Ang tinimbang na karaniwang factor ng inaasahang balik ng analista ay idinisenyo upang makuha ang komprehensibong inaasahan ng merkado para sa mga hinaharap na balik ng mga stock. Ang pangunahing lohika nito ay hindi lahat ng mga hula ng analista ay may pantay na halaga. Samakatuwid, ginagamit ng factor na ito ang mga kasunod na kondisyon ng merkado upang i-verify ang katumpakan ng mga hula ng target na presyo ng mga analista at nagtatalaga ng iba't ibang timbang sa iba't ibang hula. Partikular: nn- Mekanismo ng pagsasaayos ng timbang: Kung ang hula ng target na presyo ng analista ay maaaring ma-verify ng mga kasunod na trend ng merkado (halimbawa, ang aktwal na pagtaas sa presyo ng stock ay malapit o lumampas sa inaasahang pagtaas ng analista), ang resulta ng hula ng analista ay binibigyan ng mas malaking timbang; sa kabaligtaran, kung ang hula ng analista ay salungat sa aktwal na trend, isang mas maliit na timbang ang ibinibigay, at kahit na isang parusang timbang ay maaaring itakda. nn- Kahulugan ng factor: Kung mas mataas ang halaga ng factor na ito, mas mataas ang pangkalahatang inaasahan ng merkado para sa hinaharap na balik ng stock, at vice versa. Sa pamamagitan ng tinimbang na karaniwan, epektibong mababawasan ng factor na ito ang pagkagambala ng mga indibidwal na maling o may kinikilingan na hula sa pangkalahatang inaasahan. nn- Paraan ng pagkalkula ng timbang na $w_i$ (halimbawa, maaaring iakma ayon sa aktwal na mga kondisyon): n - Isang paraan na katulad ng "backtesting" ay maaaring gamitin upang kalkulahin ang historikal na katumpakan ng mga hula ng bawat analista. Halimbawa: n - $Accuracy_i = frac{NumOfCorrectPredictions_i}{TotalPredictions_i}$ n - Kung saan ang $NumOfCorrectPredictions_i$ ay kumakatawan sa bilang ng mga tamang hula na ginawa ng analista i sa nakaraan, at ang $TotalPredictions_i$ ay kumakatawan sa kabuuang bilang ng mga hula na ginawa ng analista i sa nakaraan. n - Ang timbang ay maaaring proporsyonal sa katumpakan ng hula, halimbawa: n - $w_i = frac{Accuracy_i}{sum_{j=1}^{N} Accuracy_j}$ o $w_i = Accuracy_i^k$, kung saan ang k ay isang parameter ng pagsasaayos, at ang pagkasensitibo ng timbang ay maaaring iakma ayon sa mga pangangailangan. n - Bilang karagdagan, ang pagkasira ng oras ay maaari ding isaalang-alang, at ang mas mababang timbang ay ibinibigay sa mga hula na mas malayo sa oras. n - Maaari ring isaalang-alang ang iba pang mga factor, tulad ng reputasyon ng analista, ang rating ng institusyon, atbp. nn- Mahahalagang Tip: Sa aktwal na mga aplikasyon, ang paraan ng pagkalkula ng mga timbang ay dapat na ganap na i-backtest at i-optimize upang makuha ang pinakamahusay na epekto ng factor. Kasabay nito, kinakailangang isaalang-alang ang mga pagbabago sa kapaligiran ng merkado at dinamikong iakma ang paraan ng pagkalkula ng timbang.