量化选股学习笔记（九）：一个失败的因子——分析师评级变动

这是我学习量化选股的第九篇笔记。上一篇加入了一个新信息——盈余公告后漂移（SUE），它在老因子全部失效的大公司里依然有效。这一篇用同样的流程再试一个新信号：分析师评级变动。结果是失败的，但失败的原因比成功更有教育意义。代码仍然由 Claude Code 编写，我负责提问、读代码和决定方向。

本文是学习记录，不构成任何投资建议。

2026-10-25 更新：本文最后提到的市值错误已经修正，评级变动的结果也在修正后的数据上重跑了，文中的数字和图已经更新。结论不变：评级变动在 10 亿美元以上的公司里作为月度信号无效。变化最大的是第五课“有人关注”的例子，见那一节。

为什么选分析师评级

一开始我想过期权数据（隐含波动率、看涨看跌比），但 FMP 的套餐里没有历史期权数据，要另外买。分析师评级是 FMP 现成就有的，而且也是一个经典的异象：

券商分析师会给股票“买入 / 持有 / 卖出”这样的评级，并时不时上调或下调。
Womack（1996）发现，评级变动当天股价会跳，之后几周还会沿着同一个方向继续漂移，下调之后的漂移尤其长。
它和 SUE 一样描述的是“刚刚发生了什么”，但信息来源不同：SUE 来自公司自己公布的财报，评级来自外部分析师的判断。

FMP 有两个接口：一个是每次评级变动的记录（日期、券商、旧评级、新评级），另一个是每个月各个评级有多少分析师。6,073 个代码，一共 12,208 次请求，约一个半小时，0 个错误。

第一课：先把 500 家券商的说法统一

不同券商用词不一样。高盛说 Buy，摩根士丹利说 Overweight，还有人说 Outperform，意思都是“看好”。46.5 万条记录来自约 500 家券商，一共 42 种说法。Claude 建了一张对照表，统一成 1（卖出）到 5（强烈买入），最后只有 8 条记录对不上。

检查数据时有三个发现：

大部分记录是“维持”。券商重复原来的评级，通常只是改了目标价，占全部记录的 66–90%，而且每年从 1.3 万条涨到 4.9 万条。这是 FMP 收集得越来越全，不是分析师行为变了。如果信号去数“有多少条记录”，就会被这种增长带偏。所以只用真正的上调和下调，每年稳定在 5,000–7,000 次。
覆盖跟着公司大小走。过去 90 天里有上调或下调的，大公司是 52%，微型股只有 5%。全部公司-月份里，80% 什么都没发生。又一次遇到了“同分”问题：80% 的股票并列 0，没法像别的因子那样分成五组，只能分成“被上调 / 没变 / 被下调”三组。
27% 的评级变动发生在财报后 10 天以内。分析师是在对同一条新闻（业绩超预期还是不及预期）做反应。这部分其实是 SUE 换了个说法。

第二课：评级变动是新闻，但两天就被吸收了

和上一篇一样，先做事件研究：把每次评级变动前后几十个交易日的股价，和市场平均比较，看反应在哪一天。

评级变动当天的反应

日期是对的：反应集中在变动当天，说明大部分报告在当天收盘前就已经发出，FMP 的日期没有记错。评级变动也确实是新闻：即使不在财报附近，上调和下调当天也差了约 5 个百分点。但公司越大，反应越小：小公司当天差 15 个百分点，100 亿美元以上的公司只差 4 个。

真正决定这个因子成败的，是第二天以后还有没有漂移。我们是在月底调仓，等用上信号时，距离评级变动已经过去 0 到 30 天了，只有之后的漂移我们才吃得到：

第 2 天以后的漂移

小公司（10 亿美元以下）有漂移：之后 60 天又多拉开约 2.4 个百分点，和 Womack 当年发现的一样。
10 亿美元以上的公司完全没有：两条线一直在 0 附近来回晃（−0.4 到 +0.3），就是噪音。

关注一家公司的人越多，消息被吸收得越快。大公司的评级变动，当天就被价格吸收完了。

第三课：日期标在 1 号，不代表是那天的数据

第二份数据是每个月各个评级有多少分析师，每一行都标着“某年某月 1 号”。我本来想用它算“平均评级比 3 个月前变了多少”。

成绩单上出现了一个太好的结果：在 100 亿美元以上的公司里，平均评级下降的股票，每个月比平均差 1.5%。一年下来差 18%，这不可能是真的。回头查数据，才发现这份“每月”数据大部分月份根本没有更新：

冻结的每月数据

2021 到 2024 年，大部分月份只有不到 5% 的公司有变化，只是把上个月原样复制一遍；隔一段时间再一次性刷新 50–95% 的公司。2025 年起才是真正的每月更新。所以“标着 9 月的那一行”其实是 FMP 上次刷新时的样子，不是分析师 9 月的看法。那个 −1.5% 来自数据冻结的月份：100 亿以上的公司里，只有 2 到 6 只股票的平均评级“下降”，几只股票的涨跌就决定了结果。

这份数据最后没有用。教训：日期标在哪一天，不代表数据就是那一天的快照。要检查它是不是真的在按时间变化。 一个“太好”的结果，最常见的原因是数据有问题，而不是发现了宝藏。

第四课：成绩单

用上一篇同样的方法，算每个月的行业内 IC：

按公司大小的 IC

IC 几乎为零：过去 30 天的净上调次数，全部股票只有 0.004，100 亿美元以上 0.008（t 值 1.5，不显著），最多只有 SUE 的三分之一，全部股票里只有六分之一。
只看有评级变动的股票，信号是真的：IC 有 0.024（t 值 3.0）。但公司越大越弱：10 亿以上 0.013，100 亿以上 0.003。和老因子一样，只在买不起的小公司里有效；SUE 则在大公司里也有效。
而且只在 2021 年有效，2023 年以后约等于 0。

第五课：“有人关注”的陷阱

把股票分成被上调、没变、被下调三组，看下个月的收益。一个奇怪的现象：被上调的和被下调的，都跑赢了股票池的平均。比如在全部股票里（过去 90 天的净上调），上调组每月比平均多 0.33%，下调组也多 0.10%。

原因是：“有分析师来改评级”这件事本身，就说明这是一家更大、更多人关注的公司。所以“上调组跑赢平均”有一部分来自“有人关注”，不是来自“被上调”：被下调的也跑赢了平均。

修正市值错误之前，这个陷阱更明显：上调组扣成本后每月跑赢平均 0.35%（t 值 2.3），看起来像一个可以用的策略；修正后只剩 0.18%（t 值 1.4）。不管哪个数字，比较都应该是上调组对下调组，而不是上调组对平均。

比较一定要找对对照组：要看上调组和下调组之间的差，而不是上调组和全部股票的差。上调减下调，在 10 亿美元以上的公司里每月只有 +0.19%（t 值 0.9），100 亿以上约为 0。

这个因子适合什么样的交易？

我问 Claude：这个因子是不是适合高频交易，只有消息一出来才有效？它的回答是：方向对，但要分清“速度”和“信息”。

评级变动的价值几乎全在第 0、1 天。我们的月度调仓横截面选股抓不到它，它属于事件驱动的交易：消息出来以后几分钟到一两天之内交易。
但真正的门槛可能是“谁先拿到报告”，而不是“谁下单更快”。券商的报告通常先发给付费的机构客户，公开新闻出来时，价格多半已经动了。我们只有每天的收盘价，分不出第 0 天的反应是开盘跳空还是盘中慢慢涨上去的，要回答这个问题需要分钟级的数据。
有研究发现，很多评级变动本身是跟在公司新闻后面的，自己带的新信息并不多（Altınkılıç 和 Hansen，2009）。我们数据里 27% 的变动紧跟财报，和这个发现一致。

所以对一个普通的个人投资者来说，评级变动更像是“已经发生的新闻”，而不是可以交易的信号。

和学界的对照

评级变动后的漂移（Womack 1996）：在 2021–2026 年的数据里，只在 10 亿美元以下的小公司里还能看到，大公司里已经没有了。
分析师信息很快被吸收（Altınkılıç 和 Hansen 2009）：大公司的反应集中在第 0 天，第 2 天以后约为 0。
评级变动比评级水平更有信息（Jegadeesh 等 2004）：我们没能检验，因为每月评级人数那份数据是冻结的。

踩过的坑

冻结的“月度”数据：上面第三课。最危险的是它看起来完全正常：每个月都有一行，日期整整齐齐。
又是同分：80% 的股票净上调次数是 0。之前股息率、是否盈利都遇到过，分组前一定要先看值的分布。
同名文件：P10 和 P11 各有一个 build_signals.py，P11 导入 P10 的代码时会互相覆盖，最后只能改名。
顺带发现的数据错误：查异常值时发现，有些后来做过反向拆股的公司，市值被放大了几十到几千倍，比如一家小生物科技公司在 2022 年 12 月被记成 239 亿美元。原因是拆股调整后的价格乘上了当时的股数。这会把小公司错放进“100 亿以上”那组。现在已经修复，第四到第八篇和本文的数字都在修正后的数据上重跑过了。上一篇“踩过的坑”里那只股价 0.53 美元、市值却有 364 亿的股票，数据自相矛盾，现在仍然修不了。

结论和下一步

失败也是结果。分析师评级变动在 2021–2026 年、10 亿美元以上的公司里，作为月度信号基本无效。这是事先选定的经典信号，按同样的标准测下来没有通过，我就不再为它调参数、换窗口去“救”它。原计划的“和 SUE 比有没有新信息”和“只做多组合”两步也跳过了：没有可交易的信号，再测下去只会增加多重检验的次数。
信息被吸收的速度决定了因子的周期。SUE 的漂移持续约两个月，适合月度调仓；评级变动的信息两天就被吸收完了，只适合事件驱动的交易。选因子之前，先问一句：它的信息多久会被价格吸收？
一个太好的结果，先怀疑数据。−1.5% 每月的“发现”，最后查出来是数据冻结。

下一步是 P12：先修好市值的错误，重跑大公司的结果，然后做模拟盘——每月月底按规则生成组合并记录下来，用之后的真实收益检验。