2025年结合分析师预期和宏观周期的DTW相似性财务预测模型

一、前言

在基本面投资体系中，财务预测是公司估值与投资决策的基石，其主流方法 根植于对企业价值驱动因素的深度剖析。这类方法主要遵循一种因果驱动的、自 上而下的分析框架，核心是深度理解公司的商业模式和财务报表，并构建结构化、 可解释的财务模型。其中最经典的框架是三张报表预测模型1，该模型以销售预测 为起点，通过假设增长率等外生变量，预测利润表中的营收；进而基于与收入的 函数关系预测各项成本费用，最终完成三张报表的勾稽与配平，这构成了贴现现 金流（DCF）估值的基础。在此框架下，更为精细的估值模型被广泛采用，例如 剩余收益模型2，它将公司价值表示为账面价值与未来超额收益的现值之和，其预 测核心在于对股权回报率（ROE）的时间路径做出长期假设。此外，杜邦分析体 系 3作为诊断工具，其分解 ROE 的逻辑也常被反向用于财务预测，即通过预测净 利润率、资产周转率和权益乘数这三个驱动因子的变化来推算未来的盈利水平。 这些经典模型的优势在于逻辑严谨、经济含义明确，能迫使分析师深入理解公司 的商业模式。然而，其局限性也显而易见：高度依赖分析师的主观假设，预测过 程繁琐且难以规模化。

为克服传统基本面预测方法在效率、一致性和量化上的瓶颈，本报告尝试探 索一条新的技术路径。我们创新性地将广泛应用于语音识别等领域的动态时间弯 曲（Dynamic Time Warping, DTW）相似性算法引入财务预测。该方法的核心思 想是“形态重于因果”：我们假设，如果一家公司当前的财务数据走势（例如过去 12 个季度的净利润 TTM 序列）与历史上的某个时期在整体形态上高度相似，那 么其未来的财务表现也可能遵循相似的历史路径。本报告构建的模型不预设任何 关于增长率或利润率的假设，而是直接量化财务时间序列的形态相似性。通过计 算目标序列与历史所有序列的 DTW 距离（一种能够弹性处理时间轴伸缩的相似 性度量），筛选出最相似的“历史模板”，并以其后续的财务表现加权平均作为未 来一期的预测值。这种数据驱动的方法旨在从历史数据中直接挖掘重复出现的模 式，为基本面分析提供一个高效、可量化的补充工具。

二、DTW 距离和相似性算法

首先，简单介绍相似性算法的基本逻辑思路：以量价择时策略为例4，考察当下指数行情与历史行情的相似度，筛选出相似度较高的若干历史 行情片段作为参照，计算筛选出的历史行情片段的未来 5 日或 1 日的加权平均涨 跌幅和加权标准差（权重取距离的倒数），依据未来涨跌幅的平均值和标准差得 到交易信号。

相似性思路放到财务预测问题上也是类似的逻辑：首先将当 期最新的财务时间序列数据（如过去 3 年单季度净利润序列）与历史所有财务时 间序列数据计算 DTW 距离，接着筛选出财务指标形态走势相似（距离较小）的 历史片段，然后将相似历史片段未来 1 期财务值（可以是绝对值，也可以是环比 变化、环比变化率、同比变化、同比变化率等）计算加权平均值，得到对未来财 务指标的预测。

在算法方面，模型采用了 DTW 距离算法而非一般的欧氏距离作为相似性度 量的标准，因为以欧氏距离为代表的锁步度量方法容易产生时间序列间的错配， 而 DTW 距离为代表的弹性度量方法能够较好地解决该问题。 DTW 距离更适用于时间序列方面的问题，因此以 DTW 算法构建的择时策略效果 也优于其他方法。

此外，由于传统的 DTW 算法存在“过度弯曲”导致的错误匹配问题。因此，引入改进的 DTW 算法能够一定程度上克服或避免时间序列的错配， 经典的改进算法有 Sakoe-Chiba 和 Itakura 分别提出的增加边界限制条件的 DTW 算法。在改进算法下，DTW 距离相对传统算法更接近欧氏 距离的结果。

三、基于 DTW 相似性算法的个股财务预测模型

本章基于 DTW 相似性算法构建个股上的财务预测模型并进行实证分析。考 虑到 DTW 算法的时间复杂度较高（O(n²)），因此构建个股财务预测模型时，先 以上证 50 成分股为例进行实证分析。

环比变化

从净利润 TTM 的环比变化预测结果来看，如表 2 所示，在有效样本占比高 于 80%的条件下，整体预测胜率基本能够达到 65%，其中正向预测的胜率较高， 而负向预测胜率稍低，最高在 55%左右。真实值落在预测区间内的概率近 70%， 且预测区间约 30 亿元左右。

同比变化

从同比变化预测结果来看，如表 3 所示，预测胜率有较大幅度提升，整体上 来基本均在 70%以上，正向预测胜率和负向预测胜率均较高。另外，预测区间胜 率也基本在 65%以上，预测区间宽度和 MAE 相对不高。

环比变化率

从环比变化率结果来看，如表 4 所示，胜率相对同比变化预测结果有一定提 升，整体胜率在 65%以上，正向预测胜率较高，在 70%以上，负向预测胜率达 56%。预测区间胜率近 80%，预测宽度低于 40%，MAE 低于 20%。

同比变化率

从同比变化率预测结果来看，相对同比变化预测结果也有显著改善，整体胜 率达 80%以上（在有效样本占比 90%以上的情况下），正向预测胜率达 82%，负 向预测胜率达 86%。

环比变化率（去极值）

去极值（200%阈值）后，环比变化率预测结果的胜率一定程度提升。

同比变化率（去极值）

去极值（200%阈值）后，同比变化率预测结果的 MAE 有一定提升。

四、基于 DTW 财务预测模型的选股因子

1、财务预测和真实业绩的相关性

上一章基于 DTW 算法和相似性逻辑构建了股票财务预测模型，通过财务相 似性距离加权得到了对未来 1 期股票净利润 TTM 环比增速的预测，并给出了股 票财务预测值胜率和准确度的分析。那么，股票池内股票的财务预测和真实值的 相关性如何呢？预测利润增速相对较高的公司，真实业绩是否也相对更好呢？ 接下来，以归母净利润 TTM 环比增速为例，将每期财务预测值和真实利润增 速计算 Spearman 相关系数，并求累计相关系数。可以发现，大部分时间预测利 润增速和真实利润增速的相关系数为正，胜率（相关系数大于0的比例）超过75%， 平均相关系数达 0.17，变异系数近 0.7。可见，基于 DTW 形态相似性模型的预 测净利润增速在股票池内也有较好的排序准确性和胜率。

考虑在计算预测值时，剔除历史财务片段的部分极端值（净利润环比增速高 于 100%），可以发现财务预测值和真实业绩的相关性有进一步提升。相关系数胜 率高于 80%，平均相关系数达 0.21，变异系数近 0.83。

2、基于 DTW 财务相似性模型的选股因子

上一节分析发现基于 DTW 财务相似性模型的预测业绩和真实业绩的相关性 很高，可以基于业绩预测值构建选股因子。可以发现，因子月度 IC 均值超过 0.03， IC 胜率约 56%。从分 5 组的超额收益（Group1 因子最小，Group5 因子最大， 后同）来看，单调性相对较好。

从净值表现来看，剔除后一半股票的组合表现较好，年化超额收益达 1.78%， 策略最大回撤低于基准5，且超额回撤仅 10.91%。

五、结合一致预期数据的 DTW 财务预测因子

1、一致预期净利润和真实业绩的相关性

上一章基于 DTW 算法和相似性逻辑构建了股票财务预测模型及选股因子， 本章将加入分析师一致预期数据，给模型增加新的数据维度，以求获得更好的模 型效果。 同样，先考察分析师一致预期归母净利润和真实归母净利润的相关性。将每 期分析师一致预期归母净利润环比增速和真实利润增速计算 Spearman 相关系数， 并求累计相关系数。可以发现，基本分析师预期净利润增速和真实利润增速的相 关系数均为正，胜率（相关系数大于 0 的比例）近 95%，平均相关系数达 0.30， 变异系数超过 1.62。可见，分析师预期净利润增速在股票池内也有较好的排序准 确性和胜率。

2、结合一致预期数据的 DTW 财务预测因子

上一节分析发现分析师一致预期净利润增速和真实业绩增速的相关性很高， 可以结合分析师一致预期数据改善上一节得到的 DTW 预测因子。具体步骤是： 计算股票池内分析师一致预期归母净利润增速 WindPre 的排名 WindPreRank（净 利润增速越高，排名越高）和 DTW 预测归母净利润增速 DtwPre 的排名 DtwPreRank，继而加权得到综合归母净利润增速因子 PreRank。

3、结合一致预期数据的 DTW 财务预测因子在其他股票池 的表现

上一节分析得出结合一致预期数据后，DTW 财务预测因子在上证 50 股票池 中有比较好的选股效果。那么因子在其他股票池中的表现如何？考虑到同行业股 票间可能有相似的财务模式，本节测试申万一级行业中的选股因子效果。测试了 31 个申万一级行业内的选股因子效果，发现结合一致预期数据的 DTW 相似性财 务预测因子在一些偏周期的行业内具有比较好的效果，如有色金属、公用事业、 交通运输、建筑材料、石油石化、环保等。

(一)有色金属

从因子 IC 和分层表现来看，IC 均值约 0.03，第五组超额收益较高。

从净值表现来看，多头组合年化超额达 7.51%，超额回撤仅 18.57%；剔除 后一半股票的组合年化超额收益达 2.63%，超额回撤仅 8.62%。

(二)公用事业

从因子 IC 和分层表现来看，IC 均值约 0.03，分组超额单调性较好，第五组 最高。

从净值表现来看，多头组合年化超额达 3.52%；剔除后一半股票的组合年化 超额收益达 1.01%。

(三)交通运输

从因子 IC 和分层表现来看，IC 均值约 0.02，分组超额单调性较好。

从净值表现来看，剔除后一半股票的组合年化超额收益达 1.86%，超额回撤 仅 4.67%。

(四)建筑材料

从因子 IC 和分层表现来看，IC 均值约 0.01，分组超额单调性较好。

从净值表现来看，多头组合年化超额达 4.48%；剔除后一半股票的组合年化 超额收益达 2.75%，超额回撤仅 8.17%。

(五)石油石化

从因子 IC 和分层表现来看，IC 均值约 0.03，第五组超额收益较高。

从净值表现来看，多头组合年化超额达 8.98%；剔除后一半股票的组合年化 超额收益达 3.23%。

(六)环保

从因子 IC 和分层表现来看，IC 均值约 0.03，第五组超额收益较高。

从净值表现来看，多头组合年化超额达 6.94%，超额回撤仅 17.40%；剔除 后一半股票的组合年化超额收益达 1.41%。

六、结合宏观周期视角的 DTW 财务预测因子

上一章基于 DTW 算法和相似性逻辑并结合分析师一致预期数据构建了财务 预测选股因子，但是公司业绩除受到公司本身因素影响外，还受到外界宏观环境、 产业周期等因素影响。因此，同样的财务历史走势在不同的经济或产业周期中未 来可能也有不同的业绩表现。因此，本章从宏观周期维度对历史财务片段进一步 筛选，以找寻在相同经济周期中真正相似的财务片段。 宏观周期基于经济、货币金融（利率）和信用三维度进行考量和划分：经济 维度选取规模以上工业企业工业增加值同比增速和出口金额同比增速指标，货币 和金融维度选取 10 年期国债收益率指标，信用维度选取社融同比增速指标。宏 观指标披露一般滞后半个月左右，但由于财报披露滞后周期更长（至少 1 个月）， 故可以选取最新的宏观指标。

1、经济维度

经济维度选取规上工业增加值同比增速和出口金额同比增速指标，根据这两 个指标是否连续 3 个月上升或下降来划分周期。在筛选历史财务片段时，仅在和 当前处于同一状态的历史财务片段中筛选相似历史片段。 结合经济维度后，DTW 财务预测因子的 IC 均值提升 至近 0.04，分组超收益单调性有所改善。前 25 只股票组合年化超 额收益达 2.90%，且超额回撤低于 10%。

2、利率维度

利率维度选取 10 年期国债收益率指标，根据国债利率相对上月上升或者下 降来划分周期。在筛选历史财务片段时，仅在和当前处于同一状态的历史财务片 段中筛选相似历史片段。 结合利率维度后，DTW 财务预测因子的 IC 均值提升至近 0.05，分组超收益单调性有所改善。前 25 只股票组合年化超 额收益达 3.27%。

3、信用维度

信用维度选取社融同比增速指标，根据社融同比增速相对上个月上升或下降 来划分周期。在筛选历史财务片段时，仅在和当前处于同一状态的历史财务片段中筛选相似历史片段。 结合信用维度后，DTW 财务预测因子的 IC 均值提升 至超过 0.04，分组超收益单调性有所改善。前 25 只股票组合年化 超额收益达 3.19%，且超额回撤低于 8%。

4、结合经济、利率、信用三维度宏观周期的 DTW 财务预测 因子

结合以上经济、利率、信用三个维度的周期对历史财务片段进行筛选：若历 史没有相同周期，则选取全部历史财务片段，否则仅选取相同宏观周期下的历史 财务片段。

结合宏观周期和分析师一致预期的 DTW 财务预测因子的 IC 均值提升到 0.06，IC 胜率超过 62%。

从分组表现来看，单调性大幅提升，且第五组超额较为突出。

从净值表现来看，多头组合年化收益达 7.05%，年化超额超过 9%，超额收 益较为稳定，超额回撤约 16.72%；前 25 只股票组合年化收益 2.07%，年化超额 近 4%，超额回撤不到 8%。

考察结合宏观周期过滤和分析师预期数据的 DTW 财务预测因子和 Barra 因 子的相关性：可以发现，整体相关性并不高，与动量因子相关性达 0.32，与盈利 率和规模因子相关性均约 0.2。

最后，对比三种方法（直接用当季度归母净利润 TTM 环比增速、基于分析师 一致预期计算的下季度归母净利润 TTM 环比增速、结合宏观周期的 DTW 下季度归母净利润 TTM 环比增速作为选股因子）的因子和策略效果，可以发现：在上证 50 股票池中，结合宏观周期的 DTW 预测因子的 IC 均值达 0.06，IC 均值、ICIR、 IC 胜率相对前两种方法更高；多头组合年化超额收益达 9.20%，超额收益、最大 回撤、夏普比率等均显著高于前两个因子；另外，只取前一半成分股作为股票组 合的业绩表现也相对更优。

七、总结与讨论

本报告探索了一种基于动态时间弯曲（DTW）相似性算法的财务预测与选股 新范式。与传统基于因果逻辑和详实假设的财务模型不同，DTW 相似性财务预测 模型立足于“形态相似性”这一数据驱动理念，可以为基本面分析提供一个高效、 可量化的补充工具。 首先，报告在方法论上详细阐述了如何将DTW算法引入财务时间序列分析。 通过计算目标公司近期财务序列（如过去 12 个季度的净利润 TTM）与历史所有 序列的 DTW 距离，我们能够有效捕捉超越线性关系的、在时间轴上存在弹性伸 缩的财务相似形态特征。实证结果表明，DTW 相似性财务预测模型在上证 50 成 分股中展现出了较高的胜率和准确性。另外，在横截面维度上，财务预测值与真 实业绩之间存在着稳定且显著的正相关性，验证了“历史形态相似性可能预示未 来业绩路径”这一核心假设。

在此基础上，我们将模型的预测结果直接转化为选股因子。研究发现，基于 DTW 财务预测的选股因子具备良好的区分能力，其 IC 序列均值显著大于零，分 组测试也显示出稳定的单调性，证明预测业绩增速更快的股票组合能够获得显著 的超额收益。这初步证实了该因子在量化选股实践中的有效性与应用潜力。 进一步的，我们引入分析师一致预期数据，以增量信息的形式改善 DTW 的 预测结果，发现结合分析师预期数据的 DTW 选股因子效果相对原始策略有一定 的改善。另外，将模型放置于申万一级行业中进行测试，发现模型在偏周期的行 业中表现较佳，如有色金属、交通运输、公用事业、环保、石油石化等。 然而，企业的经营业绩并非在真空中运行，相同的财务形态在不同的宏观环 境和产业趋势下可能导向不同的未来。为此，报告进一步引入了经济、利率与信 用三个维度的宏观周期视角，对历史相似片段的筛选条件进行了优化，仅在相同 的宏观状态下寻找“真正可比”的历史模板。这一优化显著提升了模型的表现， 引入宏观周期过滤后的 DTW 财务预测因子，其信息系数和选股组合的超额收益 均获得了进一步提升。 然而，模型仍有若干方向值得深入探索。首先，在应用广度上，考虑到算法 复杂度等问题，当前模型主要在上证 50 成分股中进行验证，未来可将其拓展至 更广泛的股票池（如沪深 300、中证 500 等）。其次，在模型维度，受到模型复 杂度制约，目前仅考察过去 12 个报告期（3 年）的财务序列，可以测试更多不同 长度的财务时序片段。最后，在周期刻画上，除了宏观维度，引入产业周期视角 将极大增强模型的精细度。企业的经营与财务状况与所属生命周期阶段以及产业 链位置紧密相关，将生命周期和产业视角与宏观维度相结合，能够更精准地界定 “相似”的财务形态所依存的环境，从而提升预测的准确性。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）