开源量化评论（99）：深度学习赋能分析师行为：更稳的盈利预期调整组合

金融工程专题 2024年08月08日 深度学习赋能分析师行为：更稳的盈利预期调整组合 金融工程研究团队 ——开源量化评论（99） 魏建榕（首席分析师） 魏建榕（分析师）盛少成（分析师） 证书编号：S0790519120001 张翔（分析师） weijianrong@kysec.cn 证书编号：S0790519120001 shengshaocheng@kysec.cn 证书编号：S0790523060003 证书编号：S0790520110001 傅开波（分析师） 证书编号：S0790520090003 高鹏（分析师） 证书编号：S0790520090002 苏俊豪（分析师） 证书编号：S0790522020001 胡亮勇（分析师） 证书编号：S0790522030001 王志豪（分析师） 证书编号：S0790522070003 盛少成（分析师） 证书编号：S0790523060003 苏良（分析师） 证书编号：S0790523060004 何申昊（研究员） 证书编号：S0790122080094 陈威（研究员） 证书编号：S0790123070027 蒋韬（研究员） 证书编号：S0790123070037 盈利预期调整优选组合回顾 基于时间和股价跟随性加权的𝐹𝑌𝑅_𝐷𝐼𝑆𝑃𝑠𝑡𝑟𝑒𝑛𝑔𝑡ℎ，我们构建了盈利预期调整优选组合，表现非常优异，绝对年化收益为27.7%，相对中证500年化收益为22.9%，从2012年至今所有年份皆录得了正超额。就具体的年份来看，表现相对较差的 为2022年和2023年，分别录得了7.58%和3.33%的超额。 深度学习赋能：研报文本情感判断 对于分析师情绪衡量，研报文本和数值层面的表达有时会存在偏差，所以文本情绪变动因子为重要的alpha补充。本篇报告基于三大模型：KY-Bert、KY-Llama3、KY-CH进行文本情绪的判定。KY-Bert是在已有的金融新闻分类Bert基础上，结合数库的A股新闻文本微调而得，KY-Llama3是在Llama3-Chinese-8bit基础上，使用数库A股新闻文本数据并结合LoRA方法进行微调而得，KY-CH是基于金融情感词典和jieba分词进行的计数方法。 对于三大模型而言,有如下区别：（1）就研报的情感预测比例而言，KY-CH给出的正面比例最多，说明词汇计数模型较为简单，不能够达到理解上下文的作用，从而在正面词汇和负面词汇天然不对等的分析师报告中，更加倾向于给出正面的判断；（2）就情感预测相同比例而言，三个模型相互之间都有80%以上，并没有某一个模型偏差较大；（3）就因子相关性而言，三者皆有60%的相关性，同为大模型生成的KY-Bert_ASC和KY-Llama3-ASC相关性略高，达到67.89%； （4）就因子绩效而言，KY-Llama3-ASC相对最好，KY-CH-ASC相对最差。 进一步的，我们将KY-Bert-ASC、KY-Llama3-ASC、KY-CH-ASC三者等权合成，从2020年6月至2024年6月，最终合成因子KY-Combine-ASC10分组多空对冲年化收益为11.17%、收益波动比为2.33、最大回撤为1.85%，月度胜率为70.83%。最终合成因子效果相较于任何单一模型因子而言，绩效都有所提升。 改进盈利预期调整优选组合：考虑研报文本 在第一部分，我们回顾了数值预期调整因子𝐹𝑌𝑅_𝐷𝐼𝑆𝑃𝑠𝑡𝑟𝑒𝑛𝑔𝑡ℎ，在第二部分，我们结合三大模型并给出了分析师文本情绪调整因子KY-Combine-ASC。经过测算 相关研究报告 发现：二者的相关性仅20.63%，KY-Combine-ASC的因子稳定性更高，主要的 原因有两点：1、文本的表述有时和数值存在些许差异；2、情感变化因子 KY-Combine-AS更重视边际的变化。考虑研报文本改进的思路为：在最终使用 《业绩超预期Plus组合的构建—开源 量化评论（25）》-2021.7.7 《盈利预期调整优选组合的构建—开源量化评论（60）》-2022.8.6 《业绩超预期Plus组合2.0：基于预期调整的修正—开源量化评论（72）》 -2023.3.3 𝑭𝒀𝑹_𝑫𝑰𝑺𝑷𝒔𝒕𝒓𝒆𝒏𝒈𝒕�选择30只股票之前，还需考虑研报文本情绪变动，如果该股票不位于因子KY-Combine-AS前1/3分位，则不予选择。改进后整体稳定性明显提升，对冲中证500的信息比率从1.44提升至2.41。 其他重要讨论 研报文本情绪变动因子还可以改进行业轮动，相较于只使用数值预期调整，考虑研报文本后，三分组多头超额IR从0.51提升至1.22。 风险提示：本报告模型基于历史数据测算，市场未来可能发生重大改变。 金融工程研究 金融工程专题 开源证券 证券研究报 告 目录 1、盈利预期调整优选组合回顾4 1.1、盈利预期调整因子𝑭𝒀𝑹_𝑫𝑰𝑺𝑷𝒔𝒕𝒓𝒆𝒏𝒈𝒕�回顾4 1.2、盈利预期调整优选组合构建流程及绩效回顾5 2、深度学习赋能：研报文本情感判断7 2.1、模型一：KY-Bert8 2.1.1、KY-Bert的构建及研报情感判断8 2.1.2、KY-Bert研报文本情感变动因子构建9 2.1.3、KY-Bert与HW-Bert模型的对比11 2.2、模型二：KY-Llama311 2.2.1、LoRA微调过程简示11 2.2.2、KY-Llama3研报文本情感变动因子12 2.3、模型三：KY-CH12 2.4、三大模型的对比分析13 2.4.1、三大模型情感预测比例及因子效果对比13 2.4.2、三大模型因子合成14 3、改进盈利预期调整优选组合：考虑研报文本14 3.1、研报文本情绪变动因子和数值预期调整因子对比14 3.2、考虑研报文本情绪变动后，盈利预期调整优选组合稳定性提高15 4、其他重要讨论16 4.1、研报文本研究其他方法：关键词筛选16 4.2、改进行业预期调整因子：考虑研报文本17 5、风险提示17 图表目录 图1：相较于𝑭𝒀𝑹_𝑫𝑰𝑺𝑷，𝑭𝒀𝑹_𝑫𝑰𝑺𝑷𝒔𝒕𝒓𝒆𝒏𝒈𝒕�多空对冲信息比率从1.9提升至2.54 图2：2020年6月以来，相较于𝑭𝒀𝑹_𝑫𝑰𝑺𝑷，𝑭𝒀𝑹_𝑫𝑰𝑺𝑷𝒔𝒕𝒓𝒆𝒏𝒈𝒕�多空净值依旧更稳5 图3：盈利预期调整优选组合净值表现优异6 图4：对于分析师情绪衡量，研报文本和数值层面表达有时存在偏差7 图5：HW-Bert模型简易结构图8 图6：数库新闻文本数据样例展示9 图7：KY-Bert-ASC因子10分组多空对冲收益波动比为1.9810 图8：股价跟随性相较于等权稳定性明显增加10 图9：KY-Bert-ASC因子的10分组多空对冲IR高于HW-Bert-ASC11 图10：LoRA微调原理简示11 图11：KY-Llama3-ASC的10分组多空对冲收益波动比为2.0212 图12：KY-Llama3-ASC的10分组多空对冲收益波动比为1.7813 图13：KY-Llama3-AS的10分组回测效果13 图14：最终合成因子效果相较于任何单一模型因子而言，绩效都有所提升14 图15：KY-Combine-AS因子10分组多空对冲IR更高，达到了2.3315 图16：全区间来看，改进后的组合净值更加稳定15 图17：全区间来看，改进后的组合收益波动比更高16 图18：关键词：业绩超预期和业绩不及预期的净值对比16 图19：考虑研报文本，改进的行业预期调整因子3分组多头超额从0.51提升至1.2217 表1：对𝑭𝒀𝑹_𝑫𝑰𝑺�采取不同加权方式下的绩效对比：𝑭𝒀𝑹_𝑫𝑰𝑺𝑷𝒔𝒕𝒓𝒆𝒏𝒈𝒕�绩效更优异4 表2：2020年6月以来，时间和股价跟随性加权对于𝑭𝒀𝑹_𝑫𝑰𝑺�依旧有改进5 表3：盈利预期调整优选组合构建流程5 表4：盈利预期调整优选组合绩效表现优异，所有年份皆录得正超额，2022和2023年略差6 表5：KY-Bert研报文本情感变动因子RankICIR：不考虑标题、使用概率、股价跟随性加权下的表现最好10 表6：考虑研报文本，改进的行业预期调整因子3分组绩效表现优异17 对于分析师行为alpha，我们在《盈利预期调整优选组合的构建》中进行了详细的分析，其中亮点有三：1、深入讨论标准化方法对因子效果的影响；2、创新性地提出“股价跟随性”的分析师加权方式；3、构建特色因子：分析师关联动量、分析师羊群效应等。最终构建的盈利预期调整优选组合表现优异，尤其是2024年以来，对冲中证500超额约18%。本篇报告将从“研报文本”继续深挖分析师行为中的alpha，探讨与数值预期调整的异同，以及是否有些许增量。 1、盈利预期调整优选组合回顾 1.1、盈利预期调整因子𝑭𝒀𝑹_𝑫𝑰𝑺𝑷𝒔𝒕𝒓𝒆𝒏𝒈𝒕�回顾 （1）对于数值预期调整而言，由于不同股票存在一定量级差别，在生成因子时需要进行标准化。在《盈利预期调整优选组合的构建》中，对于分析师A关于股票B的预期调整幅度计算，我们讨论了三种标准化方式：1、上一期的盈利预测数值；2、盈利预测数值历史时序标准差；3、该股票所有分析师盈利预测的截面标准差。其中采取第三种的标准化方式定义的𝐹𝑌𝑅_𝐷𝐼𝑆�绩效更加优异，具体测算结果可见原始报告。 （2）除此之外，我们发现对分析师进行时间和股价跟随性加权后，可以进一步提升𝐹𝑌𝑅_𝐷𝐼𝑆�的绩效，𝐹𝑌𝑅_𝐷𝐼𝑆𝑃𝑠𝑡𝑟𝑒𝑛𝑔𝑡ℎ是综合考虑时间和股价跟随性加权后的因子，绩效对比如表1所示： 表1：对𝑭𝒀𝑹_𝑫𝑰𝑺�采取不同加权方式下的绩效对比：𝑭𝒀𝑹_𝑫𝑰𝑺𝑷𝒔𝒕𝒓𝒆𝒏𝒈𝒕�绩效更优异 因子名称 RankICIR 多空年化收益 多空信息比率 多空最大回撤 多空月度胜率 𝐹𝑌𝑅_𝐷𝐼𝑆� 2.00 16.77% 1.90 16.68% 74.05% 时间加权 2.26 17.97% 2.31 15.09% 78.92% 股价跟随性加权 2.27 17.05% 2.21 14.84% 77.84% 𝐹𝑌𝑅_𝐷𝐼𝑆𝑃𝑠𝑡𝑟𝑒𝑛𝑔𝑡ℎ 2.54 17.44% 2.53 11.36% 83.24% 数据来源：Wind、朝阳永续、开源证券研究所（回测区间：20090101-20240630） （3）对于𝐹𝑌𝑅_𝐷𝐼𝑆�和𝐹𝑌𝑅_𝐷𝐼𝑆𝑃𝑠𝑡𝑟𝑒𝑛𝑔𝑡ℎ而言，二者10分组多空对冲的净值曲 线如图1所示。从图中可以明显的看出：改进后的𝐹𝑌𝑅_𝐷𝐼𝑆𝑃𝑠𝑡𝑟𝑒𝑛𝑔𝑡ℎ整体回撤和波动减小较多，更加稳定。 图1：相较于𝑭𝒀𝑹_𝑫𝑰𝑺𝑷，𝑭𝒀𝑹_𝑫𝑰𝑺𝑷𝒔𝒕𝒓𝒆𝒏𝒈𝒕�多空对冲信息比率从1.9提升至2.5 数据来源：Wind、朝阳永续、开源证券研究所 （4）但是进一步对比我们发现：在2020年6月份之后，𝐹𝑌𝑅_𝐷𝐼𝑆𝑃𝑠𝑡𝑟𝑒𝑛𝑔𝑡ℎ的十 分组多空对冲波动也明显加大。为了验证加权方式在2020年6月份之后的适用性， 我们将这一时间区间单独做了测算，结果如表2和图2所示。从中我们可以看出加权方式在这一段区间也依旧有效，𝐹𝑌𝑅_𝐷𝐼𝑆𝑃𝑠𝑡𝑟𝑒𝑛𝑔𝑡ℎ回撤和波动有所减小。就 𝐹𝑌𝑅_𝐷𝐼𝑆𝑃𝑠𝑡𝑟𝑒𝑛𝑔𝑡ℎ而言，其表现在2022-2023年沉寂了较长时间后，2024年以来表现尤其亮眼。 表2：2020年6月以来，时间和股价跟随性加权对于𝑭𝒀𝑹_𝑫𝑰𝑺�依旧有改进 因子名称 RankICIR 多空年化收益 多空信息比率 多空最大回撤 多空月度胜率