### 基于PEAD异象的SUE因子量化投资策略 #### SUE因子简介 盈余意外（Earnings Surprise, ES）是指公司实际公布的每股收益（EPS）与分析师一致预期之间的差额。这种差异可能导致股价短期内发生显著变化，从而形成所谓的盈余公告后漂移效应（Post-Earnings Announcement Drift, PEAD）。SUE（Standardized Unexpected Earnings）是对ES标准化处理的结果，通常表示为： \[ SUE_t = \frac{ES_t}{\sigma(ES)} \] 其中 \(ES_t\) 是第t期的实际盈余减去预期盈余，而 \(\sigma(ES)\) 表示历史盈余意外的标准差。 为了构建基于PEAD异象的投资策略，可以通过筛选具有高正向或低负向SUE值的股票来获取潜在的超额回报[^1]。 --- #### 数据准备 在实现该策略之前，需收集如下数据： - 实际每股收益（Actual EPS） - 预期每股收益（Expected EPS） - 股票价格时间序列数据 这些数据可以从金融数据库如Bloomberg、FactSet 或者Yahoo Finance 获取。 --- #### Python代码实现 以下是基于PEAD异象的SUE因子量化投资策略的一个简化版本： ```python import pandas as pd import numpy as np from datetime import timedelta # 假设我们有一个DataFrame df，包含以下列： # 'ticker': 股票代码 # 'date': 报告日期 # 'actual_eps': 实际每股收益 # 'expected_eps': 预期每股收益 # 'price_close': 收盘价 def calculate_sue(df): """ 计算每只股票的SUE值。 :param df: 包含实际和预期每股收益的数据框 :return: 添加'SUE'列后的数据框 """ # 计算盈余意外 (ES) df['es'] = df['actual_eps'] - df['expected_eps'] # 对每只股票计算标准差(sigma_ES)，并填充到原始表中 sigma_es = df.groupby('ticker')['es'].rolling(window=8).std().reset_index(level=0, drop=True) df['sue'] = df['es'] / sigma_es return df def backtest_strategy(df, holding_period_days=20): """ 使用SUE因子进行回测。 :param df: 包含SUE和其他必要字段的数据框 :param holding_period_days: 持有期天数，默认为20个交易日 :return: 返回每日持仓权重及累计收益率 """ # 排序选出最高SUE值的前n%股票作为买入组合 top_n_percent = 0.1 # 取前10% portfolio_returns = [] unique_dates = sorted(df['date'].unique()) for i in range(len(unique_dates)-1): current_date = unique_dates[i] next_date = unique_dates[i+1] # 当日可用数据 daily_data = df[df['date'] == current_date].copy() # 筛选SUE最高的股票 daily_data.sort_values(by='sue', ascending=False, inplace=True) num_stocks_to_buy = int(top_n_percent * len(daily_data)) selected_stocks = daily_data.head(num_stocks_to_buy)['ticker'].tolist() # 构建等权组合 weights = {stock: 1/num_stocks_to_buy for stock in selected_stocks} # 计算持有期内的日收益率 end_of_holding = min(current_date + timedelta(days=holding_period_days), next_date) returns_during_hold = ( df[(df['ticker'].isin(selected_stocks)) & ((df['date'] >= current_date) & (df['date'] <= end_of_holding))] ) weighted_return = returns_during_hold.groupby('date').apply( lambda x: sum(x['daily_return'] * weights.get(ticker, 0) for ticker in x['ticker']) ).sum() # 将各股加总得到组合收益 portfolio_returns.append(weighted_return) cumulative_returns = np.cumprod([1 + r for r in portfolio_returns])[-1] - 1 return cumulative_returns # 示例运行流程 if __name__ == "__main__": data = { 'ticker': ['AAPL']*5 + ['MSFT']*5, 'date': pd.date_range(start="2023-01-01", periods=5).repeat(2), 'actual_eps': [1.5]*5 + [2.0]*5, 'expected_eps': [1.4]*5 + [1.9]*5, 'price_close': list(range(140, 160)), } df = pd.DataFrame(data) df['daily_return'] = df.groupby('ticker')['price_close'].pct_change() df_with_sue = calculate_sue(df) cum_ret = backtest_strategy(df_with_sue) print(f"Cumulative Return: {cum_ret:.2f}") ``` 此代码实现了两个主要功能模块：`calculate_sue()` 函数负责计算每只股票的SUE值；`backtest_strategy()` 则模拟了基于SUE因子的选择过程及其对应的累积收益率表现[^1]。 --- ### 注意事项 1. **数据质量控制**：确保输入的历史财务数据无缺失项，并合理处理异常值。 2. **交易成本考虑**：上述模型未计入买卖费用，在实操过程中应予以补充评估。 3. **市场环境适应性测试**：由于不同经济周期下各类因子的有效性可能存在波动，建议定期重新校验所选用参数设置合理性[^4]。 ---