【招商定量·深度报告巡礼之十四】从一致预测和预测分歧看可转债定价——固收量化系列研究之五

（以下内容从招商证券《【招商定量·深度报告巡礼之十四】从一致预测和预测分歧看可转债定价——固收量化系列研究之五》研报附件原文摘录）
　　内容摘要 本报告以分析师预测作为切入点开展研究分析，尝试回答以下三个问题：如何根据盈利预测数据构建有效的一致预测指标，对比其在股票和可转债市场上的选股、择券效果如何？除一致预测的强度以外，还有哪些其他维度，可以帮助增强预测指标的因子表现？从微观定价角度看，正股的一致预测能否在可转债定价中起到作用？本文的主要结论如下： 基于盈利预测构造的一致预测指标在股票选股和转债择券中均有一定效果，且在转债上的策略历史表现更好，而在风格层面则更适用于平衡类转债 根据A股分析师盈利预测数据，自下而上汇总一致预测指标，并根据指标的边际变化构造盈利预测改善因子。在计算过程中，对样本采用时间加权的方式提升预测精度，并通过对齐报告期切换年份、合成未来12个月预期等方式，提升预测值的统一性和连贯性。 经测试，盈利预测改善因子不论在股票选股或是转债择券上均有效。基于分析师预测构造的营业收入、净利润和EPS改善因子分层效果均较好，其中，营收改善因子在股票和转债上的T统计值分别为4.29、2.63，多空收益为9.92%、7.99%。并且从风格上看，偏平衡风格的转债与择券因子的适配度相对更高。 一致预测的不确定性可帮助强化截面择券效果、并辅助资产择时 一致预测的标准差可用来表征分析师观点的不确定性，而将盈利预测的变化和分歧相结合能够增强投资组合的业绩表现。对股票和转债而言，均是升预期&低分歧组合的长期业绩最佳，其中转债对应投资组合的年化收益率为16.89%，收益回撤比为0.92。此外，我们也发现在市场高不确定性时，利用转债进行正股替代可以有效优化组合的风险控制能力。 将一致预测数据自下而上汇总至全A指数层面，并以此为基础构造股票、转债和债券的三资产动态配置策略。策略逻辑是在预测不确定性较强时增配转债，以规避左尾风险和博弈右尾弹性机会。动态配置策略的长期年化收益率为12.62%，最大回撤为27.73%，均优于基准的双资产和三资产等权策略。 通过纳入分析师的主观预测，可以增进转债二叉树定价模型的精确性 转债二叉树定价模型中，对转债未来平价变化的预测主要取决于波动率参数的取值高低，波动率越大则未来平价的波动范围越宽。但模型对平价的预测结果可能过分高估/低估股票的上行/下行空间，与投资者的主观观点相矛盾。 针对银行转债池，结合分析师一致预测数据，分别对正股未来的PB和BPS 波动范围进行乐观和谨慎推测，进而计算出对未来银行正股价格的波动预期，并借此对二叉树模型进行改进。 改进后的隐含预期CRR因子择券能力有明显提升，月度IC的 T统计值从2.12提升至3.42，银行转债多头组合的年化收益率为9.48%、最大回撤为10.48%、收益回撤比为0.9，超过原始CRR因子0.41。 I 股票和可转债中的分析师一致预测指标 分析师一致预测是对分析师预测的汇总表达。作为市场有效性的组成部分之一，分析师预测代表了卖方分析师出于自身专业，对股票未来业绩表现的判断，可以为投资者在股票投资层面提供一定的参考意义。分析师预测的指标内容多样，包括对个股的盈利预测、目标价格、投资评级等，而在业内的各类研究报告中，也针对不同分析师预测指标在投资上的应用，有着广泛、持续且深入的讨论。 1.1. 分析师预测指标概况 A股的分析师预测数据基本覆盖半数以上的上市公司股票，重要集中在机械、医药、电子等行业。2008年至今，A股分析师预测数据（任意）的覆盖度平均值约为53%，2018年以前的占比中枢在60%附近，2018年及之后有所下移，截至2023年二季度，分析师预测的全A股票覆盖度为52%。在行业层面，中信一级行业口径下，针对机械、医药等行业股票的预测报告占比相对更大，23Q2，最新预测占比前5的行业为机械、医药、电子、计算机和电力设备及新能源行业，其中电子行业的预测占比相对长期均值有明显提升。 可转债正股的分析师预测覆盖度高于全部A股，而预测的行业分布结构和全A接近。从预测覆盖度的时序变化情况看，早年间转债正股的预测数据覆盖度达到80%以上，在2018年以后同样呈现出中枢性下移，截至23Q2，转债市场的分析师预测数据覆盖率约为72%。行业分布方面，基础化工、机械、电子等一级行业仍然是预测占比最高的系列行业，在排序上和A股整体口径有少许差异。 进一步细分来看，分析师预测指标的种类繁多，盈利类指标包括但不限于：营业收入、净利润、EBIT、EPS等。如下图所示，在股票和转债市场中，营收、净利润、EPS和ROE是市场中较为常见的盈利预测指标，预测数据的市场覆盖度排名都较为靠前。因此，从样本数据的角度考虑，后续的研究内容将主要侧重在上述这些指标内。 1.2.分析师一致预测指标的构建 一致预测数据属于汇总加工过后的分析师预测数据，其应用较为广泛，但由于编制时可调的细节众多、指标在塑造时具有较高的灵活度。如前文所述，券商分析师在研究报告中针对上市公司未来各财年的盈利状况给出预测，而典型的分析师一致预测值，便是在某个固定滚动窗口期内，所有分析师针对某公司某指标预测值的平均值。随后基于该一致预测值，又可以根据自身需求，再变形成同比增速、环比增速等各项指标。 本报告中，我们同样尝试基于分析师预测的底层明细数据，自下而上汇总，计算一致预测指标。此方式的好处是能够在指标构造细节上给予更高的自由度。我们所计算的最终指标为一致预测下的未来12个月盈利增速，指标的具体构造方式如下： 在指标设计时，我们留意到年报数据在1至4月进入业绩披露期，而部分数据商选择在披露日后，即刻将个股的预测财务年度调整至下一年，但此方式会造成在披露期中各个股票的预测年度横向不可比，并且在财年切换后，预测值可能存在大幅的跳升或下降（如下图所示）。对此，我们在计算中选择将预测财年的切换统一对齐至每年的4月30日，而针对在此之前已经披露业绩的个股，则以实际值进行填充。同时，通过将各财年数据按照时间节点加权拼接的方式，折算成未来12个月的增速预测，来增强一致预测数据在时序上的稳定性。 此外，之所以在步骤（a）中对所有分析师预测按时间加权，是因为距离预测披露日越近的预测数据准确度越高。在滚动计算时，我们将回顾测算日前推6个月内的所有分析师预测，并针对不同时点的预测值，给予不同的权重。对此，我们补充比对了在距离报告披露日（统一为4月30日）不同时间距离时，一致预测盈利数据的预测误差情况。可以看到当预测的时间距离越短，预测的准确度越高。而以我们计算得到的营业收入一致预测同比增速为例，其在时间加权算法下的预测精度基本稳定领先于算术平均算法，数据质量更好。 1.3.基于盈利预测改善因子的选股与择券 根据上文中的指标构建框架，我们先后计算了分析师一致预测下的营业收入、净利润、EPS和ROE指标的未来12M增速指标。本节中，将基于上述数据构造盈利预测改善因子，并分别在股票和可转债两类样本池中计算各因子的业绩表现。之所以囊括转债，是因为可转债的平价价值部分受到正股驱动，因此理论上来说，一致预测数据在选股和择券上，均具有指导意义。 1.3.1.盈利预测改善因子在股票市场的选股效果 我们将一致预测下的12M增速指标做3个月差分，得到盈利预测改善因子，以表征分析师在边际上对个股的预测情绪变化： 各个盈利预测改善因子在股票市场中的分组测算框架为： 从测算结果看，分析师一致预测的营业收入、净利润和EPS指标的改善因子在A股中均有一定的选股能力。因子分层回测的g1到g8组间净值基本呈现出单调性，即随着改善因子得分的升高，组合长期收益率逐渐提升，而3者之中，营业收入改善因子的分层效果最为明显。此外，通过1.2节方法构建的ROE因子经测试IC暂不够显著，在文中便不予赘述。 下表汇总展示了各个盈利预测改善因子组合的业绩统计情况。可以看到，营业收入、净利润和EPS改善因子的月度IC值分别为1.96%、1.26%和1.22%，IC的T统计值分别为4.29、2.55和2.39，同样指向营业收入指标的效果最佳。从IC的累计值变化看，营收改善因子的累计IC增长相比之下更为稳定，净利润指标的累计IC在早期斜率偏低，而在2022年上半年，各个盈利预测改善因子的有效性均出现了一轮明显调整，随后营业收入和净利润改善因子的IC实现修复，但EPS改善因子的累计IC目前仍持续走平。 1.3.2.盈利预测改善因子在转债市场的择券效果 可转债的分组测算框架与股票类似，差异之处在于不同平价水平的转债的业绩表现可能存在显著差异，对一致预测因子的择券效果形成干扰，因此我们在计算时额外添加了平价中性化操作： 由于转债的数目相对股票而言明显更少，同时市场的起步时间也相较偏晚，因此我们将样本池划分为5组，并测算各组合在历史5年内的业绩表现。从结果看，分析师一致预测下的盈利预测改善因子在可转债市场中同样有一定效果，随因子值的提升，组合业绩也逐渐增强。而与股票中的测算结果相比较来看，可转债组合在高因子得分组内的回撤风险明显更小，收益风险比也更高。 从IC统计的结果看，转债市场中，营业收入、净利润和EPS改善因子的月度IC均值分别为3.67%、2.89%和3.16%，T统计值分别为2.63、2.29和2.41。可转债上的盈利预测改善因子的累计IC走势相对比较稳定，并且与股票不同的是，转债中的因子表现在2022年上半年未出现明显回撤。 此外，对比前后的T统计值，可以发现盈利预测改善因子在股票上的显著性大多持平或优于转债。我们认为这可能是由于多方面原因导致：1）全A和转债的样本池存在结构性差异，行业分布的不同可能造成因子有效性差异；2）对偏债端转债而言，转债与正股联系不紧密，在景气不足以支持平价大幅突破的情况下，深度虚值转债的业绩仍主要受债底影响；3）对强股性的深度实值转债而言，平价基数较高，预期提升虽对股票有利，但也可能造成转债进一步暴露于强赎风险下，市场对正股形成抛压预期，并压缩转债溢价率。 作为补充，我们根据可转债的平价价值高低，将其分为强债性（平价小于80）、平衡（平价80-110）和强股性（平价大于110） 3组，并分别计算了盈利改善因子在对应转债池中的表现。从测算结果看，平衡类转债与盈利预测改善因子的适配度相对而言更好，在3种风格中具有最高的T统计值。虽然从理论上而言，偏股类转债的DELTA更高，可以更好地受益于平价端股票因子的变化，但过高的平价水平也可能增加转债的强赎压力，此时IC的标准差升高，对因子显著性形成拖累。 II 基于预测不确定性的指标交互作用研究 上文中，我们介绍了分析师一致预测数据、以及盈利预测改善因子的构建方法，并测算了其在股票和转债市场上的截面选股效果。本节中，我们尝试把视野拓宽至分析师预测的分歧维度，探索其能否在截面和时序投资上带来更多启发。 2.1.一致预测的变化与分歧 我们在第一节中所构造的一致预测12M增速，代表了卖方分析师对个股盈利增长的强度预期，而盈利改善因子，则表征了边际上分析师情绪的走向。但除此以外，还有众多维度可以帮助我们观测市场的预测状态，例如：新增预测数量、预测上/下调比例、预测值分布的偏度、峰度等。此处，我们则是选择利用分析师预测的标准差，来作为分析师观点分歧的代理变量。当标准差越大，就代表市场整体对个股盈利增速的观点不一，该指标本身可能不具备明显的选股或择券效果，但可以同其他指标形成交互作用。 如下图所示，我们尝试利用分析师预测的变化和分歧，把股票的状态划分为以下4个象限：1）升预期&低分歧：此类股票的分析师情绪边际走强，同时，市场预测值本身的分布也较为集中，具有高盈利确定性，风险较小，适宜进行股票投资；2）升预期&高分歧：此类股票的盈利预期虽然普遍有所升高，但不同分析师给出的最终预测值有较大差异，未来实现高收益和表现欠佳的可能性并存，有一定错判风险；3）降预期&高分歧：此类股票的分析师情绪边际普遍走弱，但不同分析师对预测值的观点差异仍然较大，有博弈业绩超预期的可能；4）降预期&低分歧：此类股票的盈利预测边际走弱，且市场观点基本一致，需进行规避。 根据上述逻辑，我们构造了4类股票投资组合，并测算其业绩表现的差异性： 从测算结果看：1）两指标交互后，预期的边际变化仍然是决定组合收益率高低的关键因素，升预期类组合的年化收益率均在15%以上，而降预期类组合的收益率在8.5%左右；2）预期的分歧则一定程度上影响了投资组合的风险，低分歧类组合的波动率小于高分歧类组合，不论好坏，其业绩表现的确定性会更强；3）在升预期环境中，长期来看，低分歧组合降低了组合回撤，而在降预期环境中，低分歧组合的回撤风险要略高于高分歧组合；4）总的来说，股票资产中，升预期&低分歧组合的业绩表现最佳，组合年化收益率为18.04%、最大回撤为43.51%、收益回撤比为0.41。 下表更详细地展示了各个组合在不同年份的业绩表现。可以看到，高分歧组合在部分年间，由于盈利预测的右尾端被兑现，因此可能会获得超过低分歧组合的收益，如2019-2021年。但相反情况下，当左尾端的预期风险兑现时，高分歧组合的跌幅也更高。对于股票投资者而言，不同象限下的优先级大致可概括为：升预期&低分歧>升预期&高分歧>降预期&高分歧>降预期&低分歧。 随后，我们同样以可转债为样本池进行了测算，观察结论是否在转债市场中有所变化： 由于转债的样本数量较少，我们适当放宽了筛选的分位数限制。测算结果显示，基于预期变化与分歧的截面择优方法在转债中同样有效。一方面，低分歧组合的波动率均相对高分歧组有所降低；另一方面，正股升预期&低分歧组合的业绩表现最优，组合年化收益率为16.89%，最大回撤为18.36%，收益回撤比0.92，相比于升预期&高分歧组合而言有效降低了回撤风险，且具有4个组合中最高的收益风险比。 若是将转债和对应正股的投资组合业绩表现进行横向比较，则可以观察到：1）在高不确定的环境中，利用转债进行正股替代能够更有效提升组合的风险控制能力。所有象限下的转债组合最大回撤均小于正股组合，而对回撤优化最明显的是降预期&高分歧组合和升预期&高分歧组合，两组合的投资风险分别相对正股而言降低了15.04%和9.86%；2）从历史数据看，转债的综合业绩表现优于正股。在对回撤实现优化的同时，各转债组合在历史5年间的年化收益率也均领先于股票组合，在所有组合中，仍然是升预期&低分歧转债组合的综合表现最佳。 2.2.基于预测状态的动态配置策略 前文中我们对一致预测变化和分歧的讨论，更多聚焦在截面的微观选股和择券维度。而除此以外，也可以通过自下而上的整合，将相关指标合成到市场指数层面，帮助进行资产择时。 以全部A股为例，我们首先滚动挑选出历史三个月内连续有预测值的个股作为样本池，分别计算了其每日一致预测下的未来12M盈利增速和增速标准差的中位数，以表征A股整体的分析师预测观点状态。但和截面数据有所不同的是，我们发现一致预测的时序数据存在明显的周期性问题。 如下图所示：1）预测的盈利增速数据往往在4月底附近达到阶段高点，这是因为根据算法，每年的4月30日为预测报告期的固定切换日，分析师的预测距报告期越远，往往越倾向于乐观高估，并随着时间推移不断下修调整；2）分歧数据在4月达到区间低点，而在12月后达到区间高位，前者的逻辑与盈利增速相同，而后者是因为12月底是新一年的开始，分析师没有任何实际已实现数据，对未来1年的盈利情况进行推测，从而导致分歧数据达到阶段峰值。 针对上述问题，首先需要对时序数据进行同比差分，以去除周期性因素。同时，考虑到择时策略相对更为看重信息的边际时效性，因此，我们选择在对指标做同比后再取环比，构造如下图所示的A股市场整体的一致预测盈利增速变化指标、以及增速分歧变化指标。 基于上述两项数据，构造基于股票、转债和纯债的三资产择时策略。具体逻辑是当盈利增速预测边际改善时，利好权益类资产，而在边际走弱时则利好纯债资产。至于对于增速分歧的引入，主要是用来指导对可转债的投资。我们认为当市场不确定性较强时，转债的投资价值可能大于股票或纯债。投资者可以在市场景气较强但分歧较高时，将一部分股票资产配置到可转债防御尾部风险，而在市场景气减弱但分歧较高时，将部分纯债配置到可转债，博弈右尾业绩超预期的机会，总体目标是获得更好的收益风险比。具体配置方案如下： 此外，考虑到早年间转债市场的整体规模和交易热度都偏低，因此在2018年以前，若择时指标发出配置可转债的信号，我们会将转债部分的资金均等地划入股票和纯债资产中。 上图展示了动态配置组合的具体资产配置情况和长期业绩表现。从测算结果看，组合的年化收益率为12.62%、最大回撤为27.73%，收益回撤比为0.46，在收益、风险和风险调整后收益维度，均占优于固定比例的双资产和三资产等权基准，超额收益回撤比分别为0.29和0.37。 从逐年收益看，动态配置组合在历史8年半的时间内，有6年半跑赢两基准指数，组合超额收益的回撤主要发生在2018年的上半年。截至2023年6月，择时组合的区间超额分别为0.78%和0.64%。 III 可转债的隐含预期二叉树定价模型 前两章中，我们花费了一定的篇幅用以讨论一致预测数据在转债择券上的应用，更多是从相对定价的角度出发筛选投资标的。而在本节中，我们将尝试以转债二叉树模型为基础，探讨一致预测数据在转债绝对定价中的作用。 3.1. 可转债二叉树定价模型 在我们早前的报告中 ，曾提及通过仿照股票期权的CRR二叉树模型，来计算可转债理论价格的定价方式。投资者通过比较转债市价和理论价格之间的差异，来计算转债的折溢价率，从而帮助研判相关标的的投资价值。 如下图所示，转债二叉树模型的算法可以概括为：1）首先以转债当日的平价价值为出发点，根据转债的到期时间、正股波动率等多个参数，推测出风险中性假设下的未来平价价值变化情况，即对应二叉树的各个“树枝”；2）根据转债的到期赎回价格、条款等因素，对未来各个“树枝”上的预期价格进行修正；3）随后，通过逆向回溯的方式，根据各个节点上修正后的价格，反算出当前时点，即0时刻的转债价格期望值，作为转债的理论定价结果。 在上述计算过程中，波动率是最关键的输入参数之一，通常选择代入转债正股的历史波动率。如下右图所示，假设某日的转债平价价值为95元，那么在波动率为30% 时，对于一只剩余期限为1.5年的转债，其所对应的未来平价价值最高可以达到近400元、最低可能不足25元。理论上来说，输入的波动率取值越高，二叉树所生成的未来平价价值的上下限分布范围就越宽。 但此计算方法可能和投资者的主观观点形成差异。因为二叉树模型对未来股价的表现完全持中性态度，但在某些特定情景下，投资者可能预先就对公司未来的股价表现持有强烈的预期。例如：当股票估值在历史低点时，从赔率角度看，往往会认为股票未来的跌幅已经有限、但上行赔率较高；又或者从公司基本面质地出发，投资者可能认为公司股票价格仅会在固定的区间内波动。但上述问题在原始的转债二叉树模型中均无法被很好地解决。 若想对原二叉树模型进行改进，核心是引入投资者对未来股票价格的主观研判。但不同行业股票的基本面差异大，难以找到一劳永逸的解法，在模型设计上有很高的复杂性。而纵观当前各行业可转债的占比情况，可以看到市场指数中，权重占比前5的行业有银行、电力设备及新能源、基础化工、交通运输、以及非银行金融行业。其中，银行行业的23Q2权重占比达到36%，同时，相对于一些高成长性的股票而言，大盘价值风格的银行股可预测性相对而言也更强。 因此，我们优先考虑从银行转债着手，初步探讨以主观观点对转债定价模型进行修正的可行性，而其中分析师的预期则可能成为重要的参考指标之一。 3.2. 银行转债的二叉树定价改进方式探索 我们认为可以从PB和BPS入手，来推测银行股未来的价格波动区间。根据公式[1]可知，股票价格是PB和BPS的乘积，因此，如果能够对股票未来估值和每股净资产的上下限分别给出较为准确的预测，则对股价的预测问题也随之解决。 而从数据情况看，银行股的PB与BPS的可预测性均相对较强。1）股票估值常呈现出均值回归性，而银行股的PB有比较稳定的上下限。历史10年间，中信银行指数的PB平均值为0.86，波动范围约在1.2到0.5之间，相比于电新、化工等其他转债高权重行业、或全A指数而言，波动范围更窄。2）从分析师预测的质量看，针对银行股BPS的预测准确度在所有一级行业中排名靠前。在全A口径下，距离报告披露1年以内的预测中，银行股BPS的预测误差率中位数为1.8%、平均值为4%，在所有中信一级行业中准确度最高。较好的数据质量，可以帮助得出可信度更高的价格预测结果。 我们首先对银行股的估值上下限进行推断。具体来说：1）取历史滚动5年内的股票PB数据，并用其99分位和1分位数，分别作为未来股票估值的上沿和下沿；2）PB从测算日的值变化至上下沿需要一定的时间，考虑用股票历史估值的日均变化率进行平滑；3）即使当日的估值已经接近历史底部或顶部，仍要尊重其突破历史上下限的可能性，在此极端情况下，给予估值±25%的额外空间补偿，否则可能出现在估值底部的转债价格被明显高估等情况出现。 下图例举了某银行转债A在2021年年末正股估值的预测情况，当日该转债正股的PB读数为1.10，可以看到，预测随着时间的推移，其未来估值的理论上下沿将逐渐达到1.58和0.76。 对于BPS，则可使用分析师一致预测数据。我们沿用第一节中的指标构造方式，分别计算BPS未来12M增速的一致预测25分位数和75分位数，来作为BPS增速的谨慎和乐观预期。在计算未来的BPS上下沿时：1）首先需确认最近一次年度的BPS披露值，并结合各财年的增速预测，推断出测算当日的BPS取值范围；2）随后，用未来12M的BPS预测增速进一步外推，分别得到乐观预期和谨慎预期情况下的BPS上沿与下沿。 在完成对PB和BPS的预测后，只需将两者的上下沿对齐相乘，便可计算出直至转债到期前，银行股的股价理论上下沿。如下图所示，2021年底，银行转债A的股票价格为12.9元，结合前文中的BPS和PB预测情况，我们预计未来1.5年内，其股价的理论值最高将逐渐逼近24元，最低值则在9到10元附近。可以看到，当PB到达下沿后，由于案例中股票的BPS增速谨慎预测仍然为正，因此未来股价的下沿仍会缓慢升高。 最后，需额外注意的是，原始二叉树模型中，对波动率的计算使用的是股票的复权价格，因此本身便包含分红信息。但在公式[1]的算法中并不含有上述元素，对此，可以考虑使用股票的历史股息率进行简单估计，公式[1]将变化为： 3.3. 隐含预期CRR因子效果检验 我们采用上文中所描述的方式，计算历史上所有银行转债的隐含预期二叉树定价结果，具体所涉及的参数细节如下表所示： 计算得出模型定价后，我们根据转债定价除以市价的比值，得到转债的折溢价率数据（下称CRR因子和隐含预期CRR因子）。理论上来说，当市价明显低于理论价格，即因子值较高时，则认为转债市价存在定价误差，转债价格被低估，此时可介入投资。我们针对改进前后的二叉树模型，分别进行了测算： 首先，从原始二叉树模型的测算结果看，CRR因子本身已经具有一定的择券效果。如下图所示，中折价和高折价组的历史表现明显领先于低折价组，因子的周度IC为5.57%，IC的T统计值为2.12。 而在纳入对PB和BPS的预测信息后，隐含预期CRR因子的效果得到进一步提升。高、中、低三组的区分度被进一步拉大，其中，高折价组的5年年化收益率为9.48%，最大回撤为10.48%，而低折价组的年化收益率为1.08%，最大回撤为17.75%。隐含预期CRR因子的多空收益率差值为 8.4%，因子周度IC提升至7.68%，IC的T统计值也升高至3.42，说明主观因素的纳入，对原模型的定价效果起到了增强作用。 重要申明 风险提示 本文内容基于当前数据和现有理论构建模型，当市场出现异常波动或市场环境发生重大改变时，存在模型失效的风险。 分析师承诺 负责本研究报告全部或部分内容的每一位证券分析师，在此申明，本报告清晰、准确地反映了分析师本人的研究观点。本人薪酬的任何部分过去不曾与、现在不与，未来也将不会与本报告中的具体推荐或观点直接或间接相关。 本报告分析师 任 瞳 SAC职业证书编号：S1090519080004 王武蕾 SAC职业证书编号：S1090519080001 梁雨辰 SAC职业证书编号：S1090523070008 免责申明 本微信号推送内容仅供招商证券股份有限公司（下称“招商证券”）客户参考，其他的任何读者在订阅本微信号前，请自行评估接收相关推送内容的适当性，招商证券不会因订阅本微信号的行为或者收到、阅读本微信号推送内容而视相关人员为客户。 完整的投资观点应以招商证券研究所发布的完整报告为准。完整报告所载资料的来源及观点的出处皆被招商证券认为可靠，但招商证券不对其准确性或完整性做出任何保证，报告内容亦仅供参考。 在任何情况下，本微信号所推送信息或所表述的意见并不构成对任何人的投资建议。除非法律法规有明确规定，在任何情况下招商证券不对因使用本微信号的内容而引致的任何损失承担任何责任。读者不应以本微信号推送内容取代其独立判断或仅根据本微信号推送内容做出决策。 本微信号推送内容仅反映招商证券研究人员于发出完整报告当日的判断，可随时更改且不予通告。 本微信号及其推送内容的版权归招商证券所有，招商证券对本微信号及其推送内容保留一切法律权利。未经招商证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）