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

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-Trading"Vibe-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：

1. 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；
2. 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）：

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）：

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 days（behavioral-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：

A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 number（2-4%、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

1. 构建预测：选择Top-Down或Bottom-Up方法，输出EPS预测值
2. 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
3. 计算偏差：SUE或简单百分比偏差，判断超预期/低于预期方向
4. 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）

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 Quality（FCF 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 A+H 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 disclosure）：SkillsLoader 负责扫描agent/skills/目录，读取每个 SKILL.md 的 frontmatter（name、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.py），Agent 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-Trading"Vibe-Trading: Your Personal Trading Agent"项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-Trading