विश्लेषक प्रत्याशित रिटर्न का भारित औसत कारक स्टॉक के भविष्य के रिटर्न के लिए बाजार की व्यापक अपेक्षाओं को कैप्चर करने के लिए डिज़ाइन किया गया है। इसका मूल तर्क यह है कि सभी विश्लेषकों के पूर्वानुमान समान मूल्य के नहीं होते हैं। इसलिए, यह कारक विश्लेषकों के लक्ष्य मूल्य पूर्वानुमानों की सटीकता को सत्यापित करने के लिए बाद की बाजार स्थितियों का उपयोग करता है और विभिन्न पूर्वानुमानों को अलग-अलग भार प्रदान करता है। विशेष रूप से: nn- भार समायोजन तंत्र: यदि विश्लेषक के लक्ष्य मूल्य पूर्वानुमान को बाद के बाजार रुझानों द्वारा सत्यापित किया जा सकता है (उदाहरण के लिए, स्टॉक की कीमत में वास्तविक वृद्धि विश्लेषक की अपेक्षित वृद्धि के करीब या उससे अधिक है), तो विश्लेषक के पूर्वानुमान परिणाम को अधिक भार दिया जाता है; इसके विपरीत, यदि विश्लेषक का पूर्वानुमान वास्तविक प्रवृत्ति के विपरीत है, तो एक छोटा भार दिया जाता है, और यहां तक कि दंडात्मक भार भी निर्धारित किया जा सकता है। nn- कारक का अर्थ: इस कारक का मान जितना अधिक होगा, स्टॉक के भविष्य के रिटर्न के लिए समग्र बाजार की अपेक्षा उतनी ही अधिक होगी, और इसके विपरीत। भारित औसत के माध्यम से, यह कारक समग्र अपेक्षाओं पर व्यक्तिगत त्रुटिपूर्ण या पक्षपातपूर्ण पूर्वानुमानों के हस्तक्षेप को प्रभावी ढंग से कम कर सकता है। nn- **भार $wi$ की गणना विधि (उदाहरण, वास्तविक परिस्थितियों के अनुसार समायोजित किया जा सकता है):**n - प्रत्येक विश्लेषक के पूर्वानुमानों की ऐतिहासिक सटीकता की गणना करने के लिए "बैकटेस्टिंग" के समान एक विधि का उपयोग किया जा सकता है। उदाहरण के लिए: n - $Accuracy_i = frac{NumOfCorrectPredictions_i}{TotalPredictions_i}$ n - जहां $NumOfCorrectPredictions_i$ अतीत में विश्लेषक i द्वारा की गई सही भविष्यवाणियों की संख्या का प्रतिनिधित्व करता है, और $TotalPredictions_i$ अतीत में विश्लेषक i द्वारा की गई भविष्यवाणियों की कुल संख्या का प्रतिनिधित्व करता है। n - भार भविष्यवाणी की सटीकता के समानुपाती हो सकता है, उदाहरण के लिए: n - $w_i = frac{Accuracy_i}{sum_{j=1}^{N} Accuracy_j}$ या $w_i = Accuracy_i^k$, जहां k एक समायोजन पैरामीटर है, और आवश्यकतानुसार भार की संवेदनशीलता को समायोजित किया जा सकता है। n - इसके अलावा, समय क्षय पर भी विचार किया जा सकता है, और समय में दूर के पूर्वानुमानों को कम भार दिया जाता है। n - अन्य कारकों पर भी विचार किया जा सकता है, जैसे विश्लेषक की प्रतिष्ठा, संस्थान की रेटिंग आदि। nn- महत्वपूर्ण सुझाव: वास्तविक अनुप्रयोगों में, भार की गणना विधि को सर्वोत्तम कारक प्रभाव प्राप्त करने के लिए पूरी तरह से बैकटेस्ट किया जाना चाहिए और अनुकूलित किया जाना चाहिए। साथ ही, बाजार के वातावरण में बदलावों पर विचार करना और भार गणना विधि को गतिशील रूप से समायोजित करना आवश्यक है।