券商盈利预测准不准：按相同提前期回看已到期预测
判断券商盈利预测准不准，先要说明预测离实绩公布还有多久。提前180天与提前30天的预测拥有不同信息，不能直接混在一起比较。可复查的结果应是一张历史冻结预测与实绩的逐行面板，包含截止日、选用版本、未覆盖记录和误差。先固定样本和选择规则，再计算统计量，才能知道一个较小数字究竟意味着什么。
本文使用同一家虚构公司的两个财年、两家虚构券商和两个提前期。历史冻结预测必须由外部归档提供。程序按合成日期生成测试记录，只是为了复现选择逻辑，并不能把今天的报告变成过去的真实预测，也不代表Vibe或CoTrading能够自动取得历史一致预期、券商覆盖历史或授权研报全文。
取得真正能回答问题的历史版本
每条预测至少记录证券、券商、目标财年、EPS口径、币种、预测值、原始来源标识和该版本的冻结日期。允许保存时保留对应报告。一个今天下载、目标年度写着2024的表格，不能单凭年度标签证明券商在2024年就给出了这个数。归档时间应描述预测版本本身，而不是后来整理表格或导出文件的时间。
实绩侧记录目标期间、正式发布日期、实际EPS和版本来源。预先决定以首次公布还是指定重述版实绩评分，全样本保持一致。IAS 33官方概览区分基本和稀释EPS；本例两侧都采用同年度、人民币每股、稀释口径。券商调整后预测与法定实绩不能未经桥接就当成同一个指标。
合成实际为2024财年EPS1.00，2025年3月1日公布；2025财年EPS1.20，2026年3月1日公布。这是测试日期，不是真实公司的日历。实绩数据不参与挑选最有利预测：选中哪个历史版本，只能由冻结时间和事先约定的口径决定，不能事后挑最接近答案的报告。
在查看误差前固定相同提前期
分别建立180天和30天面板。对每个公司、财年和提前期，用实绩正式发布日期减去相应天数，得到截止日期。选择不晚于截止日、最多陈旧三个日历日的最近归档。三天容忍度是本例显式设定，真实研究可以另定，但同一比较组不能对某家券商更宽松，也不能因数据不足临时缩短提前期。
Python datetime文档支持这里的日期加减。样例只做日级选择，不声称日历日等于交易日，也不处理盘中先后顺序。使用时间戳时，需要补充时区、盘后报告何时可用等定义。归档缺失应保留缺失，不能只因为目标财年一样，就拿截止日后发布的预测填进旧位置。
若同券商、同财年、选中同一天出现两个不同EPS，且没有更细发布顺序证据，就拒绝该观察值。不能让输入表第一行或最后一行决定排名。相同数值可以去重并保留来源；不同数值必须显式冲突。完整样例对冲突记录正序、反序都验证同样拒绝，防止数据排列改变统计结论。
约定误差方向，再计算绝对误差和偏差
本文误差定义为预测减实际，正值代表高估，负值代表低估。平均绝对误差MAE对每条差值先取绝对值再平均，单位仍是人民币每股；偏差对带符号差值平均。两者旁边必须给出实际评分条数与理论可评分条数。否则主动遗漏难预测财年的样本，可能看起来比完整覆盖的样本更准。
《Forecasting: Principles and Practice》原始教材解释了MAE及零附近百分比误差的不稳定。样例只在实际EPS大于0.05时计算相对误差。这是本例预设的谨慎阈值，不是会计准则或普遍标准。非正和接近零的实际仍保留绝对差，相对指标留空；NaN和正负无穷则属于无效财务数，不能当成特别大的预测错误。
f, a = finite(forecast), finite(actual)
difference = f - a
relative = difference / a if a > D("0.05") else None下载例使用Decimal保存中间误差，再在展示时格式化。不要先把每个误差取整后再平均。对于本来只有几分钱差异的小样本，过早取整可能改变比较关系，也会让逐行和汇总之间无法核对。
逐项读懂两个提前期的结果
180天组中，A券商对2024和2025财年的预测为1.20和1.00，对实际1.00与1.20的差为+0.20和−0.20。MAE为0.20，偏差为0，覆盖2/2。偏差为零并不表示没有错误，它只是两次相反方向的错误刚好抵消，所以必须同时展示绝对误差和逐年记录。
B券商180天归档只有2024财年的0.90，差为−0.10，MAE为0.10，覆盖1/2。2025财年的1.18只存在于30天组，程序不会借来补180天缺口。如果只看0.10小于0.20就宣称B更准确，便忽略了未覆盖财年和极小样本。缺口本身也是最终交付的一部分，应列出具体年份。
30天组中，A为1.05和1.15，MAE0.05，覆盖2/2；B为0.98和1.18，MAE0.02，覆盖2/2，偏差−0.02。它们属于独立的短提前期结果。不要把长短期误差直接平均成一个总分，否则会把信息更充分的临近报告优势混进所谓预测能力，无法回答原来的同提前期问题。
下载完整示例。使用Python 3.12+、标准库及合成数据，运行python R547.py。输出包含两个提前期面板、评分条数、缺失财年和近零反例；断言覆盖历史版本选择、误差、同日冲突及预测和实际两侧的非有限数阻断。
区分归档缺口与分母不稳定
另一种机制是实际EPS0.01、预测0.03，绝对差0.02。它不属于没有历史报告，而属于相对分母太小，按规则相对误差留空。不能把分母改成1，也不能删除整条观察，再宣称样本更稳定。保留实际、预测、绝对差和相对指标不可用原因，让读者知道究竟缺什么或为什么不计算。
更大研究可增加所有券商共同覆盖财年的对照样本，同时保留各券商完整的可评分面板。共同样本与全样本回答不同问题，不能悄悄替换。跨公司汇总前还应检查行业构成、股数单位和预测期间，EPS绝对误差适合同公司直读，跨股价和股数差异巨大的公司需要额外论证归一化方法，不能直接拿每股几毛钱决定谁更好。
保存可逐年追加的评估面板
对每个预期券商、财年和提前期都留一行，包括缺失和冲突行。记录截止日、选中冻结日期、预测来源、实际版本、绝对差、相对资格及排除原因。汇总只来自已接受记录，但覆盖诊断必须保留未接受项；总数要能和预期面板格子数量对上。原始来源与选择结果分开保存，后续才方便查证。
新财年实绩成熟后，只追加当时已冻结的预测和兼容实际。遇到实绩重述、归档修正或口径桥接变化时，建立新的评估版本并列出受影响行。当前报告可以支持今后的判断，不能补造过去没有保存的版本。最终结论应限定在实际测量的样本、提前期与覆盖范围，不把这份演示的几次误差变成券商推荐。
先验收版本选择，再验收统计量
把版本选择表和误差评分表分开保存。第一张只列预期格子、历史截止、候选冻结版本、是否落在三天容忍区间、最终来源和缺失原因；第二张再接实际EPS计算差值。复查者可以先不看答案检查时间资格，避免知道哪份预测更接近实际后，倾向选择那份报告。目标财年相同不等于时间资格相同。
覆盖分母也要在看误差前固定。本例每个券商每个提前期应有两个财年，B在180天只有一个合格值，缺失2025仍保留在预期面板。若真实研究中券商退出覆盖、公司退市或数据授权范围改变，应记录结构性缺口，不能直接删除所有难以找到的公司年，再把剩余样本称为原研究范围。
当来源只保存日级日期而同一天有多次不同发布，不能用文件名排序推测先后；取得可信时间戳后再按预设规则处理，取得之前保持冲突。新增证据导致选择变化时，用新评估版本重算受影响格子，并说明旧版为什么不可比。最终数字精确到小数点后几位，并不能弥补归档时间没有证据的问题。
计算完还要核对舍入显示。面板可以展示两位小数，但源预测、原实绩和未舍入差值应继续保存，汇总由未舍入值产生。若导出格式把0.02显示成0，不应进一步解释为没有误差；展示精度与经济意义需要分别说明。
常见问题
每个旧财年直接取最新预测可以吗？
那是在研究另一种时点问题。相同提前期评估必须使用历史截止日前真实冻结的版本。
偏差为零说明预测能力好吗？
不能，相反方向误差可能抵消。需要同时看MAE、覆盖数量及逐条差值。