深度学习赋能分析师行为：更稳的盈利预期调整组合 | 开源金工

作者：建榕量化研究

题图：建榕量化研究微信公众号

摘要

对于分析师行为alpha，我们在《盈利预期调整优选组合的构建》中进行了详细的分析，其中亮点有三：1、深入讨论标准化方法对因子效果的影响；2、创新性地提出“股价跟随性”的分析师加权方式；3、构建特色因子：分析师关联动量、分析师羊群效应等。最终构建的盈利预期调整优选组合表现优异，尤其是2024年以来，对冲中证500超额约18%。本篇报告将从“研报文本”继续深挖分析师行为中的alpha，探讨与数值预期调整的异同，以及是否有些许增量。

01

盈利预期调整优选组合回顾

1.1、 盈利预期调整因子FYR_DISP_strength回顾

1.2、 盈利预期调整优选组合构建流程及绩效回顾

盈利预期调整优选组合的回测绩效如图3所示。从绩效中我们可以看出：全区间组合表现非常优异，绝对年化收益为27.7%，相对中证500年化收益为22.9%，从2012年至今所有年份皆录得了正超额。就具体的年份来看，表现相对较差的为2022年和2023年，分别录得了7.58%和3.33%的超额。

02

深度学习赋能：研报文本情感判断

在《盈利预期调整优选组合的构建》中，我们将分析师预期数值调整代表分析师情绪变化，从而构建分析师看好组合，本篇报告的第一部分进行了短篇幅的回顾。对于本篇报告的剩余部分，我们将使用研报文本数据来判断分析师情绪变化，探讨是否存在一定增量。考虑到数值预期调整因子 的表现，以及研报文本数据的可获得性，我们研究的时间区间为：2020年1月至2024年6月。（感谢朝阳永续和数库科技的数据支持）

对于分析师情绪的衡量，研报文本相对于盈利预测数值往往存在更多的内涵和有效信息量。经常出现以下两种情景，这里以开源证券的两篇报告为例展开，具体如图4所示：

情景一：某公司当前业绩和业务进展低于预期，但是分析师对于公司未来前景实际上是较为看好的。此类型的报告，文本整体表达往往偏中性，存在部分积极因素，最后盈利预期会略微上调，如《中国平安：NBV低于预期，寿险转型仍需推进》。

情景二：某公司当前业务及宏观环境运行良好，但是由于前期预测过高、或扩展新业务导致当前资金占用，分析师实际上会略微下调短期盈利预测。此类型的报告，文本整体表达较为积极，但最后盈利预期会略微下调，如《米奥会：2023H1净利超疫前全年，看好其贸易纽带重要性》。值得一提的是，以上讨论，实际上启发我们：细读分析师报告文本内容，往往比简单地拉取盈利预测数据更加重要。

从图4我们可以看出：研报文本和数值表达出的分析师情感有时存在偏差，所以研报文本的研究存在一定的必要性。对于文本的情绪分析而言，目前已有较多的大模型皆可实现这一功能。综合考虑成本，这里我们选取已经开源的基模型HW-Bert和Llama3，并在此基础上进行微调，辅助我们进行文本情感判断。

2.1、 模型一：KY-Bert

2.1.1、 KY-Bert的构建及研报情感判断

对于Bert模型而言，在2019年Google提出bert-base基模型，紧接着各大平台纷纷基于此进行特定场景的微调。这里我们选取基于中文新闻文本的微调模型hw2942/bert-base-chinese-finetuning-financial-news-sentiment-v2，以下简称HW-Bert，并在此基础上再进行进一步的训练，使其更加适合于A股相关文本情感的预测。

基于HW-Bert的微调数据，我们选择的是数库科技的新闻文本数据，时间区间为2014年1月至2019年12月。在训练前，我们对数据做了简单的处理，主要有三步：（1）选取涉及A股且相关性在80%以上的新闻；（2）剔除文本内明显含有行情涨跌的新闻；（3）处理样本不均衡。在处理完成的新闻文本上，我们划分训练集、验证集、测试集，比例为8：1：1。

数库新闻文本具体的样例如图6所示：newsTs、newsTitle、newsSummary分别为新闻时间戳、新闻标题和新闻摘要；Relevance为标签相关度；emotionIndicator为舆情指标，主要分为3类，0、1、2分别代表中性、正面、负面。我们将训练后的模型命名为KY-Bert，在3类标签下，测试集的正确率约为88%。

紧接着，我们使用KY-Bert进行研报情感判断。具体地，一般有如下三种常见的方式：

（1）将标题和摘要合并，一起输进模型进行情感预测；

（2）将标题以及摘要里每个段落分别进行情感预测，最后合成；

（3）将标题以及摘要里每个句子分别进行情感预测，最后合成。

对于Bert模型而言，第一种做法显然不太合理，其传入文本的最大token存在一定限制，直接把一篇研报全部传入会被截断，损失较多信息。而第三种做法拆分到了每个句子的情感预测，切断了上下文的联系，噪音会加大，所以这里我们选取第二种做法。除此之外，由于每篇报告基本都存在风险提示，是报告规范必须要加上的，一般都会被判定负面段落，并无太多意义，这里我们将风险提示类的段落给删除。（注：这里的段落划分参照朝阳永续rpt_sentence_sentiment_stk表中的text_type字段）

另外，由于A股中分析师报告更加倾向于乐观表达，若将2020年1月至2024年6月所有分析师报告的段落放在一起，最终预测的正面、中性、负面比例约为8：1：1。

2.1.2、KY-Bert研报文本情感变动因子构建

有了每篇报告的标题及每个段落的情感判断后，我们将基于此构建研报文本情感变化因子。在计算变动进行报告匹配时，我们保持与数值预期调整因子计算一致，即（1）考虑到时效性，前后两次报告发布时间不超过180天；（2）前后两篇报告作者名称必须有重叠。（注：这里也测了不考虑变动的研报文本情感因子，效果近几年表现较为一般，本篇报告不再列示）

对于因子的构建方式，我们选择每月底回看过去180天，取每个机构最新一次报告的情感变化，并将所有机构的情感变化合成。这里有三个细节点会影响因子的效果：

（1）每篇报告的情感判断中是否要考虑标题？

（2）每篇报告的情感是直接使用数字1、0、-1代表正面、中性、负面，最后等权，还是使用概率值logit(正面)-logit(负面)，最后等权？

（3）将所有机构情感变化合成时，使用简单的等权还是考虑时间、股价跟随性加权？

对于如上三个细节点，我们进行了相关测试，生成了16个因子，其RankICIR对比如表5所示。

从表5我们可以得出三个结论：

（1）不考虑标题效果更好。标题作为内容的涵盖往往较为简短且不宜负面，有时会成为干扰因素。除此之外大模型对短句子的判断错误率可能会加大，比如“估值大底”这类语句很有可能被判断为负面情感。

（2）概率比数值效果更好。这一规律在是否考虑标题下，以及不同加权方式下皆成立。

（3）相较于等权而言，时间加权和股价跟随性加权效果都有所提升，但是二者结合后反而并不是最优的，这里我们尝试了多种时间和股价跟随性权重合成的方式，皆为如表5中类似结果，这里不再列示。

考虑如上3点的规律，我们最终选取不考虑标题、使用概率、股价跟随性加权作为最终的因子，这里将其命名为KY-Bert-Analyst-Sentiment-Change，简称为KY-Bert-ASC。从2020年6月至2024年6月，10分组多空对冲年化收益为8.68%、收益波动比为1.98、最大回撤为2.70%、月度胜率为68.75%。除此之外，为了展示股价跟随性加权的效果，我们和不考虑标题、使用概率、等权后的因子做了对比，可以发现股价跟随性加权极大提升了因子稳定性，多空对冲的IR从1.56提升至1.98。

2.1.3、KY-Bert与HW-Bert模型的对比

对于KY-Bert而言，其是从HW-Bert再进行训练而得到的。若直接使用HW-Bert进行研报情感预测，最后采取同样的方式也可以得到研报情感变动因子HW-Bert-AS-Change。但是该因子的多空IR仅为1.55，略低于KY-Bert-ASC因子的1.98，说明结合A股市场新闻文本再进行微调对最终因子的绩效提升有所帮助。

2.2、 模型二：KY-Llama3

测试完Bert模型的效果，我们进一步测试Llama3模型。首先，我们选取的基模型为Llama3-Chinese-8bit，进一步地我们使用LoRA对其微调，微调时使用的训练数据同Bert，我们将微调后的模型命名为KY-Llama3。

2.2.1、LoRA微调过程简示

对于LoRA微调过程而言，具体可以列示为图10所示。其核心点在于利用低秩矩阵分解技术，将大模型预训练模型的参数矩阵分解为两个低秩矩阵的乘积，从而在微调时只需要调整这两个低秩矩阵，具体原理可以参见论文：《Hu, Edward J. , et al. "LoRA: Low-Rank Adaptation of Large Language Models." (2021).》。

2.2.2、KY-Llama3研报文本情感变动因子

KY-Llama3研报文本情感变动因子的构建流程这里不再赘述，同Bert中的流程，我们将该因子命名为KY-Llama3-Analyst-Sentiment-Change，简称为KY-Llama3-ASC。从2020年6月至2024年6月，该因子10分组多空对冲年化收益为8.85%、收益波动比为2.02、最大回撤为2.24%，月度胜率为66.67%。

2.3、模型三：KY-CH

对于KY-Bert模型和KY-Llama3模型而言，都是属于LLM范畴。进一步地，我们借助姜富伟等（2020）开发出的中文金融情感词典、和姚加权等（2021）开发的金融领域中文情绪词典，尝试直接计数构建情绪变动因子，具体的流程为：

（1）将分析师研报摘要每段都进行jieba分词；

（2）使用带有情感色彩的金融词典进行判断，得到某段落jieba分词后正向词汇个数P，负向词汇个数N，计算（P-N）/（P+N）代表该段落的情感得分；

（3）将该研报所有段落的情感得分取平均，作为该报告的情感得分。

因子构建方式依旧同Bert，我们将其命名为KY-CH-Analyst-sentiment-Change，简称为KY-CH-ASC，因子回测效果如图15所示。从2020年6月至2024年6月，该因子10分组多空对冲年化收益为9.34%、收益波动比为1.78、最大回撤为3.61%、月度胜率为66.67%。

2.4、三大模型的对比分析

2.4.1、三大模型情感预测比例及因子效果对比

在本部分，我们对比这三大模型的情感预测比例和因子效果，如图13所示，从中可以看出如下结论：

（1）对于研报的情感预测比例而言，KY-CH给出的正面比例最多，说明词汇计数模型较为简单，不能够达到理解上下文的作用，从而在正面词汇和负面词汇天然不对等的分析师报告中，更加倾向于给出正面的判断；从情感预测相同比例来看，三个模型相互之间都有80%以上，并没有某一个模型偏差较大。

（2）从因子相关性来看，三者皆有60%的相关性，同为大模型生成的KY-Bert_ASC和KY-Llama3-ASC相关性略高，达到了67.89%；就因子选股多空对冲而言，KY-Llama3-ASC相对最好，KY-CH-ASC相对最差。

2.4.2、 三大模型因子合成

进一步地，我们将KY-Bert-ASC、KY-Llama3-ASC、KY-CH-ASC三者等权合成，合成后的因子记为KY-Combine-ASC，10分组多空对冲曲线如图13所示。从2020年6月至2024年6月，最终合成因子10分组多空对冲年化收益为11.17%、收益波动比为2.33、最大回撤为1.85%、月度胜率为70.83%。最终合成因子效果相较于任何单一模型因子而言，绩效都有所提升。

03

改进盈利预期调整优选组合：考虑研报文本

3.1、研报文本情绪变动因子和数值预期调整因子对比

1、文本的表述有时和数值存在些许差异；

2、情感变化因子KY-Combine-ASC更重视边际的变化。比如对于某只股票而言，针对前后两次报告，假设都是非常看好的情况，分析师数值可能会处于一直上调的状态，但是由于文本情感评分存在上限，导致上调幅度有限甚至为0，这样的场景其实经常发生在高景气投资逻辑失效的市场中。在这种市场中，高景气赛道面临的是业绩消化不了估值带来的杀估值，由于赛道景气度依旧较高，分析师预期数值可能处于一直上调的状态，而KY-Combine-ASC因子的评分并不会继续大幅上升，这或是导致在2022-2023年期间KY-Combine-ASC回撤更小的原因之一。

3.2、考虑研报文本情绪变动后，盈利预期调整优选组合稳定性提高

04

其他重要讨论

4.1、 研报文本研究其他方法：关键词筛选

对于分析师的报告而言，其内容往往包括三大部分：最新业绩、与公司运营相关因素近况阐述、未来展望。在上述的研究中，我们集中在讨论文本的情感得分，即模型看完一篇报告后整体给出的判断。我们在思考：对于两份情感评分相同的报告，里面的关键词差异是否会对股价走势有较大的影响？比如评分都是满分的两份报告，其中一份里面涉及到很多“超预期”类的字眼，而另外一份却没有。

直接使用关键词进行定位是文本研究中简单且有效的方法，比如含有“业绩超预期”字眼的股票会比含有“业绩不及预期”股票明显绩效更好，如图18所示。

但是使用关键词研究存在两大较为严重的问题：1、关键词的筛选过程较为主观；2、过拟合现象严重，前期较为有效的关键词可能会由于市场的冲击而失效。比如疫情后的时间段内，“估值大底”、“业绩反转”类研报会变多，此时这类关键词的有效性可能会大打折扣。当然如何将研报情感和关键词再进行更好的结合，也是我们后续会继续研究的方向。

4.2、 改进行业预期调整因子：考虑研报文本

05

风险提示

模型测试基于历史数据，市场未来可能发生变化。

注：感谢实习生吴松栗（南京大学）参与讨论。

版权声明：文章版权归原作者所有，部分文章由作者授权本平台发布，若有其他不妥之处的可与小编联系。