【浙商金工】财报季：业绩前瞻的时效价值
摘要
01
信息与逻辑：超额收益的驱动因素
信息和逻辑是影响投资决策的核心因素。信息为公司或相关属性值，逻辑为对信息的解读。信息可能是公开的，也可能是私有的，其传递速度或快或慢。逻辑表现为将信息进行消化，指导如何进行操作。信息不对称产生的影响通常较为短期，逻辑不同引致的理念差异则通常更为持续。在实际投资过程中，一方面我们希望获取更多与标的相关的信息，另一方面如何对其进行解读更为重要。信息本身或不能直接影响交易，其引致逻辑产生的变化则更为直接。对于基本面研究，可直接获取的公开信息包括定期财报的披露，以及分析师预期及其修正。
对于基本面及相关信息，应关注到其信息分布的集聚性及对因子有效性的影响，进而调整组合构建时点和持有期。此外，还应对基本面指标的时效性及引致的有效性进行关注。下面我们对财报公告日前后收益和成交异动进行分析，具体来说包括如下事件：季度报告、半年报告、年度报告、业绩预告、业绩快报、产销经营快报。将事件窗口设为公告发布前的15个交易日到公告发布后的15个交易日。将窗口期前推1年作为数据对比期，计算日均成交量和日均超额收益率（相对中证全指）作为对比值；计算窗口期股票成交量与日均成交量之比，超额收益率与日均超额收益率之差。因为不涉及对事件影响方向的判断，这里对收益率之差取绝对值，计算前者是否为1和后者是否为0的统计检验值。
收益和成交均通过了显著性检验，即窗口期前后15天内成交量出现了不同程度的放大，收益率也存在一定异动。此外，公告日后1个交易日异动程度明显加强，随后开始减弱。不过成交异动减弱更快，收益异动持续性相对更强。
从这一结果可以看出，对于收益率的把握，参与时点影响较大。常规基本面因子有效性表现一般，其逻辑本身或是成立的，但收益或已反映在股价里，影响了其实际表现。因此在财报季窗口期进行相关研究时，需关注对应标的前期的股价是否已有所反应进行相应剔除。
信息的时效性为信息本身的一部分，如何解读信息则为逻辑端需关注的。正如我们所知道的，数值本身可提供的信息或定价能力相对较弱，其边际变化更值得关注，或者说是否超预期。例如公司中报披露了净利润增速为100%，我们无法从这个指标本身获取增量信息：投资者预期增速为多少？前期股价是否已对该增速进行了定价？因此，对于财报季的分析，关注其是否超预期且并未为市场充分定价是核心。此外，信息的披露有先后，其传递也会对相关标的股价产生影响，如何对动量溢出效应进行分析也是值得关注的。
作为财报季研究的开篇，在本报告中我们重点研究了如下问题：
1. 不同行业所关注的财务指标存在差别？
2. 如何对关键基本面数据进行较为有效的预测，即进行业绩前瞻？
02
选择与行业适配的基本面指标
财报季可获取的关键财务数据包括营业收入、净利润等，以及上述指标衍生出的变化值。当数据披露时，其对标的股价走势产生的影响是我们所关注的。若基本面数据对股价影响较大，则对其进行预测是有价值的。因此会关注如下问题：指标是否有效；各行业是否应该使用相同的基本面指标。此部分我们对上述问题进行分析和测试。
2.1. 如何评估基本面指标的适用性
基本面指标作为一类因子，其在不同时点、不同板块和行业的有效性会存在差别。定期财报、业绩预告、业绩快报和产销经营快报披露的数据一般包括营业收入、净利润，据此可计算得到净资产收益率、销售毛（净）利率、同比/环比增长率等衍生指标。同时，可进一步细分为单季度、报告期累计和TTM等类型。对于指标的有效性，投资者较为关注的是其对未来收益的预测能力。进行基本面指标有效性回测时，常规做法是根据其披露时点获取最新可得数据进行测试。本报告中我们希望首先筛选出有效的指标，然后对指标进行预测，从而获取超额收益。因此，在进行测试时，假定报告期时点可以获取所对应财务信息。对于基本面指标，考虑营业收入和净利润（如无明确说明，后文均指归母净利润）；对于区间，包括单季度、报告期累计和TTM；对于衍生指标，考虑净资产收益率ROE；对于变化，考虑同比/环比变化率（值）。
本报告中按如下流程进行回测：各报告期，计算各标的基本面因子值；计算因子值和未来3月累计收益率相关系数；时间区间，2012-2023年。具体来说，我们会按全市场、板块和行业分别进行测试，计算因子秩相关系数（IC）。
2.2. 基本面指标有效性测试
基于上述流程，我们共对16个因子的有效性进行了测试，股票池涉及全A、主板、创业板、科创板和全部申万一级行业。详细结果见附录表5和表6。
整体来看，净利润表现优于对应的营业收入因子，指标单季度同比表现优于报告期累计和TTM同比，与TTM环比表现相近。从分行业IC中位数看，净利润衍生指标均优于营业收入。前文分析中，我们认为信息和逻辑是超额收益的重要贡献来源。信息包含时效和内容两个维度，逻辑则是选择如何对同一信息进行解读。此部分的信息包括营业收入和净利润，逻辑包括单季度/报告期累计/TTM和同比/环比。净利润-单季度-同比和净利润-TTM-环比的信息逻辑组合方式能提供相对更有效的收益信号。具体来看，图4中给出的是较为有效的6个因子在板块中的表现。营收指标在科创板中表现相对较好，不过ROE-TTM-环比占优；在全A、主板和创业板，ROE-单季度-同比表现更优。对比ROE-TTM-环比和ROE-单季度-同比的表现，图5结果表明二者表现相近。总结来说，财报季净利润的变化相对更为重要，且ROE有效性优于净利润本身。
2.3. 小结
财报可提供的关键信息包括营业收入和净利润等，数据区间和指标计算方法均会影响因子在不同股票池内的表现。从结果看，净利润整体表现优于营业收入。ROE-单季度-同比和ROE-TTM-环比表现相对更好，且行业适用性也较高。上述测试假定报告期即可知道所有财务信息，其实际发布则具有一定的滞后性。在确认基本面因子本身的有效性后，需要解决的问题是，如何更为准确和更具时效性地对基本面信息进行预测。
03
业绩前瞻：原理、方法和结果
基本面指标具有较强的投资逻辑，且理论上能够提供较高的收益表现。为实际获取业绩维度提供的收益，相比于财报披露时点值，需构建更具时效性的指标。此部分我们对如何进行业绩前瞻进行分析，并给出相应的模型框架。
3.1. 为什么需要进行业绩前瞻
由图1结果可知，定期财报更新日期较为集中，而较多时间内为业绩真空期，投资者需关注其他信息来源。从财务信息类型看，包括定期财报、业绩预告和业绩快报。沪深市场不同板块披露要求存在一定差异：各板块定期财报披露时间要求一致，满足条件的需披露年报预告（1月31日之前）；沪深主板、科创板满足条件的，应在7月15日之前披露中报业绩预告；科创板有年报快报披露要求；创业板目前仅有年报预告要求。
业绩预告平均披露率为57%（业绩预告数占同期发布定期财报数），其中年报的业绩预告披露率最高，其次是中报，季报相对较低。从趋势看，2019年以来披露率有所降低。业绩快报披露率均值为14%，年报快报均值为46%，相较业绩预告偏低。
对于财务信息，除披露率外，发布滞后时间更值得关注。从表2结果可以看出，超过65%的年报披露滞后期在3个月以上，30%左右在2-3个月；中报滞后期多数在2个月以内；季报则基本在报告期后1个月之内。业绩快报多数在2个月以内发布，21%左右在1个月以内。对于时效性最强的业绩预告，存在超过30%的样本在报告期结束之前的1个月进行了披露；接近60%的样本在报告期结束1个月之内披露。
此外我们还统计了业绩预告/快报披露日与对应报告期财报披露日的时间间隔。超过50%的业绩预告领先1个月以上，8%左右的样本在10天以内。因为业绩快报主要为年报预告，其对全样本领先性的贡献相对更大。整体看，不论是业绩预告还是业绩快报，均相对实际财报的发布具有较强的时效领先性。
为说明时效性的价值，进行了如下测试：各季度报告期，假设财务信息滞后了0/5/10/15/20/25/30/35/40个交易日后披露，测试ROE-TTM-环比与未来3个月收益的相关系数。从图8结果可以看出，对于相同的财务信息，其有效性与时效性有很强的正相关关系。即报告期结束后越早知道指标值，其对组合的收益贡献就越大。在对基本面因子进行分析时，可以发现很多指标具有较强的逻辑，但实际表现相对一般。我们认为这与实际可获取财务信息的滞后性有较强的关系，即股价或已对基本面变化有所反应，图3中的结果也可以在一定程度上对此进行印证。
3.2. 业绩前瞻的原理和方法
对业绩进行预测的方法较多，不过可总结为如下两类：一，基于历史数据的模型外推。例如使用VAR或ARIMA模型等，即假定趋势可以延续；二，纳入增量信息的预测。为预测业绩，需找到收入和成本端的核心驱动因素，并找到可追踪的高频数据。基于产业链逻辑，将宏观产业数据的变化映射到基本面的变化中，从而对业绩进行预测。本报告中我们主要考虑第二类。该框架的核心是将宏观产业信息映射到公司基本面，因此又可划分为两类：一，直接使用分析师数据；二，基于普适性的框架，搭建细分业绩预测模型。下面分别进行说明。
3.2.1 分析师数据
分析师预测数据的价值为提供财报之外的信息，将宏观和行业基本面发生的变化纳入盈利端的预测。其流程一般是：对公司各项业务进行拆分，基于分析或标准化数据对后续财报期营收/盈利进行预测，给出对应EPS等预测值；对于目标价，需结合可比公司及主观判断，给出对应期估值水平，进行计算；或基于当前价位，给出盈利预测期对应的估值水平。
对于分析师数据，我们可以获取的信息为：一，基于算法获取当前对股票净利润等数据的一致预期值，计算期相对前期的变化情况；二，对于分析师预期值的调整，从中可获取增量信息；三，拆分年度预测至季度预测，进行衍生指标构建；四，基于研报标题、摘要或正文，进行文本分析。整体来看，不论是分析师群体的纵向/横向比较，或结合定期财务数据的分析，所关注的均是其变化和相对值，即需选定相应的比较基准，数据本身可反映的信息价值相对较小。
对于分析师数据，数据方面我们关注其一致性和时效性，文字方面则关注其对公开信息的解读能力。非事件类预测报告占比超过80%，其他类型包括增发/重组、资产注入、股权激励和送股等。从报告类型看，超过70%的为点评报告，其次是深度报告（包含首次覆盖）。点评报告的格式一般为：事件，即描述公告信息；总结，即对发布信息进行总计，例如“业绩超预期，利润同比大幅增长；动力储能毛利双双修复；二季度盈利N亿，单瓦盈利稳定”。深度报告则会对公司各项业务、发展历史、发展前景等进行更为细致的解读，所给预测结果也更为详细。
对于时效性我们进行了如下统计：各报告，仅取其对最近年度的预测值（即FY1预测），计算各分析师对特定股票/报告期最后一次预测报告，相对其实际披露日的间隔，结果见图10。对于一致性，我们统计了其与实际值的偏离度（预测值/实际值-1），结果见表3。对于分析师态度，基于研报标题划为其认为超预期和低于预期，并计算了相对上次预测值的修正分布，结果见图11和图12。
从结果看，超过56%的分析师预测发布于年报定期报告公告4个月之前，即早于年报报告期，仅少数在发布1个月之内会进行报告更新。对于预测偏差，超过66%的分析师预测值高于实际值，38%的样本高估幅度大于10%，即分析师对于预测值相对更偏乐观。较多预测值出现在报告期结束之前，或影响了预测值的偏差。分析师观点与其预测值修正是否一致？超预期标题研报（占研报比例为5.64%）中有52.2%的样本上修了预测值，有16.9%的样本下修了预测值，另有30.9%的样本未进行调整；低于预期标题研报（占研报比例为1.4%）预测值下修、上修、维持不变的比例分别为77.5%、6.9%和15.6%。
3.2.2 即时预测：基于宏观产业数据
即时预测的核心是，从高频指标的变化中获取增量信息，映射到低频目标变量的变化中。具体来说，需要解决混频数据和数据发布时点分散这两个问题。在前期研究中，我们从如下两个维度进行了模型搭建：以动态因子模型为基础的Nowcasting框架和更具普适性的混频预测框架MIDAS。
Nowcasting的基本思路是利用高频经济指标，对低频关键变量进行预测。以动态因子模型为基础构建状态空间模型，借助卡尔曼滤波/平滑算法，解决混频数据和数据更新时点不规则的问题。最后给出的预测值本质是如下线性模型（简化处理，仅考虑3个因子，且不考虑各滞后项）： 
Nowcasting是纯粹的统计模型，其有效性来源于月度指标的选取和模型对参数的拟合准确性。其优势是可统一处理混频数据和数据缺失问题，并给出后续的预测结果。
动态因子模型中，将当季同比增速近似化为过去一段时间当月同比增速的线性加总，无法较好纳入日度或周度等更高频的数据。虽然可以将其进行降频，但高频指标的增量信息是值得关注的。MIDAS的基本原理是，低频变量作为被解释变量，高频数据与之同期对应作为解释变量。单变量模型的一般形式为：
其中，yt是低频被解释变量；xt是高频解释变量；m是高频和低频数据之间的倍数。前期搭建的行业基本面景气度预测中，即以MIDAS为核心，通过筛选出收入成本的核心驱动因素，对最近报告期的行业景气度进行预测。
04
模型最新结果分析
此部分我们对Nowcasting和MIDAS框架实时流程进行说明，然后给出最新报告期的预测结果。
4.1. 即时预测模型实施流程
对于A股业绩前瞻，包括整体和细分行业。对于全A，目前考虑自上而下的思路，即从宏观数据中筛选有效指标。对于行业，一种思路直接纳入各行业工业企业经济效益指标，另一种思路是我们所搭建的中观基本面景气预测框架。
从A股行业盈利构成看，金融和非金融占比基本相同。在搭建全A Nowcasting框架进行指标筛选时，纳入货币、机构存贷款、工业和进出口等指标，对最近季度全A单季度净利润增速进行预测。对于细分行业，可利用信息有工业企业经济效益中的营业收入、营业成本、利润总额等，不过其口径与申万或者中信行业并不能做到较为一致的对应。本报告中暂不对此进行研究。
MIDAS框架下，首先对细分行业产业链进行梳理，确定其投入和产出品，筛选得到收入和成本驱动指标，然后对最近报告期行业ROE-TTM进行预测。表4中给出的是建筑材料行业所用高频指标，其他行业分析思路与其相近。目前已完成行业包括煤炭/钢铁/有色金属/石油石化/农林牧渔/建筑材料，及所对应的二级/三级行业。
4.2. 2023Q3结果分析
对于全A，2023Q3单季度净利润预测值为-0.36%，相比上季度有所改善，与去年同期处于相似水平。从图13结果可知，2023Q3环比改善的一级行业有农林牧渔和石油石化，细分行业改善的有能源金属、焦煤、冶钢原料、肉鸡养殖、饲料、油服工程、油气开采、炼油化工、玻璃制造和管材。
4.3. 小结
此部分我们对业绩前瞻的常用方法进行了简要分析，并给出了最新报告期的预测结果。其中对于Nowcasting框架下全A预测指标的优化，以及分行业工业企业经营数据的使用，后续我们会进行更为深入的研究。对于MIDAS框架，后续则会增加有较多可追踪指标的行业覆盖。
05
风险提示
本文结论通过历史数据归纳总结得到，历史不代表未来，样本外存在失效风险；宏观经济、政策和市场环境发生变化时，模型存在失效风险。
报告作者
陈奥林 从业证书编号 S1230523040002
徐忠亚 从业证书编号 S1230523050001
详细报告请查看2023年10月20日发布的浙商证券金融工程专题报告《财报季：业绩前瞻的时效价值》
法律声明：
本公众号为浙商证券金工团队设立。本公众号不是浙商证券金工团队研究报告的发布平台，所载的资料均摘自浙商证券研究所已发布的研究报告或对报告的后续解读，内容仅供浙商证券研究所客户参考使用，其他任何读者在订阅本公众号前，请自行评估接收相关推送内容的适当性，使用本公众号内容应当寻求专业投资顾问的指导和解读，浙商证券不因任何订阅本公众号的行为而视其为浙商证券的客户。
本公众号所载的资料摘自浙商证券研究所已发布的研究报告的部分内容和观点，或对已经发布报告的后续解读。订阅者如因摘编、缺乏相关解读等原因引起理解上歧义的，应以报告发布当日的完整内容为准。请注意，本资料仅代表报告发布当日的判断，相关的研究观点可根据浙商证券后续发布的研究报告在不发出通知的情形下作出更改，本订阅号不承担更新推送信息或另行通知义务，后续更新信息请以浙商证券正式发布的研究报告为准。
本公众号所载的资料、工具、意见、信息及推测仅提供给客户作参考之用，不构成任何投资、法律、会计或税务的最终操作建议，浙商证券及相关研究团队不就本公众号推送的内容对最终操作建议做出任何担保。任何订阅人不应凭借本公众号推送信息进行具体操作，订阅人应自主作出投资决策并自行承担所有投资风险。在任何情况下，浙商证券及相关研究团队不对任何人因使用本公众号推送信息所引起的任何损失承担任何责任。市场有风险，投资需谨慎。
浙商证券及相关内容提供方保留对本公众号所载内容的一切法律权利，未经书面授权，任何人或机构不得以任何方式修改、转载或者复制本公众号推送信息。若征得本公司同意进行引用、转发的，需在允许的范围内使用，并注明出处为“浙商证券研究所”，且不得对内容进行任何有悖原意的引用、删节和修改。
廉洁从业声明：
我司及业务合作方在开展证券业务及相关活动中，应恪守国家法律法规和廉洁自律的规定，遵守相关行业准则，遵守社会公德、商业道德、职业道德和行为规范，公平竞争，合规经营，忠实勤勉，诚实守信，不直接或者间接向他人输送不正当利益或者谋取不正当利益。
本篇文章来源于微信公众号: Allin君行
