中观行业盈利预测模型研究：中游制造行业篇

站在投资的角度，决定股票价格的无非是估值和盈利两个因素，相对于估值的频繁波动，盈利则更加确定一些；目前市场上主要证券公司研究机构对于行业业绩的预测有两种研究方法，一部分机构倾向于主观判断，一部分机构则采用自下而上的研究方法。我们认为，自上而下进行行业业绩预测或许更客观化、富有逻辑性，通过利用丰富的中高频宏观数据和行业数据，月频跟踪行业整体盈利变动情况，并随着月频、周频的宏观行业数据持续披露，及时做出调整。既能月频跟踪行业动态，减弱财务信息公布的滞后性，又能对行业未来做出一定的预测。 我们建立了“中观行业盈利预测模型”，本文针对中游制造行业进行分析和预测，包括工程机械、专用机械、通用机械、风电、光伏、汽车。 工程机械：行业具备较强的周期性，但其行业周期往往早于经济周期启动和结束；分析其中缘由，工程机械行业的终端需求为基建项目，与稳增长政策高度相关，而稳增长政策一般逆周期实施。因此，盈利预测方法包括两大部分，定性为主，定量为辅，定性分析当前所处的经济周期阶段和预判未来政策节奏，定量分析月频行业微观数据，追踪行业动态，同时我们发现行业增速存在一定趋势性，亦利于做行业盈利预测。工程机械行业23Q4营收累计增速预计5.65%，利润累计增速19.20%。 专用机械：行业周期同步于经济周期，行业业绩与宏观经济指标相关度高，具备强周期特性，因此，通过宏观经济指标可建立模型预测行业业绩。专用机械行业23Q4营收累计增速预计11.53%，利润累计增速13.89%。 通用机械：行业属于强周期性行业，行业周期紧跟经济周期，预测其行业业绩的关键在于把握行业的周期特性和经济周期的演变。通用机械行业23Q4营收累计增速预计7.96%，利润累计增速9.78%。 风电：行业是一个较为独立的行业，其行业周期主要受行业政策影响，与经济周期的关联度较低，行业政策通过控制风电新增装机量影响行业业绩；通过跟踪风电新增装机量，发现风电新增装机量大幅提升一般发生在采购成本较低的时候。我们采用定性分析为主、定量为辅的方法，定性分析行业政策，定量构建了我们的风电行业模型。风电行业23Q4营收累计增速预计-5.29%，利润累计增速-35.74%。 光伏：对比风电，我国光伏行业起步较晚，仍属于成长期，存在较多的影响因素和制约因素，例如，行业政策、贸易壁垒、技术突破等；虽然行业受到较多的制约因素，但其本质仍是市场化行业，行业业绩与组件价格息息相关。根据我们的模型，光伏行业23Q4营收累计增速预计17.83%，利润累计增速20.67%。 汽车：行业周期匹配经济周期，彰显行业战略地位；汽车行业是一个以需求为主导的行业，汽车销量、宏观经济与行业营收息息相关。根据我们的模型，汽车行业23Q4营收累计增速预计15.23%，利润累计增速26.97%。 风险提示：行业政策风险、数据统计错误风险、模型训练风险、模型过拟合风险。 1.中观行业盈利预测模型 站在投资的角度，决定股票价格的无非是估值和盈利两个因素，相对于估值的频繁波动，盈利则更加确定一些；目前市场上主要证券公司研究机构对于行业业绩的预测有两种研究方法，一部分机构倾向于主观判断，一部分机构则采用自下而上的研究方法；两类方法存在一定的缺陷，例如，盈利预测存在主观性，盈利预测的时间跨度较大，预测并不能跟随宏观经济、政策的变动及时做出调整，导致行业拐点的把握不够及时准确。 为解决上述问题，我们推出了“中观行业盈利预测模型”： 模型核心思路：不同于一致预期盈利预测，我们的行业盈利预测模型采用自上而下的方法，通过利用丰富的中高频宏观数据和行业数据，紧密跟踪行业整体盈利变动情况，并随着月频、周频的宏观行业数据持续披露，及时做出调整。 模型方法论：行业业绩动态跟踪模型采用数据建模的标准流程，特征工程-建模调参-模型评估。 特征工程： 数据预处理：包括处理异常值（通过识别和剔除或替换异常数据）、处理缺失值（通过填充、删除或估算缺失数据）、以及数据标准化（将数据转换为具有零均值和单位方差的格式，以便不同量级的特征可以公平比较）。 特征提取：涉及从原始数据中提取有意义的信息，通过聚合、摘要统计、使用领域知识来构建新特征。 特征选择：旨在识别哪些特征对预测最有用，方法包括相关性分析、主成分分析（PCA）。 建模调参： 模型选择：根据问题的性质选择合适的模型。包括线性回归、决策树、随机森林、神经网络等。 超参数调优：利用技术找到最佳的模型参数设置。通过多轮测试，找到提高模型性能的最佳参数组合。 交叉验证：确保模型在不同数据子集上的表现稳定，从而避免过拟合。 模型评估： 性能指标：根据模型类型选择合适的性能评估指标。 结果分析：对模型的预测结果进行深入分析，注重模型决策过程的可解释性。 模型验证：使用独立的测试数据集来验证模型的泛化能力，确保其在未见数据上的表现。 2.工程机械 2.1模型框架：行业周期领先于经济周期启动和结束 相较其他中游制造业，工程机械具备较强的行业周期性，但其行业周期往往早于经济周期，根据美林时钟，工程机械的行业周期在经济衰退期中启动，在经济滞涨期结束。分析其中缘由，工程机械行业的终端需求为基建项目，与稳增长政策的颁布时间高度相关，往往稳增长政策逆周期实施，助力经济迎来拐点顺利复苏。 图表1：2014-2018经济周期，行业增速于2015.03开始改善，经济增速于2016.03开始改善。 在本轮的经济周期中，受疫情后快速恢复影响，行业周期同步于经济周期启动，但早于经济周期结束，工程机械行业累计增速于2022.03大幅转负，行业累计增速-27.27%，对应经济增速8.95%。 图表2：2019-2023经济周期，受疫情后快速恢复影响，行业周期同步经济周期启动，但早于经济周期结束。 工程机械行业营收与行业微观指标呈现强正相关，与宏观经济指标相关性一般。根据相关性分析，工程机械行业营收增速与叉车销量、钢材价格呈强正相关，然而，与PPI、GDP、工业增加值等宏观指标的正相关性介于强弱之间，体现了工程机械行业周期与经济周期，存在一定的关联性，但在节奏上存在一定程度的错配。 图表3：工程机械行业营收累计增速与行业微观指标强相关，与宏观经济指标相关性一般 考虑到工程机械行业利润与众多的宏观和行业指标相关性较弱，我们采用定性定量相结合的方法，预测逻辑采用利润表链条（营收-毛利率-净利润-利润增速）。通过模型先预测营收和毛利率，然后扣除定性分析三费后得到净利润、利润增速。 图表4：工程机械行业利润累计增速与宏观和行业指标相关性较弱 总结以上，工程机械行业的盈利预测需把握稳增长政策的节奏，因此，预测方法包括两大部分，定性为主，定量为辅，定性分析当前所处的经济周期阶段和预判未来政策节奏，定量分析月频行业微观数据，追踪行业动态，同时我们发现行业增速存在一定趋势性，亦利于做行业盈利预测。针对定量分析，我们构建了行业模型，主要用到“GDP增速”、“基建固定资产投资”、“叉车销售量”、“钢材价格”等指标作为模型自变量。 图表5：工程机械行业模型框架 2.2模型效果 营收累计增速： 图表6：工程机械行业整体营收累计增速模型拟合效果一般，校正R方0.58 图表7：营收累计增速模型回归效果 毛利率： 图表8：工程机械行业毛利率拟合效果较差，校正R方0.35 2.3四季度行业预判 图表9：工程机械行业业绩增速预测 3.专用机械 3.1模型框架：行业周期同步于经济周期 专用机械行业服务于我国各行各业，行业周期紧跟我国经济周期。专用机械涵盖光伏设备、矿山冶金机械、锂电设备、油气装备、3C设备等，广泛应用于供应链上下游生产，其产品需求对应上游原材料需求、下游电子产品、汽车等需求；不同于工程机械，专用机械行业服务的范围更为广泛，涉及煤炭、有色金属、纺织服装、电子、汽车、电力设备等众多行业，也因此与我国的经济整体发展密不可分，根据相关性分析，专用机械行业整体营收增速与名义GDP增速的相关性达0.51，高度相关；最后，考虑到专用机械行业身处供应链中间，受上游原材料和下游需求两头的刺激，其行业周期自然紧跟我国经济周期。 图表10：专用机械行业周期同步于宏观经济周期，行业具备强周期性。 专用机械行业业绩与宏观经济指标相关度高，具备强周期特性。专用机械行业营收和利润增速与众多宏观指标息息相关，包括GDP、PPI、出口金额等，其中，与PPI最为相关，相关性接近0.80；同时，原材料价格与行业业绩的关联度也不低。 图表11：工程机械行业营收累计增速与PPI高度相关，体现行业具备较强的周期性 图表12：工程机械行业利润累计增速与钢材价格高度相关。 综上所述，专用机械行业属于强周期性行业，行业周期紧跟经济周期，预测其行业业绩的关键在于把握行业的周期特性和经济周期的演变。模型采用“名义GDP增速”、“PPI同比”、“钢材价格”等作为自变量，建立模型。 图表13：专用机械行业模型框架 3.2模型效果 图表14：专用机械行业整体营收累计增速模型拟合效果较好，校正R方0.82 图表15：模型回归效果 考虑到利润增速预测的复杂性，我们采用定性定量相结合的方法，预测逻辑采用利润表链条（营收-毛利率-净利润-利润增速）。通过模型先预测营收和毛利率，然后扣除定性分析三费后得到净利润、利润增速。 图表16：专用机械行业整体毛利率模型拟合效果较差，校正R方0.18 3.3四季度行业预判 图表17：专用机械行业营收增速预测 4.通用机械 4.1模型框架 通用机械行业业绩与出口金额、宏观经济增速相关度高，具备强周期特性。通用机械行业营收增速与众多宏观指标息息相关，包括出口金额、GDP、PPI等，其中，与出口金额最为相关，相关性接近0.69。 图表18：通用机械行业营收累计增速与宏观经济指标高度相关，体现行业具备较强的周期性 图表19：通用机械行业营收累计增速与宏观经济增速高度相关 综上所述，通用机械行业属于强周期性行业，行业周期紧跟经济周期，预测其行业业绩的关键在于把握行业的周期特性和经济周期的演变。模型采用“名义GDP增速”、“出口金额”、“钢材价格”等作为自变量，建立模型。 4.2模型效果 图表20：通用机械行业整体营收累计增速模型拟合效果一般，校正R方0.56 图表21：模型回归效果 图表22：通用机械行业整体毛利率模型拟合效果较好，校正R方0.88 4.3四季度行业预判 图表23：通用机械行业业绩增速预测 5.风电 5.1模型框架：把握好行业政策 风电行业是一个较为独立的行业，其行业周期主要受行业政策影响，与经济周期的关联度较低。不同于其他行业，风电行业有独立的行业周期，其行业周期往往受政策影响，具体表现为，每年风电行业需求由风电装机量决定，风电装机量受政策影响；回顾风电行业过去的发展历程，2006-2010年，《可再生能源法》的颁布确立了可再生能源的优先发电权和补贴发展模式，国内新能源正式起步，期间2009年风电新增装机量增速达94.96%；2011-2015年，风电脱网事故导致的行业监管政策成为制约行业需求的重要因素，风电装机量波动较大，先跌后涨；2016年，陆上风电补贴持续退坡，行业营收增速大幅下滑；2021年，双碳政策下，行业营收增速大幅向上。 图表24：风电行业周期与经济周期关联度较低。 图表25：风电行业营收主要受风电新增装机量影响，与行业政策相关。 风电新增装机量大幅提升一般发生在采购成本较低的时候。考虑到风电行业是重资产行业、前期投资较大，政府和投资人对风电项目的回报率极为关注，项目采购成本越低，项目回报率越高，因此，风电新增装机往往发生在PPI处于低水平的时候。 图表26：每当PPI同比大幅走低，风电新增装机量大幅提升。 风电行业营收与宏观经济指标相关性不高，与PPI呈现高度负相关。根据相关性分析，风电行业营收增速与宏观经济指标普遍相关性较弱，与工业增加值同比相关性为0.02，与GDP增速相关性-0.21，体现了风电行业周期的独