7.3 质量因子：盈利能力、应计利润与 QV 策略¶

核心矛盾：高 ROE 的公司往往已被市场充分定价。 质量因子的精妙在于捕捉「盈利质量高但市场尚未充分定价」的机会。

学习目标¶

• 理解质量因子的五个维度及其经济学依据
• 深入理解 Sloan 应计利润异象：会计利润≠真实盈利
• 构建并验证价值+质量（QV）复合因子
• 理解为什么 QV 优于单因子

1. 这节究竟解决什么实际问题？¶

7.3 质量因子：盈利能力、应计利润与 QV 策略 的具体任务是：从盈利、应计利润和资产负债表质量识别经营质量。 本节将明确输入数据、计算过程、输出及其在后续研究中的用途。

2. 前置知识¶

理解利润表、资产负债表、现金流量表以及收益率。 对公式的理解应包括变量定义、单位、时间索引和适用条件。

3. 数据说明¶

教学样本可能为模拟或固定快照。必须区分报告期、公告日、可获取日、修订日和实际交易日。 运行前先检查 shape、日期范围、列名与缺失值。数据看起来能画图，不代表它适合回答研究问题。

4. 学习目标与完成标准¶

完成本节后，你应能用自己的话解释 7.3 质量因子：盈利能力、应计利润与 QV 策略 的输入、计算步骤、输出和局限；尤其能说明：从盈利、应计利润和资产负债表质量识别经营质量。 你还应能独立改动一个参数并解释结果为什么变化，指出至少一个会让结论失真的假设。

5. 核心概念与公式¶

报告期结束日、公告日和数据实际可获取日不同。交易信号必须按可获取日而非报告期对齐。

财务比率的分子与分母须来自同一可得时点；因子形成后再给予合理交易延迟。 看到公式时依次确认：每个符号的单位是什么？它属于哪个时点？分母会不会为零？它是描述性统计量、预测量，还是交易规则？

6. 从零实现¶

原始代码按照“准备输入 → 计算中间量 → 得到结果 → 解释输出”的顺序组织。每个单元应检查变量类型、索引、维度和代表性数值。中间变量用于核对公式实现和定位计算错误。

7. 成熟库实现¶

Pandas 便于按公告日对齐；数据服务返回的字段并不天然具有可交易时点。 使用库函数前先阅读参数含义、默认值和返回对象；库输出一个数字，并不说明这个数字适合你的交易假设。

8. 两种实现的差异¶

从零实现便于核对公式、调试和识别隐含假设；成熟库适合在计算逻辑已验证后复用。两种实现依赖相同的数据口径与时点假设，使用库函数不会改变输入数据的质量。

9. 预期结果与检查范围¶

你应看到维度正确的 Series/DataFrame、日期单调递增的索引，以及能支持“从盈利、应计利润和资产负债表质量识别经营质量。”这一任务的表格或图形。金融日收益率均值通常接近 0；若出现极大的连续收益、空表、全 NaN 或索引错位，应先排查数据和对齐逻辑，而不是立即相信结果。

10. 常见错误与诊断¶

按财报所属季度直接交易、使用修订后数据、忽略负值和行业差异、混用市值时点。

诊断顺序：先打印类型与 shape，再看 head()/tail()，接着检查日期和 NaN，最后才比较数值。这样能避免在错误的对象上反复改参数。

11. 研究偏差检查¶

错误的 Point-in-Time 对齐会产生未来函数；必须记录公告日并设置交易可用延迟。 结果至少应与一个简单基线比较，并明确哪些部分只是教学演示。

12. 三层练习与答案¶

• 基础练习：验证一个中间变量、补全一段小计算，并用一句话解释输出。
• 研究练习：改变窗口、样本区间、约束或标的，记录哪些结论仍成立。
• 开放项目：把本节方法嵌入模块项目，报告基线、失败结果和限制。

题目在 ../exercises/07_fundamental/03_quality_factors_exercises.ipynb；完整推导、可运行参考实现与结果检查在 ../solutions/07_fundamental/03_quality_factors_solutions.ipynb。请先独立作答，再打开答案。

13. 延伸阅读¶

延伸材料：AQR 关于因子研究的资料。阅读记录应包括研究假设、数据频率、样本范围和结论适用条件。

14. 下一节¶

下一节是 04_earnings_surprise。本节的概念会成为理解它的输入，而不是孤立的名词。

第一部分：质量的五个维度——为什么每个都重要？¶

维度	指标	方向	为什么重要
盈利能力	ROE	越高越好	衡量股东资本的回报效率
盈利稳定性	ROE 波动率	越低越好	稳定 ROE=持续护城河，波动大=靠运气
现金质量	CFO / 净利润	越高越好	>1 说明真实现金超过会计利润
财务安全	负债率	越低越好	低负债=危机时逆势扩张的能力
盈利质量	应计利润率	越负越好	负值=CFO>利润，利润真实可信

关键洞察：为什么 ROE 波动率很重要？¶

两家公司平均 ROE 都是 15%：

• 公司 A：每年稳定 15%
• 公司 B：+30%, -5%, +25%, +10%, +5%（均值 15%，但忽上忽下）

公司 A 的 ROE 更稳定。这可能与定价权、成本优势或资本结构有关，但仅凭 ROE 不能确认竞争优势或估值高低。 而不是靠周期性或运气暂时获利。这就是巴菲特寻找「持久竞争优势」的量化体现。

In [4]:

import matplotlib.pyplot as plt

# 1. 设置系统自带的中文字体（这里使用黑体 SimHei）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 如果你想用微软雅黑，可以改成 ['Microsoft YaHei']

# 2. 解决更换字体后，负号（-）显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

import matplotlib.pyplot as plt # 1. 设置系统自带的中文字体（这里使用黑体 SimHei） plt.rcParams['font.sans-serif'] = ['SimHei'] # 如果你想用微软雅黑，可以改成 ['Microsoft YaHei'] # 2. 解决更换字体后，负号（-）显示为方块的问题 plt.rcParams['axes.unicode_minus'] = False

In [5]:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy import stats
from scipy.stats import rankdata
np.random.seed(42)
n = 300

# 模拟三类公司：高质量、中等、低质量
def gen(n, roe_mu, roe_std, cf_mu, lev_mu, acc_mu):
    return pd.DataFrame({
        'ROE':     np.random.normal(roe_mu, roe_std, n).clip(0),
        'ROE_vol': np.abs(np.random.normal(roe_std, roe_std*0.3, n).clip(0.01)),
        'CF_ratio': np.random.normal(cf_mu, 0.2, n).clip(0.2, 2.5),
        'leverage': np.random.normal(lev_mu, 0.1, n).clip(0.1, 0.9),
        'accruals': np.random.normal(acc_mu, 0.04, n),
    })

high = gen(100, 0.25, 0.04, 1.3, 0.25, -0.03)
high['label'] = '高质量'
mid  = gen(100, 0.14, 0.08, 0.95, 0.45, 0.01)
mid['label'] = '中等'
low  = gen(100, 0.06, 0.12, 0.6, 0.68, +0.05)
low['label'] = '低质量'
df = pd.concat([high, mid, low], ignore_index=True)

fig, axes = plt.subplots(1, 3, figsize=(14, 4))
for ax, col, label, note in zip(axes,
    ['ROE', 'ROE_vol', 'accruals'],
    ['ROE（盈利能力）', 'ROE波动率（越低=越稳定）', '应计利润率（越负=现金质量越好）'],
    ['高ROE公司ROE显著更高', '低ROE_vol=护城河稳定', '低质量公司应计项目多']):
    for lbl, color in [('高质量','green'), ('中等','gray'), ('低质量','red')]:
        df[df['label']==lbl][col].hist(bins=20, ax=ax, alpha=0.6, color=color, label=lbl)
    ax.set_title(f'{label}   {note}', fontsize=9)
    ax.legend(fontsize=8); ax.grid(alpha=0.3)
plt.suptitle('质量因子各维度：高 vs 低质量公司分布差异', fontsize=12)
plt.tight_layout(); plt.show()

import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy import stats from scipy.stats import rankdata np.random.seed(42) n = 300 # 模拟三类公司：高质量、中等、低质量 def gen(n, roe_mu, roe_std, cf_mu, lev_mu, acc_mu): return pd.DataFrame({ 'ROE': np.random.normal(roe_mu, roe_std, n).clip(0), 'ROE_vol': np.abs(np.random.normal(roe_std, roe_std*0.3, n).clip(0.01)), 'CF_ratio': np.random.normal(cf_mu, 0.2, n).clip(0.2, 2.5), 'leverage': np.random.normal(lev_mu, 0.1, n).clip(0.1, 0.9), 'accruals': np.random.normal(acc_mu, 0.04, n), }) high = gen(100, 0.25, 0.04, 1.3, 0.25, -0.03) high['label'] = '高质量' mid = gen(100, 0.14, 0.08, 0.95, 0.45, 0.01) mid['label'] = '中等' low = gen(100, 0.06, 0.12, 0.6, 0.68, +0.05) low['label'] = '低质量' df = pd.concat([high, mid, low], ignore_index=True) fig, axes = plt.subplots(1, 3, figsize=(14, 4)) for ax, col, label, note in zip(axes, ['ROE', 'ROE_vol', 'accruals'], ['ROE（盈利能力）', 'ROE波动率（越低=越稳定）', '应计利润率（越负=现金质量越好）'], ['高ROE公司ROE显著更高', '低ROE_vol=护城河稳定', '低质量公司应计项目多']): for lbl, color in [('高质量','green'), ('中等','gray'), ('低质量','red')]: df[df['label']==lbl][col].hist(bins=20, ax=ax, alpha=0.6, color=color, label=lbl) ax.set_title(f'{label} {note}', fontsize=9) ax.legend(fontsize=8); ax.grid(alpha=0.3) plt.suptitle('质量因子各维度：高 vs 低质量公司分布差异', fontsize=12) plt.tight_layout(); plt.show()

第二部分：Sloan 应计利润异象（1996）¶

应计利润的本质¶

$$\text{净利润} = \text{经营现金流（CFO）} + \underbrace{\text{应计项目（Accruals）}}_{\text{「借来」的利润}}$$

应计项目的典型来源：

• 应收账款增加：卖了货但还没收到钱，记入利润但 CFO 没有体现
• 存货增加：生产了产品但未卖出，按成本暂不记为费用

为什么应计利润多是坏事？

1. 应收账款可能变成坏账，未来需要冲销 → 利润下调
2. 存货跌价 → 需要计提减值损失
3. 管理层可能故意通过应计项目美化当期业绩

Sloan 的实证：高应计利润组未来 12 月 系统性跑输 低应计利润组约 10%（年化）。

应计利润异象假设市场没有立即充分反映应计项目的信息。该假设需要在不同市场、时期和成本条件下重新检验。

In [6]:

# 验证 Sloan 应计利润异象
np.random.seed(42)
N = 500
accruals  = np.random.normal(0, 0.06, N)
noise     = np.random.normal(0, 0.25, N)
fwd_ret   = -0.9 * accruals + noise   # 高应计→未来跌

r, p = stats.spearmanr(accruals, fwd_ret)
print(f'应计利润率 Spearman IC = {-r:.4f}  (p = {p:.4e})')

deciles   = pd.qcut(accruals, 10, labels=[f'D{i+1}' for i in range(10)])
dec_ret   = pd.Series(fwd_ret).groupby(deciles).mean()

fig, axes = plt.subplots(1, 2, figsize=(13, 4))
axes[0].scatter(accruals, fwd_ret, alpha=0.3, s=12, color='steelblue')
m, b, *_ = stats.linregress(accruals, fwd_ret)
xr = np.linspace(accruals.min(), accruals.max(), 100)
axes[0].plot(xr, m*xr+b, 'r-', lw=2, label=f'IC = {-r:.3f}')
axes[0].set_xlabel('应计利润率'); axes[0].set_ylabel('未来12月收益')
axes[0].set_title('Sloan 异象：高应计利润→未来跌'); axes[0].legend(); axes[0].grid(alpha=0.3)

bar_c = ['#2ecc71' if x > 0 else '#e74c3c' for x in dec_ret]
axes[1].bar(range(10), dec_ret.values, color=bar_c, alpha=0.85, edgecolor='white')
axes[1].axhline(0, color='black', lw=0.8)
axes[1].set_title('十分位分组：D1=低应计(好) D10=高应计(差)')
axes[1].set_ylabel('平均收益率'); axes[1].grid(alpha=0.3)
plt.tight_layout(); plt.show()
print('结论：低应计利润组(D1)系统性跑赢高应计利润组(D10)')

# 验证 Sloan 应计利润异象 np.random.seed(42) N = 500 accruals = np.random.normal(0, 0.06, N) noise = np.random.normal(0, 0.25, N) fwd_ret = -0.9 * accruals + noise # 高应计→未来跌 r, p = stats.spearmanr(accruals, fwd_ret) print(f'应计利润率 Spearman IC = {-r:.4f} (p = {p:.4e})') deciles = pd.qcut(accruals, 10, labels=[f'D{i+1}' for i in range(10)]) dec_ret = pd.Series(fwd_ret).groupby(deciles).mean() fig, axes = plt.subplots(1, 2, figsize=(13, 4)) axes[0].scatter(accruals, fwd_ret, alpha=0.3, s=12, color='steelblue') m, b, *_ = stats.linregress(accruals, fwd_ret) xr = np.linspace(accruals.min(), accruals.max(), 100) axes[0].plot(xr, m*xr+b, 'r-', lw=2, label=f'IC = {-r:.3f}') axes[0].set_xlabel('应计利润率'); axes[0].set_ylabel('未来12月收益') axes[0].set_title('Sloan 异象：高应计利润→未来跌'); axes[0].legend(); axes[0].grid(alpha=0.3) bar_c = ['#2ecc71' if x > 0 else '#e74c3c' for x in dec_ret] axes[1].bar(range(10), dec_ret.values, color=bar_c, alpha=0.85, edgecolor='white') axes[1].axhline(0, color='black', lw=0.8) axes[1].set_title('十分位分组：D1=低应计(好) D10=高应计(差)') axes[1].set_ylabel('平均收益率'); axes[1].grid(alpha=0.3) plt.tight_layout(); plt.show() print('结论：低应计利润组(D1)系统性跑赢高应计利润组(D10)')

应计利润率 Spearman IC = 0.2802  (p = 1.7930e-10)

结论：低应计利润组(D1)系统性跑赢高应计利润组(D10)

第三部分：QV 双因子——价值 + 质量优于单因子¶

为什么合并优于单独使用？¶

• 纯价值（低P/B） → 选入困境股（价值陷阱），低质量
• 纯质量（高ROE） → 选入高估值好公司，已被充分定价
• QV 合成 → 优质但被低估的公司 = AQR 的 QARP 策略

In [8]:

def rnk(s, hi=True):
    r = pd.Series(rankdata(s)) / len(s)
    return r if hi else 1 - r

# 构建五维质量分
df['q'] = (rnk(df['ROE']) + rnk(df['ROE_vol'],hi=False) +
            rnk(df['CF_ratio']) + rnk(df['leverage'],hi=False) +
            rnk(df['accruals'],hi=False)) / 5

# 价值因子
df['PB']    = np.random.lognormal(np.log(2),0.7,len(df)).clip(0.3,15)
df['value'] = rnk(df['PB'], hi=False)
df['QV']    = 0.5*df['q'] + 0.5*df['value']

# 前瞻收益
noise_q = np.random.normal(0, 0.25, len(df))
fwd = 0.4*df['q'] + 0.3*df['value'] + noise_q

fig, axes = plt.subplots(1, 3, figsize=(13, 4))
for ax, col, title in zip(axes, ['q','value','QV'], ['纯质量','纯价值(低PB)','QV双因子']):
    q5 = pd.qcut(df[col], 5, labels=['Q1','Q2','Q3','Q4','Q5'])
    qr = fwd.groupby(q5).mean()
    sp = qr.iloc[-1] - qr.iloc[0]
    ax.bar(qr.index, qr.values,
           color=['#e74c3c','#e67e22','#f1c40f','#2ecc71','#27ae60'],alpha=0.85,edgecolor='w')
    ax.axhline(0, color='k', lw=0.8)
    ax.set_title(f'{title} Q5-Q1={sp:.3f}'); ax.grid(alpha=0.3)
plt.suptitle('三种策略多空收益差：QV合成通常最稳健', fontsize=12)
plt.tight_layout(); plt.show()

def rnk(s, hi=True): r = pd.Series(rankdata(s)) / len(s) return r if hi else 1 - r # 构建五维质量分 df['q'] = (rnk(df['ROE']) + rnk(df['ROE_vol'],hi=False) + rnk(df['CF_ratio']) + rnk(df['leverage'],hi=False) + rnk(df['accruals'],hi=False)) / 5 # 价值因子 df['PB'] = np.random.lognormal(np.log(2),0.7,len(df)).clip(0.3,15) df['value'] = rnk(df['PB'], hi=False) df['QV'] = 0.5*df['q'] + 0.5*df['value'] # 前瞻收益 noise_q = np.random.normal(0, 0.25, len(df)) fwd = 0.4*df['q'] + 0.3*df['value'] + noise_q fig, axes = plt.subplots(1, 3, figsize=(13, 4)) for ax, col, title in zip(axes, ['q','value','QV'], ['纯质量','纯价值(低PB)','QV双因子']): q5 = pd.qcut(df[col], 5, labels=['Q1','Q2','Q3','Q4','Q5']) qr = fwd.groupby(q5).mean() sp = qr.iloc[-1] - qr.iloc[0] ax.bar(qr.index, qr.values, color=['#e74c3c','#e67e22','#f1c40f','#2ecc71','#27ae60'],alpha=0.85,edgecolor='w') ax.axhline(0, color='k', lw=0.8) ax.set_title(f'{title} Q5-Q1={sp:.3f}'); ax.grid(alpha=0.3) plt.suptitle('三种策略多空收益差：QV合成通常最稳健', fontsize=12) plt.tight_layout(); plt.show()

练习¶

1. 对 A 股前 500 大市值股票计算五维质量分，统计高质量组（Q5）未来 6 个月平均超额收益。
2. AQR 的 QMJ 因子：做多高质量（Q5）、做空低质量（Q1），实现并计算年化 Sharpe，与沪深300对比。
3. 用 DuPont 分解验证：挑出 5 只 ROE>25% 的 A 股公司，拆解其 ROE 来源是利润率、周转率还是杠杆？

---

下一节 → 04_earnings_surprise.ipynb

In [ ]: