平安银行(SZ:000001) 招商证券·2026-05-18 13:28量化模型与构建方式 1. 模型名称：分析师预期模型[1][18][20] * 模型构建思路：利用专业分析师对公司未来业绩的主观判断与深度研究，将分析师对公司的年度净利润一致预期转化为季度预期[20][30][32]。 * 模型具体构建过程： 1. 获取分析师对目标公司未来一年（FY1）的一致预期净利润（NET_PROFIT）及同比增速预期（YOY）[30]。 2. 获取目标公司去年同期（LY）的单季度实际净利润[32]。 3. 计算季度分析师业绩预期值。公式为：季度分析师业绩预期 = 公司去年同期净利润 × (1 + 分析师YOY预期)（当去年同期净利润为正时）[32]。 * 模型评价：融入了专业分析师的深度研判，更新频率高，对业绩拐点等非平稳场景适应性较强；但普遍存在乐观偏差，覆盖度有限（当前A股约54%），且年度预测颗粒度较粗[20][26][35]。 2. 模型名称：简单预期模型[1][23][48] * 模型构建思路：基于公司自身历史业绩的同比增长趋势，对下一期业绩进行外推预测，计算简单直接[23][48]。 * 模型具体构建过程： 1. 获取目标公司去年同期（LY）的单季度实际净利润[48]。 2. 计算目标公司过去N个季度（报告中为8个季度）净利润的平均同比增长额[48]。 3. 计算季度简单业绩预期值。公式为：季度简单业绩预期 = 公司去年同期净利润 + 过去N个季度净利润平均同比增长额[48][49]。 3. 模型名称：横截面预期模型[1][21][58] * 模型构建思路：在每期截面上，利用全市场公司的多维度特征（如行情、财务指标）与下一期净利润的关系进行回归建模，预测单个公司的未来业绩[21][58][59]。 * 模型具体构建过程： 1. 确定预测目标与自变量：预测目标为下一报告期单季度净利润（NI_q^MRQ）。选取9个核心自变量，包括：公告日前公司相对行业超额收益（ER_t）、公告日前市值对数（MV_t）、上一季度总资产（TA_lq）、过去12个月现金分红总额（TD_t^TM）、去年同期单季度净利润（NI_ly^MRQ）、去年同期单季度净利润与负净利润哑变量的交叉项（NI_ly^MRQ * NegNI_ly^MRQ）、上季度单季度净利润（NI_lq^MRQ）、上季度净利润同比变化值（NI_Chg_lq^MRQ）、应计盈余偏差（ACC_lq^TM）[59][60][61]。 2. 构建回归方程： 其中，NI_q^MRQ为被预测的下一报告期单季度净利润，其余为自变量[60]。 3. 分季度回归与参数估计：对不同季度（Q1, Q2, Q3, Q4）分别进行截面回归。采用Huber稳健回归方法以降低异常值影响[61][67][68]。参考Fama-Macbeth方法，先进行截面回归，再在时序上对回归系数取均值[61]。 4. 进行预测：对于待预测季度（如2024Q3），首先计算其9个自变量数据；然后取过去三年同季度的Huber回归参数的平均值；最后将自变量数据与平均回归参数代入方程，计算得到横截面模型预期值[64][65]。 模型的回测效果 1. 分析师预期模型，平均绝对误差5.63[38]，平均相对市值误差103[38]，分季度平均相对市值误差：Q1为100.23，Q2为100.14，Q3为91.88，Q4为178.91[40][56] 2. 简单预期模型，平均绝对误差5.55[52]，平均相对市值误差78[52]，分季度平均相对市值误差：Q1为59.98，Q2为73.57，Q3为71.67，Q4为112.11[56] 3. 横截面预期模型，平均绝对误差3.2[69]，平均相对市值误差59[69]，分季度平均相对市值误差：Q1为54.12，Q2为51.60，Q3为49.30，Q4为83.62[72] 量化因子与构建方式 1. 因子名称：基于简单预期模型的超预期因子[1][27][98] * 因子构建思路：基于简单预期模型计算的季度净利润预测值，构建衡量实际业绩超出预测程度的因子[82][98]。 * 因子具体构建过程：在每季度业绩公告后，计算因子值。公式为：超预期因子 = (季度净利润实际值 - 季度净利润预测值) / 公告前一日公司市值。其中，季度净利润预测值来自简单预期模型[82][98]。 2. 因子名称：基于分析师预期模型的超预期因子[1][28][98] * 因子构建思路：基于分析师预期模型计算的季度净利润预测值，构建衡量实际业绩超出预测程度的因子[82][98]。 * 因子具体构建过程：在每季度业绩公告后，计算因子值。公式为：超预期因子 = (季度净利润实际值 - 季度净利润预测值) / 公告前一日公司市值。其中，季度净利润预测值来自分析师预期模型[82][98]。 3. 因子名称：基于横截面预期模型的超预期因子[1][29][98] * 因子构建思路：基于横截面预期模型计算的季度净利润预测值，构建衡量实际业绩超出预测程度的因子[82][98]。 * 因子具体构建过程：在每季度业绩公告后，计算因子值。公式为：超预期因子 = (季度净利润实际值 - 季度净利润预测值) / 公告前一日公司市值。其中，季度净利润预测值来自横截面预期模型[82][98]。 因子的回测效果 （回测区间：2015年1月至2026年2月，月度调仓，市值行业中性化[98]） 1. 基于简单预期模型的超预期因子，Rank IC均值2.27%[99]，胜率71.43%[99]，IC IR 1.84[99]，t统计量6.11[99]，多头年化超额收益5.89%[99]，多空年化收益10.27%[99] 2. 基于分析师预期模型的超预期因子，Rank IC均值2.33%[103]，胜率69.92%[103]，IC IR 1.43[103]，t统计量4.77[103]，多头年化超额收益8.19%[103]，多空年化收益11.50%[103] 3. 基于横截面预期模型的超预期因子，Rank IC均值3.46%[107]，胜率75.94%[107]，IC IR 2.30[107]，t统计量7.65[107]，多头年化超额收益9.3%[107]，多空年化收益14.60%[107]