第一个判断条件满足）。2016年至2018年二季度占二、三季度累计盈利的比例分别为51.1%、36.8%、44.9%，历史平均占比为44.3%，净利润占比相对其平均值的最大偏离为7.5%，小于10%，则认为其历史盈利分布稳定，满足可历史外推的情形1（S1），应当使用比例外推模型。
具体地，其二季度扣非归母净利润为87.30亿元，则三季度预期盈利为：87.30/7.5%-87.30=109.89亿元。而公司该期实际的扣非归母净利润为105.03亿元，归母净利润为105.04亿元。
以北方国际（000065）为例。在2019年8月末，根据该公司二季度盈利预测三季度盈利。下图为该公司2016年至2019年间二季度及三季度的扣非归母净利润。该公司2019年二季度净利润同比增速为17.80%，则其基期盈利为正常。2016至2018年二季度占二、三季度累计盈利的比例分别为61.7%、45.9%、73.6%，平均占比为60.4%，相对均值的最大偏离为14.5%，大于10%，因此不满足历史盈利分布稳定的条件。其2016、2017年三季度盈利平均为（0.48+ 1.49）/2= 0.98亿元，2018年三季度盈利为0.98亿元，因此2018年三季度盈利正常，满足可历史外推的情形2（S2），应当使用平均增速模型。
具体地，其2017年、2018年二、三季度的累计盈利同比增速分别为118.44%、35.06%，平均为76.75%，2019年二季度同比增速为17.80%，因此预期增速为（76.75%+17.80%）/2=47.27%。2018年三季度盈利为0.98亿元，则2019年三季度预期盈利为0.98×（1+47.27%）=1.45亿元。其2019年三季度实际的扣非归母净利润为1.34亿元，实际归母净利润为1.35亿元。
3.3.3 模型校准
在分析师乐观倾向下，如果规律外推模型给出了更高的预测，很可能在估计增速或者占比时出现了较大的偏差，相比之下，分析师的预期可能更加合理，此时可以使用分析师一致预期净利润对模型估算的盈利预测进行纠正。具体地，定义规律外推模型的预期季度净利润相对于分析师一致预期季度盈利的偏离幅度为：
当偏离幅度高于10%时，则认为预测模型显著高估，以分析师一致预期季度盈利作为替代。（分析师一致预期季度盈利的计算方法见下节。）
3.4 分析师预期
对于缺少业绩预告又无法通过规律外推模型进行估计的样本，如果分析师给出了公司的盈利预测，那么分析师预期就是一个相对可靠的盈利预测参考。然而，分析师通常仅给出年度盈利预测，因此需要将年度预测拆解为季度盈利预测。
因此，需要从剩余期的预期盈利中分拆得到n+1季度的单季度盈利。假设n+1季度的单季度盈利占剩余期盈利的比例与上年保持一致，则预测期盈利为
以华侨城A（000069）为例具体说明该方法的应用，如下图所示，从分析师一致预期净利润中获取其2019年三季度的预期季度盈利。2019年8月30日，分析师对该公司2019年净利润的一致预期为127.65亿。公司2019年上半年的归母净利润为28.10亿，因此下半年的一致预期净利润为127.65-28.10=99.55亿。2018年三季度扣非归母净利润为30.20亿，2018年四季度扣非归母净利润为46.64亿。2018年三季度占三、四季度累计盈利的比例为30.20/（30.20+46.64）=39.30%。假设2019年三季度占下半年的净利润比例保持不变，则2019年三季度的预期盈利为：99.55×39.30%=39.13亿。
3.5 简约模型
对于缺少公司指引、无法通过规律外推并且缺少分析师覆盖的公司来说，投资者缺少有效的信息对公司的未来盈利进行预测。此时，投资者可能倾向于使用历史平均盈利给出一个相对粗糙的预测值。考虑到企业盈利的季节性，本文以过去四期的平均季度盈利与上年同期盈利的均值预测未来季度的盈利，即
4
预测效果的检验
4.1模型分布
在本文的盈利预测系统下，每期预测季度盈利时，各样本会使用不同的模型。下图展示了每期截面上各模型的数量占比。可以看到，模型占比随着公司财务报告的披露进度，呈现出明显的月度差别。
下图展示了各月度平均的模型占比，模型占比在月度之间呈现出较为明显的差异。
在1、2、3、7月，由于业绩预告的大量公布，平均55.89%的样本使用业绩预告所披露的数据，而在其余月份，业绩预告的占比大幅降低，平均为25.15%。同时可以注意到，在业绩预告比例较高的月份（1、2、3、7月），分析师预期的占比会相应降低，平均为10.70%；而在其余月份，分析师预期的占比平均为24.63%。剩余三个模型的占比在各月度间差异较小，其中比例外推模型的平均占比为13.85%，平均增速模型的平均占比为18.73%，简约模型的平均占比为11.94%。
如前文所述，自2019年起公司业绩预告数量、分析师覆盖股票数量均呈现减少趋势，因此业绩预告、分析师预期所能提供的信息减少。下图比较了2019前后各模型平均占比的变化。可以看到，2019年以来，业绩预告、分析师预期模型的占比分别下降了8.90%、5.93%，而其余三个模型的占比均呈现上升。
此外，2019年以后业绩预告模型主要应用于1、2、3、7月，平均为59.94%，与以前年度相差较小，而其余月度的占比平均为6.61%，与以前年度相比显著下降。下图能够更加明显地展示2019年以来模型占比的特征。
从这里也可以看到，随着有效信息的减少，如公司业绩指引、分析师预测，系统化的盈利预测对于投资者的意义越来越重要。
4.2季度盈利预测偏差
通过以上方法，可以得到系统化的季度盈利预测。为了考察该盈利预测体系的合理性，我们比较了每期预期盈利与实际盈利之间的差异。由于缺少可比较的季度盈利预测，我们与历史季度盈利进行比较。在每月末，计算预期季度盈利与实际盈利的偏差，即
下图展示了每期预测偏差的中位数，其中“预测系统_偏差中位数”为每期使用季度盈利预测系统预测的下期季度盈利与真实盈利的偏差的中位数；“历史盈利_偏差中位数”为每期历史季度盈利与下期真实盈利的偏差的中位数；“差值”为两者之差。如图所示，预测系统的偏差中位数整体上低于历史盈利的偏差中位数。季度盈利预测系统的偏差中位数的平均值为39.81%，历史季度盈利的偏差中位数的平均值为48.52%。与历史季度盈利相比，季度盈利预测系统能够将季度盈利的预测偏差降低8.71%。
因此，使用系统化的季度盈利预测方法，能够比历史季度盈利更加准确地预测公司未来季度的盈利情况。
5
季度盈利预测的应用与衍生因子
以上比较表明本文构建的季度盈利预测体系是合理且适用的，在此基础上，本文检验该数据对选股因子的信息增量，从而获得更加广泛的应用。在预期季度盈利的基础上，本文构建了几类衍生因子，包括季度预期估值、季度预期增速以及季度业绩超预期。
5.1 预期季度EP
预期季度EP因子的IC均值为0.0524，年化ICIR为3.39，平均月度多空收益为1.18%。在剔除单季度EP、TF预期EP（年度预期EP因子，构建方式详见报告《如何改善一致预期》）因子后，IC均值在0.02以上，年化ICIR在2以上，具有显著的增量信息。
预期季度EP因子的分组收益呈现出良好的单调性，并且多头超额显著，平均月度多头超额收益为0.55%，多空相对强弱稳定向上。
5.2 预期季度增速
预期季度增速因子的IC均值为0.0288，年化ICIR为2.18，平均月度多空收益为0.67%。在剔除单季度净利润同比增速因子后，IC均值为0.0228，年化ICIR为1.81，具一定的增量信息。可以看到，与估值因子相比，预期季度增速的信息增量相对较少。
预期增速因子的分组收益单调，并且多头超额显著，平均月度多头超额收益为0.35%。
5.3 季度业绩超预期
5.3.1 超预期的衡量
季度盈利预测不仅可以用来构建未来季度盈利因子，还可以用来衡量公司历史业绩的超预期程度。对于上市公司的每一份正式财报、业绩快报、业绩预告，均可以确定其超过预期的幅度。
具体地，若公告（包括正式报告、业绩快报、业绩预告）发布前，公司发布了相应报告期的业绩预告，则根据业绩预告上限、下限均值确定盈利预期值。若缺少业绩预告，则按照前述流程确定预期季度盈利。其中，分析师一致预期取公告发布前三天的预期值。以公告业绩与预期业绩的差值衡量单季度业绩超预期幅度，并且参考标准化预期外盈利（SUE）的处理方式对超预期幅度进行标准化，即
5.3.2 因子检验
作为对比，我们比较了季度业绩超预期（QES）因子与标准化预期外盈利（SUE）因子的效果差异与信息含量。
季度业绩超预期因子的IC均值为0.0386，年化ICIR为3.81，平均月度多空收益为1.22%。在剔除标准化预期外盈利（SUE）因子后，IC均值为0.0163，年化ICIR为1.80，仍然具有一定的信息含量。
下图是季度业绩超预期的分组表现及多空净值。可以看到，因子分组整体呈现出单调性，但是最高的第三组表现相对较差，破坏了分组的单调性。
本文猜测可能由于市场对不同类型的超预期给予了不同的反应，如超过业绩预告预期、超过分析师预期或者超过外推模型预期等。
季度业绩超预期可以按照基准的类型分为两类，即业绩预告及其他类别（由于分析师预期也涉及到季度业绩的估计，其误差可能较大，因此与规律外推、简约模型归为一类。）。在同样的基准下，公司业绩超预期的幅度更具有可比性，因此可以剔除基准差异的影响，构建更加稳健、统一的超预期指标。
通过线性回归的方法，将季度业绩超预期对基准类型中性化后，可得到中性化季度业绩超预期因子。将季度业绩超预期对市值、行业、基准类型进行回归，取其残差作为调整后的因子，如下所示：
中性化季度业绩超预期（NQES）因子的IC及分组检验结果如下，与中性化前相比，因子IC及ICIR均略微降低，IC均值为0.0377，年化ICIR为3.60。在剔除标准化预期外盈利（SUE）因子后，IC均值为0.0155，年化ICIR为1.69，增量信息仍然显著。
从分组收益来看，组合的单调性有所改善，尤其是中间分组。因子多头月度平均超额收益为0.65%，多空相对强弱稳定。
标准化预期外盈利（SUE）因子以历史平均季度净利润衡量上市公司的预期季度盈利，这种假设的缺点是显而易见的，尤其是对于季度业绩波动较大或者具有稳健业绩变动趋势（如成长期的公司）的公司。使用更加合理的季度盈利预测方法，能够更加真实地刻画公司业绩的超预期幅度。从以上检验可以看到，季度业绩超预期因子（QES）能够对常见超预期因子如标准化预期外盈利（SUE）的信息进行补充与修正。
总结
与年度盈利相比，未来的季度盈利能够带来显著的增量信息。分析师通常仅给出年度盈利预测，《如何改善一致预期》报告中的预测方法也适用于预测当年的盈利。本文构建了一个系统化的季度盈利预测体系，能够提高对季度预测的准确性，并且从选股因子角度带来信息增量。
本文假设理性的投资者通过一套系统性地方法预测企业的未来盈利，同时公司业绩指引、分析师盈利预测也会作为其预测的参考。本文的季度盈利预测体系由四个基础模型构成，分别为：业绩预告、规律外推、分析师预期、简约模型。在每一期对单个公司进行预测时，首先获取其最新的季度财报，从而确定需要预测的未来的最近报告期，然后根据一套体系化的流程选择恰当的模型进行预测。
在模型选择过程中，若公司给出了盈利指引，则以业绩预告作为季度盈利预测值。其次，若其满足历史规律外推的条件，则以规律外推模型进行预测；若其不满足历史规律外推的条件，对于有分析师覆盖的公司，以分析师预期作为季度盈利预测，对于无分析师覆盖的公司，以简约模型作为季度盈利预测。
使用系统化的季度盈利预测方法，能够比历史季度盈利更加准确地预测公司未来季度的盈利情况。季度盈利预测系统的预测偏差中位数平均为39.81%，历史季度盈利的预测偏差中位数平均为48.52%。与历史季度盈利相比，季度盈利预测系统能够将季度盈利的预测偏差降低8.71%。
在预期季度盈利基础上构建的衍生因子均具有不同程度的信息增量。其中，预期季度EP因子的IC均值为0.0524，年化ICIR为3.39，剔除单季度EP、TF预期EP（见《如何改善一致预期》）因子后，年化ICIR在2以上，具有显著的增量信息。预期季度增速因子的IC均值为0.0288，年化ICIR为2.18，剔除单季度净利润同比增速因子后年化ICIR为1.81。季度业绩超预期因子的IC均值为0.0386，年化ICIR为3.81，剔除标准化预期外盈利（SUE）因子后年化ICIR为1.80。中性化季度业绩超预期因子IC均值为0.0377，年化ICIR为3.60，剔除标准化预期外盈利（SUE）因子后年化ICIR为1.69。
风险提示
模型基于历史数据，模型失效风险，因子失效风险，市场环境变动风险。
天风金工专题报告一览
多因子选股系列报告
向下滑动查看往期链接 ↓
《》2020-09-14
《》2020-09-02
《》2020-05-14
《》2020-04-13
《 市场微观结构探析系列之三：分时K线中的alpha 》2020-02-25
《 基于基因表达式规划的价量因子挖掘 》2020-02-20
《 基于投资者偏好的沪深300增强组合 》2019-12-06
《》2019-09-05
《 机构业绩增强2.0 》2019-07-04
《 和时间赛跑——利用实时财务信息增强组合收益 》2019-05-24
《 A股公司治理类因子解析 》2019-03-27
《 利用交易型alpha捕获低频模型短期收益 》2019-03-18
《 短周期视角下的指数增强策略 》2019-02-11
《 基于机构风格追随的业绩增强策略 》2018-10-11
《 基于预期业绩季度化分解的超预期30组合 》2018-09-07
《 基本面视角下的食品饮料行业选股研究 》2018-08-03
《 行业景气度量化前瞻系列之二：家电篇 》2018-07-24
《》2018-06-15
《 多因子模型的业绩归因评价体系 》2018-04-10
《 风险预算与组合优化 》2018-03-05
《》2018-02-05
《》2017-11-17
《 因子正交全攻略——理论、框架与实践 》2017-10-30
《基于动态风险控制的组合优化模型》2017-09-21
《》 2017-09-18
《》 2017-09-08
《MHKQ因子择时模型在A股中的应用》 2017-8-15
《专题报告二十三-自适应收益预测模型下的组合优化策略》 2017-08-24
《专题报告二十一-买卖压力失衡——利用高频数据拓展盘口数据》 2017-08-01
《专题报告十九-半衰IC加权在多因子选股中的应用》 2017-07-22
FOF系列报告
向下滑动查看往期链接 ↓
《 基金经理因子评价体系的构建与应用 》2019-12-25
《》2019-09-12
《创新基金研究系列之二：海外养老目标产品手册》 2019-01-15
《基金最新监测仓位创近两年新低!》 2019-1-7
《基金研究 ： 中国式目标日期基金设计攻略 》2018-06-19
《》2018-04-27
《》2018-03-22
《 金融工程：基于风格因子视角的FOF投资策略研究 》 2017-09-18
《金融工程：FOF专题研究（四）：景顺长城沪深300增强指数型基金》 2017-08-07
《金融工程：FOF 专题研究（三）：华泰柏瑞量化A偏股混合型基金》 2017-07-24
《金融工程：FOF专题研究（二）：国泰估值优势偏股混合型基金》 2017-07-17
《金融工程：FOF专题研究（一）：银华中小盘精选偏股混合型基金》 2017-07-06
资产配置系列报告
《 CTA思维下的资产配置方法 》2019-12-03
《 黄金如何择时？ 》2019-08-01
《如何抑制宏观信息“过拟合”？——宏观数据的去噪、降维及应用》2019-03-11
《资产轮动策略研究（一）：不一样的宏观动量视角》2018-06-05
风格与行业轮动 系列报告
向下滑动查看往期链接 ↓
《基于现金流与折现率的板块轮动策略》 2018-10-18
》2018-07-02
《 如何筛选行业轮动能力强的基金 》2018-05-08
《》2018-04-19
《》2018-02-05
事件驱动选股系列报告
向下滑动查看往期链接 ↓
金融工程：》 2018-01-22
《 金融工程：对比效应对超预期事件的增强策略 》2017-12-12
《 金融工程：胜率超40%的重组预测模型 》2017-11-28
《金融工程：专题报告-私募EB正股的投资机会》 2017-07-11
《金融工程：专题报告-戴维斯双击》 2017-06-12
《金融工程：专题报告-反转现象的选择性交易策略》 2017-06-01
《金融工程：专题报告-基于高管增持事件的投资策略》 2017-05-14
《金融工程：专题报告-2017年6月沪深重点指数样本股调整预测》 2017-05-06
《金融工程：专题报告-预知业绩能有多少超额收益？》 2017-04-16
《金融工程：专题报告-基于自适应破发回复的定增选股策略》 2017-03-09
《金融工程：专题报告-潜伏ST摘帽》 2017-03-06
《金融工程：专题报告-定增节点收益全解析》 2017-03-06
CTA系列报告
向下滑动查看往期链接 ↓
《 信号来源与交易合约选择下的商品期货横截面策略改进 》2020-03-26
《 基本面逻辑下的商品期货因子改进与策略组合 》2019-12-26
《 金融工程： 行业景气度量化前瞻系列之一：从消费行业开始（上） 》2018-05-12
《》2018-02-09
《》 2018-1-31
《》 2017-10-24
《金融工程：国债期货套期保值实证》 2017-09-04
《金融工程：专题报告-国债期货组合趋势策略：以损定量,顺势加仓》 2017-06-19
《金融工程：专题报告-国债期货展期价差交易》 2017-05-25
《金融工程：专题报告-策略的趋势过滤》 2017-03-22
《金融工程：专题报告-日间趋势策略初探》 2017-03-10
《金融工程：专题报告-量化CTA策略概述》 2017-02-14
风险提示：模型基于历史数据，模型失效风险，因子失效风险，市场环境变动风险。
《天风证券-金工专题报告： 如何获取季度盈利预测》
2020年10月13日
联系客服
