大类资产配置研究：另类量化预期体系的构建

　　本篇报告尝试了一种可延展可验证的基本面量化方法，构建了一套另类量化预期框架：将非标准非结构化的另类信息转换为可比较可验证可积累的预测信息，形成另类量化预期，通过截面上统一的验证标准滚动验证，筛选每种方法适用的领域，从而构建可用的另类量化预期，再衍生应用到各类投资策略中。对此，我们将尝试通过供应链、科技关联、地区关联、地区比较优势等另类数据建立其与公司未来业绩之间的逻辑关联，从而构造另类量化预期，并验证是否可用，此外我们还会尝试通过完善的时间序列、CFO-ACC 等统计模型去构造可用另类量化预期。此外，我们将通过本篇报告构造的可用另类量化预期构建因子化策略，在接下来的系列报告中我们还会基于此构建完整的行业配置策略。

    除了地区关联以外，通过供应链、科技关联、地区比较优势、时间序列以及CFO-ACC 模型构造另类量化预期均是兼备合理逻辑（或模型）与良好效果的预测方式：基于供应链、科技关联、地区比较优势、时间序列以及CFO-ACC 模型构造的另类量化预期，相较于分析师预期，可平均提升12%的覆盖程度，平均改善了16 个中信一级行业的预测偏差程度，平均预测偏差改善程度约为6%。

    通过所构造的另类量化预期，考虑新添加与充分结合两种方式对现有分析师预期因子进行改造，结果表明：无论采用何种融合方法，加入另类量化预期后的新预期衍生出的一系列预期因子，相较于原始分析师预期构造的预期因子，均有一定的改善，说明另类量化预期有助于我们提升预期因子的预测能力以及稳定性。1）新添加：观察加入另类量化预期前后，经十大类风格及行业进行风险调整后的一系列预期因子IC 以及ICIR 的变动情况。可以发现，所有因子的IC 与ICIR均得到了改善，其中“业绩预期同比增长”与“预期ROE”以及“预期ETOP”改善最为明显，IC 平均提升了0.37%，ICIR 平均提升了0.31。

    　　2）充分结合：观察充分结合另类量化预期前后，经十大类风格及行业进行风险调整后的一系列预期因子IC 以及ICIR 的变动情况。可以发现，除了环比因子的其他因子IC 均得到了改善，所有因子的ICIR均有改善，其中“业绩预期同比增长”与“预期ROE”以及“预期ETOP”改善最为明显，IC 平均提升了0.46%，ICIR 平均提升了0.45。

    未来我们将继续尝试完善另类量化预期的类型及具体方法，逐步积累数据及策略，完善另类量化预期框架及数据库，与传统预期互为补充，开发新策略，例如基于另类量化预期的行业配置策略，丰富投资。