20220701-华泰证券-人工智能57：文本FADT选股.pdf

免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。1 证券研究报告 金工金工 人工智能人工智能 57：文本文本 FADT 选股选股 华泰研究华泰研究 研究员 林晓明林晓明 SAC No.S0570516010001 SFC No.BPY421 +(86)755 8208 0134 研究员 李子钰李子钰 SAC No.S0570519110003 SFC No.BRV743 +(86)755 2398 7436 研究员 何康，何康，PhD SAC No.S0570520080004 SFC No.BRB318 +(86)21 2897 2039 联系人 陈伟陈伟 SAC No.S0570121070169 +(86)21 2897 2228 FADT 选股选股组合组合回测回测净值净值 资料来源：Wind，朝阳永续，华泰研究，回测期：20090123-20220630 FADT 选股组合相对中证选股组合相对中证 500 超额超额净值净值 资料来源：Wind，朝阳永续，华泰研究，回测期：20090123-20220630 2022 年 7 月 01 日中国内地 深度研究深度研究 对分析师盈利预测调整研报文本进行挖掘，构建对分析师盈利预测调整研报文本进行挖掘，构建 FADT 选股组合选股组合 本文对分析师盈利预测及评级调整中的文本数据进行挖掘，构建的forecast_adj_txt 因子表现较为优秀：从因子视角来看，该因子分十层回测严格单调，多头端收益显著，且与传统的 forecast_adj 因子相关性低；从主动选股的视角来看，以该因子多头第一层为基础池进行进一步股票精选，构建出的主动量化 FADT 选股组合在回测期 2009012320220630 内年化收益达到 44.13%，夏普比率 1.48，年化双边换手 16 倍。参数稳健性测试结果表明，模型受各组参数影响较小，文本因子过拟合程度较低。盈利预测调整是“催化剂”事件的间接表达，使用机器学习识别相关文本盈利预测调整是“催化剂”事件的间接表达，使用机器学习识别相关文本 本文的初衷是找出对股价有重要影响的“催化剂”事件，通过分析师盈利预测及评级调整等间接的方式可以对“催化剂”事件进行分析，因此我们的目标转换为对盈利预测调整的文本进行识别，找出分析师情感偏正向的调整事件。在构建模型时，输入特征为分析师研报文本转换成的词频矩阵，预测标签为研报发布前后两天对应个股的超额收益。在样本外根据模型预测得分构建 forecast_adj_txt 因子。测试结果表明该因子多头收益显著，分层效果严格单调，同时与传统方法构建的 forecast_adj 因子相关性低。对各参数进行稳健性测试，模型大概率不存在过度调参导致的过拟合问题对各参数进行稳健性测试，模型大概率不存在过度调参导致的过拟合问题 对模型中的各组参数进行稳健性测试，主要讨论了以下参数：训练使用的非线性模型、研报标题和摘要采用的词数、样本内窗口长度、样本标签的时间区间、标签分类数量等。测试结果表明，文本因子对各组参数均不敏感，不同参数下 forecast_adj_txt 因子均具有较为稳定的分层效果，多头端绝对年化收益在 21%23%之间，模型大概率不存在人为过度调参导致的过拟合问题，参数敏感性较低，这可能提示我们分析师盈利预测调整研报文本的情感识别是信噪比较高且规律不易随时间改变的场景。基础池的构建方式多样，在基础池内进行股票精选构建基础池的构建方式多样，在基础池内进行股票精选构建 FADT 选股组合选股组合 基础池的构建方式较为多样，可以直接以 forecast_adj_txt 多头第一层为基础池；也可以将 forecast_adj_txt 多头第一层与 SUE_txt 多头第一层或forecast_adj 多头第一层进行合并，使得基础池收益没有明显削弱的同时股票数量有所扩充。进一步考虑基本面的 ROE、净利润、营业收入、经营活动现金流、市值以及技术面的反转、换手、尾盘成交占比等因子，我们对基础池进行精选，构建每期 25 只股票等权持有的 FADT 选股组合。该组合在回测期 2009012320220630 内年化收益 44.13%，夏普比率 1.48，年化双边换手 16 倍，相对中证 500 年化超额约 30%。关于策略容量与模型层面的更多思考关于策略容量与模型层面的更多思考 最后我们对策略容量以及模型改进进行更多思考。策略容量层面，我们提出三点可能提升策略容量的思路：1）降低调仓频率，增加调仓时间，数据实证表明月频调仓降低为双月频调仓，FADT 组合仍然表现优秀；2）增加FADT组合的持股数量；3）修改回测框架，提高“资金使用效率”，严格预设固定频率调仓的方案未必是最优解。模型层面，词语组合的逻辑解释尚存瑕疵，或许可以尝试 NLP 中更高阶的模型来使得文本的识别逻辑更为自洽。风险提示：通过机器学习模型构建选股策略是历史经验的总结，存在失效的可能。人工智能模型可解释程度较低，使用须谨慎。量化因子的效果与宏观环境和大盘走势密切相关，历史结果不能预测未来，敬请注意。-100%-80%-60%-40%-20%0%05010015020092010201120122013201420152016201720182019202020212022最大回撤（右轴）增强组合回测净值-50%-40%-30%-20%-10%0%0102030405020092010201120122013201420152016201720182019202020212022超额最大回撤（右轴）相对中证500净值 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。2 金工研究金工研究 正文目录正文目录 研究导读研究导读.5 分析师研报文本挖掘框架分析师研报文本挖掘框架.7 研究回顾.7 分析师盈利预测及评级调整.9 盈利预测及评级调整文本建模.11 数据实证及参数讨论数据实证及参数讨论.13 基础模型实证.13 参数讨论.15 分析师评级调整测试结果.22 因子扩展讨论及组合增强因子扩展讨论及组合增强.24 因子扩展讨论.24 基础池的构建.26 基础池增强：FADT 选股组合.28 组合分析.30 总结与思考总结与思考.33 本文总结.33 思考与展望.34 风险提示.35 图表目录图表目录 图表 1：FADT 选股组合回测净值.6 图表 2：FADT 选股组合相对中证 500 超额净值.6 图表 3：SUE.txt 因子构建示意图.7 图表 4：三类公告合并的 SUE.txt 因子分 10 层回测净值（回测期：20090123-20220630）.7 图表 5：三类公告合并的 SUE.txt 因子分 10 层回测超额净值（基准中证 500，回测期：20090123-20220630）.8 图表 6：SUE.txt 因子覆盖度.8 图表 7：分层 1 相对于分层 10 多空对冲净值.8 图表 8：SUE.txt 因子分层 1 分年度业绩（基准中证 500，回测期：20090123-20220630）.8 图表 9：盈利预测调整及评级调整分月份平均数量统计.9 图表 10：业绩公告披露场景下的盈利预测调整.10 图表 11：经营事件披露带来的盈利预测调整.10 图表 12：股权激励带来的盈利预测调整.10 图表 13：分词示意图.11 图表 14：词域生成示意图.11 图表 15：训练特征和训练标签的生成示意图.12 图表 16：滚动训练示意图.12 aZ9ZeYPBrRtQ6M9RbRtRpPmOoMfQmMyRlOqQoP9PrQuMMYmMtPxNnOpN 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。3 金工研究金工研究 图表 17：基准模型参数选择.13 图表 18：基准模型 forecast_adj_txt 因子分 10 层回测（回测期：20090123-20220630）.13 图表 19：基准模型forecast_adj_txt 因子分10 层回测超额净值（基准中证500，回测期：20090123-20220630）.14 图表 20：基础模型因子覆盖度.14 图表 21：分层 1 相对于分层 10 多空对冲净值.14 图表 22：基础模型 forecast_adj_txt 因子分层 1 分年度业绩（基准中证 500，回测期：20090123-20220630）.14 图表 23：基础模型forecast_adj_txt 因子分10 层回测各层业绩（基准中证500，回测期：20090123-20220630）.15 图表 24：标签参数 1：T-1T+7 分层回测净值.15 图表 25：标签参数 1：T-1T+7 分层年化收益与年化超额.15 图表 26：标签参数 2：T-1T+20 分层回测净值.15 图表 27：标签参数 2：T-1T+20 分层年化收益与年化超额.15 图表 28：标签参数 3：T-7T+1 分层回测净值.16 图表 29：标签参数 3：T-7T+1 分层年化收益与年化超额.16 图表 30：标签参数 4：T-20T+1 分层回测净值.16 图表 31：标签参数 4：T-20T+1 分层年化收益与年化超额.16 图表 32：各模型超参数选择.17 图表 33：模型参数：ElasticNet 回测净值.17 图表 34：模型参数：ElasticNet 分层年化收益与年化超额.17 图表 35：模型参数：随机森林回测净值.17 图表 36：模型参数：随机森林分层年化收益与年化超额.17 图表 37：模型参数：GBDT 回测净值.18 图表 38：模型参数：GBDT 分层年化收益与年化超额.18 图表 39：模型参数：LightGBM 回测净值.18 图表 40：模型参数：LightGBM 分层年化收益与年化超额.18 图表 41：模型参数：Stacking 回测净值.18 图表 42：模型参数：Stacking 分层年化收益与年化超额.18 图表 43：不同样本内窗口长度的分层绝对年化收益对比（T=6/12/24）.19 图表 44：标题和摘要不同词数分层绝对年化收益对比（T=6/12/24）.20 图表 45：不同标签分类数的分层绝对年化收益对比（分两类/三类/五类）.20 图表 46：回溯 6 个月单因子分层回测净值.21 图表 47：回溯 6 个月单因子覆盖度.21 图表 48：回溯 4 个月单因子分层回测净值.21 图表 49：回溯 4 个月单因子覆盖度.21 图表 50：回溯 3 个月单因子分层回测净值.21 图表 51：回溯 3 个月单因子覆盖度.21 图表 52：不同回溯月份长度的因子分层绝对年化收益对比（回溯 6/4/3 个月）.22 图表 53：forecast_score_adj_txt 因子分 10 层回测（回测期：20090123-20220630）.22 图表 54：forecast_score_adj_txt 因子分 10 层回测超额净值（基准中证 500，回测期：20090123-20220630）.23 图表 55：forecast_score_adj_txt 因子覆盖度.23 图表 56：分层 1 相对于分层 10 多空对冲净值.23 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。4 金工研究金工研究 图表 57：forecast_score_adj_txt 因子分层 1 分年度业绩（基准中证 500，回测期：20090123-20220630）.23 图表 58：基础模型forecast_adj_txt 因子分10 层回测各层业绩（基准中证500，回测期：20090123-20220630）.23 图表 59：forecast_adj 因子分 10 层回测.24 图表 60：forecast_adj 因子分层年化收益与年化超额.24 图表 61：forecast_adj_txt_res_1 因子分 10 层回测.24 图表 62：forecast_adj_txt_res_1 因子分层年化收益与年化超额.24 图表 63：forecast_adj_txt 与 forecast_adj 因子相关性.25 图表 64：forecast_adj_txt_res_1 因子分 10 层回测.25 图表 65：forecast_adj_txt_res_1 因子分层年化收益与年化超额.25 图表 66：forecast_adj_txt 与 forecast_adj 因子相关性.25 图表 67：各因子 IC 对比.26 图表 68：基础股票池 1 回测净值（回测期：20090123-20220630）.26 图表 69：基础股票池 1 股票数量.26 图表 70：基础股票池 1 分年度业绩（基准中证 500，回测期：20090123-20220630）.27 图表 71：基础股票池 2 回测净值（回测期：20090123-20220630）.27 图表 72：基础股票池 2 股票数量.27 图表 73：基础股票池 2 分年度业绩（基准中证 500，回测期：20090123-20220630）.27 图表 74：用于基础股票池增强的因子.28 图表 75：基本面因子在基础股票池内分层回测年化收益.28 图表 76：技术面因子在基础股票池内分层回测年化收益.28 图表 77：增强组合回测业绩（回测期：20090123-20220630）.28 图表 78：增强组合回测超额净值（基准中证 500，回测期：20090123-20220630）.29 图表 79：增强组合分年度业绩（基准中证 500，回测期：20090123-20220630）.29 图表 80：FADT 选股组合各截面期板块分布情况.30 图表 81：FADT 选股组合各截面期宽基指数覆盖度情况.30 图表 82：FADT 组合在市值因子上的暴露程度.31 图表 83：FADT 组合在 Beta 因子上的暴露程度.31 图表 84：FADT 组合在动量因子上的暴露程度.31 图表 85：FADT 组合在残差波动率因子上的暴露程度.31 图表 86：FADT 组合在非线性市值因子上的暴露程度.31 图表 87：FADT 组合在 BP 因子上的暴露程度.31 图表 88：FADT 组合在流动性因子上的暴露程度.32 图表 89：FADT 组合在盈利因子上的暴露程度.32 图表 90：FADT 组合在成长因子上的暴露程度.32 图表 91：FADT 组合在杠杆因子上的暴露程度.32 图表 92：FADT 选股组合策略容量.32 图表 93：双月频 FADT 选股组合回测净值（基准中证 500，回测期：20090123-20220630）.34 图表 94：双月频 FADT 选股组合分年度业绩（基准中证 500，回测期：20090123-20220630）.34 图表 95：复盘 FADT 历史持仓示例：英科医疗（300677.SZ）.35 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。5 金工研究金工研究 研究导读研究导读 Mark Minervini 在股票魔法师中提出过一个观点：明星股票的背后大多数都存在着某种“催化剂”事件，这些催化剂事件可能是连续靓眼的业绩、某款热销产品的出现，可能是新合同的签订，甚至可能是新 CEO 的任职。这些“催化剂”事件使得那些默默无闻、不为人知的股票开始得到机构投资者的关注，从而有机会向明星股票迈进。本文受上述观点启发，希望能找到对股价正向影响较大的“催化剂”，那么从量化的视角来看，有没有某种方法能对类似的“催化剂”事件进行监测？分析师盈利预测及评级调整或是一条可能的路径。本文是华泰金工人工智能系列文本挖掘主题的第五篇报告，我们继续将视野聚焦于分析师研报文本，探究分析师盈利预测及评级调整这一场景下研报文本中的情感识别。本文的研究动机如上所述，我们希望找到对股价具有正向影响的“催化剂”事件，并将其数量化。由于“催化剂”没有某种特定的模式，不同的行业“催化剂”事件可能千差万别，如果从遍历的思路出发很难对所有事件进行系统监测。现在我们尝试从另一个角度出发进行研究。由于行业研究员对个股进行覆盖，对个股的跟踪及时性更强，当个股出现了影响较大的“催化剂”事件以后，分析师大多会及时撰写点评报告，并可能对盈利预测及评级进行调整。这为我们提供了监测“催化剂”事件的间接思路，因此我们可以将目标转换为对分析师盈利预测及评级调整的研报文本进行情感识别，进而找出正向催化较强的个股。参考前期报告人工智能 51：文本 PEAD 选股策略（20220107）中对分析师业绩点评研报文本的研究思路，我们对盈利预测及评级调整的研报文本使用类似的方法论进行挖掘。令研报文本用词的词频矩阵作为输入特征，分析师研报发布前后两天的个股超额收益作为预测标签，使用机器学习模型进行交叉验证训练，在样本外根据模型预测得分构建forecast_adj_txt 因子，该因子十层严格单调，多头端收益显著，且与传统的 forecast_adj因子相关性较低。在正文中我们花了比较多的篇幅来讨论整个模型构建过程中的参数敏感性问题，核心结论是：文本因子的构建基本不存在人为过度调参导致的过拟合问题，模型参数稳健性较高，文本因子的构建基本不存在人为过度调参导致的过拟合问题，模型参数稳健性较高，分析师盈利预测调整研报文本的情感识别是信噪比较低且规律不易随时间改变的场景分析师盈利预测调整研报文本的情感识别是信噪比较低且规律不易随时间改变的场景。在测试过程中，我们主要讨论了以下参数：训练使用的非线性模型、研报标题和摘要采用的词数、样本内窗口长度、样本标签的时间区间、标签分类数量等。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。6 金工研究金工研究 图表图表1：FADT 选股组合回测净值选股组合回测净值 图表图表2：FADT 选股组合相对中证选股组合相对中证 500 超额净值超额净值 资料来源：Wind，朝阳永续，华泰研究，回测期：20090123-20220630 资料来源：Wind，朝阳永续，华泰研究，回测期：20090123-20220630 我们从主动量化选股的角度出发对 forecast_adj_txt 多头第一层的股票池进行精选。首先考虑股票的 ROE、净利润、营业收入、经营活动现金流、净利润、营业收入、经营活动现金流等考察一只股票首先会关注的基本面指标；其次我们考虑股票的反转、换手、尾盘成交占比反转、换手、尾盘成交占比等技术因素；最后我们还将市值风市值风格格纳入考虑。上述要素以因子的形式呈现，每月末将上述因子进行方向调整后等权合成，根据合成得分选择排名靠前的 25 只股票等权持有，组合回测期 20090123-20220630 内年化收益 44.13%，夏普比率 1.48，年化双边换手约 16 倍。我们将该组合命名为 FADT 组合（Forecast-Adjust-Text Portfolio）。最后我们对策略容量以及模型改进进行更多思考。策略容量层面，我们提出三点可能提升策略容量的思路：1）降低调仓频率，增加调仓时间，数据实证表明月频调仓降低为双月频调仓，FADT 组合仍然表现优秀；2）增加 FADT 组合的持股数量；3）修改回测框架，提高“资金使用效率”，严格预设固定频率调仓的方案未必是最优解。模型层面，词语组合的逻辑解释尚存瑕疵，或许可以尝试 NLP 中更高阶的模型来使得文本的识别逻辑更为自洽。-100%-80%-60%-40%-20%0%02040608010012014020092010201120122013201420152016201720182019202020212022最大回撤（右轴）增强组合回测净值-50%-40%-30%-20%-10%0%0510152025303540455020092010201120122013201420152016201720182019202020212022超额最大回撤（右轴）相对中证500净值 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。7 金工研究金工研究 分析师研报文本分析师研报文本挖掘挖掘框架框架 研究回顾研究回顾 在前期报告人工智能 51：文本 PEAD 选股策略（20220107）中，我们提出使用卖方分析师研报文本对 PEAD 效应进行刻画，挖掘业绩被分析师看好的股票。在该模型中，我们使用业绩点评研报的标题和摘要文本作为特征，使用个股发布业绩前后的超额收益作为标签，判断分析师对上市公司业绩的情感倾向；构建出的 SUE.txt 因子分层效果较为优秀，且多头端收益明显。模型构建示意图如下所示。图表图表3：SUE.txt 因子因子构建示意图构建示意图 资料来源：华泰研究 现在我们面临如下几个问题，这些问题将会是本文讨论的重点：1.前文构建的模型逻辑上或存瑕疵，为什么用个股公告发布的 T-1T+1 日作为标签？为什么不是研报发布日 T-1T+1 作为标签？标签时间区间的长短有没有区别？2.前文中我们构建的 SUE.txt 因子仅考虑业绩预告这一种公告类型，受限于发布业绩预告的股票数量太少，因子覆盖度较低，一方面难以融入多因子选股体系，另一方面主动增强可操作的空间有限；虽然我们可以很自然地将 SUE.txt 的计算方法推广到三种公告类型上（推广的因子回测结果如下图表所示），但模型逻辑或多或少仍受质疑。3.分析师研报的应用有没有某种更自然的方法？能否不止局限于 PEAD 这一种场景？图表图表4：三类公告合并的三类公告合并的 SUE.txt 因子分因子分 10 层回测净值层回测净值（回测期：（回测期：20090123-20220630）资料来源：Wind，朝阳永续，华泰研究 0246810121416182009-01-232009-11-202010-09-132011-07-142012-05-152013-03-112014-01-072014-11-042015-08-252016-06-232017-04-202018-02-072018-12-062019-10-082020-07-312021-05-312022-03-25分层1分层2分层3分层4分层5分层6分层7分层8分层9分层10 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。8 金工研究金工研究 图表图表5：三类公告合并的三类公告合并的 SUE.txt 因子分因子分 10 层回测层回测超额净值（基准中证超额净值（基准中证 500，回测期：，回测期：20090123-20220630）资料来源：Wind，朝阳永续，华泰研究 图表图表6：SUE.txt 因子覆盖度因子覆盖度 图表图表7：分层分层 1 相对于分层相对于分层 10 多空对冲净值多空对冲净值 资料来源：Wind，朝阳永续，华泰研究 资料来源：Wind，朝阳永续，华泰研究 图表图表8：SUE.txt 因子分层因子分层 1 分年度业绩（基准中证分年度业绩（基准中证 500，回测期：，回测期：20090123-20220630）时间时间 区间收益率区间收益率 区间超额收益区间超额收益 年化波动率年化波动率 最大回撤最大回撤 夏普比率夏普比率 卡玛比率卡玛比率 2009 100.03%-4.45%29.37%17.44%3.41 5.74 2010 31.16%18.75%27.16%21.31%1.15 1.46 2011-23.89%18.11%22.64%26.88%-1.05-0.89 2012 18.81%16.45%23.76%18.65%0.79 1.01 2013 38.30%15.98%23.45%15.62%1.63 2.45 2014 39.84%-0.26%19.45%12.65%2.05 3.15 2015 95.60%34.81%44.70%45.81%2.14 2.09 2016 2.16%14.64%30.26%23.08%0.07 0.09 2017 0.28%1.18%15.61%13.02%0.02 0.02 2018-27.39%12.28%25.39%28.00%-1.08-0.98 2019 55.79%21.94%23.84%16.15%2.34 3.45 2020 53.29%29.82%29.27%15.51%1.82 3.44 2021 30.00%14.29%20.53%11.61%1.46 2.59 20220630-5.75%9.69%成立以来 23.94%14.47%26.92%45.81%0.89 0.52 资料来源：Wind，朝阳永续，华泰研究 01234562009-01-232009-11-232010-09-232011-07-232012-05-232013-03-232014-01-232014-11-232015-09-232016-07-232017-05-232018-03-232019-01-232019-11-232020-09-232021-07-232022-05-23分层1分层2分层3分层4分层5分层6分层7分层8分层9分层1005001,0001,5002,0002,5002009-04-302010-02-262010-12-312011-10-312012-08-312013-06-282014-04-302015-02-272015-12-312016-10-312017-08-312018-06-292019-04-302020-02-282020-12-312021-10-29因子覆盖度0123456782009-01-232009-11-202010-09-132011-07-142012-05-152013-03-112014-01-072014-11-042015-08-252016-06-232017-04-202018-02-072018-12-062019-10-082020-07-312021-05-312022-03-25分层1相对分层10净值 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。9 金工研究金工研究 其中第三个问题或许包含前两个问题的答案，我们顺着上述问题进行思考，在本文中进行另一种探索：即仍以分析师研报为数据源，但是脱离 PEAD 的场景，我们考虑分析师盈利预测及评级调整这两种场景下的文本挖掘。分析师盈利预测及评级调整分析师盈利预测及评级调整 本小节我们对研究动机进行一些补充，讨论分析师盈利预测及评级调整的两种场景。我们统计了历史上分析师盈利预测及评级调整每月的平均数量，如下图表所示。剔除首次覆盖的样本以后，可以看到每年的 4/8/10 月份整体分析师盈利预测及评级调整数量有明显上升，主要是因为对应月份为财报期，上市公司发布业绩公告比较密集，分析师会根据最新公告调整盈利预期及评级。其余月份的盈利预测调整及评级数量保持在较为均衡的水平，这些盈利预测大部分与财报业绩发布无关。我们为什么要从业绩点评的文本挖掘迁移到分析师盈利预测调整&评级的文本挖掘上来？本质上我们是想找到“点燃”股价的催化剂事件。这种事件可能是上市公司交出了一份业绩亮眼的财报，净利润大超市场预期，进而得到机构投资者的关注（PEAD 效应也即在这种场景下发生）；也可能是其他催化剂事件，例如公司主营业务发生改变、与政府签订补贴协议、高频披露的销售额数据亮眼等。挖掘催化剂事件难以用量化的手段遍历，但是行业分析师对各类事件却有紧密的跟踪，因此我们采用间接的手段，从分析师盈利预测调整及评级变化来窥探这些催化剂事件。下面我们展示一些盈利预测调整的例子。图表图表9：盈利预测调整及评级调整分月份盈利预测调整及评级调整分月份平均平均数量统计数量统计 资料来源：Wind，朝阳永续，华泰研究 业绩公告披露场景业绩公告披露场景 当上市公司发布业绩超过市场预期时，分析师基于最新公布的业绩，容易上调对该公司的未来盈利预测。例如下图我们截取了 2022Q1 财报季杭州银行这只股票发布业绩后的华泰分析师点评，由于该公司 1Q22 披露业绩超过分析师预期，因此分析师在摘要给出了盈利预测的调整。02,0004,0006,0008,000123456789101112月份月份盈利预测调整数量均值（剔除首盖及盈利预测不变的样本）评级数量均值（剔除首盖样本）免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。10 金工研究金工研究 图表图表10：业绩公告披露场景下的盈利预测调整业绩公告披露场景下的盈利预测调整 股票代码股票代码 股票名称股票名称 预测年度预测年度 本次预测时间本次预测时间 上次预测时间上次预测时间 本次预测净利润本次预测净利润 上次预测上次预测净利润净利润 本次预测本次预测 EPS 上次预测上次预测 EPS 600926.SH 杭州银行 2022 2022-04-25 2022-04-16 1158100（万元）1121800（万元）1.95（元）1.89（元）标题标题 杭州银行：利润增长超预期，资产质量改善 摘要摘要 盈利预测盈利预测：1-3 月归母净利润、营收、PPOP 同比+31.4%、+15.7%、13.9%，较 2021 年+1.6pct、-2.6pct、-3.1pct，利润增速超过我们此前预期的 25%。主要亮点为规模保持高增、非息收入亮眼、资产质量优化。我们预测 2022-24 年 EPS1.95/2.29/2.68 元（前次 1.89/2.22/2.59 元），22 年 BVPS 预测值 13.68 元，对应 PB1.08 倍。可比公司 22 年 Wind 一致预测 PB 均值 0.87 倍，公司高成长性特征显著，资产质量优异，应享受一定估值溢价，我们给予 22 年目标 PB1.35 倍，目标价由 18.39 元上调至 18.47 元，维持“增持”评级。规模维持高增，息差表现承压规模维持高增，息差表现承压：3 月末总资产、贷款、存款同比增速分别为+18.6%、+21.4%、+18.3%，较 21 年末-0.3pct、-0.3pct、+2.2pct。Q1 新增对公贷款（含票据）占 86.1%，公司持续加大对实体经济、重点领域的信贷投放力度，Q1 制造业贷款同比+20.7%；涉农贷款同比+27.61%。我们测算 Q1 净息差较 2021 年下降 12bp 至 1.75%，主要由生息资产端定价下行拖累，LPR 下行引导贷款利率下降，定价较低的对公贷款开门红集中投放也拉低了平均资产定价水平。资产质量明显改善，信用成本下行资产质量明显改善，信用成本下行：3 月末不良贷款率、拨备覆盖率分别为 0.82%、580%，较 12 月末-4bp、+12pct，不良率持续改善，拨备覆盖率居上市银行第一（以各家银行最新一期披露的拨备覆盖率比较）。22Q1 年化信用成本为 1.98%，同比-0.30pct，22Q1 不良生成率为 1.15%，同比、环比分别+0.89pct、-0.04pct，新生成不良保持在较低水平，信用成本下行为利润释放提供充足空间 资料来源：朝阳永续，华泰研究 非业绩公告披露场景非业绩公告披露场景 在非业绩期，分析师也可能因为其他催化事件上调盈利预期，例如公司主营业务发生改变、与政府签订补贴协议、高频披露的销售额数据亮眼等；这些事件同样有可能吸引机构投资者的关注。下面我们展示了几组非业绩公布场景下的分析师盈利预测调整的例子。图表图表11：经营经营事件事件披露披露带来的盈利预测调整带来的盈利预测调整 股票代码股票代码 股票名称股票名称 预测年度预测年度 本次预测时间本次预测时间 上次预测时间上次预测时间 本次预测净利润本次预测净利润 上次预测上次预测净利润净利润 本次预测本次预测 EPS 上次预测上次预测 EPS 300450.SZ 先导智能 2022 2021-06-02 2021-04-25 230200（万元）223100（万元）2.54（元）2.46（元）标题标题 先导智能：订单创新高，高端产能稀缺性凸显 摘要摘要 盈利预测：盈利预测：公司 5 月 31 日晚发布订单公告，21 年以来合计中标宁德时代（CATL）订单共计 45.47 亿元（不含税），占公司 20 年营收的 77.62%。在各国新能源车扶持政策刺激下，电池厂扩产规模加大、节奏加快，我们认为，公司有望通过 1）携手核心客户共同降本；2）强化锂电设备产品优势；3）各业务线相互借鉴协同发展加强其非标设备龙头优势。预计 21-23 年 EPS1.78/2.54/3.06（前值 1.78/2.46/2.91）元；快马加鞭的 TWh 时代，拥有快速技术迭代与稳定供应能力的高端设备产能稀缺性不断提升，上调至买入评级。产能端：规模化扩产助力公司降本增效，泰坦新动力经营情况或持续好转产能端：规模化扩产助力公司降本增效，泰坦新动力经营情况或持续好转：本次披露的 45.47 亿元订单占公司 20 年营收的 77.62%，我们认为电池厂扩产规模化（同型号产品增多）有利于提升标准化构件占比，公司设备毛利率有望回升。据定增募资说明书（2 月 26 日），由于 17-19 年的业绩承诺期中对后段设备新技术与固定资产投资较低，以及租赁场地生产、外协加工等方式造成的成本与费用提高，泰坦净利率下滑，19 年净利率22.7%/yoy-8.26pct；叠加内部调整、行业竞争和疫情影响，导致 20 年泰坦亏损。动车浪潮中订单创新高，快马加鞭的动车浪潮中订单创新高，快马加鞭的 TWh 时代，上调买入评级：时代，上调买入评级：各国电动车支持政策频出，产业链扩产加快迈向 TWh 时代，公司订单屡创新高；公司 21Q1 合同负债 26.57 亿元/QoQ+39.5%，我们预计公司订单有望保持快速增长，21-23 年归母净利 16.1/23.0/27.8（前值 16.1/22.3/26.5）亿元，对应 PE53/37/31x。公司 21-23 净利 CAGR 为 53.5%，可比公司 21 年 PEG 均值 1.26x（Wind 一致预期），公司龙头优势强化，给予 21 年 1.26xPEG，目标价 119.78 元（前值 109.04 元），高端产能稀缺性提升，买入。资料来源：朝阳永续，华泰研究 图表图表12：股权激励股权激励带来的盈利预测调整带来的盈利预测调整 股票代码股票代码 股票名称股票名称 预测年度预测年度 本次预测时间本次预测时间 上次预测时间上次预测时间 本次预测净利润本次预测净利润 上次预测上次预测净利润净利润 本次预测本次预测 EPS 上次预测上次预测 EPS 300866.SZ 安克创新 2023 2022-06-23 2022-05-09 159300（万元）159000（万元）3.92（元）3.92（元）标题标题 安克创新：拟推股权激励计划，绑定核心人才 摘要摘要 盈利预测盈利预测：6 月 21 日，公司发布 22 年限制性股票激励计划草案，拟面向公司董事、高管、核心技术及业务人员授予股票数量 519 万股，首次授予价格为 40 元/股。本次股权激励对象合计 426 人，其中核心技术及业务人员为 423 人，授予股票占比达 78.8%。首次授予业绩考核目标：以 2021 年营业收入为基数，22-24 年收入增速分别不低于 15%/15%/15%。我们认为激励计划考核目标设定温和，股权激励计划推出目的是稳定人才队伍、激发骨干活力。我们维持公司 22-24 年归母净利预测 12.7、15.9、19.5 亿元，参考可比公司 22 年 1.17xPEG，考虑短期海外市场的不确定性，保守给予公司22 年 1.0PEG，维持目标价 81.28 元，维持买入评级。美国市场需求承压，但安克布局全球、受影响有限：美国市场需求承压，但安克布局全球、受影响有限：据美国商务部，高房价、高通胀压力下，美国零售继续承压，5 月零售总额经调整后环比下降 0.3%，创 21 年 12 月以来新低；3-5 月，美国电子与家电店销售额分别同降 3.2%、3.6%、4.4%，降幅持续扩大。但我们认为安克布