高質(zhì)量股票池構(gòu)造體系Ⅱ事件型風(fēng)險研究

1、高質(zhì)量股票池構(gòu)造框架回顧在我們于22年5月4日發(fā)布的前篇報告《高質(zhì)量股票池構(gòu)造體系—量化選股系列報告之五中我們從真實交易環(huán)境出發(fā)提出了一個三層股票池構(gòu)框架包括原始股票池剛性優(yōu)化股票池以及柔性優(yōu)化股票池剛性優(yōu)化保證了股票可交易，柔性優(yōu)化提升了股票池質(zhì)量。在柔性優(yōu)化部分我們僅針對負向因子進行了剔除本文將延續(xù)之前的優(yōu)化框架對負向事件進行梳理研究。圖1：高質(zhì)量股票池構(gòu)造流程資料來源：、柔性優(yōu)化回顧柔性優(yōu)化目的是提升股票池質(zhì)量我們在本系列的第一篇報《單因子組合優(yōu)在指數(shù)增強策略中的應(yīng)用—量化選股系列報告之一中使用組合優(yōu)化的方法市場中常用單因子進行了測試，發(fā)現(xiàn)部分因子在多頭端正向la較弱，但是空頭端負向la較強。我們認為在當(dāng)前的市場環(huán)境下此類因子納入收益模型中很難提供增量信息，但是其空頭端的負向預(yù)測能力可以加以利用。柔性剔除的標準可以分成三種類型，分別需要使用不同方式建模分析：負向事件預(yù)測剔除主要為財務(wù)造假預(yù)測部分財務(wù)指標對于股票收益的預(yù)能力較差但是對于財務(wù)造假事件有預(yù)測能力因此可以通過對財務(wù)造假事件行建模預(yù)測，進而規(guī)避財務(wù)造假概率較高的股票。負向事件發(fā)生后剔除部分負向事件發(fā)生后股價會出現(xiàn)持續(xù)性下跌如果事件發(fā)生后及時將涉事股票剔除，也可以及時規(guī)避風(fēng)險。負向因子剔除因子型剔除的邏輯較為直接尋找有負向預(yù)測能力的因子除期望收益率最低的部分股票。圖2：柔性剔除分類資料來源：、事件驅(qū)動型優(yōu)架事件驅(qū)動型包括財務(wù)造假高管減持等特殊風(fēng)險事件均為離散變量如果上市公司發(fā)生此類特殊風(fēng)險事件公司的基本面或股權(quán)等將發(fā)生變動發(fā)生此類事后，需要分析事件是否會驅(qū)動股價變動，進而決定剔除該股票與否。對于有明顯負向收益的事件我們需要對該事件進行主觀分析判斷其是否具預(yù)測可能性。對于不可預(yù)測的事件若負向超額收益集中在事件發(fā)生后那么我們可以對件進行跟蹤并及時將涉事股票剔除出股票池。對于可預(yù)測事件無論其負向超額收益發(fā)生在何時我們均可構(gòu)建模型進行預(yù)測，提前將涉事股票剔除。下圖展示了基于事件驅(qū)動的事后剔除型優(yōu)化框架。圖3：事件驅(qū)動型優(yōu)化框架、事件驅(qū)動測試本文采用典型的事件研究法來考察上市公司在事件發(fā)生并發(fā)布公告后的市場反應(yīng)我們采用市場模型來估計預(yù)期收益率并在此基礎(chǔ)上計算出每日超額收益R和累計超額收益率ACR以T0為事件發(fā)生日選用[T-T-3為模型的估計期，對下列模型進行估計：ttti i im ii然后根據(jù)估計參數(shù)i和i，計算事件窗口期T-30,T+30]中第t日的超額收益和截至t日的平均累計超額收益，如下所示：it

1ntnt

i10其中，m為市場指數(shù)基準收益率，本文采用中證全指作為基準；i表示第i股票的收益率。圖4：事件驅(qū)動測試示意圖2、不可預(yù)測負向事件跟蹤事件是否具備可預(yù)測性一般需要主觀分析判斷對于不可預(yù)測事件來說若負向收益發(fā)生在事件發(fā)生后可以通過及時監(jiān)測并剔除的方式避免損失擴大本章節(jié)從兩個維度選取了若干不可預(yù)測負向事件進行測試具體來說包括基本面和經(jīng)層面?；販y區(qū)間我們選取20年1月至1年2月。、基本面負向事件基本面維度負向事件的信息來源主要涉及業(yè)績預(yù)告我們將季報半年報及年的業(yè)績預(yù)告均納入研究范圍中報告類型共有8種其中負向事件包括續(xù)虧減、預(yù)減和首虧。其具體含義如下表所示。表1：業(yè)績預(yù)告負向事件含義類型類型 含義續(xù)虧 上年期損預(yù)期損不業(yè)績比上同變化略減略減 業(yè)績比年期降度于050之間預(yù)減 業(yè)績比上同下幅過5首虧首虧 上年期利預(yù)期從事件發(fā)生數(shù)量上看四種報告類型在各年度發(fā)生頻率較為均勻事件總數(shù)在年度維持在0左右?；販y結(jié)果上來看四種類型報告均有顯著負向超額收益其中續(xù)虧類型的報告向收益強度最大，在事件發(fā)生后7個交易日，平均累計超額收益達到-.14。負向收益區(qū)間來看，在四種類型報告發(fā)布前對應(yīng)股票均已經(jīng)開始出現(xiàn)負向收益市場反應(yīng)在一定程度上會先于業(yè)績公告數(shù)據(jù)說明市場中存“搶跑者負向收益大幅兌現(xiàn)則是集中于事件發(fā)生后7個交易日左右及時跟蹤并剔除涉及此類事件的股票可以避免回撤擴大。圖5：業(yè)績預(yù)告續(xù)虧事件驅(qū)動回測 圖6：業(yè)績預(yù)告略減事件驅(qū)動回測。注回測區(qū)間為2010年1月2021年12月橫軸表示距離事件發(fā)生的天（下同。

in，。注：回測區(qū)間為2010年12021年12月。圖7：業(yè)績預(yù)告預(yù)減事件驅(qū)動回測 圖8：業(yè)績預(yù)告首虧事件驅(qū)動回測，。注：回測區(qū)間為2010年12021年12月。 ，。注：回測區(qū)間為2010年1月2021年2月。表2：業(yè)績預(yù)告負向事件發(fā)生次數(shù)統(tǒng)計會計度業(yè)績告-業(yè)績告-業(yè)績告-業(yè)績告-201060151190156201113814924217520126021917154282013710343700450201460540956352120155724786496762016560523608524201756943851739320187123787805582019624415898752202048248894211192021129531500553，。注：數(shù)據(jù)區(qū)間為2010年2021年。、經(jīng)營層面負向件經(jīng)營層面負向事件主要涉及公司經(jīng)營活動相關(guān)事件例如違規(guī)立案調(diào)查高管離職等部分事件對股價的負向沖擊明顯但是預(yù)測難度較高我們測試了其中的四類事件分別為公司改名立案調(diào)查董事長離職以及高管減持超過0?；販y結(jié)果上來看四種事件均有顯著負向超額收益其中立案調(diào)查事件的負向益強度最大，在事件發(fā)生后7個交易日，平均累計超額收益達到-3。負向收益區(qū)間來看涉及四種事件的個股在事件發(fā)生后均有持續(xù)的負向收益中公司改名事件負向收益延續(xù)長達0個交易日及時跟蹤并剔除涉及此類事的股票可以避免回撤擴大。圖9：公司改名事驅(qū)動回測 圖10：高管減持超過10件驅(qū)動回測，。注：回測區(qū)間為2010年12021年12月。 ，。注：回測區(qū)間為2010年1月2021年2月。圖11：立案調(diào)事件驅(qū)動回測 圖12：董事長離職事件驅(qū)動回測，。注：回測區(qū)間為2010年12021年12月。 ，。注：回測區(qū)間為2010年1月2021年2月。表3：經(jīng)營層面負向事件發(fā)生次數(shù)統(tǒng)計會計度公司名立案查董事離職高管持例超過10%20103310--2011437--2012405173-20134315193-20149118235-201513745272-201614135323120179745328316201890513481219201975733642501202088684143086202188624382470，。注：數(shù)據(jù)區(qū)間為2010年2021年。其中“-”表未收集相關(guān)數(shù)據(jù)。、不可預(yù)測負向跟蹤剔除測試根據(jù)上述負向事件的測試結(jié)果我們構(gòu)建負向事件跟蹤剔除策略來測試剔除負股票后的收益情況。具體做法為：每個交易日在全市場中挑選出涉及上述負向事件的股票并將其納入負向股池。每個交易日在全市場股票池中剔除負向股票池中的股票，剩余股票等權(quán)買入等權(quán)買入全市場股票，作為比較基準。測試區(qū)間選擇010年1月4日至1年2月1日。測試結(jié)果如下圖所示負向事件剔除組合相對于基準組合超額收益穩(wěn)健及時除負向事件能夠避免損失擴大。圖13：不可預(yù)測負向事件跟蹤剔除組合相對等權(quán)重組合凈值表現(xiàn)，。注：數(shù)據(jù)區(qū)間為2010.01.0—2021.12.31表4：不可預(yù)測負向事件跟蹤剔除組合業(yè)績表現(xiàn)月度率年化益年化夏普率最大撤最大撤始時間最大撤束時間20107500%0.3%0.4%2.50.5%201//1201//920117500%0.5%0.9%2.50.2%201//31201//1120128333%1.4%0.8%3.60.1%201//31201//2320137500%1.2%0.4%2.30.2%201/1/1201/1/920146667%1.1%0.2%3.30.1%201//24201//1520155833%0.8%0.1%1.20.3%201/1/3201/1/1620168333%1.6%0.1%4.80.9%201//1201//2420178333%2.7%0.3%7.30.0%201//1201//2620187500%1.3%0.1%3.60.6%201//6201//1320198333%1.7%0.1%1.11.8%201//31201//1220209167%3.4%0.9%4.20.8%202//4202//2620217500%1.2%0.4%2.40.4%202//8202//17全區(qū)間7708%1.8%0.1%2.11.8%201//31201//12資料來源：ind。注：數(shù)據(jù)區(qū)間為2010.01.0—2021.12.313、可預(yù)測負向事件研究學(xué)術(shù)界對于上市公司業(yè)“暴雷做過大量研究對于財務(wù)危機風(fēng)險的預(yù)測已有了成果公司陷入財務(wù)危機是一個逐步的過程通常由財務(wù)狀況正常開始逐惡化最終導(dǎo)致財務(wù)危機或破產(chǎn)因此公司的財務(wù)危機不但具有先兆而且是可預(yù)測的。本文將參考已有學(xué)術(shù)研究成果進行實證測試以財務(wù)報表為線索篩選出由財問題導(dǎo)致的財務(wù)危機風(fēng)險事件并構(gòu)造財務(wù)指標進行預(yù)測希望能構(gòu)造出一套供投資者使用的財務(wù)危機風(fēng)險預(yù)測模型。、財務(wù)危機風(fēng)險對于財務(wù)危機風(fēng)險，學(xué)術(shù)界有不同的定義方式。大體包括：股票被特別處理（ST/*ST）。公司受到監(jiān)管處罰。我們認為與公司財務(wù)狀況相關(guān)的財務(wù)危機是投資者需要關(guān)注的重點而且公財務(wù)惡化是一個過程具備可預(yù)測性因此我們將對上述兩類事件進行提純只保留與公司財務(wù)狀況相關(guān)的風(fēng)險事件。特別處理（ST*ST）特別處（ST/*ST與上市公司的財務(wù)危機風(fēng)險有著緊密聯(lián)系我們對5年至1年之間特別處理的原因進行了統(tǒng)計發(fā)現(xiàn)由于連續(xù)兩年虧損的特別處理次數(shù)占總次數(shù)的805，顯然這是特別處理最主要的原因。也即最近兩個會計年度的凈利潤均為負數(shù)時，將發(fā)生財務(wù)危機風(fēng)險。數(shù)量上來看，隨著近些年處罰力度的增強，8年以來被特別處理的企業(yè)總數(shù)增多，由虧損導(dǎo)致的被特別處理事件占比下降。事件驅(qū)動測試結(jié)果來看，股票被特別處理前30個交易日至后2個交易日負向超額收益尤為明顯，預(yù)測價值較高。圖14：歷年特別處事件發(fā)生數(shù)量 圖15：特別處理事件驅(qū)動回測資料來源，。注：數(shù)據(jù)區(qū)間為20050101—2021231 ，。注：數(shù)據(jù)區(qū)間為20050101—2021231綜上我們將特別處理事件作為財務(wù)危機風(fēng)險的樣本此外由于特別處理有種原因，我們還對特別處理事件數(shù)據(jù)做了提純處理，具體規(guī)則如下：僅使用由于虧損導(dǎo)致的特別處理事件。剔除由ST轉(zhuǎn)為*ST的特別處理事件。剔除由ST/*ST轉(zhuǎn)為退市的特別處理事件。監(jiān)管處罰監(jiān)管處罰相關(guān)數(shù)據(jù)均來自于wind數(shù)據(jù)庫的Sarellegaliy數(shù)據(jù)表我們從其中的兩個維度作為切入點：首先是被處罰標的與公司關(guān)系包括公司本身公司股東公司高管等7種關(guān)系根據(jù)需求我們希望提取出能代表企業(yè)發(fā)生財務(wù)危機的報表因此僅使用處罰標的為公司本身的樣本。其次是監(jiān)管機構(gòu)公布的處罰類型，共有五大類，包括（）未按時披露定期報告（未及時披露公司重大事（信息披露虛假或嚴重誤導(dǎo)性陳（業(yè)績預(yù)測結(jié)果不準確或不及時（）未依法履行其他職責(zé)。公司的處罰類型可包括一種或多種，我們剔除了上述類別中違規(guī)原因不明確的第五類。從數(shù)量上來看，隨著近些年監(jiān)管力度加大，上市公司違規(guī)的數(shù)量有明顯的上升其中主要處罰原因“未及時披露公司重大事項“信息披露虛假或嚴重誤導(dǎo)性陳述”?；販y結(jié)果來看，5年-2021年期間，未及時披露公司重大事項的負向超額收益更為持續(xù)和明顯，在事件發(fā)生前后30個交易日均有顯著負向收益。最終我們將使“未及時披露公司重大事項“信息披露虛假或嚴重誤導(dǎo)性述”兩種違規(guī)類型作為財務(wù)危機樣本。圖16：違規(guī)類數(shù)量統(tǒng)計圖 圖17：監(jiān)管處罰事件驅(qū)動回測，。注：數(shù)據(jù)區(qū)間為20050101—2021.1.1 in，。注：數(shù)據(jù)區(qū)間為20050101—2021.1.1。監(jiān)管處罰選取“未及時披露公司重大事項”和“信息披露虛假或嚴重誤導(dǎo)性陳述”兩種類型。表5：違規(guī)類型數(shù)量統(tǒng)計表年份未按披露定期告未及披公司信息露假或重大項 嚴重導(dǎo)陳述業(yè)績測果不準確不時未依履行其他責(zé)200511511153120061737125322007103426144200832453272200911542281201002037312520111227467620124412638820130362798020145593314832015152396334201631401791823992017431591163111702018303902311041571201924392173154149120202950919314913532021255561831601751資料來源：ind。注：數(shù)據(jù)區(qū)間為2005年2021年問題報表確認上述兩類負向事件均可以作為財務(wù)危機風(fēng)險樣本，為了保證負例樣本的數(shù)量夠，我們將特別處理和監(jiān)管處罰事件合并，作為財務(wù)危機風(fēng)險樣本集合。財務(wù)危機風(fēng)險的發(fā)生一般要經(jīng)歷積年累月的經(jīng)營情況惡化問題發(fā)生前的財務(wù)報告已經(jīng)存在了問題因此可以將其納入到負例樣本中具體來說我們以財務(wù)危機風(fēng)險樣本為基礎(chǔ)，將事件發(fā)生前2個會計年度的財務(wù)報表均定義為問題報表以康美藥業(yè)為例，在020年5月3日中國證監(jiān)會對康美藥業(yè)出具的《行政處罰決定書》中判定該公司的68年年度報告均存在違規(guī)問題。此外我們從年報數(shù)據(jù)中也能發(fā)現(xiàn)端倪康美藥業(yè)屬“存貸雙高型財務(wù)造假，通過其年報數(shù)據(jù)中我們不難發(fā)現(xiàn)，“存貸雙高”現(xiàn)象在16年就開始顯現(xiàn)。圖18：康美藥業(yè)“存貸雙高”現(xiàn)象從2016年開始出現(xiàn)，；注：數(shù)據(jù)區(qū)間為2010年年報2020年年報。單位：億元經(jīng)過篩選，我們總共提取了2份上市公司年報作為負例樣本，總共涉及到4家公司從時間序列分布來看2013年開始問題報表出現(xiàn)數(shù)量及占比均快速上升，這與A股市場監(jiān)管趨嚴相吻合。圖19：歷年問題報表數(shù)量及占比資料來源：in，。注：數(shù)據(jù)區(qū)間為2005年年報2019年年報從行業(yè)分布來看問題報表多存在于化工機械醫(yī)藥和房地產(chǎn)等行業(yè)國防和軍工、消費者服務(wù)等行業(yè)問題報表出現(xiàn)次數(shù)不多。但是我們所選取的時間跨度為5年，平均來看問題報表在行業(yè)分布中相對較為平均。圖20：問題報表行業(yè)分布情況資料來源：。注：數(shù)據(jù)區(qū)間為2005年年報—019年年報此外我們還對比了不同寬基指數(shù)中問題報表占比可以看到問題報表大多集于市值較小的指數(shù)中，滬深0指數(shù)成分股出現(xiàn)問題報表的概率并不高。圖21：問題報表在寬基指數(shù)中分布情況，。注：數(shù)據(jù)區(qū)間為2005年年報2019年年報、分箱法探究財標與財務(wù)危機在銀行借貸場景中評分卡是一種常用的用來衡量客戶信用風(fēng)險的手段通過給各個特征進行分檔能夠快速對新客戶給出信用評分我們將參考銀行系統(tǒng)中常用的評分卡風(fēng)控模型使用其中的分箱思想為財務(wù)報表構(gòu)建一套財務(wù)質(zhì)量打分體系。分箱的本質(zhì)是將連續(xù)變量離散化使擁有不同屬性的樣本被分成不同的類別終達到類似于聚類的效果。具體來說，分箱操作有以下三種優(yōu)勢：將缺失值變成可用數(shù)據(jù)：務(wù)指標中難免存在缺失值，在傳統(tǒng)多因子體系中，需要對缺失值進行填充或剔除這種操作可能會使數(shù)據(jù)失真而分箱可以將缺失值單獨分成一組，即使數(shù)據(jù)的覆蓋率很低也可以被我們使用。異常值處理傳統(tǒng)的異常值處理方法多為邊界值替換或剔除同樣會導(dǎo)致數(shù)據(jù)失真的問題而分箱操作需要將變量離散化天然具備處理缺失值的功能例如資產(chǎn)增長率數(shù)據(jù)若出現(xiàn)0的極端值可將其分入100＋∞這個分箱內(nèi)，從而排除影響。發(fā)現(xiàn)非線性關(guān)系財務(wù)指標與財務(wù)危機風(fēng)險的關(guān)系并非簡單的單調(diào)關(guān)系例如資產(chǎn)負債率指標一般認為該指標值處于4至8之間較為良好然而此類非單調(diào)關(guān)系的指標一般需憑借主觀經(jīng)驗無法進行批量篩選甚至無法保證該經(jīng)驗的正確性。分箱操作能夠刻畫出非線性關(guān)系。分箱評價指標V與WOE分箱是對連續(xù)數(shù)據(jù)的離散化必然會導(dǎo)致信息的損失若分箱數(shù)量過多則沒達到離散化的目標若分箱數(shù)量過少則會使信息損失過大因此分箱的過程中比較重要的問題是如何確定箱子的個數(shù)。為了平衡信息量和財務(wù)指標的預(yù)測能力，我們使用V（nfrmaionVale）和WOE（WeightfEvidence）指標來輔助判斷分箱個數(shù)。其中N為分箱個數(shù)i表示第i個箱子表示第i個箱內(nèi)正常財務(wù)報表的量，表示全樣本中正常財務(wù)報表的數(shù)量。表示第i個箱子中正常樣本占全部正常樣本的比例，負樣本同理。表示正常財務(wù)報表與異常財務(wù)報表比例的對數(shù)，也即對數(shù)財務(wù)危機風(fēng)險概率其本質(zhì)是對比分箱內(nèi)識別財務(wù)危機的概率和全樣本中財務(wù)危機概率之間的異。為負，說明該箱子相比于全樣本更能夠識別出負例樣本。一般認為V與指標有效性的關(guān)系如下表所示。從該表中我們可知，V值有兩重要功能，（1）評價指標有效性（）確定合適的分箱個數(shù)。V和WOE是我們后續(xù)研究中的重要參考，V值用來評價財務(wù)指標，WOE值是財務(wù)指標分箱后的打分標準。V 特征V 特征預(yù)函數(shù)貢度0.3下 特征乎帶效息對型貢獻00.3至009 有效息少對型貢度0.1至.9 有效息般對型貢度00.3至.9 有效息多對型貢度0.5及上 有效息常，模的獻常高但此特較可疑有效指標篩選建模過程中若模型訓(xùn)練數(shù)據(jù)中存在較多無關(guān)數(shù)據(jù)會影響模型最終的精度與泛化能力因此在建模之前需要對指標有效性進行檢驗對指標進行了初步篩選之后再對每一個指標進行建模尋找對于公司是否存在對違規(guī)現(xiàn)象具有解釋能力的指標。上一小節(jié)提到，V可以用來評價指標的預(yù)測能力。當(dāng)IV小于1時，指標的有效信息含量較少，對模型的貢獻度較低。根據(jù)V的計算公式我們可知，V值與分箱數(shù)量是正向單調(diào)關(guān)系。而根據(jù)后續(xù)的研究我們發(fā)現(xiàn)，分箱數(shù)量較多時，值的提升有限。因此最終的篩選標準設(shè)定為分箱數(shù)量為30時V值大于1的指標我們從指標庫中的9個指標中最終篩選出了5個有效指標。（詳見附錄）分箱流程概述最終構(gòu)建評分模型時會給予不同箱子中的財務(wù)報告不同的分數(shù)較好的分箱果是同一個箱子中的樣本屬性盡可能保持相同不同箱子中的樣本屬性盡可能異明顯。也即達到“組間差異大，組內(nèi)差異小”的效果。我們通過卡方檢驗的方式來比較相鄰兩個箱子之間的相似性若相鄰兩個箱子的卡方檢驗vale較大，則說明兩個箱子非常相似，需要將其合并為一個箱子具體步驟如下：設(shè)定目標分箱值K。對財務(wù)指標進行等頻率分箱，初始分箱數(shù)量默認為30。計算每個箱子的財務(wù)危機風(fēng)險概負例樣本占總樣本的比例和WOE值。對相鄰兩個箱子進行卡方檢驗，特征相似的箱子進行合并，直到箱數(shù)小設(shè)定的目標值K為止。遍歷分箱數(shù)量K重復(fù)上述過程觀察不同分箱數(shù)量下的V值變化情況找出最合適的分箱個數(shù)。分箱過程如下圖所示：圖22：分箱生過程示意圖分箱法流程小結(jié)本章節(jié)介紹了分箱法的優(yōu)勢目的以及整體流程其中最核心的是兩個評價指標V和WOEV值可以評價分箱后數(shù)據(jù)的信息含量以此可以選擇合適的分箱數(shù)量；WOE值用來評價每個箱子的負例樣本識別能力，當(dāng)WOE小于0時，說明該箱的負例占比要高于全樣本的負例占比。接下來我們將使用上述流程對財務(wù)指標進行分箱操作并給出每個財務(wù)指標的箱結(jié)果。、財務(wù)指標分箱經(jīng)過V值初步篩選出顯著指標后，接下來我們要通過分箱構(gòu)建指標數(shù)值與財危機發(fā)生概率之間的關(guān)系，并計算出分箱后的WOE值作為評分標準。財務(wù)指標分箱測試根據(jù)上一章節(jié)設(shè)定的分箱步驟首先要對所選財務(wù)指標進行排序操作然后對序后的財務(wù)指標進行等頻率分箱我們先對數(shù)據(jù)進行了0等分每組樣本數(shù)相同約包含2200個樣本點最后計算各組內(nèi)財務(wù)危機風(fēng)險樣本的比例作為財務(wù)指標在該區(qū)間內(nèi)發(fā)生財務(wù)危機風(fēng)險的概率同時計算WOE值作為該組的打標準。分箱操作能夠為我們提供兩個重要信息：財務(wù)指標與財務(wù)危機風(fēng)險發(fā)生概率的關(guān)系是怎樣的。財務(wù)指標處于哪些區(qū)間時財務(wù)危機風(fēng)險發(fā)生概率最高。以現(xiàn)金比率指標為例通過財務(wù)危機風(fēng)險概率分布圖可以清晰的看到現(xiàn)金比與財務(wù)危機風(fēng)險發(fā)生概率為負相關(guān)也即現(xiàn)金比率越低財務(wù)危機風(fēng)險越高該論與經(jīng)驗較為符合此外從分布圖中還可以獲得更具體的信息當(dāng)現(xiàn)金比率標低于5時，財務(wù)危機發(fā)生概率開始升高。當(dāng)指標值低于-0時，財務(wù)危機風(fēng)險發(fā)生概率為38。圖23：現(xiàn)金比率指標與財務(wù)危機風(fēng)險概率關(guān)系圖，。注：數(shù)據(jù)區(qū)間為2005年年報2019年年報。橫軸：指標分箱結(jié)果；縱軸：財務(wù)危風(fēng)險概率（下同。卡方檢驗合并箱體從現(xiàn)金比率與財務(wù)危機風(fēng)險的關(guān)系來看指標值在高于之后就已經(jīng)沒有顯著區(qū)分度了分箱操作只會為模型引入噪音因此我們使用卡方檢驗對屬性相似箱體進行合并。圖24：現(xiàn)金比率指標分箱結(jié)果示意圖資料來源：。注：數(shù)據(jù)區(qū)間為2005年年報—019年年報具體來說我們設(shè)定一個目標分箱數(shù)量K對所有相鄰的兩個箱體進行卡方檢驗，合并pale最高的兩個箱子后重復(fù)上述操作，直到箱子數(shù)目為K時停止檢驗。我們對現(xiàn)金比率指標執(zhí)行上述操作并設(shè)定分箱數(shù)量為（如何確定分箱數(shù)量下一小節(jié)結(jié)果如下圖所示合并箱體之后的結(jié)果在各個箱體之間均有較好區(qū)分度，數(shù)據(jù)在離散化的同時盡可能保留了足夠多的有效信息。圖25：現(xiàn)金比指標卡方檢驗合并箱體之后財務(wù)危機概率分布 圖26：現(xiàn)金比率指標卡方檢驗合并箱體后WOE分布資料來源，。注：數(shù)據(jù)區(qū)間為2005年報2019年年報 ，。注：數(shù)據(jù)區(qū)間為2005年報2019年年報表7：現(xiàn)金比率指標分箱結(jié)果明細分箱正常本量異常本量財務(wù)機生概率OE-∞,0.5]8643382812%-12.0%-0.1,-.08]9612401998%-7.1%-0.0,-.05]10031981649%-5.6%-0.0,.04]63678391164%-1.2%0.0,008]32723329.1%1488%0.0,018]77466617.6%3220%0.1,+∞)120511888.9%1755%資料來源：。注：數(shù)據(jù)區(qū)間為2005年年報—019年年報確定合適的分箱數(shù)量確定分箱數(shù)量是分箱操作中較為關(guān)鍵的步驟從對現(xiàn)金比率指標的分箱過程我也能夠發(fā)現(xiàn)，分箱數(shù)量過多會導(dǎo)致沒有區(qū)分度，從而引入噪音。V值可以用來判斷分箱效果的好壞，確定合適的分箱數(shù)量。具體來說對財務(wù)指標的分箱數(shù)量進行2到0的遍歷操作觀察分箱數(shù)量與值之間的關(guān)系。同樣以現(xiàn)金比率指標為例，下圖為分箱數(shù)量與V值關(guān)系圖。隨著分箱數(shù)量的增多，V值呈現(xiàn)單調(diào)上升狀態(tài)，且增速逐漸降低。當(dāng)分箱數(shù)量大于7時，V值的增速顯著下降繼續(xù)增加分箱數(shù)量無法為指標帶來更多的信息提升因此我們此來確定指標合適的分箱數(shù)量。圖27：現(xiàn)金比率指標不同分箱數(shù)量下的IV值資料來源：。注橫軸為分箱數(shù)量，縱軸為IV值。分箱結(jié)果展示我們按照上述流程對5個指標均進行了分箱操作按照指標影響方向可以分成三類下面展示了三種類型的部分財務(wù)指標在我們測試的全部財務(wù)指標中其測試結(jié)果與經(jīng)濟含義基本一致。正向指標指標值越大發(fā)生財務(wù)危機風(fēng)險的概率越低我們挑選了兩個經(jīng)濟意義較為明確，結(jié)果符合邏輯的指標，應(yīng)收款周轉(zhuǎn)率和總資產(chǎn)同比增長率。應(yīng)收款周轉(zhuǎn)率指標一般用來表示企業(yè)的營運能力，指標值越低表示企業(yè)應(yīng)款周轉(zhuǎn)速度越低，形成壞賬的可能性越大。從擬合結(jié)果上來看，當(dāng)指標值于7時財務(wù)危機風(fēng)險發(fā)生概率達到5以上。總資產(chǎn)同比增長率可以用來表示企業(yè)的規(guī)模增速。從擬合結(jié)果上來看，當(dāng)速為負時財務(wù)危機風(fēng)險發(fā)生概率開始升高。圖28：應(yīng)收款周轉(zhuǎn)指標財務(wù)危機概率分布 圖29：應(yīng)收款周轉(zhuǎn)率指標WE分布，。注：數(shù)據(jù)區(qū)間為2005年年報2019年年報 in，。注：數(shù)據(jù)區(qū)間為2005年年報2019年年報圖30：總資產(chǎn)同比增率指標財務(wù)危機概率分布 圖31：總資產(chǎn)同比增長率指標WOE分布，。注：數(shù)據(jù)區(qū)間為2005年年報2019年年報 ，。注：數(shù)據(jù)區(qū)間為2005年報2019年年報負向指標指標值越大發(fā)生財務(wù)危機風(fēng)險的概率越高我們挑選了金融負債占比和應(yīng)收款資金比兩個指標。金融負債占權(quán)益比表示企業(yè)的負債水平，根據(jù)企業(yè)的管理不同，其負債率水平也會不同。一般經(jīng)驗認為該指標存在一個合理區(qū)間，根據(jù)結(jié)合結(jié)果可以看到，當(dāng)金融負債占權(quán)益比高于%時財務(wù)危機風(fēng)險發(fā)生概率開始升高，該值與傳統(tǒng)經(jīng)驗中的警戒線基本一致。應(yīng)收賬款是獲取利潤的一種營銷手段一般可以表示企業(yè)在供應(yīng)鏈中的低位應(yīng)收款資金占比過高會存在較大風(fēng)險。從擬合結(jié)果上來看，指標值超過1倍時財務(wù)危機風(fēng)險發(fā)生概率開始升高。圖32：金融負占權(quán)益比財務(wù)危機概率分布 圖33：金融負債占權(quán)益比指標WOE分布in，。注：數(shù)據(jù)區(qū)間為005年年報2019年年報 in，。注：數(shù)據(jù)區(qū)間為2005年年報2019年年報圖34：應(yīng)收款資占比財務(wù)危機概率分布 圖35：應(yīng)收款資金占比指標WOE分布in，。注：數(shù)據(jù)區(qū)間為005年年報2019年年報 in，。注：數(shù)據(jù)區(qū)間為2005年年報2019年年報區(qū)間指標指標值過高或過低時財務(wù)危機風(fēng)險發(fā)生的概率越高我們挑選了毛利率同比和商譽規(guī)模同比增長率兩個指標。毛利率同比可以看成是企業(yè)的盈利增速，根據(jù)我們的擬合結(jié)果可以看到，盈利增速過高或過低均會抬升財務(wù)危機風(fēng)險發(fā)生的概率。當(dāng)指標值低于-3%高于4時發(fā)生財務(wù)危機風(fēng)險的概率均較高。商譽規(guī)模同比指標為企業(yè)商譽的變動情況，商譽發(fā)生變動的企業(yè)一般是進行了合并或收購等行為從擬合結(jié)果上來看商譽規(guī)模同比小于0或高于.4%時發(fā)生財務(wù)危機風(fēng)險的概率開始升高。圖36：毛利率同指標財務(wù)危機概率分布 圖37：毛利率同比指標WOE分布資料來源，。注：數(shù)據(jù)區(qū)間為2005年報2019年年報 ，。注：數(shù)據(jù)區(qū)間為2005年報2019年年報圖38：商譽規(guī)同比指標財務(wù)危機概率分布 圖39：商譽規(guī)模同比指標WE分布，。注：數(shù)據(jù)區(qū)間為2005年年報2019年年報 ，。注：數(shù)據(jù)區(qū)間為2005年報2019年年報分箱結(jié)果小結(jié)本章節(jié)使用前文給出的分箱流程對指標庫中的5個財務(wù)指標均進行了分箱操作并計算出分箱后對應(yīng)的WOE分布根據(jù)指標的影響方向來看大體可以成正向、負向以及區(qū)間三類指標。指標的分箱本質(zhì)上也是對指標進行單獨建模接下來我們要將全部單獨建模的標結(jié)合在一起，構(gòu)建財務(wù)報告質(zhì)量評分模型。、財務(wù)報告質(zhì)量卡模型構(gòu)建篩選出有效的財務(wù)指標并進行分箱操作之后我們就得到了財務(wù)指標與財務(wù)危風(fēng)險概率之間的數(shù)量關(guān)系接下來我們使分箱后的WOE值對財務(wù)報告進行分類打分，構(gòu)建財務(wù)危機風(fēng)險預(yù)測打分模型。有效指標篩選：對于指標的有效性我們使用V值進行過初步篩選，挑選出了V高于1的指標然而在分箱過程中依然會存在分箱結(jié)果與實際意義不符、財務(wù)危機發(fā)生概率不具備顯著區(qū)分度等問題。因此我們還需要對指標進行動二次篩選。同類指標合成財務(wù)指標之間可能有較高的相關(guān)性接下來還需要對相關(guān)性較高的財務(wù)指標進行合并具體來說首先挑選一個V值最大的指標作為基礎(chǔ)，然后在剩下的指標中挑選出與其相關(guān)性在6以上的指標作為一組重復(fù)上述操作直到所有指標均被分類。指標打分：我們使用分組后的指標對股票進行打分。對于打分標準來說以各箱子對應(yīng)的WOE值作為該箱的分數(shù)分數(shù)越說明發(fā)生風(fēng)險的概率越大。財務(wù)指標存在安全區(qū)域和風(fēng)險區(qū)域我們認為只有當(dāng)指標值處于風(fēng)險區(qū)時，股票的打分才有意義。因此僅保留WOE為負值的部分。最后我們對同一類別財務(wù)指標的得分進行合成其平均值作為該類別指的綜合得分。所有類別的綜合得分相加為最終得分。圖40：財務(wù)危機風(fēng)險預(yù)測打分模型，。、財務(wù)危機風(fēng)險結(jié)果展示我們對所有公司的年度報告均以上述打分模型進行評價打分其得分越高代表業(yè)發(fā)生財務(wù)危機風(fēng)險的概率越大。以康得新為例根據(jù)打分模型來看康得新從16年開始財務(wù)質(zhì)量評分大幅降低且連續(xù)處于低位此時股價依然處于上漲趨勢市場并沒有對康得新的財質(zhì)量下滑有所反應(yīng)在18年康得新被質(zhì)疑財務(wù)造假股價大幅下滑財務(wù)危機風(fēng)險預(yù)測模型提前2年發(fā)出了預(yù)警。圖41：康得新財報歷年得分，。注：數(shù)據(jù)區(qū)間為2010年報2021年報財務(wù)報告質(zhì)量評分的優(yōu)化效果構(gòu)建財務(wù)報告質(zhì)量評分模型的初衷是為了優(yōu)化股票池質(zhì)量因此我們使用財報量評分在全市場中進行選股測試。具體回測參數(shù)設(shè)置如下：股票池：全市場股票剔除銀行及ST/*ST。調(diào)倉日期：每年年報發(fā)布截止日，也即每年的4月0日?；販y區(qū)間：06年9月1日022年4月9日。分組方式：根據(jù)財務(wù)報告質(zhì)量評分將股票從低到高分成5組加權(quán)方式：等權(quán)重?；販y結(jié)果來看財務(wù)質(zhì)量評分的分層效果較好評分高的組合能夠跑贏評分低的組合此外我們發(fā)現(xiàn)低分組合在016年之后表現(xiàn)明顯弱于高分組合而在此之前并沒有明顯的區(qū)分度。這是因為注冊制的推進使得低質(zhì)量股票的“殼價值降低市場不再熱衷于炒作小市值股票財務(wù)報告的質(zhì)量對股價的正向影響變得越來越明顯。圖42：206年222年回凈值曲線 圖43：216年222年回凈值曲線，。注：數(shù)據(jù)區(qū)間為20069212022429 in，。注：數(shù)據(jù)區(qū)間為2016312022429表8：財務(wù)報告質(zhì)量評分選股測試業(yè)績指標分組年化益率年化動率夏普率最大撤o-353%2318%-0325704%o1-013%2221%-0195170%o22.3%2255%-0074821%o34.7%2244%0.14603%43.2%2218%-0044650%資料來源：。注：數(shù)據(jù)區(qū)間為2016年3月1日2022年4月29日財務(wù)危機預(yù)警組合構(gòu)建接下來我們測試財報質(zhì)量評分對于滬深0和中證00股票池的提升效果。具體回測參數(shù)如下：回測區(qū)間：016年3月1日022年4月9日。調(diào)倉日期：每年年報發(fā)布截止日，也即每年的4月0日。分組方式：股票池內(nèi)財報質(zhì)量評分最低的0作為預(yù)警組合，剩余股票作為對照組合。加權(quán)方式：等權(quán)重?；販y結(jié)果來看，回測期內(nèi)預(yù)警組合在滬深0和中證50股票池內(nèi)均有顯著負向收益。剔除預(yù)警組合的剩余股票相對于預(yù)警組合超額收益明顯，滬深30股票池中年化超額收益2.50，中證0股票池中年化超額收益13.62，剔除預(yù)警組合對股票池的優(yōu)化效果顯著。圖44：滬深30預(yù)警組合剔除測試 圖45：中證50預(yù)警組合剔除測試，。注：數(shù)據(jù)區(qū)間為2016312022429 資料來源，。注：數(shù)據(jù)區(qū)間為20163.20224.9表9：滬深30預(yù)警組合剔除測試業(yè)績表現(xiàn)月度率年化額年化夏普率最大撤最大撤始時間最大撤束時間20166000%4.4%7.7%0.24.7%201//16201//2120177500%1774%6.9%2.22.5%201//16201//1620187500%1531%7.0%1.33.4%201/1/12201/1/2920196667%1569%8.1%1.65.6%201//14201//2520207500%2758%8.7%2.24.8%202//7202//1420215000%1.3%1067%-0241114%202//10202//2220225000%0.2%9.5%-0413.3%202//18202//20全區(qū)間6622%1250%8.2%1.21114%202//10202//22資料來源：ind。注：數(shù)據(jù)區(qū)間為20163120224.9。超額收益為“剔除預(yù)警組合等權(quán)重”與“預(yù)警組合等權(quán)重”的相對收益。表10：中證50預(yù)警組合剔除測試業(yè)績表現(xiàn)月度率年化額年化夏普率最大撤最大撤始時間最大撤束時間20165000%-137%5.6%-0907.4%201//29201/1/1420175000%-185%5.9%-1017.0%201//4201//720188333%4076%9.6%4.14.4%201/1/19201/1/2120196667%2473%1080%1.21260%201//31201//720207500%3097%1096%2.67.1%202//19202//820214167%2.0%1044%-0179.2%202//13202//2420225000%-470%1112%-0788.8%202//27202//6全區(qū)間5946%1362%9.3%1.31300%201//29201//7資料來源：ind。注：數(shù)據(jù)區(qū)間為20163120224.9。超額收益為“剔除預(yù)警組合等權(quán)重”與“預(yù)警組合等權(quán)重”的相對收益。4、總結(jié)與展望本文延續(xù)了上一篇報《高質(zhì)量股票池構(gòu)造體系量化選股系列報告之五中提出的三層股票池構(gòu)造框架在柔性優(yōu)化部分做了進一步研究對負向事件進了梳理研究，將其劃分成可預(yù)測和不可預(yù)測兩部分。對于不可預(yù)測事件來說我們從兩個維度選取了若干事件進行測試具體來說括基本面和經(jīng)營層面共8個指標每個指標在事件發(fā)生后0個交易日內(nèi)均有持續(xù)顯著的負向收益我們對上述事件進行了跟蹤剔除回測結(jié)果顯示跟蹤并剔涉事股票可以有效避免負向收益的擴大，為投資者降低損失。對于可預(yù)測負向事件來說我們參考風(fēng)控領(lǐng)域中的分箱思想構(gòu)造了一個財務(wù)質(zhì)打分模型對財務(wù)危機風(fēng)險進行預(yù)測。該模型主要有三個核心步驟：樣本篩選我們對ST事件和違規(guī)事件進行了提純將事件中與財務(wù)報相關(guān)的部分提取出作為負例樣本。財務(wù)指標顯著性檢驗我們挑選了分箱數(shù)量為0時V值大于1的指標。對指標庫中的9個指