我做了快十年量化从最开始只看价格和成交量到后来把财务数据、分析师预期、另类数据全塞进因子库有一个体会特别深市场真正稳定派发超额收益的时刻往往不是那些持续交易的瞬间而是信息结构被打破的那几天。财报公布、分析师上调下调目标价、行业政策落地这些事件本身不稀奇稀奇的是市场对它们的反应总是慢半拍而且这种“慢”居然有规律可循。今天想跟你把“事件驱动因子”里最经典、也最经得起实盘检验的两个分支彻底拆开聊清楚——一个是财报公布后的价格漂移也就是学术圈常说的 PEADPost-Earnings Announcement Drift另一个是分析师一致预期修正英文常叫 Analyst Revision Factor。这两个东西不是同一个策略但抓的都是同一类市场异象信息消化不充分。如果你刚接触因子挖掘可能会觉得“财报超预期就买入不及预期就卖出”这算什么门道。但真把它做成一个可回测、可跟踪、可归因的量化因子中间有大量细节预期怎么定义、窗口期怎么切、怎么过滤掉财报里的噪音、怎么跟个股动量区分开、分析师预期数据怎么清洗每步都能决定因子是赚钱还是贡献一堆无效换手。这篇博文按我实际搭建因子库的流程来讲不绕弯子直接给可以落地的方案。1. 内容整体设计与思路拆解1.1 我们到底在赚什么钱市场对“新信息”的定价延迟先说一个底层事实有效市场假说认为价格会瞬间反映所有公开信息但实证和实盘都反复证明市场对财报这种信息量大、需要复杂解读的公告定价速度远没有理论假设的那么快。财报公布后如果实际净利润显著超出分析师预期股价并不会在当天一步涨到位而是在未来二十到六十个交易日内持续向上漂移反之不及预期的股票会持续阴跌。这就是 PEAD被 Ball 和 Brown 在 1968 年首次系统记录然后 1970 年代被 Bernard 和 Thomas 进一步实证直到今天在美股和 A 股仍然显著存在。为什么会漂移学术界给过很多解释但站在做因子的角度我更喜欢把它理解成三股力量叠加注意力有限财报季每天几百家公司集中披露买方研究员不可能同时覆盖所有标的超预期的小市值公司尤其容易被忽略价格修正只能靠时间慢慢完成。保守偏误个人投资者和部分机构投资者对“一次性利好”天然打折扣盈利上调后仍然怀疑其可持续性导致当期价格反应不足。持仓惯性很多长线资金有固定的调仓节奏财报后不会立即调整组合而是在下一次再平衡窗口才行动。理解了这层就明白这个因子本质上是吃信息效率差的钱而不是吃某家公司基本面的钱。比如 2023 年 A 股某消费电子公司中报大超预期公布次日只涨了 2 个点但随后 30 个交易日累计跑了十几个点你要是只看单日涨幅根本抓不到后面的主升段。1.2 为什么把“预期修正”和“财报漂移”放在一起先澄清概念PEAD 是用“财报数字 vs. 分析师预期”的差值来预测未来收益而分析师预期修正因子是用“分析师群体对未来 EPS 预测的变化”来预测收益。二者的数据源不同、触发时点不同、持有逻辑也不同。PEAD 是月度低频事件一年四次A 股加季报预告会多一些每次财报季是一波集中的信号释放。预期修正是连续发生的事件分析师随时可能调整预测因子信号频率更高更像一个基本面版的“动量”指标。但把这两个放在一起做组合因子逻辑上是通的财报超预期往往伴随分析师上调盈利预测而上调预测又会引导后续资金持续买入于是“财报漂移”和“预期修正”形成了一个自我强化的链条。实际中高分位组合经常同时满足“SUE 高 分析师预测上调”它们互为验证。实操上我一般会先分别构造两个子因子再做等权或基于 ICIR 加权的合并而不是把原始变量直接堆在一起回归。原因后面细说这里先说结论分开构造再合成归因更干净调参也更直观。2. 核心细节解析与实操要点2.1 财报漂移的核心变量SUE 与标准化预期外盈余构造 PEAD 因子第一步是把“超预期”量化出来。直接拿“实际净利润 - 去年同期净利润”是错的因为季节性、股本变化、行业周期都会干扰。业界最常用的指标有两个SUEStandardized Unexpected Earnings定义是实际盈余与预期盈余之差再用历史波动率标准化。公式如下SUE_t (X_t - E[X_t]) / σ(X_t - E[X_t])其中 X_t 可以是单季净利润也可以是单季 EPSE[X_t] 的估计方法有三种常用度从高到低排序时间序列模型用过去 8 个季度或 12 个季度做随机游走带漂移预测。这是学术论文最常用的方法比如预测值等于去年同季度值加一个平均增量。分析师一致预期直接拿 IBES 或国内朝阳永续的预测均值作为 E[X_t]但要注意分析师预期数据覆盖度有限小市值股票经常没有覆盖。简化的同比差分当数据长度不足时直接用单季净利润的同比变化除以历史波动率粗糙但可用。我在 A 股实操中常遇到一个问题直接用单季利润算 SUE 会受极端值影响比如某公司因为处置资产单季利润暴涨SUE 会被顶到天上但股价完全不涨反跌。所以必须对净利润做“剔除非经常性损益”处理或者至少用扣非净利润做一遍交叉验证。修正版的 SUE 我推荐这样构造SUE (当期扣非净利润 - 去年同季扣非净利润) / RMRF调整后的净利润波动率这里的“净利润波动率”不是总收益波动率而是净利润本身的 std用过去 8 个季度滚动计算。这个分母的意义是标准化——同样超预期 1 个亿对利润波动只有 5000 万的公司和对波动有 5 个亿的公司含义完全不同。2.2 财报窗口内的另类处理意外公告内容与文本情绪纯数字的 SUE 只是一个维度现在做事件因子越来越多人开始引入财报文本情绪。比如管理层讨论部分的语气、是否反复强调“超预期”等词汇这些信息不反映在净利润数字里但会影响市场对财报的解读速度。我自己的经验是文本情绪作为辅助因子效果不错但在 A 股要非常小心语义歧义。比如“下降幅度收窄”这种表述词向量模型很容易把它打成负面但在当时的语境里其实是边际改善。所以文本类因子我一般只做信号过滤如果 SUE 为负但文本情绪显著偏正可能意味着“利空落地”可以观望而不做空如果 SUE 为正但文本情绪偏负面我会降低该信号的权重。这块如果展开写又是一大篇今天先带过记住有这层处理即可。2.3 分析师一致预期修正的构造方法分析师预期修正因子和 PEAD 最大的区别在于它利用的是预测的“变化量”而非财报实际值。具体有几种常见构造方式EPDiffEarnings Estimate RevisionsEPDiff (FY1_est_t - FY1_est_{t-1}) / PriceFY1 是当前财年的一致预期 EPSPrice 用当前股价做标准化用来过滤市值效应。EPDiff 的改良版——考虑远期财年FY2的变化EPDiff_Ratio (FY1_est_t/TTM_EPS - FY1_est_{t-1}/TTM_EPS) 0.5 * (FY2_est_t/TTM_EPS - FY2_est_{t-1}/TTM_EPS)FY2 的系数 0.5 是因为远期预期的信息含量更低、噪音更大。预期修正的具体做法还要区分“分子修正”和“分母修正”分子修正分析师上调 EPS 预测值本身。分母修正预测的 EPS 没变但实际股本变化导致预测变相变化。因为 A 股经常有送转、增发我在清洗时会把股本调整因素剔除只保留分析师因基本面变化而做的主动修改。用朝阳永续的数据时要注意看它给的是“调整前预期”还是“调整后预期”直接拿调整后数据算变化量会混入股本变动噪音。2.4 事件窗口的切割什么时候买卖才是真正的门道因子信号有了但真正决定收益的是交易时机。PEAD 研究中通常会定义几个窗口事件日 T财报实际披露日注意不是财报期截止日period end date。很多新手直接用财报截止日来切会引入严重的前视偏差。比如年报截止日是 12 月 31 日但实际披露可能是次年 3 月。A 股很多平台返回业绩快报日期和正式财报日期两列必须用后者。T1 买入学术上常假设可以在财报公布次日以开盘价买入实盘中我更保守用 T1 收盘价确认信号T2 开盘买入。多付一点滑点但假信号率下降不少。持有窗口20 个交易日是 PEAD 最经典的持有期实际测试 40 日也有超额但衰减明显。分析师预期修正因子的持有期可以更灵活我用的是月频调仓。窗口切割最怕什么怕你对财报日期没有做精确匹配。A 股有很多公司的业绩预告、业绩快报、正式财报都会单独披露如果只抓正式财报可能漏掉最早上一次预告时价格已经反应的阶段。我建议把“业绩预告日期”也纳入数据表因子计算时用“第一次披露业绩风向的时间”作为事件日然后跟踪后续实际财报作为确认。3. 实操过程与核心环节实现3.1 数据准备事件数据表与分析预测清洗不管用 Wind、聚宽还是米筐做事件因子都需要一张“事件表”和一张“预期表”。事件表至少要包含这 7 列字段说明stock_code股票代码report_date财报期截止日ann_date实际披露日期revenue营业收入单季net_profit净利润单季net_profit_ded扣非净利润单季market_cap披露日市值预期表至少要包含这 5 列字段说明stock_code股票代码report_date标的财报期est_date分析师预期发布日fy1_eps_before调整前 FY1 预期 EPSfy1_eps_after调整后 FY1 预期 EPStarget_price目标价可选我在实际清洗时有一个习惯分析师预期数据要按“最近一次被更新的时间”保留而不是简单按月取月末值。如果某分析师在月中调整了预期月频因子应该用调整后的值而不是把整个月做平均。因为平均预期会觉得变化平滑从而低估因子强度。业内更专业的做法是“事件驱动式采集”——每次分析师调整就生成一条修正记录然后做汇总。3.2 Python 实现从原始数据到事件因子打分下面给一段可以直接跑通的 Python 示例代码框架思路是先计算 SUE再计算分析师预期修正然后合成事件驱动综合因子。import pandas as pd import numpy as np def calculate_sue(event_data: pd.DataFrame, quarter_lag: int 4, window: int 8): 计算标准化预期外盈余SUE 思路用往年同季度差分作为预期模型然后除以历史波动率做标准化 df event_data.sort_values([stock_code, ann_date]).copy() # 去年同期扣非净利润 df[net_profit_ded_lag4] df.groupby(stock_code)[net_profit_ded].shift(quarter_lag) # 预期外盈余 df[ue] df[net_profit_ded] - df[net_profit_ded_lag4] # 历史滚动标准差 df[ue_std] df.groupby(stock_code)[ue].transform( lambda x: x.shift(1).rolling(window, min_periods4).std() ) # SUE df[sue] df[ue] / df[ue_std].replace(0, np.nan) return df def calculate_ep_diff(expect_data: pd.DataFrame, lookback: int 30): 计算分析师一致预期修正 思路取向前 lookback 天的最新预期做差分后再用价格标准化 df expect_data.sort_values([stock_code, est_date]).copy() df[eps_fy1_lag] df.groupby(stock_code)[fy1_eps_after].shift(1) df[ep_diff_raw] df[fy1_eps_after] - df[eps_fy1_lag] # 合并价格数据来标准化 # price_df 需要外部传入这里假设已经 merge df[ep_diff] df[ep_diff_raw] / df[close_price] return df def composite_event_factor(sue_df, ep_df, sue_weight0.5, ep_weight0.5): 合成事件驱动因子分别做横截面标准化后加权 标准化目的是让两个子因子量纲一致避免被某个高波动子因子主导 # 横截面 zscore sue_df[sue_z] sue_df.groupby(ann_date)[sue].transform( lambda x: (x - x.mean()) / x.std() ) ep_df[ep_z] ep_df.groupby(est_date)[ep_diff].transform( lambda x: (x - x.mean()) / x.std() ) # 合并时注意以财报与预期调整时间点做对齐 merged pd.merge( sue_df[[stock_code, ann_date, sue_z]], ep_df[[stock_code, est_date, ep_z]], left_on[stock_code, ann_date], right_on[stock_code, est_date], howinner ) merged[event_factor] sue_weight * merged[sue_z] ep_weight * merged[ep_z] return merged这段代码为了展示核心逻辑做了不少简化实际生产环境里还要处理停牌、ST 股过滤、上市未满一年剔除、极端市值剔除、以及不同财报披露日期之间的对齐。代码里最关键的一步是把两个子因子都做横截面 zscore这能避免净利润绝对值高的公司天然占据高分位的问题。3.3 回测验证分组收益与因子 IC 怎么评估拿到事件因子分后回测的评估流程我建议分三步走第一步单因子分层回测。将每个财报披露日的股票按因子值从大到小分成五组Q1 到 Q5分别计算未来 20 个交易日的等权平均收益。你真正想看到的形态是Q1 收益显著大于 Q5且有单调递增或递减的规律。如果只有 Q1 最高但 Q2-Q5 混乱说明因子主要由极端值驱动稳定性存疑。第二步IC 与 ICIR 检验。因子值与未来收益的 Spearman 相关系数IC应该显著为正假设做多高因子值。单看某一年 IC 高意义不大要看过去 5-8 年的月度 IC 均值以及 ICIRIC 均值 / IC 标准差。我个人经验PEAD 因子在 A 股月度 ICIR 能做到 0.3-0.5 已经算不错同期的纯技术因子通常只有 0.1-0.2。第三步正交化和分组归因。事件因子和市值因子、行业因子相关性很重。必须把事件因子对市值、行业做横截面回归取残差再做测试。实操中我发现 SUE 高分组里小市值股票比例天然偏高所以做完原始分组后一定要做市值分层内的再检验。3.4 参数选择的经验值如果你拿不准超参数可以先从我常用的这套“保守配置”开始跑参数经验值说明SUE 计算窗口过去 8 个季度数太少不稳定数太多会引入过时信息财报事件日业绩预告优先正式财报确认避免正式披露时价格已反应完毕买入时点T1或 T2开盘过度优化的 T0 买入不可信持有期20 个交易日短于 10 日噪音大长于 60 日衰减明显预期修正回看窗口30 天超过 90 天的修正信号基本失效调仓频率月频周频换手过高对成本敏感的策略受不了注意参数的最优区间会随市场状态漂移。2020-2021 年成长股行情里PEAD 的持有期需要适当拉长到 40 日因为市场进入上行趋势时盈利动量延续性强2022-2023 年震荡市里 20 日表现更稳。所以我在实际策略中不会固定持有期而会用“滚动 20 日 IC 来判断当前应不应该持有那么久”做一个动态调节。4. 常见问题与排查技巧实录4.1 财报公布时间匹配错位导致的前视偏差这是新手在事件因子中最容易踩的坑没有之一。很多入门量化者拿到数据库里的“报告期”字段就以为那是信息公布的时间直接拿它做事件日。但报告期截止日和公告日可能差出几个月这就等于你用未来数据做了决策。排查方法很简单随机抽 20 家公司对比数据库里的公告日期和公司官网实际发布的新闻稿日期。如果发现大量不一致建议干脆不用平台自带的事件表而是自己维护一张公告日历表用爬虫或第三方数据商推送来做补充核对。4.2 分析师预期变化被“同一区间重复计数”分析师预期修正有一个隐性问题同一家公司的预期可能在一个月内被同一位分析师反复更新两三次也可能一个季度都没人动。如果直接把每次变化都算进来那些分析师覆盖多、报告频繁的公司天然获得更高的因子值而它们往往是大市值、流动性好的股票于是因子风格会悄悄偏向大盘。我的处理办法是先按股票代码 财年做分组每个组内只取最新一次预期变化而不是把区间内所有变化都求和。像朝阳永续这类数据商会有“一致预期月份”字段实际应用中要用这个月频快照而不是逐次更新的细粒度数据。4.3 市值效应和行业效应纠缠不清很多刚做事件因子的朋友会惊喜地发现分组收益非常漂亮然后把功劳全部记在 PEAD 头上。但一做市值中性化收益直接腰斩。原因很简单高 SUE 组里聚集了大量小市值成长股而小市值因子本身就贡献了显著超额。验证方法有两个一个我上面提过——看每个分组内部的市值均值是否单调递减另一个更直观——画 Q1 减 Q5 多空组合的累计净值曲线同时画同期的“小市值减大市值”因子曲线如果两条线长得差不多说明你的事件因子大概率是小市值因子穿了马甲。正解也不是简单剔除小市值股票而是把因子先做市值分组分层。比如在沪深 300 内、中证 500 内、中证 1000 内分别测试看哪一层内的事件效应最稳定。我的经验是中证 1000 分层内的 PEAD 效应最强但换手也高适合容量要求不高的策略沪深 300 内的效应弱但胜在容量大、交易摩擦小。4.4 财报季集中披露导致的拥挤交易每年 4 月底和 8 月底是财报披露的高峰几千家公司挤在同一周发年报和一季报。这个时段 PEAD 因子信号大量堆积同一时间想买的票太多资金容纳面临考验而且市场注意力被分散后漂移效应可能会被压缩。解决思路是把信号分布均匀化不只在财报季统一调仓而是把持仓中“财报事件触发调仓”和“固定周期调仓”分开管理。财报季只处理新出现的高 SUE 信号其他时间用它来替换组合里已弱化的持仓。这样既不浪费新信号也不会在单个时间点把组合权重全部堆在事件股上。4.5 ST、退市整理、停牌股对因子计算的影响这个坑看起来基础但真心经常被忽略。ST 股因为涨跌停限制即使出了超预期财报也很难涨到位它的 PEAD 效应会被交易制度严重扭曲。退市整理股更是直接让因子计算失真。我建议在因子计算之前做一层严格的可交易性过滤剔除 ST、*ST、退市整理股票剔除上市不满 120 个交易日的次新股剔除公告日处于停牌状态的股票剔除财报披露后首个交易日一字涨停无法买入的股票。其中最后一个剔除条件容易被人吐槽“既然涨了剔除会损失收益”但在实盘里根本买不进就是不存在想着它只会让你的回测虚高。真要在信号里保留一字涨停也必须按“次日不涨停才买入”的条件做相应延后。5. 事件驱动因子的横向拓展与后续延伸5.1 从财务事件到公司行为事件回购、分红、股权激励做熟了财报和分析师预期这两个事件源后我会建议你把“事件”的边界往外扩一圈。公司回购公告、特别分红、股权激励计划披露都属于“公司行为事件”它们和财报事件一样都含有管理层对公司价值判断的信息。回购和分红的信号性质和财报略有不同财报超预期是“过去做得好”回购分红更多是“未来有信心”。比如某公司发布大额回购计划后股价在 60 个交易日内的漂移效应不比财报弱。处理方式可以完全复用 PEAD 的框架事件日 公告日事件强度 回购金额 / 市值持有期 20-40 日。5.2 与高频量价因子的融合事件驱动因子天然是低频的但它的信号触发时点非常精准可以在事件日前后叠加高频量价因子做精细化择时。比如在财报公布前如果连续几天出现“缩量阴跌 融资余额逆势上升”说明可能有知情资金在提前布局这时候财报超预期的概率其实更高。我在实盘中会把这类量价信号作为“事件前置信增强信号”只用来过滤信号不做叠加权重避免高频噪声污染低频判断。5.3 事件因子的容量与衰减问题最后说一个很多人忽视的问题事件驱动因子是有容量的。PEAD 策略在小市值股票上的收益最显著但小市值股票的流动性有限你能管理的资金体量天然受限。如果管理规模超过一定阈值A 股我个人的经验是在 5-10 亿之后衰减明显必须接受收益率的下降或者转向大市值的弱化版 PEAD。这个容量的代价还不止体现在交易成本上。越多人用同一个事件因子它的超额收益窗口就被压缩得越快。今天的分析师预期修正因子跟五年前相比窗口已经明显缩短——以前预期上调可以管一个季度的超额现在经常两周就到位。这不代表因子失效而是意味着信号处理必须更快、更细买入节点必须更贴近事件本身。从我自己的组合管理感受来说事件驱动因子最大的价值不在它单独能创造多少超额而在它和其他因子的低相关性。它的信号来源是“离散公告 分析师行为”跟传统动量、价值、量价因子的信息源几乎不重叠所以放进多因子模型能显著提升整体组合的分散度。这几年我组合里最稳的收益来源不是某一年某类风格大爆发而是各个低相关策略在不同时段轮流接棒——事件驱动因子在其中扮演的正是那个“财报季发力、平时蛰伏”的角色。如果你的数据源已经具备公告日历和分析师预期建议先从 SUE 单因子跑起加上今天说的标准化和窗口处理确认 IC 稳定后再做预期修正合并最后再谈实盘。这中间每一步的细节都比最终的合成公式更值钱。
