ROE预测形态分类及回溯表现 [page::4][page::5]

• 根据ROEFY1与ROEFY2大小及符号分为6类，ROEFY2 > ROEFY1 > 0形态回报最佳，年化收益约14.26%。

- ROEFY1 > ROEFY2 > 0形态次之，年化收益约10.64%。

• FY1与FY2均负且恶化的股票组合表现最差。

ROE预测形态变化及动态幅度选股回溯 [page::6][page::7][page::8]

• 按ROEFY1和FY2的3个月调整幅度变化分为6类，远期上调幅度大于近期的组合收益最高，年化收益17.78%。

- 两者调幅方向相反的组合表现较为接近，且处于中游水平。

• ∆ROEFY1、∆ROEFY2均负的组合表现最差，收益仅约6%。

与盈利净利润同比增速上调幅度因子对比 [page::8][page::9]

| 选股因子 | 年化收益 | 年化波动 | 最大回撤 | 风险收益比 |
|--------------------|----------|----------|----------|------------|
| ROE预测形态 | 16.02% | 28.64% | 40.06% | 0.5593 |
| ROE预测形态变化 | 19.22% | 27.40% | 42.27% | 0.7013 |
| 净利润增速上调(整体) | | | 46.07% | 0.5864 |
| FY1净利润增速上调 | 16.00% | 27.29% | | |
| FY2净利润增速上调 | 14.10% | 27.25% | 47.94% | 0.5173 |

• ROE预测形态调整因子的收益和风险表现整体优于同期盈利增速上调因子。

ROE预测形态变化因子化选股（行业市值中性和成长中性）[page::10][page::11][page::12]

• 因子化打分后，行业市值成长中性化处理得到稳定表现，多头组年化收益达到约17.15%，风险收益比超0.61。

- 多空组合超额收益年化超6.6%，表现优于万得全A。

• 尽管剔除行业和市值影响，但仍难完全消除小市值偏好，表现波动性部分年份显著。

未被分析师覆盖股票盈利增速填充三种方法回测总结 [page::13][page::14][page::15][page::16]

• 使用行业内EPFY1中位数填充估计增速，回测在扩展样本中不能显著提升因子收益。

- 使用组内最高PEG_FY1反推增速，稍有提升但一致性和保序不理想。

• 基于业务构成分部估计法回溯结果更优，且与实际增速正相关性略高，但整体准确性仍不及覆盖股票。

- 三种增速填充方法均未显著改善未覆盖股票池的选股效果，反映未覆盖股票盈利预测难度大。

• 增速估计与实际年报增速相关性波动，且回撤表现不理想，提示该部分股票需更多精细化方法。

[page::14][page::15][page::16]

根据 ROE 预测值期限形态及其变化进行选股 — 详尽分析

---

1. 元数据与概览

报告标题： 根据 ROE 预测值期限形态及其变化进行选股
发布机构： 东北证券股份有限公司
分析师： 王琦（执业证书编号：S0550521100001021-61002390）
发布时间： 时序最新截至2023年中下旬
主题： 本报告聚焦于利用企业资本回报率（ROE）预测值在不同期限上的形态及其变化，构建选股策略，并尝试填充分析师未覆盖股票的盈利增速估计。核心旨在利用企业盈利质量的趋势信息挖掘投资alpha，辅助成长风格选股。

核心观点简述：

• 通过对FY1（近期一年）与FY2（远期一年）ROE预测值的不同形态及其调整幅度进行分类，观察其对应的股票组合历史回报，揭示市场对不同资产回报趋势形态偏好。

- 发现ROE形态与调整幅度因子在股票组合表现中优于传统以净利润同比增速上调幅度(Net Profit YoY)为依据的选股方法；尤其是FY2 > FY1 > 0这一趋势性加速增长形态表现最佳。

• 运用因子化打分结合行业及市值成长中性化回归调节后，形态变化因子维持较优的收益及风险调整表现，但剔除小市值偏好仍有难度。

- 针对未被分析师覆盖的股票，尝试用行业中位数估值反推增速、PEG最高值法及业务分部加权法三种填充策略，但均未显著提升成长选股的效果，体现了此类股票盈利预测的复杂性和不确定性。

• 伴随风险提示，关注宏观政策、海外市场波动及模型有效性风险。

总体而言，报告提出ROE预测形态和变化作为优质成长选股信号，丰富了传统盈利成长因子应用视角，且首次系统深入探讨了填充非覆盖股票盈利增速的尝试与限制。[page::0,3]

---

2. 逐节深度解读

2.1 前言

本章延续此前《降低周期风险低波选股和ROE期限结构下行业轮动》研究，强调基于ROE预测值的期限结构（FY1与FY2）构建的形态信息，能够捕捉超越传统成长与分析师上调因子的投资alpha，推出细分的6种ROE形态及6种形态变化形式，并分别进行回溯验证，旨在揭示市场对资产回报趋势的结构化偏好。[page::3]

2.2 根据ROE预测值期限形态进行选股（2.1节）

基于ROE预测值的FY1与FY2两个时间点的符号与大小关系，将股票划分为6类典型趋势形态：

1. ROEFY2 > ROEFY1 > 0

2. ROEFY1 ≥ ROEFY2 > 0

1. ROEFY1 > 0 > ROEFY2

4. ROEFY2 > 0 > ROEFY1

1. 0 > ROEFY2 > ROEFY1

6. 0 > ROEFY1 ≥ ROEFY2

图1以示意性趋势线图表达每种形态的ROE变化趋势。

不做中性化处理，直接回溯组合表现（图2），发布如下发现：

• 正收益且FY2预测增速为正（1和2类）表现最优，尤其第二年ROE增长加速（FY2 > FY1 > 0）形态，年化收益达14.26%，标志着市场对持续且加速增长的盈利企业给予溢价。

- 亏损或利润负增长的逆转形态早期（2017年之前）偶有超额收益，可能与小市值、成长股与壳资源炒作有关，近期市场则更青睐稳定盈利增长。

• 负增长趋势（类别5和6）组合回撤明显，市场明显反映盈利恶化风险。

这一章清晰揭示了市场对资产回报的“方向性”和“趋势性”较强的价格反应偏好。[page::4,5]

---

2.3 ROE预测值的形态变化及其选股效果（2.2节）

形态本身虽有差异，但因前两类股票占比大、与成长因子逻辑高度重叠，报告进一步分析了形态调整的动态信息。使用3个月间隔的预测值变化——∆ROEFY1和∆ROEFY2做分类，定义6种动态调整形态：

1. ∆ROEFY2 > ∆ROEFY1 > 0 — 远期调整强于近期

2. ∆ROEFY1 ≥ ∆ROEFY2 > 0 — 近期调整强于远期

1. ∆ROEFY1 > 0 > ∆ROEFY2

4. ∆ROEFY2 > 0 > ∆ROEFY1

1. 0 > ∆ROEFY2 > ∆ROEFY1

6. 0 ≥ ∆ROEFY1 ≥ ∆ROEFY2

图3及图4展示了该分类方法的定义与计算时间轴。回溯结果（图5）表明：

• 远期上调幅度强于近期的组合（类别1）表现最佳，年化收益近17.78%，显示市场更关注未来盈利增长预期的加速，强化了成长的层次感。

- 近远期调整反方向（类别3、4）组合表现平平，缺乏区分度，表明市场对短期调整和远期调整对冲的反应较弱。

• 双下调的组合表现最差（类别5、6），量也较大，这验证了市场对盈利预期下修敏感。[page::6,7,8]

---

2.4 与净利润同比增速（NPYOY）预测上调幅度因子的对比（2.3节）

为测度ROE形态变化因子的增强价值，将其与分析师一致预测的归母净利润同比增速预计上调（∆NPYOYFY1 & ∆NPYOYFY2）做对比。

图6与图7分别显示根据FY1和FY2净利润增速调整排序的股票组合回溯。观察要点：

• FY1净利润增速上调的选股效果明显优于FY2净利润增速上调，且也逊于ROE预测形态变化的选股效果。

- FY2净利润增速上调效果欠佳，净值秩序保序性弱，稳定性差，说明ROE预测因子比单纯的净利润增速更稳定且预期代表性更强。

表1中的风险收益统计显示，ROE预测形态变化年化收益(19.22%)和风险收益比分别最高，净利润增速上调虽有一定选股能力，但整体表现逊色。

这表明ROE的期限结构变化信息相较单期利润增速调整，具备更为稳定的价格预测价值。[page::8,9]

---

2.5 ROE预测形态变化因子化及中性化处理（2.4节）

为转化分类结果为实用因子，报告将6类形态转化为1~6分评分制，进行截面标准化处理，并采用行业市值中性化及成长中性化回归剔除大小市值及成长因子影响。图8到图11展示了因子化后的回溯表现：

• 因子化后第一组（得分最高）稳定领先各组，年化收益超过17%，风险收益比约0.61，超越万得全A同期表现14%以上；多空组合超额收益年化达6.5%以上，风险调整表现优异。

- 剔除市值与成长因子后，因子IC（信息系数）长期保持正向变化与积累，表明因子具备持续的解释力和预测力。

• 但是因子化处理未能完全消除小市值偏好，特别是2014年底回撤明显；此外波动性有所提升，反映与成长投资风格及市场环境有关。

综上，尽管存在小市值偏好，但ROE预测形态变化因子的选股能力优于传统成长因子，具有较高的实践价值。[page::10,11,12]

---

2.6 本章小结（2.5节）

• 市场对ROE预测值的不同期限形态及其调整幅度存在明显偏好，尤其偏好盈利趋势加速向好的股票。

- 形态变化因子在统计回溯中表现优于单独的净利润增速调整因子，且可因子化操作，经过中性化展现稳健的选股能力。

• 该因子虽受小市值影响，仍作为成长选股手段具有较高的收益与稳定性优势，体现了ROE期限结构形态在价格发现中的重要作用。[page::12]

---

3. 分析师一致预测净利润同比数据填充（章节3）

报告继承此前研究对未被分析师覆盖股票的盈利增速填充探索，尝试解决非覆盖股票增长率缺失的问题，但结果并不理想。三种填充思路与方法：

3.1 EP中位数法填充（3.1节）

• 按市值和盈利（估值BP）对行业股票分组，计算分析师覆盖股票的EPFY1中位数，用该值作为未覆盖股票EP的填充预测。

- 通过估计历史EP与预测EP的差异变化估算利润增速。

• 分析师覆盖股票使用一致预测，合并后序列回溯。

- 结果显示填充后的股票池增速排序缺乏区分度，且增长最高组表现不如分析师覆盖股票池，反映估算方法精度不足。

• 实际增速与估算值表现负相关，部分由于历史年报盈利震荡较大，导致估算数据偏差现象明显。

图12、13显示填充前后收益差异，强调填充提升有限。[page::13,14]

3.2 PEG最高值法填充（3.2节）

• 在行业、市值及盈利分组内，计算分析师覆盖股票的PE/G（PEG）最高值，作为未覆盖股票PEG预测，反推增速。

- 结果较中位数PE方法稍有改善，但高增速组依旧表现不理想且收益排序保序性差。

• 估算增速与实际表现的整体相关性虽有提升但持续性弱。

图14、15显示该方法净值表现及分组情况。[page::14,15]

3.3 业务分部估计法（3.3节）

• 利用各股票具体业务构成，结合各业务赛道增速按权重加总得出增速估算，依然仅对未覆盖股票填充。

- 回溯结果较前两方法优异，且与实际年报增速的正相关稍强。

• 股票池整体表现更稳健，2022年回撤较小，反弹力度优于其他方法。

图16、17展示了该方法的净值回溯情况。[page::15,16]

3.4 本章小结

三种填充方法皆具备一定逻辑合理性，但预测误差较大，难以显著提升未覆盖股票的成长选股效果，反映了未被覆盖股票盈利波动性高、估计难度大。[page::16]

---

4. 报告总结

• 基于ROE预测值的期限形态及其调整变化构建的因子，在股票市场选股中表现显著优于纯粹的净利润同比增速预测调整因子，且具备高稳定信息含量，多头组合年化收益达17.15%，超越市场较多。

- 基于因子化及行业、市值成长中性回归方法，剔除大小市值及成长因子影响后，依旧呈现稳定优势，说明形态变化捕捉了除成长因子以外的额外Alpha。

• 针对未被分析师覆盖的股票，尝试的三种增速填充方法均未能获得满意表现，强调该部分数据的预测难度，提示后续研究应改善对标公司选择及估算模型。

- 风险方面，宏观波动、政策变动及模型稳定性为主要不确定因素。

整体报告为成长选股研究注入了基于盈利期限结构和预测形态变化的新视角，结合系统的实证回溯，提供了理论和方法论支持，对实务投资研究具备启发价值。[page::16]

---

3. 图表深度解读

图1：ROE预测值6种形态

该图通过六个小图形象表示FY1至FY2的ROE变化趋势：

• 第一类形态ROEFY2 > ROEFY1 > 0 描绘成长加速持续趋势

- 第二类ROEFY1 ≥ ROEFY2 > 0表示增长放缓但仍正向

• 其余对应负数增长或负增长逆转等不同趋势

图形直观展示预测形态用于分类的核心逻辑。[page::4]

---

图2：ROE预测值6种形态选股回溯净值

• 横轴时间从2012年至2023，纵轴为组合净值（基准1.0起点）。

- 蓝色线（ROEFY2 > ROEFY1 > 0）持续领先，显著优于其他形态，净值近5倍。

• 橙色线（ROEFY1 ≥ ROEFY2 > 0）紧随其后，净值约3.5倍。

- 绿紫红线等表现不佳，部分净值趋于下降。

• 表明正增速且增速扩张型公司显著获得回报，盈利趋势信息关键。

图2支撑了ROE形态偏好论点。[page::5]

---

图3 & 图4：ROE预测值变化形态及计算时间轴

• 图3以示意图展示基于3个月预测变动的6种增减调整形态，红蓝线代表调整前后。

- 图4用时间轴详细描绘FY1、FY2预测值间3个月时序变动计算方法。

这两图解释形态变化因子的构造逻辑以及时间映射，清晰阐释第一手数据来源和指标计算流程基础。[page::6,7]

---

图5：ROE预测值形态变化选股回溯净值（分类）

• 多条分组净值线显示不同形态变化对应的组合表现。

- 第一组（∆ROEFY2 > ∆ROEFY1 > 0）净值增长最快，明显领先，显示远期调整强于近期的趋势增强优势。

• 其他类别表现分散，双降形态表现最差。

- 图形印证了形态动态调整的选股优势及市场对盈利趋势调整敏感性。

[page::8]

---

图6 & 图7：FY1和FY2净利润同比增速上调选股回溯净值

• 图6（FY1增速上调）表现相对较好，净值分组清晰且差异大，代表分析师对近期盈利增速调整有较强预测能力。

- 图7（FY2增速上调）净值分组差异较弱，曲线趋于收敛，预测价值不及FY1。

• 对比发现FY1增速上调优于FY2净利润增速，且不及基于ROE形态变化的因子。

[page::8,9]

---

表1：ROE预测形态及其变化分类选股收益风险统计

| 指标 | 年化收益 | 年化波动 | 最大回撤 | 风险收益比 |
|----------------|----------|----------|----------|------------|
| ROE预测形态 | 16.02% | 28.64% | 40.06% | 0.5593 |
| ROE预测形态变化| 19.22% | 27.40% | 42.27% | 0.7013 |
| 净利润增速上调 | — | — | 46.07% | 0.5864 |
| FY1净利润增速上调 | 16.00% | 27.29% | — | — |
| FY2净利润增速上调 | 14.10% | 27.25% | 47.94% | 0.5173 |

ROE预测形态变化因子在收益和风险调整能力上胜出，凸显因子优势。[page::9]

---

图8 & 图9：ROE预测值形态变化选股回溯净值（因子化，行业市值中性及成长中性）

• 两张图展示基于不同中性化处理的6组分组净值走势。

- 第一组持续领先，年化收益分别为17.04%（行业市值中性）和17.15%（行业市值成长中性），且多空组合表现稳健。

• 最大回撤均维持40%左右区间，多空组合风险收益比超过1，表明因子化后选股策略具备较好风险控制能力。

- 表2和表3数字数据进一步支持图形观察。

• 但部分年份（2014年末）回撤较大，反映存在小市值影响。

[page::10,11]

---

图10 & 图11：因子IC（行业市值中性及成长中性）

• 蓝条表示因子IC的月度值，橙色曲线为累计IC。

- 因子IC跨越0轴上下面呈现波动性，但长期累计IC逐年累积向上至0.8以上，代表因子逐步积累正向信息量。

• 说明形态变化因子具有较强的预测效力及稳定的长期表现。

[page::12]

---

图12~17：三类未覆盖股票增速填充方法回溯

• 图12、14、16为分析师覆盖股票池的净利润增速分组回溯，表现均相对较优。

- 图13、15、17展示分别采用EP中位数法、PEG最高法、业务分部估计法填充后的股票池分组净值，均未显著优于分析师覆盖股票池。

• 三种方法填充后股票池整体收益水平较分组间差异有限，且不同分组净值线趋于融合，表明分类区分度下降。

- 相关性分析显示填充后增速估计与实际存在较大偏离。

[page::13-15]

---

5. 估值分析

本报告主要侧重于ROE预测值形态与净利润增长预测的因子驱动选股，未涉及传统的DCF或绝对估值目标价计算方法。估值在此主要体现在：

• 利用价值指标（PE、PEG、EP）结合相对行业分类进行盈利增速估算，属于相对估值衍生指标。

- 其估值假设包括：相同行业及市值等级内的 PEG 或 EP中位数或最高值反映合理估值水平；业务构成的增速加权有效反映公司整体增速估计。

但三种盈利填充方法均存在关键假设局限，如历史盈利震荡影响、业务构成权重估计误差、对标公司选择的偏差，导致估算准确度有限。

因此报告未对估值方法提供传统意义上的敏感性分析，而通过收益波动与相关性进行间接评估。

---

6. 风险因素评估

报告列出了多种潜在风险因素：

• 宏观市场变化风险：国际市场震荡可能影响盈利预期和资本市场价格波动，对因子表现产生影响。

- 政策风险：政策调整可能针对行业或资本市场结构发生变化，影响盈利环境和投资价值。

• 模型失效风险：历史回溯基于的市场行为模式不保证未来持续，因子信号可能遭遇有效性减弱或失效。

- 小市值偏好风险：因子表现中存在小市值偏好，易受流动性等非基本面因素干扰，影响风险收益特征。

报告未给出详细缓解策略，提醒投资者结合自身风险偏好谨慎使用。[page::0,16]

---

7. 批判性视角与细微差别

• 报告对ROE预测值形态及其调整幅度给予高度肯定，但对其中涉及的自然年度切换等时间点选择未做较多敏感性分析，可能影响结果的时效性。

- 在因子化处理上，回归法剔除行业市值及成长因子虽改进效果，但无法完全消除小市值影响，表现出一定偏好，提示投资者需关注因子风险的结构性偏差。

• 三种未覆盖股票增速填充方法虽然尝试多角度估计，但均未能形成稳定优质信号，反映填充方法尚不成熟，未知未来是否适用更复杂机器学习等技术手段改进。

- 报告未深度讨论宏观周期变动对ROE形态因子的结构性影响，不同经济环境下的表现差异值得进一步研究。

• 图表使用上，有时未提供分组样本量及换手率等辅助信息，限制了对因子流动性及市场容量的评估。

总体分析谨慎，视角全面，客观披露了因子优势与现实限制，适合实务研究与模型开发参考。

---

8. 结论性综合

本报告通过系统的实证分析，明确揭示了基于企业ROE预测值在不同期限上的形态及其变化的趋势信息，能够显著提升成长选股的alpha捕捉能力。具体为：

• 核心洞察：远期盈利能力预测超过近期盈利，且两者均为正的加速增长形态，最被市场青睐。股票组合年化收益可达14%以上；当结合对ROE近期与远期变化调整幅度进行动态分类，随后因子化处理，多空组合年化超额收益达6.67%，且风险调整后表现优异。

- 优势体现：ROE预测形态变化切分的选股策略相比传统净利润同比增速调整因子表现更稳健，且信息系数随时间稳步积累。复杂的行业及市值中性化处理后，因子表现依然突出，验证其选股信号的稳定性及独立性。

• 挑战与不足：形态因子仍然带有一定小市值偏好，剔除不彻底，同时未覆盖股票的盈利增速填充问题尚无有效通用方案，预测误差较大，限制了因子外延及应用范围。

- 图表支持：
- 图2和图5分别通过静态和动态形态回溯突出不同形态组合的收益差异，支持形态分化下的选股逻辑。
- 表1及表2、3助力理解因子化后收益与风险特征，呈现计量统计结果。
- 图6、7表明单一盈利增速调整相比形态变化因子的薄弱，强调模型创新意义。
- 图12-17全面展示增速填充的尝试与其极限，提醒关注估算方法精度的局限。

综上，报告提供了一条基于ROE期限结构预测形态及变化信号的成长选股路径，为投资者和研究者提供了新的角度和方法工具，同时也提出了未来成长因子研究在理想盈利数据扩展和小市值偏好解决方面的挑战。风险提示合理，研究结论客观扎实，具有较高的参考价值和实践潜力。[page::0-18]

---

参考图表示例（部分）

• 截取部分关键图示于markdown格式：

（图2：ROE预测形态6类组回溯净值）



（图5：ROE预测值形态变化选股回溯净值）



（图8：ROE预测值形态变化因子化选股回溯净值，行业市值中性）

---

总结：本报告提供了以ROE预测期限结构形态分析为切入，结合因子化、行业中性及成长中性回归，系统验证其在多维度和动态角度上的选股能力，且对分析师未覆盖股票盈利增速填充进行了多路径探索，是对成长股选股逻辑的有效补充和提升。[page::全篇]

报告