研究结论
　　本文基于公司公告的财务信息，尝试从多角度对业绩超预期进行度量，选取的角度依次是传统业绩超预期的刻画、业绩预告的补充应用、公告前后的市场反应与时序网络的使用。
　　对于传统业绩超预期的刻画，本文在“公告值减去预期值除以规模数”的框架下，应用随机游走模型对净利润、营业收入和毛利三个字段进行了因子构建。特别地，对于用新增字段毛利构建的SUG因子，它与常见的SUE、SUR的相关性较低、且RankIC更高。如不含漂移项的SUG1，其原始值在沪深300、中证全指里的RankIC分别为6.51%和4.16%，高于SUE1的5.72%和4.06%，也高于SUR1的4.99%和3.53%。
　　对于业绩预告的补充应用，本文尝试了从两个方向对业绩预告加以利用，分别是把业绩预告视为定期财报数据和财报发出前的预期值。针对前者，我们构建了含预告的SUE因子，并发现改进后的SUE因子在多头收益、夏普率和月胜率等方面要优于原始SUE因子。针对后者，我们构建了业绩偏离度因子EBIAS0和EBIAS1，虽然这两类因子的RankIC不高，但它们胜在回撤小、相关性低。
　　业内普遍采用公告前后的开盘价/前收盘价、最低价/前收盘价用于捕捉公告的超预期信息，本文新增了公告前后的（早盘）大单买入占比和（早盘）大单涨跌幅用于刻画公告的超预期。从因子表现来看，两类大单因子在公告日附近的表现要优于最低/前收、开盘/前收，如公告日前后三天的（早盘）大单买入占比因子，其原始值在沪深300和中证全指内的RankIC分别为4.09%和3.29%，且多空净值近期回撤较小。
　　传统的SUE系列因子从算法上看只是股票历史业绩序列的一种人为指定的时间序列整合方式，类似于量价序列数据，我们可以通过时序网络从股票历史业绩序列中学习对股票收益率的预测作为alpha因子。该因子原始值在沪深300和中证全指内的RankIC分别为5.69%和5.62%，多空最大回撤均控制在-20%以内。此外，其在中证全指上的多头年化超额收益为14.21%，且近期波动小于传统SUE系列因子。
　　将上述各描述因子按类别等权合成大类因子后，我们发现4种大类因子间的相关性均在70%以下。随后本文将上述大类因子进行等权合成，以充分利用基本面分析加市场反应“1+1>2”的效果。合成后的因子在沪深300和中证全指内的RankIC分别为6.69%和7.81%，且在中证全指上的多头年化超额收益为18.53%。
　　风险提示
　　量化模型失效风险
　　市场极端环境的冲击