朱景明

摘 要： ??選股模型和股價(jià)預(yù)測(cè)一直是學(xué)者們研究的重點(diǎn)。文章基于A股投資的背景，使用Logit模型，分析了上市公司財(cái)報(bào)利潤(rùn)信息與財(cái)報(bào)公告日前后三天的累計(jì)超額收益率之間的相關(guān)關(guān)系。結(jié)果發(fā)現(xiàn)，這一關(guān)系為顯著的正向相關(guān)關(guān)系。然后，通過劃分行業(yè)進(jìn)一步分析了這一相關(guān)關(guān)系，并基于分析所得的利潤(rùn)信息和行業(yè)信息提出了一個(gè)簡(jiǎn)單、易操作的選股模型。最后，通過選股驗(yàn)證，發(fā)現(xiàn)基于該模型的每一次調(diào)倉(cāng)交易都可以獲得令人滿意的超額收益。這一結(jié)果可以為A股投資者的選股投資提供參考。

關(guān)鍵詞： ?實(shí)證分析；Logit模型；累計(jì)超額收益率；選股模型

中圖分類號(hào)： ?F 832.48

文獻(xiàn)標(biāo)志碼： ??A

Research on the Correlation Between Profit Information andCorresponding Cumulative Abnormal Return from ListedCompanies in China： Based on Logit Model

ZHU Jingming

（Antai College of Economics and Management， Shanghai Jiao Tong University， Shanghai 200030， China）

Abstract： ?Stock selecting models and stock price predicting models have been the focus of scholars for decades. Based on the background of stock investing in China， the correlation between profit information and cumulative abnormal return is researched in this paper by using Logit model. It turns out that there is significant positive correlation between these two variables. After that， correlations of the two variables from different industries also get tested. Then， based on the results above， a simple and easily understandable stock selecting model is put forward and it turns out that this selecting model can help investors get acceptable profit from less-frequent stock trading， which gives a good investing reference.

Key words： ?empirical analysis; Logit model; cumulative abnormal return; stock selecting model

隨著我國(guó)權(quán)益投資制度的完善，民眾的炒股熱情日漸高漲。根據(jù)東方財(cái)富網(wǎng)的消息，截至2020年4月，A股滬深股票的總市值達(dá)到了59.40萬億元，A股股票的投資賬戶數(shù)也已經(jīng)擴(kuò)大到1.64億個(gè)。基于我國(guó)A股投資者的投資習(xí)慣，這些賬戶的所有者大多為個(gè)人投資者，占比超過99%，持有市值大于總市值的25%，超過境內(nèi)專業(yè)機(jī)構(gòu)投資者的持有市值。相較于專業(yè)的機(jī)構(gòu)投資者，個(gè)人投資者的倉(cāng)位換手率更高，平均年化收益卻更低，表現(xiàn)出的資金運(yùn)作水平、風(fēng)險(xiǎn)控制能力等相較來說遠(yuǎn)遠(yuǎn)不足，對(duì)個(gè)股重大事件的敏感性也較強(qiáng)。

A股個(gè)股的重大新聞和公告對(duì)個(gè)股股價(jià)上漲水平有著極大的影響。同時(shí)，由于A股“T+1”的交易制度，因?yàn)橹卮笮畔⒋碳ざ鴮?dǎo)致的股價(jià)變化不會(huì)被迅速消化。因此，利好的消息會(huì)在短時(shí)間內(nèi)促進(jìn)股價(jià)上漲，利空的消息則反過來影響股價(jià)下跌。舉例來說，2020年5月，由于網(wǎng)絡(luò)直播購(gòu)物的盛行以及與知名網(wǎng)絡(luò)帶貨主播薇婭達(dá)成的合作，夢(mèng)潔股份（002397）在5月中旬經(jīng)歷一波大漲，股價(jià)由低點(diǎn)的4.29元每股飆升到最高的10.12元每股，漲幅高達(dá)135.90%。但后來，由于爆出大股東趁機(jī)減持套現(xiàn)的消息，夢(mèng)潔股份的股價(jià)又開始大幅下跌，如今股價(jià)已不足6.50元每股。同樣，每一季度的公司財(cái)報(bào)信息，尤其是利潤(rùn)信息，也會(huì)對(duì)公司股價(jià)短期波動(dòng)造成很大的影響，比如韋爾股份（603501），由于2020年一季報(bào)的優(yōu)秀表現(xiàn)，股價(jià)在一季報(bào)公告后逐漸攀升，一度漲超210元每股。

基于A股的投資現(xiàn)狀，筆者認(rèn)為可以通過公司財(cái)報(bào)利潤(rùn)信息，包括利潤(rùn)增長(zhǎng)值和利潤(rùn)增長(zhǎng)率，來對(duì)個(gè)股股價(jià)在公告日前后的漲跌幅情況進(jìn)行驗(yàn)證分析。筆者預(yù)計(jì)超預(yù)期的利潤(rùn)增長(zhǎng)將會(huì)帶來股價(jià)的上漲，反之亦然。而且，如果這種關(guān)系成立，那么投資者就可以基于上市公司的業(yè)績(jī)數(shù)據(jù)來進(jìn)行調(diào)倉(cāng)交易。每一年，公司財(cái)報(bào)的公布時(shí)間大多在4月、7月和10月。由此，筆者期望在不考慮其他交易的情況下，通過每月一次、每年共三次的交易模式給投資者帶來正向的超額收益。

1 文獻(xiàn)綜述

國(guó)內(nèi)關(guān)于財(cái)報(bào)利潤(rùn)信息對(duì)上市公司股價(jià)影響的專題分析并不多，相關(guān)的分析主要集中在單一公司的財(cái)報(bào)信息解讀上。比如，上官鳴、周唯等（2015）基于恒大地產(chǎn)的財(cái)報(bào)信息，通過財(cái)務(wù)數(shù)據(jù)變動(dòng)分析永續(xù)債對(duì)財(cái)務(wù)報(bào)表的影響。陳胤江（2014）基于哈佛分析框架，對(duì)攜程公司的財(cái)務(wù)報(bào)表進(jìn)行詳細(xì)分析，重點(diǎn)點(diǎn)明了利潤(rùn)信息的影響。這些分析主要是基于財(cái)報(bào)信息在特定管理模型下進(jìn)行的主觀分析，并沒有使用很多定量的分析方法。

在定量的實(shí)證分析和選股定價(jià)模型上，以往的學(xué)者也主要把焦點(diǎn)放在模型、算法的構(gòu)建上，極少有學(xué)者對(duì)財(cái)報(bào)利潤(rùn)信息進(jìn)行集中統(tǒng)一的實(shí)證研究。蘇治、傅曉媛（2013）提出了核主成分遺傳算法與SVR選股改進(jìn)模型，將利潤(rùn)信息包含在選股因子當(dāng)中。王秋瑋（2017）用時(shí)間序列的數(shù)據(jù)分析方法，對(duì)26家ST上市公司2012—2016年的財(cái)報(bào)面板數(shù)據(jù)進(jìn)行實(shí)證分析，提出了新常態(tài)下ST公司財(cái)務(wù)困境預(yù)警機(jī)制。張虎、沈寒蕾等（2020）基于神經(jīng)網(wǎng)絡(luò)算法提出多因子量化選股模型，其中的因子信息包含了利潤(rùn)增長(zhǎng)的數(shù)據(jù)。

總的來說，學(xué)者基于財(cái)報(bào)利潤(rùn)信息的專題研究不是很多，而是將其當(dāng)作輔助信息，來驗(yàn)證自己的模型。在本次研究中，筆者基于財(cái)報(bào)中的利潤(rùn)信息進(jìn)行專題研究，分析它與個(gè)股股價(jià)增長(zhǎng)的相關(guān)關(guān)系。利潤(rùn)信息能夠最直接、最便捷地反映上市公司的經(jīng)營(yíng)情況，對(duì)于投資者來說也更清晰易懂，筆者希望基于上述相關(guān)關(guān)系提出一個(gè)簡(jiǎn)單的選股模型，幫助投資者選股投資。

2 研究設(shè)計(jì)

本次實(shí)驗(yàn)希望通過A股上市公司財(cái)報(bào)利潤(rùn)信息來驗(yàn)證其與財(cái)報(bào)公告日前后三天的累計(jì)超額收益率之間的關(guān)系。研究過程分為以下幾個(gè)步驟：（1）獲取數(shù)據(jù)；（2）數(shù)據(jù)處理；（3）實(shí)證研究；（4）模擬選股驗(yàn)證。

（1）獲取數(shù)據(jù)。本次實(shí)證研究的自變量為A股上市公司財(cái)報(bào)利潤(rùn)信息，包含利潤(rùn)增長(zhǎng)值和利潤(rùn)同比增長(zhǎng)率；因變量為財(cái)報(bào)公布日前后三日的累計(jì)超額收益率（CAR3），需通過公司股價(jià)日增長(zhǎng)率與上證指數(shù)日增長(zhǎng)率來共同計(jì)算。

筆者在網(wǎng)易財(cái)經(jīng)的官網(wǎng)上獲得了2016—2020年A股上市公司的財(cái)報(bào)利潤(rùn)信息，包含季報(bào)、半年報(bào)和年報(bào)中的公司利潤(rùn)增長(zhǎng)絕對(duì)值、利潤(rùn)同比增長(zhǎng)率以及財(cái)報(bào)公告日期。同時(shí)，筆者在國(guó)泰安數(shù)據(jù)庫(kù)內(nèi)獲得了2016—2020年A股上市非ST公司的日收盤價(jià)信息，在萬得數(shù)據(jù)庫(kù)內(nèi)獲得了2016—2020年上證指數(shù)日增長(zhǎng)率信息，通過這些數(shù)據(jù)可以計(jì)算個(gè)股在特定時(shí)間的CAR3。

由于研究第四步模擬選股驗(yàn)證的需要，筆者同時(shí)在網(wǎng)易財(cái)經(jīng)官網(wǎng)上獲取了2016—2020年A股上市公司財(cái)報(bào)業(yè)績(jī)預(yù)告中的利潤(rùn)信息。

（2）數(shù)據(jù)處理。對(duì)于上述獲取到的數(shù)據(jù)，筆者將它們按照日期綜合在同一張表格中。然后，通過獲取到的股價(jià)數(shù)據(jù)和上證指數(shù)增長(zhǎng)數(shù)據(jù)計(jì)算出上市公司在財(cái)報(bào)公告日前后三天的累計(jì)超額收益率。最后，將所有數(shù)據(jù)再次按照日期綜合在同一張表格中。

（3）實(shí)證研究。筆者期望驗(yàn)證，公司公告的利潤(rùn)信息會(huì)對(duì)企業(yè)在公告日前后的股價(jià)波動(dòng)造成影響。因此，筆者根據(jù)財(cái)報(bào)利潤(rùn)變化值和變化率將上市公司分成若干類。最后，統(tǒng)一驗(yàn)證其與對(duì)應(yīng)公司累計(jì)超額收益率之間的相關(guān)關(guān)系。由于股價(jià)變化波動(dòng)不一，同一交易日股價(jià)有漲有跌，筆者接著將這些公司按照行業(yè)進(jìn)行分類，然后分析各行業(yè)股票利潤(rùn)信息與對(duì)應(yīng)累計(jì)超額收益率之間的關(guān)系。

（4）模擬選股驗(yàn)證。 基于上面的實(shí)證研究，筆者按照行業(yè)信息和利潤(rùn)增長(zhǎng)信息對(duì)每只股票在特定的日期進(jìn)行建模打分，并根據(jù)分?jǐn)?shù)高低的排序，在特定的交易日買賣股票，獲得財(cái)報(bào)公告日前后三天的累計(jì)收益。最終，筆者希望通過這樣的操作獲得正向的累計(jì)超額收益。由于財(cái)報(bào)利潤(rùn)信息對(duì)于交易日操作來說屬于未來信息，筆者希望通過業(yè)績(jī)預(yù)告中的利潤(rùn)信息來近似反映個(gè)股真實(shí)財(cái)報(bào)的利潤(rùn)狀況，最終將所有數(shù)據(jù)代入模型中進(jìn)行選股驗(yàn)證分析。

筆者預(yù)期，股票利潤(rùn)增長(zhǎng)與累計(jì)超額收益率水平呈正相關(guān)關(guān)系，這種關(guān)系在不同行業(yè)中會(huì)有不同的表現(xiàn)。同時(shí)，基于利潤(rùn)信息和行業(yè)信息的選股模型將會(huì)幫助獲得令人滿意的正向超額收益。

3 驗(yàn)證分析

3.1 概念介紹

3.1.1 累計(jì)超額收益率

本文的研究方法參考了周志中、徐杰（2020）的研究設(shè)計(jì)。根據(jù)Chang、Zhang等（2016）的介紹，累計(jì)超額收益率為個(gè)股日收益率與基準(zhǔn)日收益率差值在選定時(shí)段的累加和。

CARjn= ∑nt=1（Rjt-R^jt） （1）

上述公式中，Rjt表示上市公司j在第t日的日收益率，R^jt代表上市公司j在第t日的基準(zhǔn)日收益率，可以用指數(shù)收益率來替代。基于文獻(xiàn)，筆者選擇的基準(zhǔn)日收益率為上證指數(shù)的日增長(zhǎng)率，選定時(shí)段為財(cái)報(bào)公告日前后三天，即財(cái)報(bào)公告日前后三天的累計(jì)超額收益率（CAR3）。詳細(xì)來說，如果財(cái)報(bào)在第0日公告，那么選擇的三日為第-1日到第+1日。

3.1.2 Logit模型

Logit模型（Logistic Regression Model）即邏輯回歸模型，是離散選擇法模型之一，主要應(yīng)用于社會(huì)學(xué)、生物統(tǒng)計(jì)學(xué)、臨床、數(shù)量心理學(xué)、計(jì)量經(jīng)濟(jì)學(xué)、市場(chǎng)營(yíng)銷等多行業(yè)的分類評(píng)定上。它的公式為：

P（y=1│X）= 1 1+e-g（x） ?（2）

P（y=0│X）= 1-P（y=1|X）= 1 1+eg（x） ?（3）

g（x）=w0 +w1x1+…+wnxn （4）

其中：g（x）代表基于原始數(shù)據(jù)的回歸模型。然后通過Logistic函數(shù)變換，使得最終值處在（0，1）區(qū)間內(nèi)。如果將因變量y值為0和為1看作兩類，那么這樣的變換能夠方便判斷特定的樣本數(shù)據(jù)屬于哪一分類。

3.2 利潤(rùn)信息與累計(jì)超額收益率的實(shí)證分析

本次實(shí)證研究的自變量為利潤(rùn)信息，包括利潤(rùn)增長(zhǎng)值和利潤(rùn)同比增長(zhǎng)率，這些數(shù)據(jù)都可以在上市公司財(cái)報(bào)信息中獲取到。在獲取到原始的股價(jià)、指數(shù)等數(shù)據(jù)后，筆者對(duì)數(shù)據(jù)進(jìn)行整理。由于網(wǎng)易財(cái)經(jīng)網(wǎng)站會(huì)將公告日還未上市的股票利潤(rùn)信息掛在官網(wǎng)上，筆者經(jīng)過篩選剔除掉這部分信息，最終獲得了17581份有效數(shù)據(jù)，然后基于利潤(rùn)的變化值和變化率，筆者將股票信息分為9組，具體分組見圖1。

這樣的分組可以減少極端值對(duì)模型參數(shù)估計(jì)的影響。同時(shí)，由于筆者在意的是收益率和收益值皆為正的股票，所以在此對(duì)它們進(jìn)行了更為細(xì)致的劃分。對(duì)于股票的累計(jì)超額收益率（CAR3），筆者將大于0的記為1，小于0的記為0。在此，筆者重點(diǎn)關(guān)注的是CAR3為1的情況。數(shù)據(jù)處理完成后，將每一時(shí)期每只股票的分組組號(hào)和其對(duì)應(yīng)的CAR3代入logit回歸模型中進(jìn)行計(jì)算，結(jié)果如表1所示。

可以發(fā)現(xiàn)，自變量系數(shù)值為正，符合預(yù)期，對(duì)應(yīng)的P值小于0.01，在1%的顯著性水平上，系數(shù)顯著不為0。然后，對(duì)模型結(jié)果進(jìn)行驗(yàn)證，重點(diǎn)關(guān)注因變量為1時(shí)的模型驗(yàn)證準(zhǔn)確率，最終結(jié)果如表2所示。

驗(yàn)證發(fā)現(xiàn)，CAR3為1時(shí)的驗(yàn)證準(zhǔn)確率為66.95%，大于50%，筆者認(rèn)為這一結(jié)果可以接受。

由于不同行業(yè)股票變化程度不同，筆者對(duì)上述股票進(jìn)行行業(yè)劃分，參考行業(yè)為網(wǎng)易財(cái)經(jīng)中的行業(yè)劃分，然后在不同行業(yè)中再次驗(yàn)證個(gè)股收益信息與CAR3之間的相關(guān)關(guān)系。結(jié)果發(fā)現(xiàn)，系數(shù)顯著的行業(yè)對(duì)應(yīng)的系數(shù)值均為正，具體的顯著性情況和準(zhǔn)確率驗(yàn)證情況如表3所示。

可以看出，對(duì)于不同的行業(yè)，利潤(rùn)信息與CAR3的相關(guān)關(guān)系十分不同，對(duì)應(yīng)的CAR3預(yù)測(cè)準(zhǔn)確率也有著不同的值。我們對(duì)結(jié)果顯著的行業(yè)和結(jié)果不顯著的行業(yè)進(jìn)行分類，并計(jì)算兩種情況對(duì)應(yīng)股價(jià)日增長(zhǎng)率的標(biāo)準(zhǔn)差，結(jié)果如表4所示。

可以看到，在樣本量大體一致的情況下，預(yù)測(cè)結(jié)果顯著的行業(yè)具有較大的標(biāo)準(zhǔn)差。根據(jù)這一觀察，筆者認(rèn)為，財(cái)報(bào)利潤(rùn)信息對(duì)于股價(jià)波動(dòng)較大的股票有著更為顯著的正向影響。

3.3 基于行業(yè)信息和利潤(rùn)信息的選股分析

基于股票的行業(yè)信息和財(cái)報(bào)的利潤(rùn)信息，筆者構(gòu)建了如下的選股打分模型：

Score=industry×（1-α）×group （5）

其中：Score代表股票的打分；industry表示對(duì)應(yīng)行業(yè)CAR3為1的預(yù)測(cè)準(zhǔn)確率；α代表顯著性水平，取值在［1%，5%，10%］之中，對(duì)于每一行業(yè)取滿足條件的顯著性水平最小值，對(duì)于行業(yè)不顯著的股票，industry×（1-α）的值統(tǒng)一設(shè)置為0.5，表示無法通過行業(yè)信息和利潤(rùn)信息進(jìn)行有傾向性的判斷；group表示個(gè)股在特定時(shí)期的分組組號(hào)。

由于財(cái)報(bào)的利潤(rùn)信息對(duì)于交易來說屬于未來信息，因此筆者用業(yè)績(jī)預(yù)告中的區(qū)間利潤(rùn)均值與區(qū)間平均利潤(rùn)率來近似替代真實(shí)值。在11331份有效數(shù)據(jù)中，真實(shí)的利潤(rùn)增長(zhǎng)值和增長(zhǎng)率落在業(yè)績(jī)預(yù)告區(qū)間中的概率為82.98%。因此，筆者認(rèn)為，可以用業(yè)績(jī)預(yù)告的區(qū)間均值來代替真實(shí)值進(jìn)行處理。

關(guān)于交易信息，筆者假設(shè)：

（1）不考慮交易手續(xù)費(fèi)和滑點(diǎn)。

（2）有充足的資金可以用來購(gòu)買股票。

（3）所有買賣操作都可以瞬間完成。

由于財(cái)報(bào)的公告日期大多在每年的4月、7月和10月，因此筆者選擇在每一年的4月、7月、10月進(jìn)行按月調(diào)倉(cāng)的買賣交易，選擇模型分?jǐn)?shù)從大到小排名前20的股票，如果分?jǐn)?shù)相同，再根據(jù)股票絕對(duì)收益值由大到小來選擇。令財(cái)報(bào)公告日為第0天，筆者模擬在第-2天用收盤價(jià)等權(quán)買入選中股票，在第+1天用收盤價(jià)清倉(cāng)，這樣就可以獲得公告日前后三天的累計(jì)收益。同時(shí)，若調(diào)倉(cāng)月份有效數(shù)據(jù)量小于100，則不進(jìn)行買賣操作。最終結(jié)果如表5所示。

根據(jù)模擬結(jié)果可以得出，在不進(jìn)行其他買賣操作的情況下，僅通過業(yè)績(jī)預(yù)告中的利潤(rùn)信息按月調(diào)倉(cāng)，可以獲得平均年化為3.6327%的超額收益率。筆者認(rèn)為在每一次操作都可以獲得平均1.2109%超額收益率的情況下，這一結(jié)果是可以令人接受的。

4 結(jié)論與建議

在本次研究中，筆者基于A股的投資背景對(duì)上市公司的財(cái)報(bào)利潤(rùn)信息進(jìn)行專題實(shí)證研究，分析其與股票累計(jì)超額收益率之間相關(guān)關(guān)系，并分行業(yè)對(duì)這一關(guān)系進(jìn)行解讀，最終發(fā)現(xiàn)這一相關(guān)關(guān)系為顯著的正向相關(guān)關(guān)系，這一事實(shí)符合筆者的預(yù)期。然后，筆者基于這一相關(guān)關(guān)系提出了以利潤(rùn)信息和行業(yè)預(yù)測(cè)準(zhǔn)確率為基準(zhǔn)的選股模型，隨后對(duì)這一模型進(jìn)行驗(yàn)證分析，發(fā)現(xiàn)在不考慮其他交易操作的前提下，較少的交易操作可以給投資者帶來令人接受的超額收益。這一結(jié)果可以作為投資者在A股選股投資的參考。

當(dāng)然，本次研究也存在以下不足。首先，研究并沒有對(duì)細(xì)分行業(yè)下非顯著行業(yè)進(jìn)行深入解讀，判斷其非顯著性的原因。其次，僅僅通過標(biāo)準(zhǔn)差比較來判斷顯著行業(yè)與非顯著行業(yè)的差異，這一做法相對(duì)簡(jiǎn)單。筆者認(rèn)為可以通過其他指標(biāo)進(jìn)一步分析二者的差異。最后，筆者認(rèn)為，如果能夠給選股模型引入更多的影響因子，同時(shí)更加細(xì)化調(diào)倉(cāng)周期，那么選股的結(jié)果應(yīng)該會(huì)更加準(zhǔn)確，超額收益也會(huì)更高。

當(dāng)然，在本次研究中，筆者希望針對(duì)A股廣大的個(gè)人投資者提出一個(gè)較為簡(jiǎn)單、直觀、易操作的選股模型，幫助他們?cè)谔囟ǖ臅r(shí)間獲得相對(duì)可靠的超額收益。不過，該模型依舊有很大的改進(jìn)空間，相對(duì)地，超額收益也應(yīng)該會(huì)有很大的提高。

參考文獻(xiàn)：

［1］ ?上官鳴，周唯，白猛猛. 基于永續(xù)債視角的恒大地產(chǎn)財(cái)報(bào)分析［J］. 財(cái)會(huì)月刊，2015（4）：74-76.

［2］ 陳胤江. 基于哈佛分析框架對(duì)攜程的財(cái)務(wù)報(bào)表分析［J］. 財(cái)務(wù)分析，2014，10（19）：83-85.

［3］ 蘇治，傅曉媛. 核主成分遺傳算法與SVR選股模型改進(jìn)［J］. 統(tǒng)計(jì)研究，2013，30（5）：54-62.

［4］ 王秋瑋. 基于時(shí)間序列模型的ST上市公司財(cái)務(wù)困境預(yù)警研究［J］. 現(xiàn)代營(yíng)銷，2017（5）：133-133.

［5］ 張虎，沈寒蕾，劉曄誠(chéng). 基于自注意力神經(jīng)網(wǎng)絡(luò)的多因子量化選股問題研究［J］. 數(shù)理統(tǒng)計(jì)與管理，2020，39（3）：556-570.

［6］ 周志中，徐杰. 中美股市配對(duì)因子實(shí)證分析［J］. 系統(tǒng)管理學(xué)報(bào)，2020，29（3）：417-425.

［7］ BALL R， BROWN P. An empirical evaluation of accounting income numbers［J］. Journal of Accounting Research，1968，6（2）：159-178.