核心觀點
站在投資的角度，影響股票價格的因素包括估值和盈利，相對于估值的頻繁波動，盈利預測則相對确定一些，是以，盈利預測曆來都是股票投資的核心内容；盈利系統性研究較為龐大，按對象可分成全A、行業、個股，按内容可分成盈利跟蹤和盈利預測；相較盈利預測，盈利跟蹤分析的是過去、已發生的盈利狀況。
本文僅讨論全A盈利研究，針對全A整體業績，推出自上而下全A盈利研究架構，由三部分組成，盈利跟蹤、盈利預測、盈利預期差。盈利跟蹤分析過往已披露财報季度的盈利資料，盈利預測研究目前已發生、财報未披露季度的盈利資料和預測未來盈利資料。
對于全A盈利跟蹤，市場普遍采用自下而上的研究方法，通過收集公司财務資料，加總得到全A的盈利資料，由于财報披露存在滞後性，導緻全A盈利跟蹤的時效性大幅降低，其意義也随之下降。
對于全A盈利預測，我們采用自上而下的研究方法，利用宏觀分析師對經濟名額的一緻預期，進行盈利預測。自上而下的宏觀法是建立在宏觀經濟名額與企業整體盈利相關聯的前提下，該方法和前提假設存在充分的理論依據，并且存在統計學上的強相關性。
在自上而下全A盈利預測研究體系下，盈利預測的核心是建立宏觀經濟名額與企業盈利之間的邏輯關系。為此，我們采用多元線性回歸的思路，以宏觀經濟名額為自變量，以全A盈利資料為因變量，建構自上而下全A盈利模型。營收增速模型主要以PPI同比和工業增加值同比為宏觀經濟名額建構，拟合效果較好，展現大陸企業主要以工業和制造業公司為主，企業整體業績受産品出廠價格影響，産品出廠價格越高，企業業績将大幅提升。毛利率模型主要以PPI同比、PPIRM同比、工業增加值同比為宏觀經濟名額建構，展現産品價格及原材料價格對企業毛利率的影響。利潤模型主要以工業增加值同比和信貸脈沖為宏觀經濟名額建構，在剔除金融闆塊後，全A利潤增速模型的拟合效果大幅提升；模型展示企業整體盈利與工業增加值和信貸脈沖之間存在較強的邏輯關系，工業增加值和信貸脈沖都與固定資産投資完成額相關度較高，每當企業整體利潤大幅提升，企業往往将部分未配置設定利潤和企業融資所得資金轉為投資，以購買新裝置、建立産能等形式支出，提高企業生産能力，是以，利潤增速與工業增加值、信貸脈沖存在一定的因果關系。
利用宏觀分析師的一緻預期，我們建構了2024年盈利預測，預計營收增速、毛利率、利潤增速整體呈現逐漸複蘇态勢（見下表）。2024年全A年度營收增速預計8.17%，全A毛利率預計35.94%，全A利潤增速預計9.81%，2024年全A（非金融）營收增速預計8.05%，全A（非金融）毛利率預計24.50%，全A（非金融）利潤增速預計3.83%。整體看，企業利潤增速恢複程度預計将好于營收增速，金融性企業的利潤修複節奏或早于非金融性企業。
風險提示：資料統計錯誤風險、模型訓練風險、模型過拟合風險、曆史不代表未來、模型盈利預測與實際盈利不一緻風險
1. 引言
站在投資的角度，影響股票價格的因素有估值和盈利，相對于估值的頻繁波動，盈利預測則相對确定一些，是以，盈利預測曆來都是股票投資的核心内容；盈利系統性研究較為龐大，按對象可分成全A、行業、個股，按内容可分成盈利跟蹤和盈利預測；相較盈利預測，盈利跟蹤分析的是過去、已發生的盈利狀況。
本文僅讨論全A盈利研究，針對全A整體業績，推出自上而下全A盈利研究架構，架構包括盈利跟蹤和盈利預測。
一直以來，盈利預測都是一個熱門的研究方向，學術圈就盈利預測提出了很多理論研究，投資圈也以盈利預測的結果進行投資，是以，盈利預測的研究方法較為全面。目前市場上主要證券公司研究機構對于全A盈利預測有兩種研究方法，一是參考美林時鐘理論作定性判斷，二是自上而下利用宏觀分析師的一緻預期進行定量分析。
對比盈利預測的讨論熱度，盈利跟蹤往往被輕視，這或許是因為目前盈利跟蹤的主流研究方法存在嚴重滞後性，導緻盈利跟蹤變成“盈利回顧”；針對全A季度盈利情況，大多數研究機構采用自下而上的跟蹤方法，利用公司财務資料加總得到整體資料，考慮到需等所有公司财報披露完，全A盈利跟蹤較個股更為滞後，盈利跟蹤的效果被大幅削弱。
在自上而下全A盈利研究體系裡，盈利跟蹤與盈利預測需緊密結合，分析 “盈利拐點”、“盈利預期差”，以上兩點是盈利分析産生投資收益的主要根源；然而，由于盈利跟蹤的滞後性，導緻盈利預測難以與盈利跟蹤相結合，盈利分析方法難以成體系化。
2. 自上而下全A盈利體系
全A盈利研究，面向整個市場的集合，主要以營收增速、利潤增速為内容進行分析，步驟包括跟蹤已發生的情況和預測未來走勢。
目前，市場上的盈利系統性研究主要面向行業和個股，以行業研究架構和個股深度報告為表現形式，并無一套成熟的全A盈利研究體系；究其原因，宏觀分析師更關注政策和宏觀名額，行業分析師則更關注個股盈利，全A盈利恰好介于二者中間，得到的關注較少；然而，全A盈利研究的重要性顯而易見，能給予宏觀經濟分析更為微觀、豐富的新視角，幫助宏觀分析師辯證地看待宏觀名額，其次，能有效幫助投資機構進行宏觀擇時；是以，市場需要一套完善的全A盈利研究體系。
自上而下全A盈利研究體系，由三部分組成，盈利跟蹤、盈利預測、盈利預期差（架構如圖1）。盈利跟蹤分析過往已披露财報季度的盈利資料，盈利預測研究目前已發生、财報未披露季度的盈利資料和預測未來盈利資料。
2.1 盈利跟蹤
盈利跟蹤，站在目前時間點，利用已披露的财務資料，對企業過往季度的經營狀況和結果進行測量，以測算營收增速、利潤增速為代表，了解企業過去的經營結果。
對于全A盈利跟蹤，市場普遍采用自下而上的研究方法，通過收集公司财務資料，加總得到全A的盈利資料，由于财報披露存在滞後性，導緻全A盈利跟蹤的時效性大幅降低，其意義也随之下降。
2.2 盈利預測
提及盈利預測，大家普遍指個股盈利預測，鮮少針對寬基指數或整個A股市場；個股盈利預測一般采用自下而上的分析師方法，以分析師對企業業績的一緻預期作為預測值，而全A盈利預測存在兩種方法，一是國内多數研究機構運用美林時鐘理論對整體盈利進行定性判斷，二是自上而下利用宏觀分析師對經濟名額的一緻預期，進行盈利預測。考慮到定性判斷較為主觀，我們推薦采用自上而下的方法進行盈利預測。
自上而下的宏觀法是建立在宏觀經濟名額與企業整體盈利相關聯的前提下，該方法和前提假設存在充分的理論依據。Grinold and Kroner(2002) 提出了将股票回報與國内生産總值增長聯系起來的模型，認為企業盈利增速由GDP 增速和企業超額增速組成，其中GDP增速由勞動力增速和生産能力決定[1]；究其原因，從宏觀層面，Abaidoo R和Ofosuhene Kwenin D（2013）指出從長遠來看，宏觀經濟不确定性、通貨膨脹預期和财政政策波動等條件會對企業盈利增長産生顯著影響[2]；從微觀層面，Issah 和Antwi（2017）指出宏觀經濟因素對企業盈利有顯著影響，企業績效是上年度ROA和宏觀經濟變量的函數，宏觀經濟變量和上年度ROA可通過企業績效影響企業業績[3]。綜合來看，不管從宏觀角度，還是從微觀角度，宏觀經濟名額與企業整體盈利之間關聯度較高。
從資料統計角度論證，宏觀經濟名額與企業整體盈利同樣存在較強相關性，印證了自上而下宏觀法的核心依據。分别以全A營收增速和全A利潤增速為因變量，以大陸各項宏觀經濟名額為自變量，進行相關性分析；根據相關性分析的結果，宏觀經濟名額與企業整體盈利呈現強正相關；GDP現價同比、PPI同比、出口金額同比與全A營收增速強正相關（見圖2），其中GDP現價同比的相關性最高，達0.80；規模以上工業增加值同比、GDP現價同比與全A利潤增速呈強正相關（見圖3），其中工業增加值同比的相關性較高，達0.56。綜合以上，企業整體經營結果主要受宏觀經濟發展影響，全A營收增速和利潤增速均與GDP增速呈強正相關。
在全A盈利與宏觀經濟名額存在邏輯關系下，通過提取曆史資料，以過去宏觀經濟名額為自變量，以曆史全A盈利資料為因變量，建立多元線性回歸模型，尋找和模拟全A企業盈利與宏觀經濟名額間的邏輯關系；在該邏輯關系在未來依然存在的假設前提下，可通過帶入新的宏觀經濟名額，推演得到新的全A盈利資料。
在自上而下的方法下，全A盈利研究能起到季頻轉月頻的效果，月頻分析和預測全A盈利狀況，大幅突破目前市場主流盈利分析方法的能力極限。自上而下宏觀法，以宏觀經濟名額為自變量，以曆史利潤增速為因變量，建立多元線性回歸模型，模型衡量宏觀經濟名額到全A盈利之間的邏輯關系，考慮到宏觀經濟名額主要以月頻為主，帶入月頻的宏觀經濟名額到模型中，能得到月頻的全A盈利資料。通過月頻的盈利資料，“盈利底”和“盈利拐點”能更早被把握，對宏觀研究和投資發揮重要作用。
按對象分，盈利預測可分成針對目前已發生、未披露财報季度的盈利預測與針對未來季度的盈利預測。
2.2.1 盈利預測：已發生、未披露财報的季度
針對已發生但未披露财報的季度，我們的全A盈利預測采用自上而下的研究方法，利用已披露的宏觀名額，以之為自變量，通過宏觀名額與盈利資料之間的邏輯關系，可估算盈利資料。對比盈利跟蹤所用到的自下而上方法，自上而下的宏觀法通過采用宏觀資料大幅緩解滞後性，見圖4；兩種方法本質差別在于使用的資料不同，财報資料披露平均滞後2個月，而宏觀名額披露時間微微滞後15-20天。盈利資料時效性的提高，自然能提升盈利資訊的價值，對宏觀研究和投資起到更為重要、及時的作用。
本質上，自上而下宏觀法有效地平衡資料準确性和時效性之間的相對關系，充分發揮盈利資訊的價值。仔細對比兩種方法，自下而上的财務方法擁有絕對的準确性和較低的時效性，自上而下的方法通過交換部分資料準确性，大幅提高時效性；針對全A營收增速，自上而下宏觀法測算的營收增速與自下而上方法的實際營收增速誤差較小，準确度較高，見圖6；針對全A利潤增速，自上而下宏觀法測算的利潤增速與自下而上方法的實際利潤增速存在小幅誤差，準确度一般，但從趨勢角度二者存在一緻性，見圖7。
2.2.2 盈利預測：未發生季度
針對未發生季度，與前文類似，充分利用宏觀經濟名額與企業盈利之間的固有關聯，通過已發現的邏輯關系把宏觀分析師一緻預期下的經濟名額轉化為全A企業盈利預測。
實際上，學術圈的盈利預測普遍采用自上而下宏觀法，該方法存在較多的理論研究和實證研究。Nolen (2012) 發現企業盈利增速具有長期的均值回歸效應，即當企業盈利增速過高或過低時，未來 1-3 年内會回歸到市場平均水準[4]。2009年，經濟學家Micheal Biggs提出了“信貸脈沖”(credit impulse)，信貸脈沖的定義是新增信貸需求除以名義GDP，可用于預判實體經濟的景氣周期；當實體經濟中企業預期經濟景氣，加杠杆擴大産能，導緻信貸脈沖增加，企業未來盈利提升；當實體經濟中企業預期經濟蕭條時，去杠杆縮減産能，導緻信貸脈沖下降，企業未來盈利下降。除了理論研究外，自上而下方法也可進行實證研究；Yan Shu 等（2013）彙集140 多個宏觀經濟變量，分别代表實體經濟、價格資訊、金融狀況和勞動力市場趨勢，實證研究結果指出宏觀經濟資訊可提高預測企業未來收益的準确性[5]。
總結以上理論，企業盈利增速存在均值回歸特性，是一個長期圍繞着某一個中樞進行上下波動的時間序列函數。海外研究機構往往會運用柯布—道格拉斯（Cobb-Douglas）生産函數判斷GDP增速的長期中樞，長期中樞由人口增速、資本投入、全要素生産率等宏觀因素共同決定；波動的産生源于信貸脈沖，從企業微觀層面看，企業融資購買裝置擴産或開拓新業務，投資慢慢轉為産能拉動盈利提升，企業的融資行為加總與宏觀的社融息息相關；信貸脈沖傳導至盈利需要一定的時間，根據我們的測算，信貸脈沖傳導至企業盈利大緻需1.75年，見圖8。
2.3 盈利預測差
在自上而下全A盈利預測體系建立後，預測值之間的比較是自上而下全A盈利研究體系的一部分。已發生、未披露财報季度的盈利預測代表“現實”，未發生季度的盈利預測代表“預期”，随着時間不斷向前推進，未發生季度逐漸變成已發生、未披露财報季度，“現實”不斷更新，與過往的“預期”或形成預期差。在全A盈利研究體系裡，分析 “盈利預測拐點”、“盈利拐點”、“盈利超預期”，以上三點是盈利分析産生投資收益的主要根源。
3. 全A盈利模型研究
在自上而下全A盈利預測研究體系下，盈利預測的核心是建立宏觀經濟名額與企業盈利之間的邏輯關系。為此，我們采用多元線性回歸的思路，以宏觀經濟名額為自變量，以全A盈利資料為因變量，建構自上而下全A盈利模型。
以2013Q2-2023Q3為資料區間，自變量宏觀名額包括名義GDP增速、CPI同比、PPI同比、工業增加值同比、固定資産投資完成額增速、出口金額同比、M2同比、信貸脈沖、PPIRM同比，因變量包含多種，按研究對象可分成全A、全A（非金融），按研究内容分成營收增速、毛利率、利潤增速，見下表。
全A盈利模型的建構采用資料模組化的标準流程，特征工程-模組化調參-模型評估。
1.特征工程: 資料處理包括處理異常值（剔除或替換異常資料）、處理缺失值（填充、删除或估算缺失資料）、以及資料标準化（将資料轉換為具有零均值和機關方差的格式，以便不同量級的特征公平比較）。特征提取從原始資料中提取有意義的資訊，通過聚合、摘要統計、使用領域知識來建構新特征。特征選擇旨在識别哪些特征對預測最有用，方法包括相關性分析、主成分分析（PCA）。
2.模組化調參: 根據問題的性質選擇合适的模型；利用技術找到最佳的模型參數設定，通過多輪測試，找到提高模型性能的最佳參數組合，實作超參數調優；交叉驗證確定模型在不同資料子集上的表現穩定，進而避免過拟合。
3.模型評估：根據模型類型選擇合适的性能評估名額；對模型的預測結果進行深入分析，注重模型決策過程的可解釋性。
3.1 全A營收增速
用工業增加值和PPI對全A營業收入進行模拟（均采用标準化後的季頻同比值進行回歸分析）。回歸結果如圖10和圖11，模型拟合效果較好，拟合優度達0.81。以下為全A營收增速的标準化模型函數，代表标準化下營收增速與PPI同比及工業增加值同比之間的邏輯關系，二者均與營收增速呈正相關，相較下，營業收入對PPI代表的産品出廠價格較工業增加值更為敏感。
3.2 全A毛利率
對毛利率進行預測，首先需要面臨的問題是毛利率存在季節性幹擾，幹擾主要集中在一季度，由于春節停産，企業一季度毛利率較其他三個季度大幅下滑，然而宏觀經濟名額在取同比值下季節影響被剔除，為排除一季度影響，我們隻選取二三四季度毛利率資料進行模拟。用PPI、工業增加值、PPIRM對全A毛利率進行模拟（資料區間剔除一季度，保留二三四季度資料，因變量為标準化後的毛利率，自變量均采用标準化後的季頻同比值），回歸結果如圖12和圖13，模型拟合效果較好，拟合優度達0.68。以下為全A毛利率的标準化模型函數，PPI代表的産品出廠價格與企業毛利率呈正比，PPIRM代表的生産成本與企業毛利率呈反比。
3.3 全A利潤增速
用工業增加值、信貸脈沖對全A利潤進行模拟（均采用标準化後的季頻同比值進行回歸分析），回歸結果如圖14和圖15，模型拟合效果一般，拟合優度僅為0.40。以下為全A利潤增速的标準化模型函數，工業增加值及信貸脈沖與全A利潤呈正相關，相較下，利潤增速對工業增加值的變化較信貸脈沖更為敏感。
3.4 全A (非金融) 營收增速
用PPI和工業增加值對全A (非金融) 營業收入進行模拟（均采用标準化的季頻同比值進行回歸分析），回歸結果如圖16和圖17，模型拟合效果較好，拟合優度達0.81。以下為全A (非金融) 營收增速的标準化模型函數，在剔除銀行、證券公司、保險企業後，營收增速模型的拟合效果小幅提高。
3.5 全A (非金融) 毛利率
相較全A毛利率，全A (非金融) 毛利率剔除無毛利率的金融闆塊，整體中樞水準下降，貼合實際工業企業的毛利率。用PPI、工業增加值、PPIRM對全A (非金融) 毛利率進行模拟（資料區間剔除一季度，隻保留二三四季度資料，因變量為标準化後的毛利率，自變量均采用标準化後的季頻同比值），回歸結果如圖18和圖19，模型拟合效果較好，拟合優度達0.74。以下為全A (非金融) 毛利率的标準化模型函數：
3.6 全A (非金融) 利潤增速
用工業增加值、信貸脈沖對全A (非金融) 利潤進行模拟（均采用标準化後的季頻同比值進行回歸分析），回歸結果如圖20和圖21，模型拟合效果較全A大幅改善，拟合優度達0.57。以下為全A (非金融) 利潤增速的标準化模型函數：
4.分析預測
總結以上六種模型（見下表），營收增速模型主要以PPI同比和工業增加值同比為宏觀經濟名額建構，拟合效果較好，展現大陸企業主要以工業和制造業公司為主，企業整體業績受産品出廠價格影響，産品出廠價格越高，企業業績将大幅提升。毛利率模型主要以PPI同比、PPIRM同比、工業增加值同比為宏觀經濟名額建構，展現産品價格及原材料價格對企業毛利率的影響。利潤模型主要以工業增加值同比和信貸脈沖為宏觀經濟名額建構，在剔除金融闆塊後，全A利潤增速模型的拟合效果大幅提升；模型展示企業整體盈利與工業增加值和信貸脈沖之間存在較強的邏輯關系，工業增加值和信貸脈沖都與固定資産投資完成額相關度較高，每當企業整體利潤大幅提升，企業往往将部分未配置設定利潤和企業融資所得資金轉為投資，以購買新裝置、建立産能等形式支出，提高企業生産能力，是以，利潤增速與工業增加值、信貸脈沖存在一定的因果關系。
對比全A和全A（非金融）兩種模型，在剔除金融闆塊後，營收增速模型、毛利率模型和利潤增速模型得到不同程度的提高，考慮到模型中運用的宏觀經濟名額主要以工業資料為主，模型自然能較好測算工業企業盈利；在模組化過程中，我們曾嘗試加入金融企業敏感的宏觀名額，但此類宏觀名額易與工業增加值、PPI産生多重共線性問題，對于邏輯關系的拟合起反作用。
利用宏觀分析師的一緻預期，我們建構了2024年盈利預測，預計營收增速、毛利率、利潤增速整體呈現逐漸複蘇态勢（見下表）。2024年全A年度營收增速預計8.17%，全A毛利率預計35.94%，全A利潤增速預計9.81%，2024年全A（非金融）營收增速預計8.05%，全A（非金融）毛利率預計24.50%，全A（非金融）利潤增速預計3.83%。整體看，企業利潤增速恢複程度預計将好于營收增速，金融性企業的利潤修複節奏或早于非金融性企業。
2024年全A營收增速預計8.17%，向上脫離2023年中樞水準，形成需求“預期拐點”，全年呈現逐漸複蘇态勢，或于二季度複蘇速率加快。一季度營收增速預計4.98%，二季度營收增速提升2.42pct至7.40%，三四季度仍逐漸複蘇但節奏放緩，見圖24。
2024年全A毛利率預計35.94%，好于2023年平均水準，全年呈現逐漸複蘇态勢；2024年二季度，全A毛利率預計35.81%，三季度小幅下滑，随後四季度持續複蘇，見圖25。
2024年全A利潤增速預計9.81%，向上脫離2023年中樞水準，全年呈現逐漸複蘇态勢，或于四季度複蘇速率大幅加快，形成景氣上行周期；三季度利潤增速預計9.92%，二季度利潤增速提升3.78pct至13.70%，見圖26。
2024年全A（非金融）營收增速預計8.05%，向上脫離2023年中樞水準，全年呈現逐漸複蘇态勢，或于二季度複蘇速率加快。一季度營收增速預計3.97%，二季度營收增速提升3.07pct至7.04%，三四季度仍逐漸複蘇，但節奏放緩，見圖27。
2024年全A（非金融）毛利率預計24.50%，好于2023年平均水準，全年呈現穩步複蘇态勢；2024年二季度，全A（非金融）毛利率24.33%，三季度小幅下滑，随後四季度繼續小幅複蘇至24.83%，見圖28。
2024年全A（非金融）利潤增速預計3.83%，基本脫離2023年的負增長區間，全年呈現逐漸複蘇态勢，或于四季度複蘇速率大幅加快，形成景氣上行周期；2024年一季度全A（非金融）利潤增速仍為負增長，三季度後，四季度利潤增速大幅提升20.83pct至20.42%，見圖29。
整體看，自上而下全A盈利預測研究，通過宏觀經濟名額與全A企業盈利之間的邏輯關系，充分利用豐富、多層次的宏觀名額，估算預測全A盈利，其結果對宏觀研究與投資分析能發揮更重要作用。2024年全A盈利預測，營收增速預計8.17%，利潤增速預計9.81%，全年企業盈利呈現逐漸改善；其中，利潤增速恢複程度預計将好于營收增速，但其恢複節奏或晚于營收增速，金融性企業的利潤修複節奏或早于非金融性企業。
5. 參考文獻
[1] Grinold R and Kroner K.The Equity Risk Premium: Analyzing the Long-Run Prospects for the Stock Market[J]. Investment Insights,2002,5(3): 7-33.
[2] Abaidoo R and Ofosuhene Kwenin D. Corporate profit growth, macroeconomic expectations and fiscal policy volatility[J]. International Journal of Economics and Finance,2013,5(8):25-38.
[3] Mohammed Issah and Samuel Antwi. Role of macroeconomic variables on firms’performance: Evidence from the UK[J].Cogent Economics & Finance, 2017，5(1):1-18.
[4] Foushee S N, Koller T, Mehta A. Why bad multiples happen to good companies[J]. Mckinsey Quarterly, 2012, 3: 23-25.
[5] Yan Shu, David C. Broadstock, Bing Xu. The heterogeneous impact of macroeconomic information on firms' earnings forecasts[J]The British Accounting Review,2013,45( 4):311-325.
6. 風險提示
1.資料統計錯誤風險：資料搬運過程可能導緻資料錯誤
2.模型訓練風險：模型訓練風險包括模型選擇錯誤風險、參數錯誤風險等
3.模型過拟合風險：當模型放入過多名額，容易導緻模型失真，不具備預測能力
4.曆史不代表未來：模型基于一定的金融邏輯假設，如果未來宏觀環境變化發生劇烈變化，有可能影響模型效果
5.模型盈利預測與實際盈利不一緻風險：存在模型預測的盈利資料與未來實際盈利資料不一緻的風險