Vibe-Trading 盈利预测与一致预期分析技能earnings-forecast实战指南SUE / PEAD / 分析师预期修正动量全解析【免费下载链接】Vibe-TradingVibe-Trading: Your Personal Trading Agent项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-Trading本文基于 Vibe-Trading 开源仓库中的 earnings-forecast 技能文档 展开结合 earnings-revision 技能、多智能体预设 earnings_research_desk 以及 SkillsLoader 加载机制 等仓库源码系统讲解围绕盈利预测与市场一致预期偏差构建交易信号的完整方法论。读完本文你将掌握自上而下/自下而上预测法、标准化未预期盈利SUE、盈余公告后漂移PEAD与分析师预期修正动量ERM四大信号体系的公式、阈值、A股实战参数与组合构建方法并了解该技能在 Vibe-Trading Agent 中如何被按需加载、被多智能体研究团队调度执行。概述为什么预期差比绝对盈利更有价值该技能文档开门见山点出核心逻辑股价短期由盈利预期差驱动捕捉「预期差」比预测绝对盈利更有价值。围绕企业盈利预测和市场一致预期偏差技能文档给出了两条主线自主预测 vs 一致预期对比寻找偏差——用自己的预测Top-Down 或 Bottom-Up与卖方分析师的一致预期比较计算 SUE 等偏差指标跟踪分析师预期修正动量——监控分析师群体的上调/下调行为捕捉预期修正这一被学界反复验证的持续性 Alpha 因子。这一逻辑与仓库中姊妹技能 earnings-revision 的判断一致Earnings revisions are among the most persistent and well-documented alpha factors in equity markets — stocks with upward revisions tend to continue outperforming, and vice versa盈利修正是股票市场中最持久、被记录最充分的 Alpha 因子之一——获上调的股票倾向于继续跑赢反之亦然。行为金融学技能 behavioral-finance/SKILL.md 也从投资者反应不足角度佐证After an earnings beat, the stock price digests it gradually rather than all at once业绩超预期后股价是逐步消化而非一次性到位这正是 PEAD 漂移的心理学根源。核心概念一自上而下预测法Top-Down预测链条GDP增速预测 → 行业增加值增速 → 行业收入增速 → 龙头公司收入增速 → 利润率假设 → EPS预测A股实战示例以白酒行业为例层级指标预测逻辑宏观GDP 5.0%消费占GDP比重65%消费增速约6%行业白酒收入 8%高端白酒量价齐升结构升级公司贵州茅台(600519.SH)出厂价10%销量2%收入约12%盈利净利润率55%提价传导费用率稳定EPS约62元净利润/总股本适用场景行业beta判断、大盘盈利周期定位、宏观策略配合。自上而下法的本质是把宏观判断逐层传导到公司盈利适合判断行业 beta 与盈利周期位置。需要注意链条每一环都存在传导损耗宏观增速到公司收入之间至少隔着行业结构与公司份额两层假设任何一环偏差都会被下游放大。核心概念二自下而上预测法Bottom-Up与 Top-Down 相反自下而上法从公司经营细节出发向上汇总技能文档给出收入拆解三板斧# 方法1量价拆解 revenue volume * price # 例中国神华(601088.SH) 煤炭销量(亿吨) × 煤价(元/吨) 电力收入 # 方法2客户/产品拆解 revenue sum(segment_revenue for segment in business_lines) # 例美的集团(000333.SZ) 暖通空调 消费电器 机器人及自动化 # 方法3门店/用户拆解 revenue stores * revenue_per_store # 或 users * ARPU # 例海底捞(6862.HK) 门店数 × 翻台率 × 客单价 × 营业天数利润率假设关键点毛利率原材料成本占比变动、产品结构升级费用率规模效应收入增、费用率降、研发投入变动税率高新技术企业15% vs 普通25%是否有税收优惠到期从仓库源码结构看Vibe-Trading 的因子库agent/src/factors中大量财务类因子本质上就是对上述拆解结果的标准化落地而earnings-forecast技能的价值在于把量价拆解 / 分部拆解 / 门店拆解这类行业特定方法固化成可复用的推理框架供 Agent 在执行分析任务时直接调用。核心概念三标准化未预期盈利SUE公式SUE (actual_EPS - consensus_EPS) / std(actual_EPS - consensus_EPS) # consensus_EPS 分析师一致预期EPS取中位数 # std 过去8个季度预测偏差的标准差SUE 的分子是实际值相对一致预期的偏差分母是历史预测偏差的标准差相当于把超预期程度标准化到 σ 尺度使不同波动特征的股票可比。姊妹技能 earnings-revision 对 SUE 的解释与此完全一致sue (actual_eps - consensus_eps) / std_of_forecast_errors并补充解读口径——SUE 2为大幅正超预期、|SUE| 0.5为符合预期、弱信号。信号阈值A股实证参考SUE范围含义交易动作SUE 2.0大幅超预期强买入信号SUE 1.0~2.0温和超预期买入信号SUE -1.0~1.0符合预期无信号SUE -2.0~-1.0温和低于预期卖出信号SUE -2.0大幅低于预期强卖出信号行为金融学技能中同样以 σ 阈值定义超预期SUE (standardized unexpected earnings) 2σ - buy and hold for 60 daysbehavioral-finance/SKILL.md与本文档的 SUE 2.0 强买入口径完全对齐印证了 2σ 阈值在仓库多份方法论中的一致性。核心概念四盈余公告后漂移PEAD现象业绩公告后超预期方向的股价漂移可持续30-60个交易日。PEAD 是最稳健的市场异象之一。姊妹技能给出了基于超预期五分位quintile的漂移幅度参考表Surprise QuintileAverage 60-day DriftStrategyQ5 (top surprise)4 to 8%Go long, hold 60-90 daysQ41 to 3%Mild longQ3 (in-line)~0%No actionQ2-1 to -3%Mild short / underweightQ1 (worst surprise)-4 to -8%Go short / avoid, hold 60-90 daysA股PEAD策略实现# 策略逻辑 # 1. 业绩公告日年报4/30前中报8/31前季报各截止日 # 2. 计算SUE # 3. SUE 1.5 的股票买入持有 40 个交易日 # 4. SUE -1.5 的股票卖出/做空如果可以 # 关键参数 holding_period 40 # 持有交易日数 sue_threshold 1.5 # SUE阈值 max_positions 10 # 最大持仓数 rebalance_on earnings_date # 在业绩公告日调仓A股PEAD注意事项A股做空受限融券PEAD策略通常只做多头业绩预告1月底/7月中旬比正式报告更早抢先反应年报4/30截止集中在4月发布信息拥挤期需分散PEAD 增强过滤器来自 earnings-revision 技能中小市值 大市值分析师覆盖少 价格发现更慢漂移更充分低机构持股 高机构持股信息扩散更慢方向上首次超预期 连续同向超预期收入超预期 EPS 超预期同时出现 仅有 EPS 超预期核心概念五分析师预期修正动量三个关键指标# 1. 预期修正比率ERM ERM (上调家数 - 下调家数) / 总覆盖家数 # ERM 0.3 正面动量, ERM -0.3 负面动量 # 2. 预期变化幅度 eps_change_pct (new_consensus - old_consensus_30d_ago) / abs(old_consensus_30d_ago) # 变化 5% 显著上调 # 3. 预期离散度 dispersion std(all_analyst_EPS) / mean(all_analyst_EPS) # 离散度 0.3 分歧大, 不确定性高 # 离散度 0.1 共识强, 确定性高预期修正动量策略买入ERM 0.3 且 eps_change_pct 5% 且 dispersion 0.25卖出ERM -0.3 且 eps_change_pct -5%信号有效期约 60-90 个交易日预期修正动量衰减姊妹技能 earnings-revision 提供了同源指标的补充口径修订广度breadth公式同为(upgrades - downgrades) / total_analysts阈值体系为 breadth 0.5 强上调动量、 -0.5 强下调动量、|breadth| 0.2 方向不明估计离散度阈值为高分歧 15%、低分歧 5%美股市值口径A股文档口径为 0.3/0.1 的比值阈值。两文档口径的差异源于市场结构美股分析师覆盖深、A股覆盖薄使用时需按市场选用对应阈值。此外 earnings-revision 技能还给出了信号层级强度排序盈余惊喜beat/miss典型年化 Alpha 3-8%、漂移 60-90 天 共识修正广度4-6% long-short spread、3-6 个月 估计幅度变化3-5%、1-3 个月 管理层指引修正5-10%、事件日 30-60 天漂移 Whisper number2-4%、1-2 周可作为多信号叠加时的权重参考。分析框架盈利分析四步法构建预测选择Top-Down或Bottom-Up方法输出EPS预测值获取一致预期从Wind/东方财富/同花顺获取分析师一致预期EPS计算偏差SUE或简单百分比偏差判断超预期/低于预期方向信号生成根据SUE阈值生成交易信号结合PEAD持有期管理仓位财报日历A股关键时间节点时间事件策略动作1月中旬年报业绩预告披露高峰抢先捕捉预期差3-4月年报正式发布确认SUEPEAD建仓4月30日年报截止日未披露 利空信号7月中旬中报业绩预告半年度预期修正8月31日中报截止日同上10月31日三季报截止日Q3数据验证全年预期这份 A 股财报日历与仓库中 ashare-pre-st-filter 技能的业绩数据实践互相印证业绩预告forecast、业绩快报express分别对应 tushare 的stock_yjyg_em、stock_yjbb_em接口且业绩预告 1 月底 / 7 月中旬 / 10 月底高发、业绩快报 1-4 月年报前夕高发的时间分布与本技能文档的财报日历完全吻合。若在 Agent 工作流中把两个技能串联可以实现财报日历驱动 → 业绩预告数据抓取 → SUE/PEAD 信号计算的自动化研究流水线。预期差交易组合构建# 组合构建参数 config { universe: 沪深300成分股, # 流动性保障 signal: SUE 1.5 或 ERM 0.3, # 超预期信号 max_positions: 20, # 最大持仓 position_weight: equal, # 等权 holding_period: 40, # 交易日 rebalance: earnings_calendar, # 按财报日历调仓 stop_loss: -0.08, # 8%止损 }组合构建要点的可验证依据universe限定沪深300 成分股是为了规避技能文档小市值股票分析师覆盖少 3家一致预期统计意义弱的注意事项rebalance设为earnings_calendar意味着调仓时点严格对齐上文财报日历表8% 止损用于控制信息拥挤期4月/8月PEAD 信号互相干扰带来的回撤。输出格式Agent 可引用的标准化研究模板技能文档规定了最终分析结果的标准输出结构保证 Agent 每次产出的研究报告字段一致、可被下游解析## 盈利预测分析 — [标的代码] [公司名称] ### 盈利预测 - 预测方法[Top-Down / Bottom-Up] - 预测EPS[X元] - 预测依据[收入增速X%利润率X%关键假设] ### 一致预期对比 - 一致预期EPS[X元]来源[Wind/东财]覆盖[N]家 - 预期偏差[X% / -X%] - SUE[X.X] - 预期离散度[X.X][高分歧/低分歧] ### 分析师动量 - ERM预期修正比率[X.X]过去30日[N]家上调/[M]家下调 - 预期变化幅度[X%] ### 信号判断 - SUE信号[强买入/买入/无/卖出/强卖出] - 动量信号[正面/中性/负面] - PEAD建仓窗口[是/否]距财报发布[X]日 ### 风险提示 - [具体风险如一次性收益、会计政策变更、商誉减值等]姊妹技能 earnings-revision 的 US/HK 输出模板可视为同一骨架的跨市场变体其 Consensus Snapshot当前 FY 一致预期、30/60 天修订趋势、Earnings QualityFCF 转化率、应计比率、非 GAAP 差距等字段与 A 股模板互补做跨市场如 AH 双重上市标的时可合并使用。技能在 Agent 中的实际调度load_skill 与多智能体编排earnings-forecast是 Vibe-Trading 技能体系agent/src/skills 目录下数百个 SKILL.md 之一中的analysis类别技能。它的加载与执行机制可以从源码确认按需加载progressive disclosureSkillsLoader 负责扫描agent/skills/目录读取每个 SKILL.md 的 frontmattername、description、category并缓存 body系统提示词中只注入一行摘要get_descriptions完整文档由 load_skill 工具 在运行时按需拉取。骨架 分节读取对超出单次工具结果上限的文档load_skill会先返回章节骨架_render_outline见 load_skill_tool.pyAgent 再用section标题精确读取某个章节——这意味着本技能文档的核心概念 / 分析框架 / 输出格式各节都可以被单独检索引用。多智能体编排earnings_research_desk.yaml 预设中revision_tracker预期修正与共识追踪员智能体显式挂载了skills: [earnings-revision, earnings-forecast]其任务描述正是量化修正动量并识别 PEAD 机会最终由earnings_strategist汇总基本面、修正动量与期权定价三维信号输出包含进场/离场/止损/目标价的事件交易建议。这说明earnings-forecast技能在实际仓库工作流中承担方法论注入角色——为 Agent 提供 SUE/ERM/PEAD 的计算口径与阈值而不是替代数据获取。注意事项与使用边界技能文档明确列出的实操红线务必在回测与实盘研究中遵守一致预期数据需要Wind/Choice等付费终端免费数据源东方财富网页版可能不够及时SUE计算需要至少8个季度的历史预测偏差数据来估计标准差业绩预告和业绩快报是比正式财报更早的信号源但精度较低A股财报季信息拥挤4月/8月PEAD信号可能互相干扰一次性损益资产处置/政府补贴/投资收益会扭曲EPS需剔除非经常性损益用扣非EPS预期修正动量有自我实现倾向分析师羊群效应拐点识别比趋势跟踪更有价值小市值股票分析师覆盖少 3家一致预期统计意义弱优先选择沪深300/中证500成分股本框架仅用于研究回测不构成投资建议姊妹技能还补充了两条 A 股之外的跨市场经验beat and lower本季超预期但下调未来指引往往净负面以及指引撤回几乎总是利空——做美股/港股事件驱动时需要额外把关指引变化方向。结合本文档推荐的研究工作流是先用财报日历定位事件窗口用 Top-Down/Bottom-Up 构建自主预测与一致预期对比计算 SUE叠加 ERM 动量确认方向最后按 PEAD 持有期与止损规则构建组合全程将数据源、覆盖家数与假设依据写入输出模板确保每一个数字都有可追溯的链条这与 earnings_research_desk 预设中 event_options_analyst 的强制要求——Every number here needs the chain——retrieve it or drop the section——保持一致。【免费下载链接】Vibe-TradingVibe-Trading: Your Personal Trading Agent项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-Trading创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考