周期行业盈利预测框架：多维增强与景气指数应用

研究背景与框架逻辑

行业景气度是衡量产业运行状态、盈利变化趋势及中长期配置价值的重要依据。考虑到股价同时受到估值、流动性和市场情绪等多重因素影响，直接以市场收益作为预测目标往往包含较多交易噪声。因此，构建一套系统性的行业景气分析框架，引入盈利预测作为连接中观产业情况与行业指数表现的中间环节，显得尤为关键。本文基于“产业景气—盈利预测—行业配置”的传导逻辑，选取煤炭、钢铁、石油石化、基础化工、建材和有色金属六个周期行业为研究对象，通过梳理行业逻辑进行指标初筛，并进一步使用量化方法开展盈利预测和景气度指数的构建。

在这一框架下，行业景气度首先通过影响企业经营活动与盈利能力，反映在相关财务指标的变化之中，并进一步传导至股票价格。财务指标能够较为集中地反映需求、价格、销量及成本变化对企业经营成果的综合影响，从而为行业景气度提供可观测且具备跨行业可比性的代理表征。将财务指标作为景气度与股价之间的中间变量，有助于降低市场情绪、估值波动等其他维度因素的干扰，进而提升景气度判断的解释力与可靠性。

产业链分析与指标筛选体系

以煤炭行业为例，其产业链整体可划分为上游资源开采、中游洗选加工以及下游需求三大环节。从产品结构看，动力煤主要用于火力发电与供热，构成煤炭消费的绝对基本盘；炼焦煤则主要作为焦炭生产的原料用于钢铁生产。基于这些产业链特征，研究构建了包含供给、需求、价格、库存及宏观环境等维度的行业中观指标库。供给端主要反映煤炭生产强度，选取原煤、动力煤、炼焦煤等产品产量作为核心指标；需求端以火力发电为核心，同时涵盖钢铁、建材和化工行业的相关指标；价格方面，选取环渤海动力煤综合平均价格指数及秦皇岛港动力煤平仓价等；库存则通过港口场存量及终端库存进行跟踪。

在指标预处理阶段，针对宏观数据中存在较多噪声的问题，采取统一预处理方法以提高不同频率、不同口径指标之间的可比性。具体包括频率对齐、缺失值填充、春节效应调整、异常值处理以及计算同比或同比差分。随后，通过定性定量协同筛选机制，结合解释性评价、惩罚项设置以及综合打分，定期动态筛选出最具预测能力的指标进入模型。这一过程确保了入模指标既符合基本面逻辑，又具备较高的实时可得性和统计显著性。

盈利预测模型比较与优化

在盈利预测模型构建中，对比了动态因子模型（DFM）、Factor-Bridge和Factor-MIDAS三类模型。结果显示，DFM在拟合优度、预测误差及方向准确率等方面均具有显著优势，能够更有效地提取中观指标中的共性景气信息。然而，模型在净利润预测上存在一定难度，主要受非经常性损益、基数效应等多重复杂因素影响。为此，引入分析师一致预期数据进行增强。结果表明，一致预期数据在净利同比预测上展现出极强的能力，尤其在钢铁和基础化工行业表现优异，能够有效补充产业链信息的不足。

此外，针对部分模型在结构变化阶段存在适应性不足的问题，引入基于滚动窗口训练的短期模型进行优化。当连续多个季度长期模型的预测误差高于短期模型时，认为近期结构可能发生变化，此时引入短期模型并根据历史误差对两者预测值进行加权组合。这种机制有效改善了结构变化下的预测效果，提升了模型对市场新环境的适应能力。

大模型在特征工程与校正中的应用

鉴于线性方法在捕捉非线性关系方面的局限性，研究进一步探索大模型在行业景气度研究中的应用。首先，利用大模型开展特征工程，结合行业经营特征及盈利传导机制，构造库销比、供需缺口及产品价差等衍生指标。结果显示，大模型生成的部分衍生指标具有较好的解释力，能够在一定程度上补充原始指标体系未能直接反映的信息，尤其对原本拟合效果较弱的行业改善明显。

其次，尝试将大模型作为线性模型的纠偏模块。相较于要求大模型直接进行独立预测，将其定位为校正模块，在线性模型预测的基础上识别潜在偏差并进行审查和修正，是更为适配的任务设定。虽然大模型校正预测的整体表现仍未完全超越线性模型，但在部分行业和财务指标上表现出一定的校正效果，说明其在识别供给、库存等复杂维度信号方面具有潜力。

景气指数构建与投资应用

基于盈利预测结果，构建行业景气度指数，并从绝对水平、季度变化、月度变化和稳健水平四个角度形成多个因子。回测结果显示，多数因子能够捕捉行业相对全市场的强弱变化，验证了景气指数具有一定择时价值。其中，绝对水平类因子具有较好的截面区分能力，能够为行业间的相对比较和排序提供有效信息。

在多行业轮动策略中，选取表现较好的因子进行等权合成，每月配置排名前两位的行业。该轮动策略实现了较高的年化收益率和夏普比率，相较六行业等权基准实现了显著的年化超额收益。这表明，基于多维增强的盈利预测框架所构建的景气指数，不仅能够为行业择时提供参考，还能在多行业配置中发挥重要的指导作用，形成从产业景气到行业配置的完整闭环。