【国盛量化】多因子系列之十六:个股基本面的即时预测——以汽车行业为例

（以下内容从国盛证券《【国盛量化】多因子系列之十六:个股基本面的即时预测——以汽车行业为例》研报附件原文摘录）
　　报告摘要 本篇报告以汽车行业为例，尝试利用公司公告、行业高频数据（如产销、价格、库存等）、宏观数据（如原材料价格指数）等信息，对个股当下的营业收入和归母净利润给出即时预测。 财报数据公布较为滞后，一致预期数据覆盖率较低且无季度盈利预测。基本面因子构建通常使用财报数据和一致预期数据；财报信息虽然较为准确，但公布比较滞后；一致预期数据覆盖率较低，无季度盈利预测，可能导致我们错失一些alpha机会。 对每家公司的业绩增速滚动建立模型并预测。我们在月底利用过去三年可得数据构建回归模型并对下月增速进行预测。构建过程包括数据处理、变量选取、增速预测。 即时预测领先于财报数据，能更快地反映企业基本面即时变化。对比利用季报构建的业绩增速因子，即时预测模型能每日吸收新数据所包含的信息，更及时地更新业绩增速预测。 即时预测填充了分析师未覆盖样本的业绩信息，在营收预测上效果较好。即时预测能提供行业全截面的业绩增速预测。从与真实业绩的偏离来看，即时预测模型对营收的预测准确度高于对净利润的预测。 利用即时预测模型构建业绩增速因子与业绩增速变化因子有较好的选股能力。测试结果显示，利用即时预测模型得到的营业收入和归母净利润构建的业绩增速和业绩增速变化因子，相较于一致预期有不错的提升，其中，基于即时预测模型得到的营收增速（IC均值0.0250，t值2.56），和营收增速变化（IC均值0.0127，t值1.61）因子在汽车行业内有较好的选股效果。 即时预测模型的局限性：即时预测模型仅纳入了行业、宏观数据信息和部分企业特质信息，是分析师获取的信息的子集；即时预测模型只关注当下公司的基本面变化，而非中长期业绩预测。 前言 从财报和一致预期获取单季度营收与净利润 营业收入与净利润是两个构建基本面因子时至关重要的会计科目。而我们在估计公司当下的营收/净利润水平，与预测未来长期的业绩走势时，考量的因素也是存在区别的。 目前基本面量化因子的构建主要依赖于公司财报和分析师一致预期数据，但是这两类信息源在反映公司当前业绩状况时，仍然有一定的局限性： 财报数据： 优势：必须符合会计准则要求，口径统一，截面可比性较好，真实度较高； 劣势：发布日期较晚，信息较为滞后； 分析师一致预期数据： 优势：擅长处理非结构化信息，能融合公司公告、现场调研、高管访谈、行业及宏观环境等信息，并基于自己对行业和公司的研究给出预测； 劣势：就覆盖率而言，分析师覆盖样本有限，且近年来覆盖率有逐步下降的趋势，可能会导致错失一些alpha机会；就预测准确度而言，一致预期仅提供未来1~3年的业绩预测，与短期业绩存在偏差。 一致预期与历史外推的预测准确度 我们记： Forecast(i,t)：t时刻，模型对股票i当前的季度营收或盈利预测； Real(i,t)：t时刻，股票i真实的季度营收或盈利； 并定义预测偏离度： 我们通过对分析师一致预期加工和历史线性外推两种方法得到的季度营收和净利润预测值，并统计了预测的准确度。季度一致预期，是将对当前财年的年度预测减去当年已实现的业绩，再求平均得到；历史线性外推，则是将过去4个季度的增速求均值并推算得到。 从全市场样本的预测偏离度中位数来看： 1）季度一致预期的预测偏离度中位数位于0轴上方，预测值偏乐观； 2）分季度来看，分析师对一季度的预测偏差最大，对四季度的预测偏差最小，因为越临近财年末，公司披露的当年业绩信息越多，分析师对当年业绩的预测越准确； 3）采用历史线性外推的缺点是，数值易在高景气时高估未来的业绩，而在低景气时低估未来的业绩。 我们定义股票i在t时的预测绝对偏离度： 从分行业的单季度净利润预测绝对偏离度的中位数来看，分析师对综合金融和银行板块的预测是较为准确的，此外，医药、交通运输、家电、食品饮料、建筑等行业的一致预期绝对误差较低，而对计算机、农林牧渔、通信、房地产和有色金属等板块的预测绝对误差较高。历史线性外推的方式在上游周期类行业中的偏离较大，而在消费板块的偏离较小。 个股基本面的即时预测（nowcasting） 我们观察到许多行业都有月频、日频等更高频的行业数据。此外，许多数据商能提供行业特质数据，涉及产品价格、产量、销量、库存等，来帮助我们判断这些公司业绩的走向。因此本篇报告尝试借鉴行业分析师的分析思路，运用公司公告、行业中高频数据、宏观数据等包含的信息，来对上市公司当前季度的营收和净利润给出即时预测。 在本篇报告中，我们尝试以汽车行业为切入点，对汽车、零配件等上市企业的营收和净利润给出即时性预测。 一、汽车行业综述与相关数据源分析 1.1 汽车中信一级行业成份股 中信汽车一级行业（截止2020年12月）有166只成份股，下分5个二级行业，包括 1） 乘用车II：乘用车涵盖轿车、微型客车以及不超过9座的轻型客车；2） 商用车：商用车包含所有的载货汽车和9座以上的客车；3） 摩托车及其他II：由汽油机驱动的二轮或三轮车；4） 汽车销售及服务II：主营汽车经销与服务业务；5） 汽车零部件II：主营业务为汽车零部件的制造与加工，公司数量百余家，平均市值较小。 乘用车和商用车均属于整车范畴，其中，乘用车以普通消费者为主，带有消费品属性，而商用车则更偏向投资品属性。汽车零部件位于整车行业的上游，汽车销售及服务位于整车行业下游。 1.2 汽车行业业绩增速与未来发展趋势 从历史增速来看，汽车行业在2005~2007年、2009年、2012~2013年、2016年、2019年以及2020年下半年呈现出明显的盈利增速上行，其中2009年受“汽车下乡”、购置税补贴等优惠政策，营收与盈利增速上升最为迅猛。2016年以来，汽车行业整体盈利增速放缓，2018年下半年盈利增速下降至0轴下方；至2019年四季度盈利增速回升，随后受新冠疫情的影响，行业景气再次回落，直至2020年二季度重新回到上升轨道。 近年来汽车行业正迎来新的变革，整车和零部件企业朝着“新能源化”、“智能化”、“数字化”转型，加大研发力度，调整生产线。但是本篇报告暂时不讨论行业发展趋势带动的企业未来中长期的业绩增长，我们还是将研究目标集中于获取公司公告、行业和宏观数据中相对于企业财报的增量信息，对当前季度的营收和盈利给出即时性预测。 1.3 营收和盈利增速与相关数据源分析 分析师在研究汽车行业时，往往关注市场需求、产品价格和库存和成本四方面，分别影响到企业的营业收入、毛利率、成本和费用等，最终影响到企业的盈利水平。 因此我们尽力寻找能反映汽车行业需求、价格、库存、成本水平变化的高频代理指标，并纳入盈利预测模型。我们要求这些指标公布时间较长，且更新较为及时，梳理如下： 1） 汽车产销量 市场需求决定销量。中国汽车工业协会每月会公布主要企业的月产销量，并在次月20日前公布；此外，部分车企每月会自主披露上月的产销快报，也给我们提供了较为准确的产品销售情况。我们通过爬取公司公告获得这部分销量数据。 以上汽集团和比亚迪为例，我们看到滚动累计3月的销量同比与公司实际的营收同比的走势较为相近。 2） 产品价格变动与优惠幅度 市场供需情况影响产品定价。安路勤发布的GAIN汽车价格指数为我们提供了相应的产品价格水平，该指数包括整体市场和不同类型的轿车、MPV和SUV市场价格变化指数和终端优惠指数： GAIN价格变化指数：以车型均价为基础，车型销量为权重，反映终端市场成交价的变化走势； GAIN终端优惠指数：以车型优惠幅度为基础，车型销量为权重，反映终端市场优惠幅度变化走势。 3） 库存水平 中国汽车流通协会每月定期发布经销商库存系数和库存预警指数。其中： 库存系数=期末库存量/当期销售量，统计对象包括合资、自主和进口经销商，统计口径仅包括乘用车，每月20号之前更新上月数据； 库存预警指数则是一种扩展指数，分指数包括：库存指数、市场需求、平均日销量、从业人员和经营状况5个子指数，综合反映市场的库存水平，指数越高，说明市场需求越低，库存压力越大，经营压力和风险也越大。 4） 固定资产投资水平 除了以上行业月频数据，我们还构建了两个财务指标来反映企业的投资扩张水平和产能维持水平。如果企业的固定资产投资处于扩张，或者资本项目维持较高的产出，则往往预示着有产品产出并投放市场，从而带来未来营收和盈利的增长： 固定投资扩张率： 资本项目维持率： 此处的固定资产为非流动资产中的固定资产、油气资产和生产性生物资产之和。下图以宁波华翔与威孚高科为例，展示固定资产扩张率、资本项目维持率与单季度营收同比走势的关系。 5） 生产成本与费用 成本费用的预测我们尝试两种方式，（1）采用原材料价格等行业数据预测；（2）采用公司过去利润率的变化来预测。 汽车制造业的直接原材料主要包括钢材、橡胶、铝、锌等；此外，原油价格对汽车行业的各种化工原材料、运输成本等也有直接影响，因此我们选取了钢铁类和橡胶类中国大宗商品价格指数、浮法平板玻璃、铝锭、锌锭市场价和英国布伦特原油现货价格等数据来刻画成本端的波动。 如果以上行业变量无法较好地解释净利润的波动，那么我们纳入公司自身的成本费率变化指标来反映成本端的变化。 二、个股基本面即时预测模型 2.1 预测目标 我们以单季度营业收入和归母净利润同比增速作为回归的预测变量，为了避免分母为负数导致同比增速定义的失真，我们统一以去年同期营业收入作为分母： 2.2 预测流程 为了我们的训练样本能及时反映公司业绩变化的趋势，并且尽可能包含一个完整的生产周期，我们采用滚动36个月回归并预测的方法：在每月底根据可得数据，对齐报告期，选取变量构建回归方程，并据此预测未来一个月的营收和盈利增速。 关于数据处理和增速预测部分细节，欢迎阅读报告。本节我们主要描述步骤二中变量选取的过程。由于回归的样本只有36个数据点，我们需尽可能地剔除冗余变量，降低过拟合风险，从而使得样本外的预测更为稳健。结合业务逻辑与数据统计特征，具体变量选取过程如下： 营收增速预测： 1）我们假设销量增速与营收增速呈正相关： 情形一：若公司公告销量数据，则直接使用； 情形二：若公司无销量公告，选取汽车工业协会公布的行业销量数据； 2）我们假设公司过去固定投资扩张、高资本项目维持以及在销售、研发上的投入能刺激未来的营收增长，假设变量间呈正相关； 3）价格变化指数和终端优惠指数： 在不影响销量的情况下，产品单价下降会导致营收下降，但是价格下降也是汽车厂商常用的促销手段，反而会刺激销量的增长，因此我们不事先给定较强的相关性假设； 4）历史营收增速：当上述变量在回归模型中都不显著时，我们引入公司历史的营收增速作为自变量。 盈利增速预测： 盈利增速预测是在营收增速预测的基础上，引入刻画成本端波动的解释变量，包括 5）库存系数和库存预警指数： 当产品的库存较高时，经销商的经营压力和风险较大，往往会压低利润清库存，我们假设库存水平与盈利增速整体呈负相关； 6）钢铁、橡胶、玻璃、铝、锌、原油等原材料价格变动与盈利增速呈负相关； 7）历史生产成本、三费占营收比率的同比差分：当原材料价格同比均不呈负相关时，我们加入历史成本营收比的变动，来刻画公司在成本端的变化趋势。 三、即时预测模型准确度 3.1 行业整体预测准确度 我们统计了汽车行业内分析师一致预期和即时预测模型的预测绝对偏离度的中位数，如下图所示。 即时预测模型对营业收入的预测优于一致预期。从对整体样本营业收入的预测效果来看，自2012年开始，时序预测模型的预测误差中位数整体位于分析师一致预期下方；而经过极值修正和压缩后的时序模型的预测误差中位数有所下降。 即时预测模型对净利润的预测误差较大。从归母净利润的预测效果来看，无论是即时预测模型还是分析师，对净利润的预测误差都要高于对营业收入的预测。 四、即时预测基本面的应用 4.1 及时反映个股基本面走势 即时预测模型相比于财报能更加即时地反映企业基本面的景气状况。我们分别从乘用车与零部件板块中例举几家公司的即时预测增速走势。 整车公司中，模型对上汽集团的营收同比的即时预测，与真实走势的契合程度较好，且比财报数据更为领先。 而在汽车零部件板块，我们展示了福耀玻璃的营收和净利润的同比走势。我们看到，借助行业的高频数据，也能对业务相关性较高的零部件公司业绩给出较好的预测。 4.2 基于即时预测构建选股因子 我们用即时预测得到的营业收入和归母净利润构建相关因子，与一致预期和财报数据做对比。 样本池：2008年~2020年11月，汽车中信一级行业成份股，剔除新股、ST和当天停牌的股票； 组合构建：月度调仓，因子经过缩尾、标准化和市值中性化处理，等分三组，等权持有，构建组合。 4.2.1 季度营业收入与净利润同比因子 我们对比了季度一致预期与即时预测季度营收/净利润的同比，在汽车行业的分组选股表现。 一致预期季度营业收入与净利润同比因子 利用季度一致预期数据构建的营收增速与净利润增速因子表现不佳，分组收益单调性不明显，且多头组合几乎无超额收益。 即时预测季度营业收入与净利润增速因子 我们用原始时序回归模型预测的营业收入增速与净利润增速因子，相较于季度一致预期因子有了一定的改善，多头组合整体跑赢空头组合，但是空头部分的负收益贡献更多。 4.2.2 季度营业收入与净利润同比变化因子 我们进一步构建了营收与净利润同比变化因子，即用调整营收或净利润增速预测值减去过去63个交易日的预测值均值，反映业绩增速的改善程度。 测试结果显示，季度一致预期营收同比变化因子在汽车行业内有一定的选股效果，净利润同比变化因子区分度不佳。 而用即时预测模型构建的营收同比变化（sales_q_yoy_adj_growth）因子和净利润同比变化（np_q_yoy_adj_growth）的选股效果，相较一致预期类因子有了提升；相比于预测营收增速（sales_q_yoy_nowcasting）因子，营收同比变化因子多头部分提供了更多的alpha。 4.3 “自下而上”反映乘用车行业景气度 我们尝试以市值加权，“自下而上”汇总所有公司的预测业绩增速来反映行业的景气度。在乘用车板块，汇总的营收增速与净利润增速的走势相对较为合理。这主要是由于乘用车板块公司的业务清晰，营业收入与净利润的波动主要受整车销量影响，而乘用车公司每月披露的销量数据较完整，质量较高，能够较好地刻画公司的业绩波动，从而能较好地反映行业景气度。而汽车零部件板块的公司业务种类多样，仅凭借行业数据来预测会产生较大的偏差。 总结与反思 即时预测领先于财报数据，能更快地反映企业基本面即时变化。对比利用季报构建的业绩增速因子，即时预测模型能每日吸收新数据所包含的信息，更及时地更新业绩增速预测。 即时预测填充了分析师未覆盖样本的业绩信息，在营收预测上效果较好。即时预测能提供行业全截面的业绩增速预测。从与真实业绩的偏离来看，即时预测模型对营收的预测准确度高于对净利润的预测。对比季度一致预期，即时预测模型在营收预测上较有优势；对净利润的预测，在分析师覆盖样本中二者准确度相当，在分析师未覆盖样本中，即时预测误差有所上升。 但即时预测模型也存在局限性：当前模型仅纳入了行业、宏观数据信息和部分企业特质信息，是分析师获取的信息的子集；上百家公司对应的上百个预测模型，会引入较多的误差和噪声；同时，即时预测模型只关注当下公司的基本面变化，而非中长期业绩预测。 风险提示：以上结论均基于历史数据和统计模型的测算，如果未来市场环境发生改变，不排除模型失效的可能性。 本文节选自国盛证券研究所已于2021年4月1日发布的报告《量化专题报告-多因子系列之十六：个股基本面的即时预测——以汽车行业为例》，具体内容请详见相关报告。 李林井 S0680520040002 lilinjing@gszq.com 刘富兵 S0680518030007 liufubing@gszq.com 特别声明：《证券期货投资者适当性管理办法》于2017年7月1日起正式实施。通过微信形式制作的本资料仅面向国盛证券客户中的专业投资者。请勿对本资料进行任何形式的转发。若您非国盛证券客户中的专业投资者，为保证服务质量、控制投资风险，请取消关注，请勿订阅、接受或使用本资料中的任何信息。因本订阅号难以设置访问权限，若给您造成不便，烦请谅解！感谢您给予的理解和配合。 重要声明：本订阅号是国盛证券金融工程团队设立的。本订阅号不是国盛金融工程团队研究报告的发布平台。本订阅号所载的信息仅面向专业投资机构，仅供在新媒体背景下研究观点的及时交流。本订阅号所载的信息均摘编自国盛证券研究所已经发布的研究报告或者系对已发布报告的后续解读，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。本资料仅代表报告发布当日的判断，相关的分析意见及推测可在不发出通知的情形下做出更改，读者参考时还须及时跟踪后续最新的研究进展。 本资料不构成对具体证券在具体价位、具体时点、具体市场表现的判断或投资建议，不能够等同于指导具体投资的操作性意见，普通的个人投资者若使用本资料，有可能会因缺乏解读服务而对报告中的关键假设、评级、目标价等内容产生理解上的歧义，进而造成投资损失。因此个人投资者还须寻求专业投资顾问的指导。本资料仅供参考之用，接收人不应单纯依靠本资料的信息而取代自身的独立判断，应自主作出投资决策并自行承担投资风险。 版权所有，未经许可禁止转载或传播。

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）