中金：机器学习模型如何提升企业盈利预测的准确度？

主要观点总结

文章探讨了利用机器学习模型预测企业盈利的可行性及其优势，通过对比传统量化预测思路和机器学习模型，发现机器学习模型在预测企业未来ROE变化方向方面具有较高的准确率和稳健性。文章以XGBoost模型为例，展示了其预测效果及归因分析，并提出了基于该模型的XGBoost成长优选策略，年化超额收益率可达27%。

关键观点总结

关键观点1: 机器学习模型在预测企业未来盈利方面的优势

机器学习模型通过整合多维度信息，捕捉非线性特征，有效提升预测模型的准确率和鲁棒性，相比传统量化预测思路具有更高的预测效果。

关键观点2: XGBoost模型的预测效果及归因

XGBoost模型预测ROE变化方向的样本外准确度较高，在不同预测时间点的胜率均超过81%，且月度IC均值达4.0%，优于传统量化思路的预测因子。

关键观点3: XGBoost成长优选策略的构建及收益表现

基于XGBoost预测模型，构建XGBoost成长优选策略，在全市场范围内年化超额收益率可达27%，市值100亿元以上范围内年化超额收益也有20%。

关键观点4: 策略的应用与效果

通过应用XGBoost模型预测ROE改善的概率作为选股因子，结合其他量化因子进行优选，形成XGBoost成长优选策略，该策略在不同范围内均表现出良好的收益表现。

关键观点5: 策略的风险提示

策略收益表现受市场风格波动影响，投资者需自行评估风险并谨慎决策。

文章预览

点击小程序查看报告原文 Abstract 摘要 为什么用机器学习模型预测企业盈利？ 准确的盈利预测可有效提升投资组合收益，甚至可穿越成长风格周期。 我们做了一个理想化测试，假设每月可以准确预测上市公司尚未披露的下一报告期盈利情况，据此构建未来ROE改善的股票组合，回测后发现该组合可稳定战胜市场等权基准，统计期内（2010-02-02至2023-12-31）年化超额收益超过30%，即使成长风格走弱的2022-2023年期间，该组合仍稳定跑赢基准。 传统量化预测思路的问题：自变量单一、主要捕捉线性关系。 传统量化预测思路包括盈利变化趋势外推和分析师预期数据预测。这两种预测思路自变量都相对单一，并且主要捕捉的是未来盈利与已知信息的线性关系。经过统计，我们发现这两种方式虽然具有一定的预测能力，预测胜率可以达到63-72%的水平（定义实际ROE ………………………………