《因子选股系列研究之六十九》：机器增强一致预期

由kyrie_fu创建，最终由kyrie_fu更新于2021-11-22 10:54 被浏览 16 用户

研究结论

分析师盈利预测在海外和国内都存在明显乐观偏差，本报告将尝试用线性和非线性方法定量预测乐观偏差，并修正盈利预测以期获得更准确的预测结果

报告采用朝阳永续数据库，经筛选每年都有七、八万个样本数据，数据充足，适合机器学习模型使用；但随着最近几年新股数量的增多，研报对A股的覆盖率在下降，过去三个月内至少有一篇研报覆盖的股票目前只有一半左右

我们从研报、分析师、公司基本面、市场信息四个角度整理了27个变量用于预测分析师的乐观偏差；预测模型测试了线性的LASSO模型和非线性的GBRT模型，每个财年都用上一个财年的数据做训

从LASSO线性分析结果看，对乐观偏差影响最大的三个因素是：股票当前盈利能力、报告评级和其他分析师的盈利预测。分析师工作年限、覆盖股票数量、是否获奖对乐观偏差的影响很小

GBRT非线性分析结果和LASSO类似之处在于：股票当前盈利和其他分析师之前的盈利预测仍是影响乐观偏差最重要因素，但报告评级作用变得不明显；另外，公司在行业里的龙头地位和现金流对利息覆盖倍数在非线性模型中的作用得到明显提升。

在2010-2019的十年历史回溯实证中，除去2011和2015年，GBRT的样本外预测误差都显著低于LASSO模型。

基于GBRT预测乐观偏差，我们可以对分析师盈利预测做出修正，并按预测结果的可靠度对最近三个月的修正盈利预测进行加权得到新的一致预

和朝阳永续提供的一致预期数据对比，新方法盈利预测的准确性显著更高，提升主要来自于盈利预测乐观偏差的修正；但由于模型只能解释部分乐观偏差，因此这种修正只能部分剔除盈利预测的乐观性，修正后的盈利预测还是会有明显高估，但高估程度会明显降低。