2025年因子选股系列之盈余公告异象类因子改进与挖掘

一、研究动机

在前期研究中，我们构建的 AI 深度学习因子展现出显著优势，例如《DFQ-FactorVAE-pro：加入 特征选择与环境变量模块的 FactorVAE 模型》（20250218），《ADWM：基于门控机制的自适 应动态因子加权模型》（20250409），基于海量样本的非线性收益预测模型具备超强拟合能力， 而传统人工构建的时序统计类因子往往难以匹敌。然而，当前因子挖掘面临两大瓶颈：一是挖掘 的新因子虽单独有效，但在多因子组合中易受相关性衰减影响，边际效用递减明显；二是深度学 习在小样本事件（如低频的盈余公告）中难以发挥优势，人工因子挖掘更具优势。 下表我们将现有的因子构造体系做了一个梳理。日频量价类因子挖掘是边际效用衰减最快的类型， 尤其是在各种深度学习模型的应用之后，人工因子相对于这些模型的增量非常小。而基本面类财 务因子本质是盈余公告事件型的因子，并且我们之前的研究《基本面因子的重构》（20240321） 和《相对定价类基本面因子挖掘》（20241011）中都做了一些基本面因子挖掘的研究。分析师类 因子的研究覆盖同样已经较为充分。 从当前的研究覆盖来看，盈余公告窗口附近的量价类因子的研究较少。而且这些事件是一些小样 本事件，很难用复杂的深度学习模型去拟合，基于此，我们聚焦盈余公告事件窗口，探索未被充 分开发的低相关量价因子空间，其稀缺性体现在：1）公告信息释放引发的价格漂移现象具有独 特信息含量；2）事件驱动型量价因子与日频量价和基本面因子相关性低。

盈余公告窗口附近量价因子典型的代表是 PEAD（盈余公告后价格漂移）类因子。自从 1967 年 芝加哥大学的 Ray Ball 教授和 Philip Brown 教授在“Analysis of Security Prices”研讨会上首先 提出 PEAD（盈余公告后价格漂移）效应后 [Ball@1967]，预期外盈利异象受到了 50 多年的广泛 关注，并且在各个股票市场及长时间尺度上被验证一直持续有效。 我们认为在 A 股市场，不仅盈余公告后会产生价格漂移现象，在盈余公告前同样也会存在价格漂 移现象。在上市公司披露盈余公告前，长期投资型知情交易者可能会持续托举股价，而短线知情 交易者可能会提前介入大幅拉升股价；披露盈余公告当天，事件驱动型交易者可能会追逐基本面 变化带来的超预期的交易机会；在披露公告当天日内及之后，趋势跟踪交易者可能追逐趋势而持 续买入。 这些交易行为不仅仅发生在盈余公告后，也会在盈余公告前体现，并且都会在价和量上产生交易 的痕迹，因此围绕盈余公告我们可以尝试依靠这些投资者的价量特征来挖掘一系列的量价异动型 因子。

二、AOG 因子构建的缺陷与改进

从上文AOG因子的构建方式和表现可以看到，该因子的构造过程存在两个明显可以改进的地方。 一个是跨日的时序可比性问题，一个是知情交易者在盈余公告前后提前透支业绩的知情交易者干 扰的问题。

2.1 时序可比性

不同上市公司披露盈余公告往往并不在同一个交易日，虽然我们在构建AOG因子时扣除了披露当 天市场指数同期收益降低了不同日期市场的系统性影响，但是如果市场指数的开盘收益本身在时 序上不是一个随机扰动，那这样的处理方式可能引入了一些 bias。可以看 到：

4 月初到 4 月末，中证全指有持续性低开的趋势，在 4 月中下旬披露的盈余公告可能享受到 市场的低开从而拉高因子取值的排序。指数持续低开的原因我们认为是 4 月底大量业绩不及 预期的公司披露财报，造成股价低开，从而导致了指数的低开。

4 月下旬全市场股票截面开盘收益分化度持续拉高，不同天的收益大小可比性变差。分化度 持续增大的原因也是类似，4 月底部分公司业绩超预期股价高开而部分公司业绩低于预期股 价低开，因此收益分化相比于其他时间段分化更剧烈。

2.2 知情交易者干扰

有些公司在盈余公告披露前会有知情交易者提前埋伏拉升，进而透支未来潜在收益；同行业龙头 公司披露公告也可能导致市场已经在交易该公司，导致同步高开进而提早透支收益。因此我们认 为单纯观察盈余公告当天的高开并不能充分说明其超预期的程度，而要结合公告前的高开幅度作 为其“真实预期”。

以公告前 AOG_RANK 的最大值作为参考的预期值，可以改善业绩超预期类因子的表现。而最大 值只是一种特殊的统计量，我们可以做更详细的统计，例如公告前的最小值、20%分位点、40% 分位点、60%分位点、80%分位点、最大值的统计表现。下表展示了这些统计量构建的因子的表 现情况。

可以看到随着统计量从最小值到最大值，因子的选股能力从“动量到反转”呈现单调下滑的趋势， 最小值及 20%-40%分位点都体现出显著的动量效应。我们认为其反映了盈利质量的下限，即盈利 的“凸性”。最小值是指公告前 20 个交易日隔夜收益截面排序的下限，其反映了公司股价最差的 低开幅度，下限越高说明公司的盈利质量越够硬，其未来收益越好。我们并不推荐用最小值作为因子，因为其分组收益单调性并不好，第 9-10 组的超额弱于 7-8 组， 原因在于最小值是过去 20 个交易日最差一天的开盘截面 rank，极容易收到异常交易的干扰从而 导致因子取值的波动。我们建议用抗异常值的版本，即 20%分位点作为该因子，其分组收益单调 性也更好。

为了观察构建的因子是否相对于现有多因子体系有增量，我们将 AOG_RANK_DEMAX_20d、 AOG_RANK_PRE_QUANTILE_20_20d 加入现有指增模型（共 79 个因子，其中包含 60 个基本 面因子，18 个人工量价，1 个深度学习量价因子）中进行前后对比，因子复合我们仍然沿用对称 正交后滚动一年 ICIR 加权的方式进行线性复合，这两个因子的权重占比在 1%左右。

三、盈余公告异象类衍生因子挖掘

前文中我们针对 AOG 因子的问题进行了调整并构建了两个新的因子，AOG_RANK_DEMAX 和 AOG_RANK_QUANTILE 因子，分别代表了业绩超预期和盈利质量两个风格。这一节我们设想上 述因子构建过程本质上是盈余公告事件上的针对开盘跳空幅度的价量特征的两个算子。

3.1 盈余公告最低价涨幅跳空因子

我们首先将前文中的开盘涨跌幅替换为最低价涨跌幅 AOG_LOW，并复用其分别构建 DEMAX 和 QUANTILE 两个因子。改造后的 DEMAX 和 QUANTILE 因子的十分组超额均值及 IC 表现如下所 示，可以看到这两个因子都具有较为单调的选股能力。

3.2 盈余公告早盘大单资金流入因子

我们进一步将前文中的开盘涨跌幅替换为盈余公告次日早盘 10 点前主力净流入金额/流通市值占 比 OPEN_MONEYFLOW_PCT_VALUE_L，并复用其分别构建 DEMAX 和 QUANTILE 两个因子。改造后的 DEMAX 和 QUANTILE 因子的十分组超额均值及 IC 表现如下所示，可以看到这两个因 子同样都具有单调的选股能力。

3.3 事件驱动因子挖掘框架总结

以上的因子虽然输入的都是价量特征，但是经过事件上的算子改造后因子的更新频率很慢从而衰 减速度很慢，其和传统的日频量价类因子低相关，同时又和基本面因子低相关，因此复用这套结 构可以很容易构造出一批和现有因子低相关的因子加入因子库中。 从以上两个特征构造的新因子可以看到，复用这套因子结构可以衍生出一些新的具有显著选股能 力的因子，但是这个结构并不是任意的日度量价特征都可以构建出显著选股能力因子。可以看到 这两个特征和原始的开盘跳空幅度都具有共性，一个是都偏动量特征，另一个维度是基本都接近 事件发生当时或相近时的特征。我们也测试了一些偏全天统计量的特征例如 5 分钟 k 线收益率的 均值、标准差、偏度、峰度等指标，代入并不能构造出显著的选股因子，其本质是因为我们这套 框架的底层是事件驱动的框架，只有在交易事件本身的动量才符合这个大逻辑，而全天的统计量 更多包含的是日内的博弈信息，更偏反转特征，因此复用这个结构并不能构造出显著的选股因子。 如果我们沿着这个思路出发，构建更多的盈余公告次日的早盘类因子，例如集合竞价、早盘 15 分 钟等时间的量价特征，可能可以构造出更多的有效因子。

四、总结

研究动机

在前期研究中，我们构建的 AI 深度学习因子展现出显著优势——基于海量样本的非线性收益预测 模型具备超强拟合能力，而传统人工构建的时序统计类因子往往难以匹敌。然而，当前因子挖掘 面临两大瓶颈：一是挖掘的新因子虽单独有效，但在多因子组合中易受相关性衰减影响，边际效 用递减明显；二是深度学习在小样本事件（如低频的盈余公告）中难以发挥优势，人工因子挖掘 更具优势。 基于此，我们聚焦盈余公告事件窗口，探索未被充分开发的低相关量价因子空间，其稀缺性体现 在：1）公告信息释放引发的价格漂移现象具有独特信息含量；2）事件驱动型量价因子与日频量 价和基本面因子相关性低。

AOG 因子的缺陷及改进

盈余公告窗口附近量价因子典型的代表是盈余公告次日开盘跳空超额 AOG 因子。AOG 因子 2021 年 10 月以来大部分时间十分组的多头组超额收益走平，而其他几组并没有失效，只是其多头组由 于超预期的投资模式被大量投资者熟悉后导致在公告前后过度透支业绩从而在公告后没有超额收 益。我们围绕AOG因子构建过程中的两个问题进行改进，一个是跨日的时序可比性问题，一个是 知情交易者在盈余公告前后提前透支业绩的知情交易者干扰的问题。 改进后得到两个因子，一个是以公告前最大开盘跳空幅度为“真实预期”进行环比操作的 DEMAX 超预期因子，一个是取公告前开盘跳空的“盈利质量下限”而构造的 QUANTILE 盈利质 量因子，都具有稳健的选股能力而且近 3 年的超额收益比历史上更显著，加入现有的多因子体系 也能带来超额的提升。

盈余公告异象类衍生因子挖掘

我们将上述因子改进过程抽象为盈余公告事件上的价量特征的因子挖掘框架。复用因子结构加入 其他价量特征，例如盈余公告次日最低价涨跌幅、盈余公告次日早盘大单资金净流入占比特征， 都能衍生出一批显著的选股因子。这些因子和传统的日频量价类因子低相关，同时又和基本面因 子低相关，因此复用这套结构可以很容易构造出一批和现有因子低相关的因子加入因子库中。

编辑：火腿肠