量化模型与构建方式 1. 模型/因子名称：超预期公司判定模型 * 构建思路：通过分析师的研报标题来识别上市公司业绩是否“超预期”，该方法融合了客观盈余数据和主观调研信息，判定更为综合[10]。 * 具体构建过程： 1. 数据来源：上市公司披露一季报（或业绩预告）后，分析师发布的点评研报[10]。 2. 判定规则：扫描研报标题，若标题中出现“业绩”、“利润”、“营收”、“增长”、“超预期”、“好于预期”等关键词，则将该研报对应的公司判定为“超预期”样本[10]。 3. 样本筛选：仅考虑业绩（利润、营收）超预期，分红超预期等其他类型不纳入[10]。对于每个公司，只要在公告后至少有一篇符合上述条件的分析师研报，即被纳入超预期样本[10]。 2. 模型/因子名称：开盘跳空超额 (Alpha of Open Gap, AOG) * 构建思路：构建一个指标，以盈余公告次日开盘跳空超额收益来衡量市场对业绩公告的认可程度[25]。 * 具体构建过程： 1. 计算公式： $AOG_{t+1} = Open_{t+1}/Close_{t} - Open_{mkt,t+1}/Close_{mkt,t}$ 2. 公式说明： * AOG_{t+1}：股票在t+1日的开盘跳空超额收益。 * Open_{t+1}、Close_t：分别为股票在t+1日的开盘价和在t日的收盘价。 * Open_{mkt,t+1}、Close_{mkt,t}：分别为市场指数（报告中指中证500指数）在t+1日的开盘价和在t日的收盘价[25]。 3. 计算步骤：用股票在盈余公告次日的开盘收益率（次日开盘价/前日收盘价）减去市场指数同期的开盘收益率，得到开盘跳空幅度指标[25]。 3. 模型/因子名称：超预期公司优选模型 * 构建思路：在识别出超预期公司的基础上，结合财务增长、市场即时反应和股价位置等多维度条件，进一步筛选出更具投资吸引力的超预期公司[36]。 * 具体构建过程：设定以下四个筛选条件，对超预期样本公司进行层层过滤[36][37]： 1. 分析师确认：至少有一篇分析师研报标题点评“超预期”[37]。 2. 业绩高增长：一季报净利润同比增速大于50%，且去年同期净利润大于5000万元[37]。 3. 市场认可度高：财报第二天开盘相对中证500指数的跳空幅度（即AOG指标）大于2%[37]。 4. 股价位置佳：当前股价距离52周最高价的跌幅小于10%（即52周最高价距离小于10%）[37]。 模型的回测效果 注：本报告未提供模型在历史数据上系统性的回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示了基于2026年一季报数据，应用上述模型/规则得到的横截面统计结果和筛选列表。 量化因子与构建方式 1. 因子名称：超预期公司占比因子 * 构建思路：计算特定群体（如指数、行业、板块）内，被判定为超预期的公司数量占比，以衡量该群体的业绩超预期集中度[25]。 * 具体构建过程： 1. 定义有效样本：为避免分析师覆盖度差异的影响，将过去半年内至少有一篇研报覆盖的公司定义为“有分析师覆盖的样本”[25]。 2. 计算公式： 超预期公司占比 = 超预期公司数量 / 分析师覆盖公司数量[25]。 3. 应用：分别计算不同指数（沪深300、中证500等）、板块、中信一级行业、热点概念及ETF标的指数内的超预期公司占比[25][26][28][30][31]。 因子的回测效果 注：本报告未提供上述因子在选股或预测方面的历史IC、IR等量化回测指标。报告主要展示了该因子在2026年一季报数据上的横截面统计值。 1. 超预期公司占比因子，在沪深300指数成分股中取值为21.36%[26]；在中证500指数成分股中取值为14.13%[26]；在中证1000指数成分股中取值为7.06%[26]；在大金融板块中取值为18.75%[26]。