（汪毅为长城证券首席经济学家）
1.引言
从资本运作的视角来看，决定股市行情的要素包含价值评估和经营效益，与价值评估的频繁起伏相比，经营效益的预估则显得更为稳定，所以，经营效益的预估一向是证券投资的关键所在；经营效益的系统分析规模相当可观，依据分析目标能够划分为全部市场、特定领域、单一公司，根据分析事项可以区分成经营效益的持续观察和经营效益的预估；对比经营效益的预估，经营效益的持续观察研究的是先前、实际产生的经营效益情形。
本文只谈全A盈利分析，关于全A整体表现，构建了由上至下的全A盈利分析体系，该体系由盈利监控和盈利预估两部分构成。
长久以来，收益预估一直是备受关注的课题，学界围绕收益预估开展了大量理论探索，业界也依据收益预估信息作出投资决策，所以，收益预估的研究途径相当完备，当前市场上各家证券公司研究部门针对全A收益预估，通常采用两种研究路径，其一参照美林时钟理论进行性质判断，其二采用自上而下方式，借助宏观分析师的集体预测进行数量分析。
分析利润预估的热度程度，利润监控常被忽视，这或许是因为当前利润监控的主流研究手段存在显著落后性，使得利润监控变成“利润回溯”；对于全部A股的季度利润状况，多数研究组织运用自下而上的监控方式，通过汇总企业财务信息形成整体数据，由于必须等待所有公司财务报告发布完毕，全部A股利润监控比个股更为迟缓，利润监控的作用被显著降低。
在自上而下的全A盈利研究框架中，盈利监控与盈利预估必须紧密配合，剖析“盈利转折”、“盈利预期偏差”，这两项是盈利研判带来投资回报的核心要素；但是，因为盈利监控存在时滞，使得盈利预估难以同盈利监控有效融合，盈利研判方法难以系统化构建。
2.自上而下全A盈利研究体系
全面盈利能力研究，涵盖整个市场范围，核心围绕收入增长率和利润增长率展开探讨，具体操作环节涉及对既有状况的监测和对未来趋势的预判。
当前，市场中的盈利分析多集中于行业与单只股票，通常借助行业研究模式或个股详尽分析来呈现，却缺乏一套成熟的全市场盈利研究方案；这主要是因为宏观分析师更侧重政策与宏观数据，而行业分析师则更注重个股盈利状况，全市场盈利恰好处于两者关注范围的交集，因此受到的重视相对有限；尽管如此，全市场盈利研究具有显著的价值，它能为宏观经济分析提供更具体、更多元化的新视角，协助宏观分析师更全面地审视宏观指标，同时，也能有效辅助投资机构进行宏观层面的时机选择；由此可见，构建一套健全的全市场盈利研究机制十分必要。
该盈利分析体系自上而下分为三个环节，分别是盈利监控、盈利预估以及盈利预期偏差，其结构如图1所示。盈利监控环节主要考察已公布的财务报告中的盈利记录，盈利预估环节则针对财报尚未发布的当期盈利状况和未来盈利进行探究。
2.1 盈利跟踪
收益监控，根据现在的时间，借助公开的财务信息，对企业之前每个季度的运作情况作出评估，主要计算收入增长速度和利润增长速度，从而掌握公司以往的业绩表现。
针对整体A股的盈利监测，业界普遍运用自下而上的分析路径，依据各企业的财务报表，汇总形成整体A股的盈利状况，然而财务报告的发布存在时间差，造成整体A股盈利监测的时效性显著减弱，其参考价值也随之降低。
2.2 盈利预测
谈到收益预估，人们通常关注单只股票的收益预估，很少涉及综合指数或全部A股市场；单只股票的收益预估多采用自下而上的分析师方法，以分析师对企业经营状况的一致看法作为预估依据，而整体A股的收益预估存在两种方式，一是国内多数研究机构借助美林周期学说对整体收益进行性质判断，二是自上而下借助宏观分析师对经济数据的一致看法，开展收益预估工作。由于性质分析容易受到个人看法影响，我们建议使用由整体到局部的思路来估算企业收益情况。
自上而下的分析思路是基于宏观经济数据与企业整体收益存在关联性的假设，这种做法以及其基本前提都有充裕的学术支撑。Grinold和Kroner在2002年构建了一个框架，将股票收益与国内生产总值增长关联起来，指出公司利润增长速度由国内生产总值增长速度和企业额外增长速度构成，其中国内生产总值增长速度受劳动力增长和生产力水平影响；造成这种现象的原因在于，从整体经济角度出发，Abaidoo R和Ofosuhene Kwenin D在2013年强调，从长远角度观察，整体经济不确定性、物价上涨预期以及财政政策变动等状况会对公司利润增长形成明显作用；从企业个体角度考虑，Issah和Antwi在2017年说明，整体经济状况对公司利润有显著作用，企业表现是上一年度资产回报率和整体经济指标的函数，整体经济指标和上一年度资产回报率能够通过企业表现影响公司业绩。整体而言，不论是从大范围视角，还是从小范围视角，整体经济状况与公司全面收益之间联系很紧密。
依据数据统计分析，宏观经济指标跟企业整体获利密切相关，这证实了由高到低宏观分析法的根本理由。通过将全A营收增速和全A利润增速作为因变量，同时把我国所有宏观经济指标当作自变量，开展关联性研究；研究发现宏观经济指标和公司整体获利能力之间存在显著正关联；GDP现价年度变化率、PPI年度变化率、出口总额年度变化率与全A营收增速高度正相关（参见图2），其中GDP现价年度变化率的关联性最强，数值为0.80；规模以上工业产出年度变化率、GDP现价年度变化率与全A利润增速展现出强正相关关系（参见图3），其中工业产出年度变化率的关联程度较大，数值达到0.56。整体经营状况，主要取决于大环境走势，A股总营收和总利润的增长幅度，跟国内生产总值提升速度关系非常密切。
全A盈利状况同宏观经济状况之间确有内在联系，依据历史资料，将过往宏观经济状况作为参照系，以历史全A盈利数据作为分析对象，构建多元线性回归体系，旨在探究并模拟全A公司盈利与宏观经济状况的内在关联；若假设这种内在关联在未来依然有效，则可代入最新的宏观经济状况，据此预测未来的全A盈利水平。
采用高层级指导模式，全市场盈利研究能够实现年度数据转换为月度数据，通过月度数据分析与预测整体盈利情况，显著超越当前市场普遍采用的盈利分析手段的水平。从上至下的整体分析法，将经济总体状况的参照物当作参照点，将过往收益扩张的速率当作结果，构建了多种因素相互关联的数学工具，该工具评估经济总体状况参照物与整体A股收益之间的内在联系，鉴于经济总体状况参照物大多以每月的频率发布，将按月度计量的经济总体状况参照物代入该工具，能够获得按月度计算的整体A股收益状况。借助每月的收益记录，可以更早识别出“盈利低点”和“收益转折点”，这对深入分析经济形势和资本运作具有重要意义。
根据对象划分，盈利预测可以分为两种类型，一种是针对已经发生但尚未发布财务报告的季度所进行的盈利预估，另一种则是针对未来季度的盈利预估。
2.2.1 盈利预测：已发生、未披露财报的季度
对于已公布但尚未披露财务数据的季度，我们的全市场盈利预估运用的是由整体到局部的分析思路，借助已公布的总体经济数据，将其作为参照系，根据宏观状况与经营成果之间的内在联系，能够推算出经营成果的具体数值。与自下而上核算利润的方式相比，自上而下的宏观分析法借助宏观统计信息显著降低了时间差，如图4所示；这两种核算方式的核心差异在于数据来源不同，财务报表发布通常延迟两个月，而宏观经济指标发布则稍慢15至20天。盈利数据的时效性增强，自然能提升其参考意义，对宏观经济分析和投资决策产生更加关键和迅速的影响。
从根本上说，自上而下的宏观策略能够合理协调数据精确程度与及时性之间的关联性，从而充分展现经济收益信息的实际用途。两种方式仔细对照，自下而上的财务手段具备极高精确度，但时效性偏弱，自上而下的手段以牺牲部分精确度换取了显著时效性提升；就全A营收增长速度而言，自上而下宏观测算的营收增速同自下而上方式得到的实际营收增速偏差不大，精确度更优，见图6；就全A利润增长速度而言，自上而下宏观测算的利润增速同自下而上方式得到的实际利润增速存在轻微偏差，精确度普通，不过从走向角度二者展现出一致性，见图7。
#FormatImgID_6#
2.2.2 盈利预测：未发生季度
对于未曾出现的季度，参照前文做法，要充分运用宏观经济指标和企业盈利间的内在联系，借助已探明的逻辑关系，将宏观分析师普遍预期中的经济指标，转变为针对全部A股公司盈利状况的预测。
通常情况下，学术界对于盈利前景的预估多运用从全局到局部的宏观分析手段，这种策略已经积累了相当丰富的理论探讨和实际检验成果。Nolen在2012年的研究中指出，公司盈利能力的增长幅度会呈现出长期的中心值回归特性，也就是说，一旦企业盈利增长速度显得过于迅猛或者过于缓慢，那么在未来一至三年期间，其发展趋势很可能会向市场整体水平靠拢。2009年，经济学家Micheal Biggs引入了“信贷脉冲”这一概念，该指标的计算方法为新增信贷需求与名义GDP的比值，能够帮助判断实体经济的活跃程度；如果实体领域的企业预期经济前景良好，会通过增加负债来扩大生产规模，从而推动信贷脉冲上升，企业未来的收益也会随之增加；相反，当企业预期经济将陷入低迷，会减少负债并缩小生产规模，进而造成信贷脉冲降低，企业未来的收益也会相应减少。在理论探索之外，自上而下的方式同样适用于实践检验；Yan Shu 等人于2013年收集了140余项宏观经济指标，这些指标分别体现实际经济活动、价格信号、金融环境以及劳动力市场动向，通过实践检验发现，宏观经济数据有助于提升对企业未来盈利能力的预测精确度。
综合所述理论，公司利润增长速度具有回归均值的现象，表现为持续在某个核心值附近进行起伏变化的过程。国际上的研究单位常借助柯布—道格拉斯（Cobb-Douglas）生产模型来分析国内生产总值增长率的稳定水平，这个稳定水平受人口增长速度、资本配置、整体生产效率等广泛经济指标综合影响；经济活动的起伏主要由信贷波动引发，从公司具体操作角度分析，公司通过借款购置机器设备实现规模扩大或开发新项目，资金投入逐渐转变为生产效率提高和利润增长，众多企业的借款活动总和与整体社会的融资规模紧密相连；信贷波动影响企业利润需要经过一段时期，依据我们的研究，信贷波动传导至公司盈利大约需要一年半时间，参见图8。
2.3 盈利预测差
构建了自上而下的全A盈利预测框架之后，对预测数据进行对比分析是这个研究体系的关键环节，已披露的财报季度的盈利估算体现当前状况，尚未披露的财报季度的盈利估算则代表未来展望，随着时间的推移，原本未披露的季度会转变为已披露状态，当前状况会持续更新，并与之前的未来展望产生差异在全部盈利研究框架中，探究“盈利趋势转折”、“盈利变化节点”、“盈利意外表现”，这三个方面是盈利分析获取投资回报的核心驱动力。
3.全A盈利模型研究
在整体盈利分析框架中，关键在于明确经济参数与公司收益的内在联系。基于此，我们运用综合线性分析方法，将经济指标作为独立因素，将全市场盈利状况作为依赖因素，从而建立宏观层面的收益评估体系。
选取2013年第二季度至2023年第三季度作为统计时段，解释变量涵盖宏观经济指标，具体有名义国内生产总值增长率、居民消费价格指数年度变化率、工业生产者出厂价格指数年度变化率、工业增加值年度变化率、固定资产投资总额年度增长率、出口总额年度增长率、广义货币供应量年度增长率、信贷规模变动率、工业生产者购进价格指数年度变化率等，被解释变量种类繁多，依据研究主体可划分为全部A股、全部A股（剔除金融行业），根据研究范畴可细分为营业收入增长率、营业利润率、净利润增长率，详细情况参见表格。
构建全A盈利模式遵循数据建模的规范步骤,首先进行特征工程,然后调整模型参数,最后评估模型效果。
特征工程: 数据处理涉及去除或修正极端数值,也包括弥补空白信息,可以用多种方式完成,比如直接移除、用其他数值填充,或者根据情况估算。数据预处理还包含调整数据尺度,目的是让所有指标在可比范围内,消除量纲差异。特征创造是从原始素材中挖掘关键内容,通常借助数据汇总、统计分析,或者融入专业领域见解,从而生成新的数据维度。特征挑选的目标是找出哪些特性对推算帮助最大，常用技术有分析彼此间的相互影响，还有主成分解析法。
模型构建需依据任务特点挑选适配方案；借助专门手段搜寻最优参数配置，经反复实验确定能提升模型运作效果的参数搭配，达成最优参数配置；采用交叉检验方法，验证模型在各个数据划分中的表现是否均衡，以此防止模型过度学习特定数据。
模型评估，需要依据模型类别挑选恰当的成效衡量标准，同时，要对模型的推断结论展开细致研究，并且强调模型运作逻辑的透明度。
3.1 全A营收增速
通过工业增值量和出厂价格指数对全部A股营收进行测算，均运用过标准化的季度同比数据进行拟合分析。拟合状况如图10和图11所示，模型适配程度较高，相关系数为0.81。这个函数用来计算全A营收的增长速度，它显示了在标准化情况下，营收增长和PPI同比、工业增加值同比之间的联系，这两者都对营收增长有正向影响，相比之下，企业的销售收益对产品出厂价格即PPI的变化反应更为灵敏。
3.2 全A毛利率
预测毛利润率时，必须首先应对其季节性波动问题，这种波动主要集中在一季度，春节停产导致企业该季度毛利润率显著低于其他季度，但宏观经济指标通过同比计算可以消除季节性影响，因此为排除一季度干扰，我们仅使用二三四季度的毛利润率数据来进行模拟。采用工业生产者出厂价格指数、工业增值数据以及出厂价格环比指数，对全部A股的毛利率进行测算，数据选取时排除了第一季度，仅保留了第二至第四季度的资料，因变量设定为标准化后的毛利率数值，自变量则均为标准化后的季度同比增速，回归分析过程如图12和图13所示，模型展现出较为理想的适配度，其判定系数为0.68。这个函数是全A毛利率的标准化模型，PPI指产品出厂价格，这个价格与企业毛利率正相关，PPIRM指生产成本，这个成本与企业毛利率负相关。
3.3 全A利润增速
通过工业生产增长数据和资金流动指标对整体A股盈利进行测算，所有数据均使用过标准化处理的季度同比数值进行统计建模，分析结果展示在图14和图15中，模型匹配程度不高，相关系数仅为0.40。下面是整体A股盈利速度的标准化计算公式，工业生产增长和资金流动状况与整体盈利水平同步提升，相比之下，整体盈利速度对工业生产增长的变动反应比资金流动状况更为显著。
3.4 全A (非金融) 营收增速
通过PPI和工业增加值对全A（非金融）营收进行测算，两者均采用标准化的季度同比数据进行回归分析，测算结果如图16和图17所示，模型适配程度较高，相关系数为0.81。接下来是全A（非金融）营收增长率的标准化模型公式，在排除银行、证券公司和保险机构后，营收增长率模型的适配程度略有提升。
3.5 全A (非金融) 毛利率
与全部A级企业的毛利率相比，仅计算非金融领域的A级企业，并且排除了没有毛利率的金融机构，这样得出的整体平均毛利率数值有所降低，更接近实际工业公司的毛利率状况。通过PPI、工业增加值、PPIRM对全A（非金融）毛利率进行测算，数据选取排除第一季度，仅包含第二至第四季度信息，因变量为标准化后的毛利率，自变量均为标准化后的季频同比数据，回归分析结果如图18和图19所示，模型适配度较高，决定系数为0.74。接下来展示全A（非金融）毛利率的标准化方程式：
3.6 全A (非金融) 利润增速
通过工业增值数据和信贷波动指标对整体A股（剔除金融行业）的盈利状况进行测算，均使用过标准化的季度同比增长数据进行回归，分析结果如图20和图21所示，模型适配程度比整体A股显著增强，相关系数为0.57，以下为整体A股（非金融行业）盈利增长速度的标准化模型公式
4.分析预测
这六种模型已进行归纳整理，营收增长模型主要依托PPI年度数据和工业增加值年度数据作为经济参考，其适配程度较为理想，反映出国内公司以工业制造企业为主，公司整体经营状况受产品销售价格影响显著，产品销售价格越高，公司经营成果将明显增强。该比率计算方法主要参考生产者价格指数的年度变化率，以及生产者价格指数中市场调节价部分的年度变化率，还有工业生产规模的年度变化率，这些是衡量整体经济状况的指标，能够反映产品售价和原料成本对企业利润率的影响。该盈利框架主要依托工业产出年增率和信贷波动作为衡量经济状况的指标来建立，一旦移除金融行业板块，整个A股板块的盈利增长模型预测精准度显著增强；该框架表明公司整体获利能力与工业产出年增率和信贷波动之间具备紧密的内在联系，这两个指标均与资本形成总额有着密切关联，每当公司整体收益显著增长，公司通常会将部分未分配收益和通过借贷获得的资金用于投资，以购置新机器、扩充生产规模等方式进行支出，以此增强公司的生产效能，所以盈利增长速率与工业产出年增率、信贷波动之间形成了一定的相互影响。
分析全A与全A（非金融）两类模型，删除金融行业成分后，营收扩张程度评估、营业利润率测算以及利润增长预测均有明显改善，由于所选宏观经济参数大多源自工业统计，因此模型对工业公司盈利状况的评估效果相当理想；构建模型时我们曾尝试纳入对金融机构有特殊反应的宏观变量，不过这类变量容易同工业产出、产品价格指数形成高度关联，从而干扰对内在逻辑的准确描述。
根据宏观研究人员的普遍看法，我们制定了2024年的收益预估，预计营业收入增长速度、产品利润率以及净利润增长幅度都将逐步显现转好迹象，具体数据请参见表格。2024年整体营收增长预计为8.17%，整体毛利润率预计达到35.94%，整体利润增长预计为9.81%。2024年整体非金融营收增长预计为8.05%，整体非金融毛利润率预计为24.50%，整体非金融利润增长预计为3.83%。从全局角度分析，公司盈利能力提升的速度预计会超过其收入增长的速度，而从事金融行业的公司可能比非金融行业的公司更早实现利润的回升。
2024年全A整体收益增长幅度预计为8.17%，较2023年中心数值有所上升，标志着需求方面出现“预期转变”，全年将逐步显现回暖迹象，其中第二季度回暖速度或将进一步加快。第一季度整体收益增长幅度预计为4.98%，第二季度整体收益增长幅度将增加2.42个百分点达到7.40%，第三季度和第四季度仍将逐步呈现复苏态势，但发展节奏会放缓，具体数据参见图24。
2024年全A毛利率预估达到35.94%，表现要优于2023年的整体均值，全年展现出逐步回暖的走向；2024年第二季度，全A毛利率预计为35.81%，到了第三季度则略有下降，而第四季度则继续呈现回升态势，具体数据参见图25。
2024年全A盈利增长速度预估为9.81%，较2023年中心数值有所上升，全年将逐步显现恢复迹象，可能在第四季度显著加速反弹，从而构成景气度上升的阶段；第三季度的盈利增长速度预计为9.92%，第二季度的盈利增长速度增加了3.78个百分点，达到13.70%，参见图26。
2024年全A（非金融）营收增长速度预计为8.05%，比2023年中心位置要高，全年将慢慢恢复，可能在第二季度恢复速度会更快一些。第一季度营收增长速度预计是3.97%，第二季度营收增长速度会提高3.07个百分点达到7.04%，第三和第四季度仍然会逐步恢复，不过速度会慢一些，参见图27。
2024年全A（非金融）的毛利率预估达到24.50%，表现优于2023年的平均水平，全年展现出持续增长的态势； 2024年第二季度，全A（非金融）的毛利率为24.33%，第三季度略有下降，之后第四季度再次缓慢回升至24.83%，具体情况参见图28。
2024年全A（非金融）盈利增长速度预计为3.83%，基本上摆脱了2023年的负增长状况，全年展现出逐步恢复的态势，可能在第四季度恢复速度显著加快，从而构成景气度上升的阶段；2024年第一季度全A（非金融）盈利增长速度仍然为负增长，到了第三季度之后，第四季度盈利增长速度大幅度提高20.83个百分点达到20.42%，参见图29。
从全局角度出发，采用自上而下的方式对全A市场盈利进行预测，该研究借助宏观经济数据与企业盈利表现之间的内在联系，充分运用多种维度丰富的宏观指标，以此推算全A市场的盈利状况，其成果对于宏观经济研究以及投资决策将具备更大的参考价值。2024年全A盈利预期，收入增长预计为8.17%，利润增长预计为9.81%，全年企业盈利状况逐步向好；其中，利润增长回升幅度预计将超过收入增长，但其恢复步调可能慢于收入增长，金融机构的利润修复进度或将快于非金融机构。
