金融工程研究金融工程专题报告 2 目录 1. 历史财务因子 因子分组收益统计 历史财务信息的延续性 单因子 IC Factor_F 因子分组收益 横截面回归的风险溢价 横截面回归结果

Transcription

1 [Table_MainInfo] 金融工程研究证券研究报告 [Table_Title] 相关研究 [Table_ReportInfo] 大类资产配臵及模型研究( 四 ) 2017, 全球对冲基金的新纪元? 量化研究新思维( 三 ) 与 Beta 为敌 价值投资系列之二 历史盈利对股票收益预测的影响 [Table_AuthorInfo] 金融工程专题报告 2017 年 07 月 26 日 选股因子系列研究 ( 二十三 ) 历史财务信息对股票收益的预测能力 [Table_Summary] 投资要点 : 本文主要考察基于 Piotroski(2000) 体系构建的基本面综合因子在 A 股市场的选股效果 整体而言, 历史基本面表现越好的公司, 未来基本面向好的可能性越大 ; 从二级市场表现来看, 后期股票价格上涨的可能性和幅度也越大 基本面综合因子的单因子选股效果显著 基本面综合因子值最高的 1/10 股票相对因子值最低的 1/10 股票月均超额 1.74%, 月胜率逾 70%, 统计显著 从相关性分析来看, 当月因子值与次月股票收益率的平均相关系数为 , 秩相关系数为 , 统计显著 横截面回归结果与筛选法结果一致 通过横截面回归模型发现, 上市公司综合基本面因子每提高一个标准差, 月均收益提高 0.47%; 且这种现象在 A 股市场长期存在 由此表明, 历史财务信息对未来二级市场收益具有一定预测能力 分析师 : 冯佳睿 Tel:(021) fengjr@htsec.com 证书 :S 分析师 : 罗蕾 Tel:(021) ll9773@htsec.com 证书 :S 基本面综合因子可增加收益率模型的预测能力 从多因子模型角度来看, 在收益率预测模型中增加基本面综合因子, 可明显改善预测模型的精度 而且相比于仅增加盈利因子 ROE droe 的模型, 其预测能力改善幅度更大 敏感性分析 从因子构建方式来看, 采用位序加总所得的基本面综合因子与采用 zscore 加总所得的因子具有同样的选股效果, 在全市场范围内两者差异并不明显 从选股范围来看, 该因子在沪深 300 指数成分股 中证 500 指数成分股以及全市场范围内, 都存在显著的选股效果 风险提示 因子历史规律失效风险 模型失效风险

2 金融工程研究金融工程专题报告 2 目录 1. 历史财务因子 因子分组收益统计 历史财务信息的延续性 单因子 IC Factor_F 因子分组收益 横截面回归的风险溢价 横截面回归结果 收益预测模型的改进 敏感性分析 位序加总法 沪深 300 成分股内的选股效果 中证 500 成分股内的选股效果 总结 风险提示... 11

3 金融工程研究金融工程专题报告 3 图目录 图 1 Factor_F 分组组合下期 Factor_F 均值... 6 图 2 Factor_F 组合月均收益... 7 图 3 高低 Factor_F 组合相对强弱... 7 图 4 Factor_F 月溢价序列... 8 图 5 Factor_F 多头等权组合相对净值 ( 沪深 300 成分股 )... 9 图 6 Factor_F 多头市值加权组合历史表现 ( 沪深 300 成分股 )... 9 图 7 Factor_F 多头等权组合相对净值 ( 中证 500 成分股 ) 图 8 Factor_F 多头市值加权组合历史表现 ( 中证 500 成分股 )... 10

4 金融工程研究金融工程专题报告 4 表目录 表 1 基本因子列表... 5 表 2 因子截面 IC( 季度 )... 6 表 3 因子截面 IC( 月度 )... 6 表 4 高低 Factor_F 组合月均收益... 7 表 5 Fama-MacBeth 截面回归结果... 7 表 6 收益率预测模型的 IC rankic 对比... 8 表 7 引入不同构建方法下的 Factor_F 因子对收益率预测模型的影响... 9 表 8 沪深 300 成分股内,Factor_F 因子的选股效果... 9 表 9 沪深 300 指数成分股内多头组合分年度表现 表 10 中证 500 成分股内,Factor_F 因子的选股效果 表 11 中证 500 指数成分股内多头组合分年度表现... 11

5 金融工程研究金融工程专题报告 5 本文主要分析历史财务信息对股票未来收益是否具有预测作用 实证结果表明, 当前基本面向好的公司, 未来基本面向好的可能性更大 ; 因此, 投资者更加青睐历史财务表现较好的股票 1. 历史财务因子 单个财务指标或财务比率并不能捕捉公司整体的基本面情况, 存在许多干扰信息, 因此 2000 年以后, 国外学者们将基本面重心转移至 综合因子 的研究, 即将多个财务指标组合成单一因子, 用以检验历史基本面与股票未来收益之间的关系 其中, 应用最广泛的是 Piotroski(2000) 提出的 FSCORE 以及 Mohanram(2005) 提出的 GSCORE 因子 本文主要在 FSCORE 体系下对中国市场的基本面因子进行探讨研究 FSCORE 体系从 3 个方面衡量了公司的基本面情况 : 盈利能力 杠杆 / 流动性以及营运有效性 在盈利能力方面上,Piotroski 使用了 4 个指标, 它们分别是 ROA(ROE) droa (droe) CFO 以及 ACC 其中,ROA(ROE) 为总 ( 净 ) 资产收益率,dROA(dROE) 为净资产收益率同比增长率 CFO 是经营净现金流量与总资产之比,ACC 为 ROA 与 CFO 之差 美国市场存在 应计异象, 即平均而言应计项目低的公司收益率会高于应计项目高的公司, 在 FSCORE 体系下表现为,ACC<0 的股票后期收益率理应更优 但实际上 A 股并不存在这种现象 :2009 年 1 月至 2017 年 6 月间,ACC>0 的股票月均收益为 2.22%, ACC<0 的股票月均收益为 2.13%, 两者收益差仅为 0.09%( 相应 t 值为 ), A 股并不存在显著的应计异象 源于上述原因, 我们对盈利能力指标进行更改 具体而言, 本文研究的基本指标有 8 个, 分别列于下表 表 1 基本因子列表类别 因子简称 因子含义 盈利能力 ROE 净资产收益率 droe 净资产收益率同比增长率 dcfo 每股经营活动现金流同比增长率 EPS 每股收益 杠杆 dlever 权益乘数同比增长率 流动性 LIQUID 流动比率 营运有效性 dmargin 销售净利率 ( 单季度 ) 同比增长率 dturn 固定资产合计周转率同比增长率 我们将上述 8 个指标横截面标准化, 然后以回归的方式剔除风险因子 ( 市值和 PB) 影响, 取残差等权加总后构建基本面综合因子, 记之为 Factor_F 2. 因子分组收益统计 2.1 历史财务信息的延续性 投资者之所以会参考历史基本面信息作出投资决策, 主要源于财务信息的延续性 历史综合基本面较好的公司, 未来基本面向好的可能性更大 实际上, 我们以定期报告披露结束日 ( 每年的 月底 ) 为分界点, 考察当期 Factor_F 与下期 Factor_F 的相关性, 结果显示两者相关系数达 51.57%, 秩相关系数达 58.52%

6 金融工程研究金融工程专题报告 6 图 1 展示了基于当期 Factor_F 因子将全市场股票等分为 10 组, 每一组股票下期的 Factor_F 因子均值 从中可看出, 下期 Factor_F 值与当期 Factor_F 值呈现明显的正相关关系, 由此表明, 历史财务信息具有较好的延续性 : 历史综合基本面较好的公司, 未来平均基本面表现越优 图 1 Factor_F 分组组合下期 Factor_F 均值 D1 D2 D3 D4 D5 D6 D7 D8 D9 D 单因子 IC 我们以 月份为调仓日, 统计调仓日的因子值与下期收益率的 ( 秩 ) 相关系数 ; 其中, 下期收益率是指当前调仓日至下期调仓日间的收益率 结果列于下表 从中可看出, 复合因子 Factor_F 与收益率之间存在显著的正相关关系, 历史基本面综合表现越好, 股票后期收益率越高 该因子 IC 均值达 , 相应的 t 统计量为 6.05 从单个因子来看, 表现最好的是 EPS ROE 和 droe, 它们的 IC 序列和 rank_ic 序列均显著大于 0,IC 均值分别为 和 对比来看, 综合因子的 IC 均值 稳定性均优于任一单个因子 表 2 因子截面 IC( 季度 ) dcfo EPS dlever LIQUID dmargin dturn ROE droe Factor_F IC 均值 标准差 t 值 rankic 均值 标准差 t 值 由于常见的多因子模型均为月度换仓, 为便于与其它因子比较, 下表统计了基本面因子的月度 IC 情况 月度相关性分析与季度结果一致, 综合因子的表现优于任一单个因子, 月度 IC 均值为 , 相应的 t 值为 6.61, 具有显著的选股能力 表 3 因子截面 IC( 月度 ) dcfo EPS dlever LIQUID dmargin dturn ROE droe Factor_F IC 均值 标准差 t 值 rankic 均值 标准差

7 金融工程研究金融工程专题报告 7 t 值 Factor_F 因子分组收益 Factor_F 越大, 反应公司历史基本面表现越好 下图展示了基于 Factor_F 将所有股票分为 10 组, 每组股票的月均收益, 以及 D10( 因子值最高的 1/10 股票 ) 组合与 D1( 因子值最低的 1/10 股票 ) 组合的相对强弱走势 与相关系数统计结果一致,Factor_F 与股票收益率正相关, 分组组合收益率呈现明显的单调上升态势 图 2 Factor_F 组合月均收益 3.5% 3.0% 2.5% 2.0% 1.5% 1.0% 0.5% 图 3 高低 Factor_F 组合相对强弱 % D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 样本期间 (2009 年初至 2017 年 6 月 ), 高 Factor_F 组合月均收益为 3.04%, 低 Factor_F 组合月均收益为 1.30%, 多空组合月均收益差为 1.74%, 显著大于 0 月胜率达 71.6%, 高 Factor_F 组合持续跑赢低 Factor_F 组合 表 4 高低 Factor_F 组合月均收益 D1 月均收益 D10 月均收益 D10-D1 月胜率 T 统计量 1.30% 3.04% 1.74% 71.57% 横截面回归的风险溢价 为考察控制其他风险因子值后,Factor_F 因子的边际效应, 本部分我们将构建 Fama-MacBeth 横截面回归模型, 考察该因子的风险溢价 ; 并从多因子模型的角度出发, 探讨增加该因子后, 收益率预测模型的改进效果 3.1 横截面回归结果 回归模型中使用的控制变量包括 : 市值 波动率 换手率 非线性市值 反转和流动性, 下表列示了 Fama-MacBeth 回归结果 结果显示,Factor_F 月均溢价显著为正, Factor_F 越高, 股票次月收益越大, 与分组筛选法呈现一致的效果 ;Factor_F 每上升 1 个截面标准差, 股票收益平均上升 0.47% 表 5 Fama-MacBeth 截面回归结果市值 波动率 换手率 非线性市值 反转 流动性 Factor_F 月均溢价 T 统计量 图 4 为 Factor_F 的月度溢价时间序列 在大部分月份 ( 占比 72.8%),Factor_F 能

8 金融工程研究金融工程专题报告 8 够提供正向的溢价, 较为稳定 图 4 Factor_F 月溢价序列 3.0% 2.5% 2.0% 1.5% 1.0% 0.5% 0.0% -0.5% -1.0% -1.5% -2.0% 3.2 收益预测模型的改进 常见的多因子框架由收益率预测和风险管理两部分组成, 引入新 alpha 因子的目的在于提高收益率模型的预测能力 由于常见的收益率模型为线性模型, 因此最常用的考察多因子模型预测能力的指标是 IC 和 rankic, 即复合因子值与下期股票收益率的相关系数和秩相关系数 为了评估 FSCORE 体系下, 基本面综合因子对收益率预测模型的改进效果, 我们对比了引入该因子前后预测模型 IC 和 rankic 的相关统计指标, 并对比了仅引入包含 ROE 和 droe 盈利因子后的效果 结果列于下表, 其中, 初始模型 是指包含市值 波动率 换手率 非线性市值 反转和流动性 6 个因子的预测模型, 引入 ROE droe 是指在初始模型基础上增加 ROE 和 droe 两个因子后的预测模型, 引入 Factor_F 则是指在初始模型基础上引入 Factor_F 因子的预测模型 表 6 收益率预测模型的 IC rankic 对比均值 月胜率 标准差 T 统计量 IC 初始模型 % 引入 ROE droe % 引入 Factor_F % rankic 初始模型 % 引入 ROE droe % 引入 Factor_F % 统计结果显示, 引入 Factor_F 因子后收益率预测模型的 IC(rankIC) 均值增加 月胜率上升 波动性下降, 各项评估指标均得到明显提升 此外, 对比仅引入盈利因子 ROE droe 模型的相关指标可发现, 反映了公司盈利能力 杠杆 流动性和营运有效性的综合财务因子, 对收益率预测模型增加的边际效应更强 4. 敏感性分析 本部分主要对选股范围 Factor_F 因子的构建方式等可能影响因子效果的因素进行敏感性分析 4.1 位序加总法

9 金融工程研究金融工程专题报告 9 前文中 Factor_F 因子是通过加总 8 个单因子的 zscore 获取, 实际上我们还可以加总单因子的位序值来构建基本面综合因子 表 7 统计了引入不同构建方法下的 Factor_F 因子后, 收益率预测模型的 IC 和 rankic 相关指标 从中可看出, 无论是位序加总, 还是 zscore 加总, 引入 Factor_F 因子都能明显增加收益率模型的预测效果 表 7 引入不同构建方法下的 Factor_F 因子对收益率预测模型的影响 均值 月胜率 标准差 T 统计量 IC 初始模型 % 位序加总 % zscore 加总 % rankic 初始模型 % 位序加总 % zscore 加总 % 沪深 300 成分股内的选股效果 下表统计了在沪深 300 指数成分股内, 基于 Factor_F 因子分组后的多头 ( 因子值最高的 1/5 股票 ) 空头 ( 因子值最低的 1/5 股票 ) 组合收益以及 IC 表现情况 从中可看出, 无论采用 zscore 加总还是位序加总, 基本面复合因子 Factor_F 在沪深 300 成分股内均存在显著的选股效果 多空组合月均超额收益逾 1.6%, 月胜率超过 73%,IC 均值超过 6.5%, 统计显著 表 8 沪深 300 成分股内,Factor_F 因子的选股效果 空头超额 多头超额 IC 均值 多空超额 rankic 均值月胜率 T 统计量均值月胜率 T 统计量 zscore 加总 -0.87% 0.80% 6.87% 1.67% 73.53% % 74.51% 7.99 位序加总 -0.83% 1.00% 7.80% 1.83% 75.49% % 76.47% 7.92 图 5 和图 6 展示了沪深 300 指数成分股内 Factor_F 多头组合的历史累计净值 结果显示, 多头组合相对空头组合的累计净值呈现稳定增长态势 分年度来看, 多头等权组合相对样本股等权组合每年均可获得正向超额收益, 多头市值加权组合除 年略微跑输沪深 300 指数外, 其余各年份均显著跑赢基准 图 5 Factor_F 多头等权组合相对净值 ( 沪深 300 成分股 ) 图 6 Factor_F 多头市值加权组合历史表现 ( 沪深 300 成分股 ) 多空相对强弱 多头相对等权组合累计净值 月超额收益 ( 右轴 ) 市值加权多头组合相对沪深 300 累计净值 ( 左轴 ) 12% 8% 4% 0% -4% -8% -12%

10 金融工程研究金融工程专题报告 10 表 9 沪深 300 指数成分股内多头组合分年度表现 市值加权组合 等权组合 多头组合 沪深 300 超额收益 多头组合 等权组合 超额收益 % 96.71% 9.48% % 93.76% 50.62% % % 16.42% 9.41% % 20.61% % % 7.80% % % 4.63% % 7.55% 2.60% 19.15% 10.63% 8.52% % -7.65% -0.14% -0.13% -7.43% 7.30% % 51.66% -1.28% 53.49% 38.61% 14.89% % 5.58% 27.87% 42.97% 16.25% 26.72% % % 12.41% -2.80% % 7.59% % 10.78% 13.15% 13.41% 10.93% 2.48% 4.3 中证 500 成分股内的选股效果 下表统计了在中证 500 指数成分股内, 基于 Factor_F 因子分组后的多头 ( 因子值最高的 1/5 股票 ) 空头 ( 因子值最低的 1/5 股票 ) 组合收益以及 IC 表现情况 从中可看出, 无论采用 zscore 加总还是位序加总, 基本面复合因子 Factor_F 在中证 500 成分股内均存在显著的选股效果 相对而言, 在 500 成分股内, 位序加总形式的 Factor_F 因子效果更优, 月均多空收益差达 1.91%, 月胜率 77.45% 表 10 中证 500 成分股内,Factor_F 因子的选股效果 空头超额 多头超额 IC 均值 多空超额 rankic 均值月胜率 T 统计量均值月胜率 T 统计量 zscore 加总 -0.78% 0.69% 5.84% 1.47% 76.47% % 77.45% 7.94 位序加总 -0.91% 1.00% 7.21% 1.91% 77.45% % 79.41% 9.46 图 7 和图 8 展示了中证 500 指数成分股内 Factor_F 多头组合的历史累计净值 结果显示, 多头组合相对空头组合的累计净值呈现稳定增长态势 分年度来看, 多头组合除 2014 年跑输基准外, 其余各年份均可产生可观的超额收益 需要注意的是, 为与前文方法保持一致, 此部分的 Factor_F 因子采用 zscore 加总方法构建 ; 实际上, 对于中证 500 成分股, 若是采用位序加总形式, 则多头组合每年均可产生稳定的超额收益 图 7 Factor_F 多头等权组合相对净值 ( 中证 500 成分股 ) 图 8 Factor_F 多头市值加权组合历史表现 ( 中证 500 成分股 ) 多空相对强弱 多头相对等权组合累计净值 % 4% 0% 月超额收益 ( 右轴 ) 市值加权多头组合相对中证 500 累计净值 ( 左轴 ) -4% -8%

11 表 11 中证 500 指数成分股内多头组合分年度表现 市值加权组合 金融工程研究金融工程专题报告 11 等权组合 多头组合中证 500 超额收益多头组合等权组合超额收益 % % 14.09% % % 37.96% % 10.07% 12.43% 22.17% 9.06% 13.11% % % 6.86% % % 8.70% % 0.28% 12.55% 14.92% 0.72% 14.21% % 16.89% 14.01% 27.73% 16.69% 11.04% % 39.01% % 32.97% 38.52% -5.55% % 43.12% 21.60% 77.44% 45.48% 31.96% % % 8.97% -5.30% % 13.56% % -2.00% 9.52% 5.53% -2.05% 7.57% 5. 总结 本文主要考察基于 Piotroski(2000) 体系构建的基本面综合因子在 A 股市场的选股效果 整体而言, 历史基本面表现越好的公司, 未来基本面向好的可能性越大 ; 从二级市场表现来看, 后期股票价格上涨的可能性和幅度也越大 基本面综合因子 Factor_F 值最高的 1/10 股票相对因子值最低的 1/10 股票月均超额 1.74%, 月胜率逾 70%, 统计显著 从相关性分析来看, 当月因子值与次月股票收益率的平均相关系数为 , 秩相关系数为 , 统计显著 通过横截面回归模型发现, 上市公司综合基本面因子每提高一个标准差, 月均收益提高 0.47%; 且这种现象在 A 股市场长期存在 由此表明, 历史财务信息对未来二级市场收益具有一定预测能力 从多因子模型角度来看, 在收益率预测模型中增加 Factor_F 因子, 可明显改善预测模型的精度 而且相比于仅增加盈利因子 ROE droe 的模型, 其改善幅度更大 从因子构建方式来看, 采用位序加总所得的 Factor_F 因子与采用 zscore 加总所得的 Factor_F 因子具有同样的选股效果, 从全市场范围来看, 两者差异不明显 从选股范围来看, 该因子在沪深 300 指数成分股 中证 500 指数成分股以及全市场范围内, 都存在显著的选股效果 6. 风险提示 因子历史规律失效风险 模型失效风险

12 金融工程研究金融工程专题报告 12 信息披露 分析师声明 [Table_Analysts] 冯佳睿金融工程研究团队罗蕾金融工程研究团队 本人具有中国证券业协会授予的证券投资咨询执业资格, 以勤勉的职业态度, 独立 客观地出具本报告 本报告所采用的数据和信息均来自市场公开信息, 本人不保证该等信息的准确性或完整性 分析逻辑基于作者的职业理解, 清晰准确地反映了作者的研究观点, 结论不受任何第三方的授意或影响, 特此声明 法律声明 本报告仅供海通证券股份有限公司 ( 以下简称 本公司 ) 的客户使用 本公司不会因接收人收到本报告而视其为客户 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 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 市场有风险, 投资需谨慎 本报告所载的信息 材料及结论只提供特定客户作参考, 不构成投资建议, 也没有考虑到个别客户特殊的投资目标 财务状况或需要 客户应考虑本报告中的任何意见或建议是否符合其特定状况 在法律许可的情况下, 海通证券及其所属关联机构可能会持有报告中提到的公司所发行的证券并进行交易, 还可能为这些公司提供投资银行服务或其他服务 本报告仅向特定客户传送, 未经海通证券研究所书面授权, 本研究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 如欲引用或转载本文内容, 务必联络海通证券研究所并获得许可, 并需注明出处为海通证券研究所, 且不得对本文进行有悖原意的引用和删改 根据中国证监会核发的经营证券业务许可, 海通证券股份有限公司的经营范围包括证券投资咨询业务

13 金融工程研究金融工程专题报告 13 [Table_PeopleInfo] 海通证券股份有限公司研究所 路颖所长 (021) 高道德副所长 (021) 姜超副所长 (021) 江孔亮副所长 (021) 邓勇所长助理 (021) 荀玉根所长助理 (021) 钟奇所长助理 (021) 宏观经济研究团队姜超 (021) 顾潇啸 (021) 于博 (021) 梁中华 (021) 联系人李金柳 (021) 宋潇 (021) 固定收益研究团队姜超 (021) 周霞 (021) 朱征星 (021) 张卿云 (021) 姜珮珊 (021) 联系人杜佳 (021) 政策研究团队李明亮 (021) 陈久红 (021) 吴一萍 (021) 朱蕾 (021) 周洪荣 (021) 王旭 (021) 汽车行业邓学 (0755) 杜威 联系人谢亚彤 (021) 王猛 (021) 互联网及传媒钟奇 (021) 郝艳辉 (010) 许樱之 联系人孙小雯 (021) 强超廷 (021) 毛云聪 (010) 刘欣 (010) 唐宇 (021) 金融工程研究团队高道德 (021) 冯佳睿 (021) 郑雅斌 (021) 余浩淼 (021) 袁林青 (021) 罗蕾 (021) 沈泽承 (021) 联系人周一洋 (021) 姚石 (021) 吕丽颖 (021) 张振岗 (021) 颜伟 (021) 史霄安 策略研究团队荀玉根 (021) 钟青 (010) 高上 (021) 联系人郑英亮 (021) 姚佩 (021) 唐一杰 李影 (021) 石油化工行业邓勇 (021) 联系人朱军军 (021) 毛建平 (021) 殷奇伟 (021) 公用事业张一弛 (021) 联系人赵树理 (021) 张磊 (021) 有色金属行业施毅 (021) 联系人杨娜 (021) 李姝醒 (021) 金融产品研究团队高道德 (021) 倪韵婷 (021) 陈瑶 (021) 唐洋运 (021) 宋家骥 (021) 薛涵 联系人谈鑫 (021) 皮灵 (021) 王毅 (021) 蔡思圆 (021) 徐燕红 (021) 庄梓恺 中小市值团队钮宇鸣 (021) 张宇 (021) 刘宇 (021) 孔维娜 (021) 联系人王鸣阳 (021) 程碧升 (021) 潘莹练 (021) 相姜 (021) 医药行业余文心 (0755) 郑琴 (021) 孙建 (021) 师成平 (010) 联系人贺文斌 (010) 刘浩 (010) 批发和零售贸易行业汪立亭 (021) 王晴 (021) 李宏科 (021) 联系人史岳 (021) 房地产行业涂力磊 (021) 谢盐 (021) 贾亚童 (021) 联系人杨凡 (021) 金晶 (021)

14 电子行业陈平 (021) 联系人谢磊 (021) 张天闻 尹苓 (021) 基础化工行业刘威 (0755) 刘强 (021) 联系人刘海荣 (021) 张翠翠 非银行金融行业孙婷 (010) 何婷 (021) 联系人夏昌盛 (010) 李芳洲 (021) 建筑建材行业邱友锋 (021) 冯晨阳 (021) 钱佳佳 (021) 联系人周俊 建筑工程行业杜市伟 联系人毕春晖 (021) 军工行业徐志国 (010) 刘磊 (010) 蒋俊 (021) 联系人 张恒晅 (010) 张宇轩 家电行业陈子仪 (021) 联系人李阳 朱默辰 煤炭行业吴杰 (021) 李淼 (010) 联系人戴元灿 (021) 计算机行业郑宏达 (021) 谢春生 (021) 鲁立 联系人黄竞晶 (021) 杨林 (021) 洪琳 交通运输行业虞楠 (021) 张杨 (021) 联系人童宇 (021) 机械行业沈伟杰 (021) 佘炜超 (021) 耿耘 (021) 联系人杨震 (021) 农林牧渔行业丁频 (021) 陈雪丽 (021) 陈阳 (010) 联系人关慧 (021) 夏越 (021) 银行行业林媛媛 (0755) 联系人林瑾璐 谭敏沂 造纸轻工行业曾知 (021) 联系人朱悦 (021) 赵洋 (021) 金融工程研究金融工程专题报告 14 电力设备及新能源行业杨帅 (010) 房青 (021) 徐柏乔 (021) 联系人曾彪 (021) 张向伟 (021) 通信行业朱劲松 (010) 联系人庄宇 (010) 余伟民 (010) 纺织服装行业唐苓 (021) 梁希 (021) 于旭辉 (021) 联系人马榕 (021) 钢铁行业刘彦奇 (021) 联系人刘璇 (021) 周慧琳 (021) 食品饮料行业闻宏伟 (010) 孔梦遥 (010) 成珊 (021) 社会服务行业李铁生 (010) 联系人陈扬扬 (021) 顾熹闽 研究所销售团队

15 金融工程研究金融工程专题报告 15 深广地区销售团队蔡铁清 (0755) 伏财勇 (0755) 辜丽娟 (0755) 刘晶晶 (0755) 王雅清 (0755) 饶伟 (0755) 欧阳梦楚 (0755) 巩柏含 宗亮 上海地区销售团队胡雪梅 (021) 朱健 (021) 季唯佳 (021) 黄毓 (021) 漆冠男 (021) 胡宇欣 (021) 黄诚 (021) 蒋炯 毛文英 (021) 马晓男 杨祎昕 (021) 方烨晨 (021) 慈晓聪 张思宇 王朝领 北京地区销售团队殷怡琦 (010) 吴尹 陈铮茹 陆铂锡 杨羽莎 (010) 张丽萱 (010) 张明 海通证券股份有限公司研究所地址 : 上海市黄浦区广东路 689 号海通证券大厦 9 楼电话 :(021) 传真 :(021) 网址 :