报告行业投资评级 未提及 报告的核心观点 - 业绩高增速组整体收益出色但内部分化大，仅预测“高增速”不足以稳定获超额收益，后续选股有必要 [2] - 常规线性多因子框架下，已披露增速、成长、分析师三因子等权Top50能有效刻画未来业绩高增速特征，收益介于“已知未来增速”组合均值与中位数间，优于偏股基金指数 [2] - 预测能力向收益转化存在“未命中代价”，模型误选的高增速候选股表现弱于同档真实增速组，拖累组合收益 [2] - 叠加行业轮动进行二次选股，可在接受一定命中率折让前提下显著增厚收益，“先预测业绩、再筛股价表现”思路有实践价值 [2] - 非线性模型（树模型、GRU）未能超越三因子线性基准，复杂模型并非更优解 [2] 各部分总结 预测业绩高增速的意义 - 假设提前预测下一期业绩，高增速组（前10%）平均收益出色，但中位数收益较弱，约40%个股贡献主要涨幅，说明仅预测高增速不一定能实现优异业绩 [5][6][9] - 业绩高增速组内部，低波、行业轮动因子是主要有效选股因子 [9][10] 因子框架预测未来业绩增速 对业绩增速有预测能力的因子检验 - 对各项指标因子检验，最新已披露单季度净利润增速预测能力最强，分析师因子IR最高，成长因子提供增量信息，一些量价因子几乎无预测能力 [13][14] - 已披露财报净利润增速、成长因子、分析师因子三因子等权Top50组合预测效果好，约49%持仓落入下一期全市场增速前10%，收益介于“已知未来增速”组合均值与中位数之间，长期战胜偏股基金指数，对前10%增速股票预测能力强于“成长前50%→分析师Top50”手工树规则 [15][17][22] 预测能力未能向收益能力转换的原因 - 调整组合股票数量，股票越少对前10%增速股票命中率越高，但收益率未大幅提升 [24][25] - 三因子等权Top50组合预测命中增速前10%的股票表现与实际该组一致，但落在其他组的表现不及该组平均涨幅，未命中前10%增速的股票组合表现弱于相似增速股票，拖累组合表现，原因可能是线性外推模型无法过滤业绩下滑情况 [26][28][29] 通过进一步选股提升收益 - 对三因子Top100股票用行业轮动因子二次选股，新组合对前10%预测能力降至40.09%，但组合表现大幅上升，除2019年外其他年份均提升 [30][31] 非线性模型的尝试 树模型的尝试 - 树模型（如XGBoost）可将前10%增速股票命中率提升至约57%，但组合收益下降 [33] GRU模型的尝试 - GRU V1对前10%股票预测命中率仅23.17%左右，GRU V2命中率约48.32%，与三因子等权模型相近，非线性模型未带来命中率额外提升，组合表现也弱于三因子等权Top50组合 [36][39] - 所有模型未命中业绩增速前10%的股票组表现弱于同组股票，三因子等权和GRU V2在前10%组表现与该组相当，GRU V1命中率低但对各组有一定选股效果 [41] 小结 - 传统线性因子模型构建三因子等权模型预测效果出色，树模型能提升命中率但会使收益下降 [43] - 预测高增速股票有代价，未命中最高增速的股票表现弱于同组平均，目前非线性模型无法很好剔除该问题 [43] - 叠加行业轮动因子选股可提升收益，使高增速组合具备成长风格和收益弹性 [44]