报告行业投资评级 未提及 报告的核心观点 - 量化景气投资侧重广度，通过预测股票利润增长排名而非具体数值实现投资收益，理想化测试验证了该方法的可行性 [1][5] - 基于财务信息选当期业绩高增长股票外推下一期延续高增长有较高胜率但有风险，引入加速度可优化模型提高预测准确性并降低风险 [6][7] - 二次趋势外推模型考虑利润增速和加速度，在预测胜率和假阳性率方面优于线性外推和分析师一致预期 [8] - “成长趋势共振选股策略”结合优化后的盈利预测模型等因子选约30支股票，回测和样本外跟踪表现优异 [1] - 引入机器学习方法能处理更多维度数据、捕捉非线性关系，提升盈利预测准确性，胜率可达85%，假阳性率降至4.7% [1] 根据相关目录分别进行总结 量化视角下的景气投资 - 传统景气投资依赖基本面研究，挖掘长期盈利向好个股；量化视角侧重广度，预测一批股票相对排名而非具体某只股票盈利增长幅度 [2][3] - 机器学习模型预测ROE变化方向，通过滚动训练和独立季报模型训练，结合财务和因子信息，用Optuna优化超参数，提高稳定性和泛化能力 [3] - 差距Boots预测因子基于XGBoost和LightGBM模型，筛选ROE改善概率高的股票，结合流动性和机构调研信息构建的选股策略，2024年四季度至2025年上半年年化收益率达25.9% [3] 量化视角下景气投资策略有效性验证 - 理想化测试表明，准确预测未来ROE变化并持仓排名靠前股票，能持续贡献明显超额收益，证明按量化视角预测未来盈利变化排名可行 [5] 利用财务信息进行利润变化预测 - 基于财务信息与未来利润变化匹配关系，选当期业绩高增长股票外推下一期延续高增长有较高胜率，约50%公司能延续，但存在风险 [6] 优化基于业绩外推的方法 - 业绩外推方法胜率不错但有30%业绩变脸风险，可通过加速度方式改善模型，提高预测准确性并降低风险 [7] 通过增速和加速度优化盈利预测模型 - 传统线性外推仅考虑利润增速，引入加速度（增速的变化）可识别业绩加速增长公司，采用两种刻画加速度方法，二次趋势外推在预测胜率和假阳性率方面表现优异，预测胜率达72%，假阳性率仅13% [8] 优化后盈利预测模型的实际应用 - 基于优化后的盈利预测模型构建“成长趋势共振选股策略”，筛选业绩加速增长股票组合，结合分析师预期等因子选约30支股票，自2009年回测及样本外跟踪表现优异，2023年排名前5% [9] 引入机器学习方法的考量及效果 - 引入机器学习方法可丰富信息维度、改善自变量与因变量关联性处理方式，升级后的模型能精准捕捉市场动态，提升投资策略稳健性和整体收益水平 [10] - 机器学习模型输入变量丰富，能利用非线性特征预测，考虑LightGBM、XGBoost等树模型和深度神经网络模型MLP，树模型更适合当前场景 [12] - 预测未来盈利表现选择ROE变化方向或利润变化方向作为目标，选择下一个季度ROE同比变化幅度排名前50%为正样本，否则为负样本 [13] - 结合财报披露节奏在1月底、4月底、8月底和10月底预测下一季度ROE变化方向，输入特征包括财务信息和约1000个财务科目及因子信息 [14] - 采用滚动训练方式外推每个季报，每个季报模型单独训练，用Optuna优化超参数 [15][16] - 机器学习方法预测胜率达85%，假阳性率降至4.7%，优于二次趋势外推等方法 [18] Xgboost和LightGBM模型应用效果 - 基于Xgboost和LightGBM模型的差距Boots预测因子筛选选股效果优于传统方法，在全市场各指数表现均明显占优，稳定性较高 [19][20] - 结合差距Boots预测因子构建选股策略，筛选流动性低且机构调研频繁股票，2024年四季度至2025年上半年年化收益率达25.9%，超额收益率28.5%，2025年上半年YTD收益率22.5%，超额收益18个百分点 [21] 当前景气投资模型实际应用效果 - 2025年上半年表现良好，在偏股型基金指数排名领先，结合流动性与机构调研信息可聚焦盈利改善概率大的股票，实现稳定收益并减少市场风格变化影响 [22]