量化模型与构建方式 1. 未来成长组合 **模型构建思路**：假设已知上市公司下一期的净利润增速，构建投资组合，以验证未来成长确定性对组合表现的提升作用[33] **模型具体构建过程**：每年4月30日、8月31日和10月31日调仓。在4月30日，组合等权买入当年二季度扣非归母净利润实现增长的股票，基准组合为一季度扣非归母净利润实现增长的股票等权组合；在8月31日，组合等权买入当年三季度扣非归母净利润实现增长的股票，基准组合为二季度扣非归母净利润实现增长的股票等权组合；在10月31日，组合等权买入当年四季度扣非归母净利润实现增长的股票，基准组合为三季度扣非归母净利润实现增长的股票等权组合[33] 2. 成长预期组合 **模型构建思路**：通过基本面指标筛选，提高历史成长组合在未来实现业绩增长的平均胜率，从历史成长指标走向未来成长指标[47][59] **模型具体构建过程**： 1. 选取最新单季度净利润同比增长率大于0的公司，构成净利润增长基础股票池[60] 2. 在基础股票池中剔除单季度ROE排名后20%的公司，同时选取单季度ROE斜率排名前50%的公司[60] 3. 根据SUE指标筛选出排名前30%的公司，构建最终组合[60] 3. 技术面精选成长预期组合 **模型构建思路**：在成长预期组合的基础上，运用量价指标进一步提升组合表现，完成从未来成长指标到未来股价表现的转化[75][90] **模型具体构建过程**： 1. 在成长预期组合的基础上，通过盈余公告次日开盘超额指标确认利好，选出超额最高的前100只股票[92] 2. 在剩余股票中根据换手率均线标准差指标筛选出换手率均线标准差最小的前30只股票构成最终组合[92] 模型的回测效果 1. 未来成长组合 总收益948.13%，年化收益16.96%，年化波动率25.55%，最大回撤30.12%，夏普比率0.66，卡玛比率0.56[35] 相对基准组合超额年化收益4.11%，超额波动率1.39%，信息比率2.96，超额最大回撤5.13%[35] 2. 成长预期组合 总收益1910.58%，年化收益25.97%，年化波动率27.40%，最大回撤43.67%，夏普比率0.95，卡玛比率0.59[65] 相对中证500指数超额年化收益18.91%，超额波动率8.72%，信息比率2.17，超额最大回撤20.07%[65] 平均持仓175只，平均单边换手率32%[69] 3. 技术面精选成长预期组合 总收益8521.65%，年化收益40.89%，年化波动率28.17%，最大回撤38.38%，夏普比率1.45，卡玛比率1.07[96] 相对中证500指数超额年化收益32.99%，超额波动率11.03%，信息比率2.99，超额最大回撤26.90%[96] 平均单边换手率67%，各期平均市值113亿元[101] 量化因子与构建方式 1. 标准化预期外盈利因子（SUE） **因子构建思路**：衡量企业盈利增速是否突破历史长期趋势[50] **因子具体构建过程**：$$SUE = \frac{当前季度归母净利润 - (去年同期单季度归母净利润 + 过去8个季度单季度归母净利润同比增长均值)}{过去8个季度的单季度归母净利润同比增长值的标准差}$$[24] 2. 单季度ROE同比因子 **因子构建思路**：ROE单季度同比变化，衡量企业盈利效率的变化[24] 3. 单季度ROE斜率因子 **因子构建思路**：衡量企业盈利效率是否有提升[50] **因子具体构建过程**：过去四个季度单季度ROE与时间回归的斜率/四个季度单季度ROE均值[50] 4. 单季度净利润同比增速斜率因子 **因子构建思路**：衡量过去一年企业盈利增速是否加速[50] **因子具体构建过程**：过去四个季度单季度净利润同比增速与时间回归的斜率/四个单季度净利润同比增速均值[50] 5. 单季度营业收入同比增速因子 **因子构建思路**：衡量企业盈利增长是否有营收支撑[50] 6. 单季度经营性现金流净额因子 **因子构建思路**：衡量企业盈利增长是否带来现金流的增长[50] **因子具体构建过程**：单季度经营性现金流净额/净资产[50] 7. 盈余公告次日开盘超额因子（AOG） **因子构建思路**：市场对于公司公告业绩的认可程度[78] **因子具体构建过程**：$$AOG_{t} = Open_{t}/Close_{t-1} - Open_{mkt,t}/Close_{mkt,t-1}$$[78] 其中$Open_{t}$、$Close_{t-1}$分别为股票在t、t-1时刻的开盘价和收盘价，$Open_{mkt,t}$、$Close_{mkt,t-1}$分别为市场指数在t、t-1时刻的开盘价和收盘价[78] 8. 换手率均线标准差因子 **因子构建思路**：通过个股换手率均线的收敛程度来刻画公司的短期市场显著性[81] **因子具体构建过程**：$$turn\_std_{t} = std(ma_{1},\ ma_{5},\ ma_{10},\ ma_{20},\ ma_{60},\ ma_{100})$$[81] 其中$ma_{1}$为个股单日换手率，$ma_{5}$为个股过去5个交易日平均换手率，以此类推[81] 9. Amihud非流动性因子（ILLIQ） **因子构建思路**：衡量股票收益对每单位交易额的敏感程度，反映流动性风险[86] **因子具体构建过程**：$$ILLIQ_{i,t} = \mathrm{Avg}\left[{\frac{\left|r_{i,d}\right|}{Vol_{i,d}}}\right]$$[86] 其中$\left|r_{i,d}\right|$为股票i在d天的绝对收益，$Vol_{i,d}$为股票i在d天的交易额（百万）[86] 因子的回测效果 1. 标准化预期外盈利因子（SUE） IC均值3.06%，IC胜率76.34%，ICIR 2.32，t值9.15，多头年化超额8.22%，多空年化收益14.77%[31] 2. 单季度ROE同比因子 IC均值3.06%，IC胜率73.66%，ICIR 1.93，t值7.58，多头年化超额2.06%，多空年化收益5.44%[31] 3. 盈余公告次日开盘超额因子 在成长预期组合中分组测试，第三组（超额最高）表现最优，年化收益31.61%，夏普比率1.10，卡玛比率0.77[80] 4. 换手率均线标准差因子 在成长预期组合中分组测试，第一组（标准差最小）表现最优，年化收益33.63%，夏普比率1.21，卡玛比率0.94[84] 5. Amihud非流动性因子 在成长预期组合中分组测试，第三组（非流动性最大）表现最优，年化收益35.52%，夏普比率1.20，卡玛比率0.92[89]

报告核心观点 报告围绕成长因子2.0，构建基于基本面预测的成长股策略，通过全市场理想组合测试、多视角筛选股票池、因子优选及因子化等方法，验证净利润增长预测在选股中的有效性，为投资提供参考[1] 分组1：预测净利润增长的作用——理想组合的前瞻性测试 - 研究背景：此前科技板块研究发现前瞻性筛选净利润增长公司并筛选成长因子，组合可跑赢板块整体，但未深入探讨，现研究全市场净利润增长预测适用性[6][7] - 前瞻性测试：基于中证全指成分股，每年4月底筛选已知未来一年归母净利润增长股票等权构建组合，与中证全指成分股等权组合对比，理想组合表现更优；筛选净利润增长股票按成长因子降序选前100只等权构建组合，在成长因子疲弱年份提升组合韧性[12][15] - 盈利预测：从预期视角和加速度视角预测净利润增长，移除原研究中分红相关筛选条件，加强净利润筛选要求，历史上A股企业未来一年净利润增长数量占比均值56%，2017年前后达峰值，2018年后下行，当前低于50%[22][24] 分组2：四个视角筛选预期净利润增长基础股票池 - 视角1：用最新一期财报单季净利润累计同比修正一致预期数据，要求同比高于上一期1%以上，预测胜率91.94%，近两年来中期股票数量约400只[28][30] - 视角2：通过ROE稳定修正预期数据，要求过去四期ROE - TTM数据极差小于1%且ROE水平在全市场前列，预测胜率82.55%，每期入选股票约100只[33][36] - 视角3：逐季度净利润同比加速增长，从历史财报数据考量企业景气度，要求过去4个季度单季度净利润加速增长，胜率80.19%，每期入选股票约150只[40][47] - 视角4：逐季度ROE同比加速增长，ROE加速增长体现企业盈利能力和景气度上升，胜率85.92%，每期入选股票约300只[52] - 收益表现：四种视角整体收益接近，视角三和视角四筛选股票少但年化收益率高，2023年以来优势明显，收益风险比小幅领先[57] 分组3：筛选股票池的情况 - 股票池情况：四种子视角合并组合股票筛选池平均有600 - 800只股票，平均预测胜率85.10%[60] - 市值水平：筛选池总市值和流通市值中位数分别约120亿和50亿，与中证1000相当，相比中证1000指数，筛选池各年份有收益提升，在下跌市场中超额领先[64][65] 分组4：筛选股票池的进一步因子优选 - 历史成长因子筛选：在筛选池按历史成长因子选100只因子值最高股票等权构建组合，表现提升，相对中证1000成长指数多数年份超额领先[75] - 组合行业中性：简单成长因子筛选忽视行业偏离问题，构建中证1000成长选股组合，拉平行业差距后，组合超额表现更稳定，成长因子疲软年份收益领先明显[76][80] - 多因子表现：对筛选出的股票池测试多种选股因子，选取Growth、Volatility因子等权选股，每年4、8、10月底调仓，选取得分靠前100只股票，组合收益进一步提升[82][90] 分组5：相似逻辑的因子化——二元分类到连续概率预测 - 因子化方法：采用逻辑回归模型将净利润增长二元分类转化为连续概率预测，输入因子包括行业属性、企业性质等，设置不同概率阈值筛选股票池，阈值与准确率正相关，与股票数量负相关，70%阈值较优[96][100] - 中证1000测试：局限在中证1000内，筛选池胜率90%但数量低，长期显著跑赢中证1000等权，不同加权方式表现有差异，等权组合受益于小市值效应，流通市值加权逐年战胜1000成长，行业对齐近几年表现较好[101][109]