盈利背景与跨类别股票回报策略

“Fama和French在2006年提出的框架探讨预期股票回报与公司特征的关系，强调Bt/Mt比率和预期盈利能力的重要性。Novy-Marx在2013年强调使用毛利润作为更强的盈利能力预测指标，而非会计收益。论文提出基于背景的运营盈利能力（OPCN）方法，结合机器学习和自然语言处理，分析叙述信息与运营表现的关系。”

资产类别：股票 | 区域：美国 | 频率：月度 | 市场：股票 | 关键词：盈利能力，股票回报

策略概述

Fama 和 French 在 2006 年提出了一个理解预期股票回报与公司特征之间关系的基本框架。该框架围绕一个估值方程展开，该方程预测预期回报如何根据 Bt/Mt 比率、预期未来利润和预期投资等因素变化。核心思想是，较高的预期盈利能力应该会导致更高的预期回报，控制其他因素不变。尽管 Fama 和 French 发现了对这些预测的实证支持，但盈利能力和投资对股票回报的经济影响相对有限。

随后，论文介绍了 Novy-Marx 在 2013 年的关键贡献，他强调了关注公司的“真实盈利能力”而不是依赖于会计收益（净收入）作为代理的重要性。会计收益通常包含暂时性成分，可能无法准确反映公司实际的盈利潜力。Novy-Marx 提倡使用毛利润作为回报的更强预测指标。后续研究进一步完善了这些盈利能力代理指标。

然而，论文指出，现有研究主要关注盈利能力代理的量化调整，且很大程度上忽略了“软性”因素和叙述背景的影响。它认为，理解叙述性讨论如何影响对盈利能力等定量特征的解释至关重要。背景信息，如利润下降与竞争环境变化的关系，可能对解释盈利能力数值及其对未来股票回报的影响产生重大作用。

为了解决这一挑战，论文提出了一种新方法，涉及机器学习和自然语言处理。该方法利用 BERT 语言模型对与运营表现相关的叙述信息进行编码。通过将这些编码文本与回归模型中的数值数据结合，研究旨在基于背景线索细化对运营盈利能力的解释。该创新方法称为基于背景的运营盈利能力（OPCN），承诺丰富我们对背景与定量特征如何互动并预测股票回报的理解。

策略合理性

该研究的功能性在于解决了实证资产定价模型中的一个关键局限性。这些模型通常依赖于数值特征（如盈利数据），而不考虑报告这些数据时的定性上下文。本文认识到，当两家公司报告相同的盈利数据时，基于非量化因素（如战略目标的变化、竞争、生产延迟和供应链中断等）的解读可能存在显著差异。为了减轻这个问题，文章利用了美国证券交易委员会（SEC）的监管要求，即公司必须提供与财务数字相关的叙事背景。本文探讨了上下文在资产定价模型中的重要性，并展示了将上下文纳入数值特征显著增强了其价值的证据。特别是，考虑盈利能力的上下文在应对定价小盘股时尤为重要。所提出的策略的功能性体现在回答以下几个关键问题上：上下文信息在改进资产定价模型中的作用、数值特征与上下文之间的相互作用对模型有效性的影响、以及是否可以构建有意义的上下文调整特征和因子。为实现这些目标，本文重点研究了年度报告管理层讨论与分析 (MD&A) 部分中所捕捉的运营盈利能力的上下文。

论文来源

Profitability Context and the Cross-Section of Stock Returns [点击浏览原文]

• Alex Kim，Valeri V. Nikolaev，芝加哥大学布斯商学院

<摘要>

资产定价模型隐含假设公司特征是没有上下文的。同时，公司提供了大量的叙事上下文，帮助投资者为数值信息提供背景。管理层可能会讨论影响业绩的非量化因素，如竞争策略的变化、未来计划等。我们通过聚焦盈利数字周围的叙事上下文，研究了上下文信息对资产定价的重要性。我们使用机器学习将上下文信息纳入盈利能力的测量。与传统的运营盈利能力相比，基于上下文调整的盈利能力在统计和经济上具有更强的解释预期回报的能力。此外，基于上下文调整的盈利能力因子在投资组合测试中表现更好，并有助于解决五因子模型（Fama 和 French [2015]）面临的最大挑战。总体而言，我们发现，考虑上下文可以为投资者带来显著的附加价值，并改善资产定价模型。

回测表现

年化收益率	6.8%
波动率	10.46%
Beta	N/A
夏普比率	0.65
索提诺比率	N/A
最大回撤	N/A
胜率	71%