FE800 研究项目 · 史蒂文斯理工学院 · 2026 年春

反转指数

我设计了一个反转指数(Ri),比较分析师在盈利方向发生变化时的预测准确度,和其他季度的准确度。课程项目把 Ri 加进一个分析师排名模型,并测试了一个交易策略。这个页面同时展示当时的原始结果,以及后来补做的滚动前推验证。

各季度 EPS · 示意图● 反转
作者
陈桢涵
导师
Dragos Bozdog 教授
数据
IBES 分析师预测(WRDS)· Yahoo Finance 股价
范围
78 只美国大盘股 · 4,837 次财报事件 · 2005–2024
01

为什么要衡量反转时的准确度

这个项目想知道:不同分析师预测盈利方向变化的能力,是否有差别。

知名多头
特斯拉会涨到每股 2,600 美元。
对
知名空头
特斯拉这些年一直被严重高估。

分析师之间常常意见不一。我想知道谁的预测更值得参考,尤其是在盈利方向变化的时候。

IBES 收集了每位卖方分析师的 EPS 预测,取平均就得到投资者、交易员和财经媒体引用的市场一致预期。Shoorvazi(2025)改进了简单平均:按准确度、信息差异度和稳定性给每位分析师打分,只对排名前 25% 的人取平均。

这个框架没有单独给反转季度打分。我想检验:当 EPS 方向反转时,分析师的相对准确度会不会变化,以及区分这一点能否改进一致预期。

02

什么算反转

一条机械规则,两个条件:方向翻转,而且变化大到不像噪音。

  • 01方向翻转:sign(ΔEPSt) ≠ sign(ΔEPSt−1)
  • 02变化足够大:|ΔEPSt| / |EPSt−1| > 10%

用在苹果公司上,156 个季度里有 65 个(42%)符合条件。反转并不罕见。

为什么后面会用到

季度 EPS 有季节性。假日季度冲高、下一季度回落,每年都会被算成一次“反转”。加总成年度 EPS 就能去掉这种季节性。可以在下面试试。

03

反转指数

反转季度的预测准确度,相对其他季度准确度的比值。

Ri  =  反转季度的准确度普通季度的准确度
Ri > 1

在反转季度的相对预测准确度更高。

Ri = 1

两类季度的相对预测准确度相同。

Ri < 1

在反转季度的相对预测准确度更低。

苹果公司,167 位历史足够长的分析师几乎对半分:分析师预判拐点的能力差别很大
04

从分析师评分到交易

Ri 作为第四个因子加进 Shoorvazi 的评分模型。得分最高的分析师组成精选一致预期,它和市场一致预期之间的差距就是交易信号。

Score = w1·Accuracy + w2·IntD + w3·Ci + w4·Ri Σw = 1, w ≥ 0
Shoorvazi
Acc
准确度

1 − |预测 − 实际| / |实际| 的平均值,截断到 [0, 1]。

Shoorvazi
IntD
信息差异度

分析师的预测通常离大家有多远。

Shoorvazi
Ci
稳定性

分析师历次预测误差的逆方差占比。

新增
Ri
反转指数

反转季度准确度除以普通季度准确度。

例子:苹果公司 2020 年 10 月 29 日财报

给分析师打分

每只股票按 0.2 的步长网格搜索 w₁…w₄,给每位分析师打分。

留下前 25%

按分数排序,留下前四分之一。

精选一致预期

对选出的分析师的 EPS 预测取平均。

$0.837

和市场比较

市场一致预期是所有人的平均。

$0.781

信号

(精选 − 市场)/ |市场|

+7.2%

分组并持有

每个季度按信号把股票分成三组,持有 60 个交易日。

信号
+7.2%
实际 EPS
$0.73
60 日收益
+29.0%
分组
最高组
精选一致预期比市场更乐观,但实际 EPS 比两个预测都低,股价却还是涨了 29%。预测错了,交易照样赚钱。所以单个例子说明不了什么,下面的整体检验才重要。
05

原始结果和滚动前推检验

我先在样本内评估了模型。后来又用滚动前推的方式重建了整个流程,每个时间点只用当时已有的信息。下面可以在两者之间切换,页面上所有图表都会跟着变。

样本内 · 提交时的版本

权重在一只股票的全部历史上网格搜索,包括正在被评分的季度。这是期末报告和展示里的版本。

滚动前推 · 复核版

特征、Ri 和权重只用之前的时期。预测必须在财报发布前做出。三因子基准单独优化。

第 3 阶段 · 预测对比 — 15 只股票试点

反转季度的预测误差:四因子 vs 三因子

MAE 降低的百分比 · 越靠右越好
四因子更准四因子更差
数据表

第 4 阶段 · 年度 Ri 和季度 Ri

06

交易回测

68 只股票,2005–2024,4,837 次财报发布。做多最高组;最低组也做多,作为对照;多空组合是最高组减最低组,美元中性。

1 美元的增长 · 持有 60 天

对数坐标
做多最高组做多最低组(对照)多空,美元中性

60 日结果

不同持有期的夏普比率

交易日
最高组最低组(对照)多空

各时段的多空收益

年化 · 60 日
样本内滚动前推
07

后续验证

课程时的原始结果,和后来滚动前推实现的对比。

结论样本内滚动前推判定

滚动前推重建改了什么

  1. 没有前视分析师特征、Ri 和权重只用每个测试季度之前的时期估计。
  2. 预测时点只算财报发布日之前生效的预测。
  3. 公平的基准三因子模型单独优化,不从四因子的权重推出来。
  4. 重叠持仓按日记账,把重叠的 60 天窗口当作真实的同时持仓。
  5. 真正的美元中性多空 = 多头篮子减空头篮子;一边为空时持有现金。
08

研究结论

i.

分析师之间的差异

原项目提出用 Ri 衡量反转季度相对普通季度的准确度,并把它加进分析师排名模型。年度和季度的对比,考察了季节性盈利对这个指标的影响。

ii.

权重选择和过拟合

原来的试点在同一份数据上选权重后,报告预测误差降低约 12%。后来的滚动前推对比没有重现这个改进。两个结果回答的是不同的问题,上面分开展示。

iii.

纯多头和多空的结果

课程展示强调了最高组的表现,以及 2011 年之后多空收益的下降。但最低组也跑赢了 SPY。这个对比加上后来的验证,说明纯多头的收益有多少能归功于排名信号,是很有限的。