如何基于盈利预期调整构建优选组合？ | 开源金工
开源证券金融工程首席分析师 魏建榕
微信号：brucewei_quant
执业证书编号：S0790519120001
开源证券金融工程研究员 盛少成（联系人）
微信号：15000762026执业证书编号：S0790121070009研究领域：因子模型、基本面量化摘要
盈利预期调整事件研究
通过对比分析师对股票在当日所在年份的前后两次预测财年数据，我们定义了盈利预期调整比例，并从事件研究角度发现如下结论：1、盈利预期调整比例在0附近的数量较高；2、盈利预期上调往往能够获得更大超额收益，且上调的分层效果比下调的效果更好；3、下调分层效果较差的原因：时效性更低。
盈利预期调整因子的生成及改进
在因子的生成上，标准化方法为影响因子效果较为关键的因素，我们讨论了3种方式，并从因子覆盖度、 以及分组回测绩效综合比较，最后采用分歧度标准化方式定义的 ；在因子的改进上，我们讨论了分析师行为对于该因子的影响，并从时间加权、股价跟随性加权、预测准确度加权三大维度给出了尝试，改进后因子 多空对冲信息比率从2.38提升至3.14。盈利预期上调股票池增强探索在做增强之前，我们发现 本身的效果已经较好，以因子值较大的30只股票池为例，其绝对收益年化27.8%、收益波动比1.02，对冲中证全指后的年化24.4%，收益波动比2.17。进一步地，我们从分析师羊群效应、动量与反转、资金流强度、其他预期维度的关联这几大方面对盈利预期上调股票池尝试增强。对于分析师羊群效应 ，我们借用了刻画交易羊群效应 指标的定义，并发现 存在正向选股效果，多空对冲信息比率为0.60；在盈利预期上调股票池内，反转因子我们采用理想反转因子的 部分，动量因子采用长端动量、分析师关联动量和事件收益动量，接着我们将反转和动量因子合成，合成因子 多空对冲信息比率为1.30；在资金流强度层面，我们直接使用大单残差，多空对冲为1.73；在与其他预期维度的关联上，我们主要考虑评级变动和预期ROE高低，结果发现：1、评级变动有明显分层效果，评级上调对冲评级下调后的信息比率为1.41；2、高预期ROE组的表现会好于低预期ROE组，但多空对冲的曲线并不稳，尤其近1年产生较大回撤。在上述的分析中，我们发现动量与反转综合因子 、大单残差以及评级变动因子效果较好，后续我们利用其作为风险因子进行组合增强。盈利预期调整优选组合的构建（1）确立初始股票池：选取 大于0的股票池；（2）剔除该股票池评级为非增持和买入的股票；（3）剔除评级下调的股票；（4）剔除位于风险因子 以及大单残差后10%分位的股票。剔除位于风险因子 以及大单残差后10%分位的股票。改进后的盈利预期调整优选组合相比于原始组合绩效明显更好，信息比率达到1.21。从超额收益来看，所有年份都录得了正超额，全区间的年化超额收益率26.9%，收益波动比为2.6，胜率72.7%。
报告链接
点击文末阅读原文，提取码：kyjg
报告发布日期：2022-08-06
分析师预期数据蕴含着大量的信息，在《业绩超预期Plus组合的构建》中，我们立足于业绩超预期股票池，基于财务数据、股价行为、大单资金流等，优中选优构建了超预期30组合，该组合样本外跟踪绩效表现优异，2022年以来超额中证500指数14.6%，月度超额胜率86%。
业绩超预期基于的是财报盈利实际值和分析师盈利预期值的对比，除此之外分析师预期的自身对比，即盈利预期调整也蕴含着重要的信息，本篇报告将对该问题详细展开，主要涵盖因子的生成及改进、组合的构建。本文的创新点如下：
（1）在因子的生成上，标准化方法为影响因子效果较为关键的因素，我们讨论了3种方式，并使用分歧度标准化的方式作为最终的因子；
（2）在因子的改进上，我们讨论了分析师行为对于盈利预期调整因子的影响，并从时间加权、股价跟随性加权、预测准确度加权三大维度出发给出了尝试，最终因子的多空对冲信息比率从2.38提升至3.14；
（3）在组合的构建中，我们从分析师覆盖股票池出发，并从预期调整角度构建了特色因子，包括分析师关联动量、分析师羊群效应等；对于每个细分因子，我们有不同构造方式的详细讨论；
（4）对于盈利预期调整的选股效果，其也会一定程度受到其他预期维度的影响，这里我们主要考虑了：评级调整方向和预期ROE的高低。
01
朝阳永续一致预期数据概览
朝阳永续一致预期数据，是广为市场熟知的记录分析师预期行为的专项数据。为了后续的研究方便，在文章的第一部分我们先对其进行简单的数据统计，具体从以下四个角度展开：不同类型报告分布、报告数量月度分布、创建与入库时间差、宽基指数的覆盖度，具体情况如下图所示。其中对于非个股报告而言，我们选取置信度在5以上的样本为有效样本。
从不同类型报告分布来看：点评报告的数量相对较多，深度报告、一般个股报告、非个股报告（置信度大于5）类的数量次之，调研报告、会议纪要的数量最少。
从报告数量的月度分布来看：分析师报告在财报发布日前后数量较多，即在3、4、8、10几个月出现了小高点。
从创建与入库时间差来看：分析师报告发布和入库存在一定的时间滞后性，但整体来看时效性较高，其中时间差在3天以内的样本量占到80%，7天以内占到95%。在后续的分析中，我们默认创建与入库时间差小于7天的样本为有效样本。
从覆盖度来看：对于沪深300指数成分股，分析师覆盖度基本保持在90%以上的水平；对于中证500指数成分股，分析师覆盖度在70%~90%之间浮动；随着注册制的实施，全市场个股的分析师覆盖率呈现了较大幅度的下滑，从2016年Q3的75%以上的覆盖率水平逐步下降到2022Q2大约50%的覆盖率。
02
盈利预期调整：事件研究与因子的构建
2.1、 盈利预期调整事件研究：盈利预期上调有明显超额
对于盈利预期调整幅度，我们采用如下的方式进行定义：对于股票 而言，使用分析师 在当日所在年份的预测财年数据 ，与同预测年份最近一期预期财年数据 进行对比：
其中，在此计算中我们考虑到如下几个细节：
（1）若相对于当前预测时点， 分析师对股票 前一次预测时点发生在180天以前，我们认为该数据离当前时点过远，时效性存在一定问题，此时该股票的 会被设置为空值；
（2）这里的 和 都是基于机构 来进行匹配的，但是当分析师跳槽后，则会出现前后两次预测机构相同、分析师不同的问题。这里的处理方式为：当前后两次预测机构相同，但署名分析师完全不一致的情况下，我们才会将该股票的 设置为空值；
（3）若该股票 为负值或微利值，以及 的绝对值大于1时，我们认为计算结果在一定程度上会失真，此时该股票的 会被设置为空值。
接着，我们统计了不同盈利预期调整幅度在T-20至T+60的超额收益状况，这里超额的比较基准为中证全指，结果如图5所示。从图中我们可以得出4点结论：
（1）分析师盈利预期下调样本数略高于上调样本数，这是由于分析师普遍偏向于高估，往往伴随着财报的披露会下修盈利预期；
（2）分析师盈利预期调整比例在0附近的数量较高，说明大幅调整的冒险性行为出现概率偏小；
（3）分析师盈利预期上调往往能够获得更大超额收益，且上调的分层效果比下调的效果更好；
（4）下调分层效果较差的原因即：时效性更低。从图7中可以观察到：在相同的调整幅度下，上调报告间隔的时间要小于下调。盈利预期下调由于信息比较滞后，在发布报告之前市场可能已经反应这一事件，因此报告后的异常收益区分度并不明显。
2.2、 盈利预期调整因子的构建：分歧度标准化更有效
进一步地，我们将盈利预期调整事件转化为月频调仓因子，具体做法为：对于股票 ，每月底回看过去180天，计算该时段所有分析师最近一期的 ，并求平均得到 ， 。在计算时，若这只股票在这180天内覆盖分析师数 小于3，则因子值被设置为空值。
除了 的定义方式，本文也讨论了其他2种定义方式：
（1） 。该因子的标准化方法为：盈利预测调整时序上的标准差。具体做法为：对于股票 ，每月底回看过去180天，其中分析师 盈利预期调整序列为 ，序列长度为 ，该股票覆盖分析师数为 （若 或者 小于3，则 被赋予空值），利用此 可以被表达为：
（2） 。该因子的标准化为：盈利预测调整横截面标准差，即分歧度。具体做法为：对于股票 ，每月底回看过去180天，其中所有分析师最近一期的盈利预测调整集合为 ，该股票分析师覆盖数为 （若 小于3，则 被赋予空值），利用此 可以被表达为：
我们对三种标准化方式下的盈利预期调整因子进行回测，手续费双边千三，结果如表1所示。我们可以看到： 无论是在IC均值、ICIR、多空对冲还是多头的表现上都是相对较优的， 效果最差。 虽然效果不错，但是在计算时序标准差时，我们要求至少存在3个样本点，这会导致覆盖度偏低。所以后续我们的分析对象主要是 。
2.3、 FYR_DISP的改进：时间、股价跟随性、预测准确度
对于 而言，构建方法中的分子为所有分析师最后一期盈利预测值变化的平均，但是不同分析师盈利预期变动带来的市场影响力是不同的，在这里我们从三个角度出发进行加权处理：时间，股价跟随性，预测准确度。
（1）时间
对于时间的加权，我们主要考虑：1、前后两次预测间隔时间差 ；2、最后一次预测时间距离生成因子的时间间隔 ，具体示意如图8所示。
对于时间加权的权重，我们采取半衰期加权法来确定，以 为例，对于股票 ，加权后的分析师 权重为 ，公式表达如下（ 为分析师覆盖个数， 为半衰期参数）：
进一步，我们对半衰期参数 做了参数遍历。在不同参数下，时间加权 的IC_IR表现如图9及图10所示。
从上图中我们可以看出：1、相比于原始的 ， 或者 时间加权下的表现都有所提升；2、 时间加权下的表现更优；3、二者对于半衰期参数敏感性不高。
接着，我们选取N=60，对两种时间加权权重进行合成，形成 ，采取的方式为 与 相乘，再归一化。最后，我们对 、 、 三种方式下的加权因子进行了5分组回测，结果如表2所示。从表中可以看出在 时间加权下， 的多空信息比率从原始的2.38提升至2.79，最大回撤从6.83%降至3.77%，是较为有效的改进方案。
（2）股价跟随性
对于盈利预期调整而言，往往会受到前期市场涨跌的影响，比如当某只股票处于强势的上涨趋势中，分析师更大概率会积极上调盈利预测。对于跟随市场涨跌的盈利预期调整而言，我们认为其跟风效应强、创新性不足，而那些与市场走势不同的观点可能更有参考价值。
为了验证这一猜想，我们结合盈利预期调整与股票前60天的超额收益方向进行综合判定，若两者一致，给A权重，反之给1-A权重，对于调整比例或超额收益有一者为0的情况，我们给0.5的权重，最后进行归一化，我们就得到了股价跟随性加权下的分析师权重 。在这里我们对参数A做了敏感性分析，加权后 的ICIR结果如图11所示。
（3）预测准确度
对于分析师而言，市场层面的预测准确度往往是考量该分析师能力的重要维度，这里我们将其纳入改进范畴，观察其是否能够对因子做进一步增强。对于预测准确度的衡量我们采取如下的方式：
1、计算盈利预期调整方向与调整后60天的超额收益方向，若一致则判定为正确，反之则错误，若出现调整比例或超额收益有一者为0的情况，则判定为模糊；
2、对于股票i而言，若分析师j对其最近一期的预测时点为t，则我们统计该分析师在 区间内判断正确的次数减判断错误的次数。若其大于0则该分析师被赋予B权重，反之给1-B权重，若该区间内该分析师全部都是模糊的判定，则赋予0.5的权重，最后我们将其进行归一化，就得到了预测准确度加权下的分析师权重。
在这里我们对参数B做了敏感性分析，预测准确度加权后 的ICIR结果如图12所示。
从图12我们可以看出：相比于原始 ，预测准确度加权后的效果并没有明显提升。该结果显示：分析师对市场股价预判准确度的延续性并不能保证，即对于前期预测准确度较高的分析师而言，其后续的准确度不一定更高。
（4）综合判断
在上述3维度的分析中，我们发现利用时间间隔和股价跟随性进行加权得到的改进因子效果较好。综上，我们将二者进行相乘并归一化得到最后的权重 ，基于 得到的改进因子我们这里记为 。
接着，我们进行了5分组回测，原始 与改进后的 多空对冲对比如图13所示。改进后的因子多空对冲信息比率从2.38提升至3.14，最大回撤从6.83%降为3.92%，得到了明显改善。
03
盈利预期上调股票池增强探索：优选组合的构建
在上面的分析中，我们主要定义并改进了盈利预期调整因子，本部分我们的目的是做因子增强，构建出具有超额的精选股票池。在做增强之前，我们发现盈利预期调整因子 本身的效果已经较好。这里我们选取预期调整因子排名前30、60、90，以及预期调整大于0股票池做了回测，手续费双边千三，结果如图14所示。我们发现该因子分层效果较为出色，以30只股票为例，其绝对收益年化27.8%、收益波动比1.02，对冲中证全指后的年化24.4%，收益波动比2.17。
为了达到更进一步的增强效果，我们从分析师羊群效应、分析师股票池的动量与反转、资金流强度、其他预期维度的关联这几大方面展开进行探讨，试图挖掘具有区分度的因子并进行组合增强。
3.1、 分析师羊群效应：∆CSAD_FR多空对冲信息比率0.60
在交易层面，A股存在明显的羊群效应。对于分析师而言，也存在明显的羊群效应，因为分析师总是试图去靠近一致预期，而不愿冒风险给出过于激进的预测。这里我们参照用于刻画交易羊群效应的 指标，则对于股票 ， 时刻的分析师的羊群效应 用公式表达如下（ 为分析师个数， 为 分析师的预测值， 为一致预期）： 对于股票 而言，当 指标开始上升时，代表分析师之间羊群效应在减小，此时往往会有一些信息了解更加全面、或者研究能力更强的分析师给出与市场一致预期不一致的观点。而当 开始下降时，代表分析师之间羊群效应在减小，各家分析师的观点在逐渐靠拢。进一步，为了验证羊群效应变动的选股能力，我们使用本月 与过去 月均值 进行比较，定义了羊群效应变动因子 ，具体如下：
接着，我们对参数 做了遍历，在盈利预期上调和下调样本池内的ICIR如下图所示。从图中可以看出：在盈利预期上调的样本池中， 呈现明显的正向选股能力，而在盈利预期下调的样本池中， 呈现明显的负向选股能力。
我们这里以N=6为例，分别在两个股票池内进行了5分组回测，如下图所示。其中， 在盈利预期上调股票池内多空对冲信息比率为0.60，在盈利预期下调股票池内多空对冲信息比率为0.75。
3.2、 盈利预期上调样本池内的动量与反转：R_M多空对冲信息比率1.30
1、反转对于反转因子而言，我们在《A股反转之力的微观来源》中提出了效果较好的理想反转因子。从表6可看出，该因子在分析师覆盖股票池的ICIR为-1.32，在盈利上调股票池ICIR为-0.83。其中，组成该因子的 基本没有效果，甚至导致在盈利上调股票池内，理想反转的效果差于 。最终，我们使用 因子作为本篇报告使用的反转因子。
2、动量
对于盈利预期上调股票池而言，我们希望深入挖掘其中的动量效应，这里我们主要从以下几个方面出发：（1）长端动量；（2）分析师关联动量；（3）事件收益动量。
（1）长端动量
在《A股市场中如何构造动量因子？》中，我们发现在A股，当把时间维度拉长之后，按照活跃度指标比如振幅对收益进行分域，即可将动量和反转效应区分开。该因子在分析师覆盖股票池的ICIR为0.87，在分析师预期调整大于0股票池ICIR为0.74，依旧具备一定选股效果。
（2）分析师关联动量
关联网络现象在股市中显著存在，之前我们从资金流角度研究了股票之间的关联网络并构建了有效的选股因子，本文主要从分析师覆盖股票池出发，并从预期调整角度挖掘分析师关联动量因子。其做法主要有如下三步：
第一步：确定关联指标。对于关联网络而言，其核心在于关联指标的选取，即对于股票A而言，何种特征的股票会是其关联股票。这里我们选取盈利上下调个数差值为关联指标；
第二步：计算盈利上下调个数差值。每月底回看过去180天，使用上调盈利预期分析师个数-下调盈利预期分析师个数；
第三步：回归取残差。我们将与股票A盈利上下调个数差值方向一致的股票月度收益率取平均，回归股票A自身同期月度收益率，残差即为分析师关联动量。
我们对分析师关联动量进行5分组回测，其在盈利预期上调股票池内，多空对冲信息比率为0.85，整体绩效较为优异。
（3）事件收益动量
我们以盈利预期调整日为界限，在盈利预期上调样本池中，分别向前和向后回溯N个交易日，计算个股在这些交易日的超额收益率，并计算其与未来持仓收益率的IC。从图20可以看到，在盈利预期调整日当天的ICIR最高，调整日前的交易日更多呈现动量特性，调整日后的交易日更多呈现的是反转效应。这里我们选取T+0即盈利预期调整当天的超额收益记为盈利预期调整 因子，该因子在盈利上调股票池内的5分组回测如图21所示，多空对冲信息比率为0.97。
3、反转与动量的结合
通过上述的分析，在反转维度有效因子有 ，在动量维度有效因子有长端动量、分析师关联动量、盈利预期调整 因子。接着，我们将其排序，动量类因子正序排列，反转类因子逆序排序，排序相加后的合成因子记为 因子。该因子在盈利预期上调股票池的多空对冲信息比率为1.30，整体绩效较为优异。
3.3、 资金流维度：大单残差多空对冲信息比1.76
在《大单与小单资金流的alpha能力》中，我们发现大单残差为较为有效的选股因子，这里将其使用在盈利上调股票池进行分层测试，检验其效果。首先，我们针对盈利预期调整前后N个交易日，每个交易日都使用该方法计算大单残差，其中不同交易日的大单残差选股ICIR如图23所示：
从图23我们可以看出：对于不同交易日的大单残差，选股效果并没有表现出特别明显的差别，其并不像在事件收益动量中有规律可循。所以对于大单残差的研究，我们不筛选特定交易日，即对于每只股票，在每个月底都统一回看过去20天计算大单残差，该因子回测结果如图24所示，其在盈利预期上调样本池内多空对冲信息比率为1.76。
3.4、 与其他预期维度的关联：评级变动和预期ROE高低
除了盈利预期之外，朝阳永续数据库还包括一些其他预期数据，本篇报告主要考虑分析师预期评级变动和预期ROE高低，试图从这两个维度继续增强盈利预期上调组合。
1、评级调整
朝阳永续数据库将评级分为卖出、减持、中性、增持、买入、其他等几类，不同评级的分布如图25所示。从图中可以看出，分析师报告基本都是买入和增持评级，所以比较绝对评级意义并不大，这里主要考虑评级变动的影响。进一步，我们定义了评级变动因子，即每月底回看过去180天，得到所有分析师最近一期的评级变动，利用评级上调分析师个数-评级下调分析师个数，若大于0则评级上调，小于0则评级下调，等于0则评级不变，该因子在3种不同评级的分布比例状况如图26所示。
进一步地，我们利用评级变动因子在盈利预期上调股票池内进行分组，其效果如图27所示，评级上调对冲评级下调后的信息比率为1.41。
2、预期ROE
对于股价的变动，我们往往会从盈利和估值两个角度去观察。一般来说，Ln(PB)和预期ROE之间有明显的线性关系，而且二者回归的斜率越大，说明单位的预期调整能够带来更大程度上的估值变动调整，出现戴维斯双击的概率也会越大。若从这个角度出发，增强盈利预期上调股票池的出发点可以落在：找寻该股票池内回归斜率更大的部分。我们这里尝试使用预期ROE的高低对其分域，观察回归斜率是否有明显差别。
为了验证在不同预期ROE水平下的斜率差别，我们按照预期ROE进行二分域，从历史序列中取一期来观察在不同域下Ln(PB)与预期ROE的散点关系，结果如下图所示（数据均已去极值、标准化）：
通过上述散点图我们观察到，在预期ROE较高处，Ln(PB)与预期ROE的 更高而且回归的斜率也要更高。进一步，我们在历史上每月底都做以上的回归，回归斜率的分布如图30所示。图中明显显示：在高预期ROE组合，回归斜率均值明显高于低预期ROE组，因此在高预期ROE域中，单位的预期调整可能会带来更大的估值变动，股票可能表现更好。
为了进一步验证在不同预期ROE分域下的股票收益表现。我们令预期ROE较高组为多头，预期ROE较低者为空头，其二者的净值走势以及多空对冲如图31所示。从图中我们可以看出：高预期ROE的表现会好于低预期ROE组，但多空对冲的曲线并不稳，尤其近1年产生了较大的回撤，所以后续在优化组合时并没有纳入这一维度。
3.5、 盈利预期调整优选组合：超额信息比率2.58
在上述的分析中，我们发现反转与动量综合因子 、大单残差、评级变动因子效果较好，多空对冲信息比率分别为1.30，1.76，1.41，后续我们利用其作为风险因子进行组合增强。组合的具体构建流程如下：
（1）确立初始股票池：选取 大于0的股票池；
（2）剔除该股票池评级为非增持和买入的股票；
（3）剔除评级下调的股票；
（4）剔除位于风险因子 以及大单残差后10%分位的股票。
通过上述的操作，我们筛选出改进盈利预期调整30组合，我们将其与原始盈利预期调整30组合进行对比，其效果如图32所示。从图中我们可以看出，改进后的组合绩效明显更好，信息比率达到1.21。
为了对比不同选股数量的差别，我们对数量进行了遍历，其绩效如下表所示。从绝对收益来看，绩效与选股的数量呈现了非常单调的关系，在组合数量为10时，录得40%的年化收益，收益波动比达到1.36。从超额收益来看，组合数量为10时，虽然超额收益最高，但是收益波动比反而较低，其中收益波动比最好的为20只股票。综合绝对收益和超额收益的表现，以及为了避免过拟合，最终我们选取30只股票为最后的持仓，我们将其命名为：盈利预期调整优选组合。
进一步，我们对盈利预期调整优选组合做了分年度的绩效统计，其绩效较为优异，从超额收益来看，所有年份都录得了正超额，全区间年化超额收益率26.89%，收益波动比为2.58，胜率72.67%。
盈利预期调整市值分位和行业分布如下图所示。从市值分位角度来看：该组合整体偏向于大市值股票；从行业角度来看：该组合在医药生物、食品饮料、机械设备等行业暴露较多，在综合、美容护理、社会服务、通信等行业暴露较少。
04
风险提示
本报告模型基于历史数据测算，市场未来可能发生重大改变，历史数据不代表未来业绩。
更多交流，欢迎联系:开源证券金融工程团队 | 魏建榕 张翔 傅开波 高鹏 苏俊豪 胡亮勇 王志豪 盛少成 苏良 何申昊
end
团队介绍
开源证券金融工程团队，致力于提供「原创、深度、讲逻辑、可验证」的量化研究。团队负责人：魏建榕，开源证券研究所所长助理、金融工程首席分析师、金融产品研究中心负责人，复旦大学理论物理学博士，浙江大学金融硕士校外导师、复旦大学金融专硕校外导师。专注量化投资研究10余年，在实证行为金融学、市场微观结构等研究领域取得了多项原创性成果，在国际学术期刊发表论文7篇。代表研报《蜘蛛网CTA策略》系列、《高频选股因子》系列、《因子切割论》系列，在业内有强烈反响。2016年获新财富最佳分析师第6名、金牛分析师第5名、水晶球分析师第6名、第一财经最佳分析师第5名。团队成员：魏建榕/张翔/傅开波/高鹏/苏俊豪/胡亮勇/王志豪/盛少成/苏良/何申昊。
开源证券股份有限公司是经中国证监会批准设立的证券经营机构，由陕西开源证券经纪有限责任公司变更延续的专业证券公司，已具备证券投资咨询业务资格。
本报告仅供开源证券股份有限公司（以下简称“本公司”）的机构或个人客户（以下简称“客户”）使用。本公司不会因接收人收到本报告而视其为客户。本报告是发送给开源证券客户的，属于机密材料，只有开源证券客户才能参考或使用，如接收人并非开源证券客户，请及时退回并删除。
本报告是基于本公司认为可靠的已公开信息，但本公司不保证该等信息的准确性或完整性。本报告所载的资料、工具、意见及推测只提供给客户作参考之用，并非作为或被视为出售或购买证券或其他金融工具的邀请或向人做出邀请。本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断，本报告所指的证券或投资标的的价格、价值及投资收入可能会波动。在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告。客户应当考虑到本公司可能存在可能影响本报告客观性的利益冲突，不应视本报告为做出投资决策的唯一因素。本报告中所指的投资及服务可能不适合个别客户，不构成客户私人咨询建议。本公司未确保本报告充分考虑到个别客户特殊的投资目标、财务状况或需要。本公司建议客户应考虑本报告的任何意见或建议是否符合其特定状况，以及（若有必要）咨询独立投资顾问。在任何情况下，本报告中的信息或所表述的意见并不构成对任何人的投资建议。在任何情况下，本公司不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任。若本报告的接收人非本公司的客户，应在基于本报告做出任何投资决定或就本报告要求任何解释前咨询独立投资顾问。
本报告可能附带其它网站的地址或超级链接，对于可能涉及的开源证券网站以外的地址或超级链接，开源证券不对其内容负责。本报告提供这些地址或超级链接的目的纯粹是为了客户使用方便，链接网站的内容不构成本报告的任何部分，客户需自行承担浏览这些网站的费用或风险。
开源证券在法律允许的情况下可参与、投资或持有本报告涉及的证券或进行证券交易，或向本报告涉及的公司提供或争取提供包括投资银行业务在内的服务或业务支持。开源证券可能与本报告涉及的公司之间存在业务关系，并无需事先或在获得业务关系后通知客户。
本报告的版权归本公司所有。本公司对本报告保留一切权利。除非另有书面显示，否则本报告中的所有材料的版权均属本公司。未经本公司事先书面授权，本报告的任何部分均不得以任何方式制作任何形式的拷贝、复印件或复制品，或再次分发给任何其他人，或以任何侵犯本公司版权的其他方式使用。所有本报告中使用的商标、服务标记及标记均为本公司的商标、服务标记及标记。
开源证券股份有限公司
地址：西安市高新区锦业路1号都市之门B座5层
邮编：710065
电话：029-88365835
传真：029-88365835