量化模型与构建方式 1. **模型名称：优选金股30组合** * **模型构建思路：** 基于券商金股的两个核心特征进行选股：一是新进推荐的金股（“新金股”）表现优于重复推荐的金股（“旧金股”）；二是在金股中，业绩超预期的个股表现更好，且该效应在新进金股中尤为显著[4][20]。模型旨在从每月的新进金股中，筛选出业绩超预期程度最高的个股构建投资组合[20]。 * **模型具体构建过程：** 1. **股票池划分：** 每月，将所有券商推荐的金股，根据其是否在上一个月也被推荐，划分为“新进金股”和“重复金股”两个子集[4][21]。 2. **目标股票池选择：** 确定每月的目标股票池为“新进金股”[20]。 3. **排序筛选：** 在目标股票池（新进金股）中，使用“业绩超预期指标（SUE）”对所有股票进行计算和排序[20]。 4. **组合构建：** 选取SUE指标排名前30的股票，构成“优选金股30组合”[20]。 5. **权重设置：** 组合内个股的权重，根据该股票当月被券商推荐的数量进行加权分配[20]。 量化因子与构建方式 1. **因子名称：业绩超预期指标（SUE）** * **因子构建思路：** 利用分析师的盈利预测数据，构建一个标准化指标来衡量公司实际发布的财报业绩相对于市场一致预期的超出程度，认为业绩超预期的股票未来会有更好的表现[26]。 * **因子具体构建过程：** 1. **数据准备：** 获取朝阳永续的分析师预期数据。将分析师对累计净利润的预测值，转化为对单季度的预测值[26]。 2. **计算超预期差值：** 将公司实际发布的单季度财报数据（$R_t$）与对应的分析师单季度预测均值（$E_t$）进行比较，计算差值[26]。 3. **标准化处理：** 对上述差值进行标准化，以消除量纲影响并提高横截面可比性。标准化的方法是除以该差值时间序列的标准差 $\sigma(R_t - E_t)$[26]。公式如下： $$S U E={\frac{R_{t}-E_{t}}{\sigma(R_{t}-E_{t})}}$$ 4. **信息融合与填充：** 综合业绩预告、业绩快报和定期报告的信息。在财报真空期，因子值采用前向填充的方式进行处理[26]。 * **因子评价：** 该因子在券商金股池中具有显著的选股能力，能够有效区分未来表现的好坏[4][27]。特别值得注意的是，其选股效果在“新进金股”中非常强，而在“重复金股”中相对较弱。报告认为可能的原因是重复金股关注度高，业绩超预期信息已被市场快速消化（price in），而对于关注度相对较低的新进金股，该信息仍有效[4][27]。 模型的回测效果 1. **优选金股30组合** * 年化收益率：23.1%[2][12][18] * 年化超额收益率（相对中证500）：21.0%[2][12] * 2025年超额收益率（相对中证500）：21.9%[2][12] 因子的回测效果 1. **新进金股（股票池）** * 年化收益率：13.6%[4][23][26] * 年化波动率：24.7%[26] * 收益波动比：0.55[26] * 最大回撤：38.5%[26] 2. **重复金股（股票池）** * 年化收益率：8.4%[4][23][26] * 年化波动率：23.9%[26] * 收益波动比：0.35[26] * 最大回撤：45.0%[26]