国君策略：内紧外松 2021年盈利创造结构性机会

摘要

内紧外松，2021年盈利创造结构性机会。当前视野应从美债上行回归至国内信用收紧。宏观流动性收紧作为2021年分母主基调，对估值的压制将持续延续。与其犹疑与等待“合理估值”，不如盈利主动出击。利率上行下，从远期成长回归PEG视角，2021年短周期的盈利重要性正在提升。低风险偏好下，亦更需盈利确定性。国内信用收紧，盈利亦受考验，但结构性亮点仍存。国内地产销售、竣工加快之下的地产链需求仍将保持稳定，国内消费服务亦将持续回暖。更为重要的是国内外经济周期错配，内紧外松下国内出口高增仍可期。

净利润增速预测(自上而下)：从“量”“价”维度对全A非金融板块的营业收入与净利率分别进行预测，综合运用向量自回归模型(VAR)、误差修正模型(ECM)等模型。2021年各季度全A板块/全A非金融板块净利润增速分别为33.8%/44.2%/0.4%/-8.1%、102.4%/43.4%/-1.2%/-7.5%，全年增速分别为17.0%和24.3%。2021年Q3-Q4A股盈利增速回落明显，但全年盈利动能仍强。

净利润增速预测(自下而上)：2021年全A板块/全 A非金融板块净利润增速分别为8.9%和11.6%。我们以个股Wind一致预期数据为基础，同时考虑分析师过度乐观效应，利用历史预测准确度对预测结果进行调整。大小风格：大盘盈利优势趋弱，中盘盈利弹性凸显。大类行业：上游周期、下游周期、可选消费增速较高且弹性较大，金融板块弹性亦较大。一级行业：采掘、有色、建材、化工、交运、休闲服务、商业贸易增速较高，采掘、建材、交运、休闲服务、家电、商业贸易、银行等行业弹性较大。

ROE 预测(自上而下)：估值压制之下，预期回报率视角下ROE重要性正在提升。大宗涨价、通胀加速，以及信用紧缩等多重环境中， 三因子表现分化下的ROE走势值得我们重视。由于已有净利润预测数据，我们聚焦于股东权益预测。综合考虑各模型的拟合准确度及预测合理度，计算得到2021年各季度全A/全A非金融板块ROE分别为2.4%/3.1%/2.6%/1.4%、1.9%/3.1%/2.6%/1.1%，全年分别为9.5%和8.7%，高点在二季度。

ROE 预测(自下而上)：2021年全A板块/全A非金融板块ROE分别为10.2%和11.3%，盈利能力修复弹性大。一级行业：从ROE修复弹性来看，休闲服务、交运、传媒、汽车、商贸、纺服、机械、电子等行业向上弹性较强。但通信、农林牧渔、建材等行业有所下行。

1

内紧外松，盈利创造结构性机会

1.1、犹疑估值，不如决胜盈利

视野的回归：从美债上行回归至国内信用收紧。2021年至今，美债在经历四轮快速上行期后已突破1.70%。客观上美债仍将上行，但对A股脉冲式影响已过，往后看影响将逐渐钝化。从两次汇改后至今从沪深300估值与美债收益率的关系来看，压制关系也并不显然。视野应从美债上行回归国内信用收紧，易主席关于市场“关注外部因素远远超过国内因素”的发言亦提示市场，美债固然重要，但国内流动性、信用收缩的担忧更为重要。

紧缩之下估值下杀，盈利将是全年的结构主线。我们在报告《没水之后：回首二十年六次流动性收紧20201026》中提到，复盘2000年以来六次流动性收紧，观察到流动性收紧将对估值持续压制，且随时间推移影响逐渐扩大。宏观流动性收紧作为2021年分母主基调，对估值的压制将持续延续。尽管当前机构重仓的大市值个股受微观交易结构恶化、美债利率上行等因素影响，估值已较年初明显回落。同时从“中国版漂亮50”的市盈率(TTM)来看，当前估值分位也从四倍标准差回落至两倍。但当前大市值风格整体水位仍高，沪深300历史分位仍在80%以上，而中证500与中证1000均低于30%。大市值风格估值仍较脆弱，与其犹疑与等待“合理估值”，不如盈利主动出击。利率上行下，从远期成长回归PEG视角，2021年短周期的盈利重要性正在提升。低风险偏好下，亦更需盈利确定性。

1.2。 内紧外松，盈利创造结构性机会

国内信用收紧，盈利亦受考验。除对估值带来持续压力外，信用收缩亦将使企业扩表受限、负债成本上行，对A股盈利带来全局性负面冲击。2021年一季度PMI已较2020年四季度小幅回落，未来流动性收紧之下订单周期上行有限，主动补库的持续性存疑。但结构性亮点仍存，国内地产销售、竣工加快之下的地产链需求仍将保持稳定，国内消费服务亦将持续回暖。更为重要的是国内外经济周期错配，内紧外松下国内出口高增仍可期。

注：为剔除2020年初的低基数效应，房地产竣销、社零同比增速等计算以2019年同期为基准

海外疫情虽有反复，但对海外制造业修复影响已钝化。目前美国疫情已高位回落，但全球疫情却二次抬头。近期除巴西、印度等国新增病例加速抬头外，德国、法国、意大利等欧洲国家亦有所抬头。尽管欧洲疫情仍在反复，但制造业生产仍继续恢复，3月欧元区制造业PMI上行至62.5，其中德国上行至66.6高位，法国上行至59.3。疫情对经济冲击目前主要集中于线下消费，对生产的冲击正在逐步弱化。此外，尽管欧美各国疫苗推进进度仍有分化，但目前推进速度较快的美国、英国疫情已基本稳定，未来随着欧洲其他贸易伙伴疫苗加速推进，疫情对制造业的影响将基本消除。

尽管海外供给延续恢复，但产能缺口仍存在，出口仍将保持高景气。从美国来看，3月美国PMI产出和PMI新订单分别为68.1和68.0，制造业供需两旺。但从供应链来看，3月美国PMI客户库存仅有29.9，而PMI订单库存和PMI供应商交付却高达67.5和76.6，美国制造业供应链仍较为紧张。欧美制造业产能利用率亦仍未完全恢复，2月美国制造业产能利用率为72.3%，2020年四季度欧盟27国制造业产能利用率为78.2%。综合来看，海外缺口仍未闭合，出口高增将继续助力盈利。

注：为剔除2020年初的低基数效应，2021年1月与2月我国出口同比增速计算以2019年同期为基准。

2

2021年盈利增速预测：2021Q3增速回落明显

自上而下：从宏观视角出发，自上而下利用计量模型对全A非金融板块的净利润增速进行预测，得到2021年全A非金融板块各季度净利润同比增速。同时考虑到金融板块自下而上预测的高准确度，汇总得到全A板块的净利润增速。

自下而上：在个股Wind一致预期数据基础上，结合往年的预测准确度进行误差调整，最终对各板块和行业2021年全年的归属母公司股东的净利润(以下简称净利润)同比增速进行预测。

2.1、一致预期视角：2021年全A同比增长8.8%

如何合理利用Wind一致预期数据进行盈利预测分析？从不同行业来看，分析师覆盖率、历史预测准确性等均存在较大差异。首先，我们统计各大类行业、大小风格和申万一级行业的覆盖率，通常我们认为覆盖率更高的板块、风格和行业的Wind一致预期数据具有更高的参考价值。其次，我们计算各板块、风格和行业自2010年以来Wind一致预期的预测误差情况，过去预测误差小且稳定的板块、风格和行业更具参考价值，同时我们考虑过去的预测误差对最新的盈利预测值进行调整。

2.1.1、盈利预测覆盖率：行业间差异较大

2017年后全A分析师覆盖率有所下降。从全A的分析师预测覆盖率来看，2017年覆盖率仍高达67%，此后受多方因素影响，2018、2019和2020年覆盖率分别下行至58%、47%和44%。可以观察到2017年后，全A分析师覆盖的个股数保持稳定，但是随着上市公司家数的增长，覆盖率逐年下降。2021年覆盖率有所抬头，目前全A分析师覆盖率为47%。

上游周期覆盖率逐年下降，必选消费覆盖率有所抬头。从大类行业的分析师覆盖率来看，上游周期的分析师覆盖率仍在下降中，目前覆盖率已下降至51%，但其覆盖率仍在各大类行业中居前列。中游周期和下游周期当前覆盖率保持稳定，分别为44%和42%。必选消费分析师覆盖率有所抬头，当前其覆盖率上行至50%，可选消费亦有所上行，当前覆盖率为45%。成长和金融的覆盖率较为稳定，当前为51%和50%。

大市值风格覆盖率近年逆势提升。我们根据个股历年的年平均市值，从两个维度进行大小分类。第一，将全A个股按市值排序，分为前10%、10%-30%和后70%三类。观察到市值在前10%个股的覆盖率近年在逐步提升，目前已提升至93%高位，而市值在后70%个股的覆盖率在逐步下行，当前已降至31%低位。第二，将年平均市值排在前300名、300-500名和800-1800名的个股分为三类，近似沪深300、中证500和中证1000。市值在前300名个股的覆盖率亦在逐年提升，目前已上行至97%的高位。而800-1800名个股的覆盖率则始终稳定在极低位，当前覆盖率仅为16%。

行业间差异大，银行、食品饮料等行业覆盖率较高。

1)周期：上游周期中采掘和有色金属行业覆盖率接近，最新分别为52%和51%。中游周期中，钢铁覆盖率有所回落但仍高达61%，化工、建材覆盖率近年逐步抬头，当前分别为52%和55%。公用事业、电气设备和机械设备覆盖率保持稳定，当前分别为37%、41%和36%。下游周期中，交运、房地产和建筑装饰覆盖率保持稳定，当前分别为48%、34%和44%。

2)消费：可选消费中，各行业之间的覆盖率差异逐步收敛，休闲服务、家用电器、轻工制造和汽车当前覆盖率分别为49%、46%、46%和43%。必选消费不同于可选消费，各行业之间的覆盖率差异正在扩大，其中食品饮料快速上行至73%，纺织服装、医药生物和农林牧渔保持稳定，目前覆盖率为45%、50%和48%，商业贸易覆盖率则下行至34%。

3)成长：各行业覆盖率基本保持稳定，其中传媒与通信覆盖率相对较低，均为43%，电子、国防军工和计算机覆盖率分别为56%、56%和51%。

4)金融：银行与非银金融覆盖率两极分化，银行覆盖率常年保持在80%以上，当前覆盖率高达97%，而非银金融覆盖率近几年呈下行趋势，当前覆盖率仅有34%。

从覆盖率来看，一级行业中采掘(52%)、有色金属(51%)、钢铁(61%)、建筑材料(55%)、化工(52%)、医药生物(50%)、食品饮料(73%)、电子(56%)、计算机(51%)、国防军工(56%)和银行(97%)等行业覆盖率均超过50%，大类行业中上游周期(51%)、必选消费(50%)和成长(51%)覆盖率均超过50%，大小风格中，市值在前10%(93%)和10%-30%(80%)，以及市值排名在前300名(97%)和300-800名(84%)的个股覆盖率较高。以上风格、行业从覆盖率来看，其Wind一致预期更具参考价值。

2.1.2、基于一致预期数据的净利润增速计算方法

证券分析师盈余预测准确性受到众多因素影响。通常，证券分析师的盈余预测准确性会受到分析师自身、所任职证券公司和相应上市公司三方面因素的影响。例如分析师的从业年限、团队人数、社会关系，证券公司的规模、与上市公司紧密度，以及上市公司的规模、上市时间、关注度、会计质量和持股结构等因素都会对盈余预测准确性形成干扰。

事实上，众多研究均认为证券分析师对于上市公司的盈余预测往往过于乐观。上世纪70年代，海外逐渐展开证券分析师盈余预测准确性的研究。Basi(1976)通过实证研究发现，分析师对上市公司的盈余预测高于最终披露的结果。Fried和Givoly(1982)发现分析师普遍具有乐观倾向。Dowen(1989)利用1977-1986年的预测数据，发现其中七年分析师的预测错误都显著为正。Calderon(1993)通过对1976开始后的12间证券分析师的盈余预测进行分析，发现证券分析师的盈余预测也存在高估的现象。Calderon (1993)通过分析1976-1988年间的分析师预测数据，发现分析师发布的盈利预测一般都会超过实际的盈余，也就是说分析师的盈利预测表现出了乐观的倾向。Brown(1997)也发现证券分析师的盈余预测存在过度乐观的现象。

结合Wind一致预期数据的实际情况，一方面证券分析师存在过度乐观倾向，另一方面各行业中覆盖的样本较整体往往更为优质。故我们需对Wind一致预期进行调整，同时由于预测的相对时点不同(每年4月7日对前一年的预测显然要比对当年的预测更为准确)，我们需要分别对2021年和2020年的预测增速进行调整。

计算调整后的 2021 年 Wind 一致预期净利润增速

1)计算各行业的“预测误差1”：对行业n，计算每年4月7日(本次计算预测的当日日期)对当年盈利增速的预测值与当年实际盈利增速的偏差，并对2010-2019年各年偏差计算平均，得到行业n的“预测误差1”。

在部分行业的“预测误差1”计算过程中，若某行业出现某年预测误差特别大，而其他年份相对稳定的情况，则考虑剔除部分异常年份的数据。

2)调整后的2021年净利润增速：将从个股维度加总计算得到的各行业的Wind一致预期净利润增速减去各行业的“预测误差1”。

其中若个股有2021年净利润预测值，但无2020年净利润预测值，则选择用2020年净利润预测值替代。若有2021年净利润预测值的个股既无2020年实际值也无2020年预测值，则将其从样本中剔除。

计算调整后的2020年一致预期净利润增速

1)计算各行业的“预测误差2”：对行业n，计算每年12月31日对当年盈利增速的预测值与当年实际盈利增速的偏差，并对2010-2019年各年的偏差计算平均，得到行业n的“预测误差2”。在调整2020年的预测值时，我们选择采用每年12月31日对当年的盈利预测数据来计算“预测误差2”。这是因为一方面每年12月31日后，分析师再对该年的盈利预测进行调整的操作较少，另一方面若采用后一年3月31日的预测数据与该年的实际值偏差来计算预测误差，会面临随着实际值披露预测值逐渐消失而使样本过小的问题。

与计算“预测误差1”相同，在部分行业的“预测误差2”计算过程中，若某行业出现某年预测误差特别大，而其他年份相对稳定的情况，则考虑剔除部分异常年份的数据。

2)调整后的2020年净利润增速：考虑到当前已有部分个股披露了2020年净利润实际值，故我们在计算2020年净利润增速时综合考虑已披露年报和未披露年报但具有预测值的个股。同时，由于样本不完全由预测值构成，故我们对“预测误差2”按比例进行调整。

2.1.3、

哪些行业盈利增速预测值具备参考价值？

我们认为，预测误差较小的行业其预测的增速绝对值具备一定的参考价值，而相关系数较高的行业其增速的趋势变动具备参考价值。相较2020年的预测情况，我们更重视2021年的预测准确性，故以下主要基于“预测误差1”与“相关系数1”进行讨论。

基于预测误差：哪些行业的增速绝对值具有参考价值？

1)仅有申万一级行业中的银行与建筑材料，大类行业中的金融，以及大小风格中市值300-800名的预测误差为正，表示分析师对上述的预测相对谨慎与过度悲观。而其余的预测误差均为负值，说明对于大部分的行业/风格来说，分析师的预测均过度乐观。

2)申万一级行业：预测误差绝对值在10%以内的，仅有家用电器(-5.1%)、银行(1.1%)、非银金融(-9.2%)，上述三个行业的预测增速绝对值具备一定的参考价值。此外，建筑材料(10.1%)、建筑装饰(-11.0%)和食品饮料(-12.0%)的预测增绝对值在15%以内，亦具有一定的参考价值。

3)大类行业：下游周期(-7.5%)、可选消费(-15.7%)和金融(0.8%)的预测增速绝对值在20%以内，具备参考价值

4)大小风格：Wind一致预期对于大小风格的预测能力较弱，预测误差绝对值均在30%以上，其中分析师对大市值风格(-89.3%)的过度撸管较为严重，而对中市值风格(38.8%)过度谨慎与悲观

5)从总量上来看，全A(-14.7%)由于有金融作为稳定剂，增速绝对值具有一定的参考价值，而全A非金融(-27.4%)的参考价值相对较弱

基于相关系数：哪个行业的增速趋势变化具有参考价值？

1)申万一级行业：“相关系数1”较高的，主要包括采掘(87.0%)、有色金属(96.7%)、建筑材料(93.4%)、机械设备(86.6%)、建筑装饰(79.0%)、食品饮料(77.6%)、银行(92.3%)等行业，上述行业的增速趋势变化具备一定的参考价值。

2)大类行业：中游周期(82.6%)、下游周期(83.2%)、必选消费(76.9%)和金融(83.5%)的相关系数较高，增速的趋势变化具备参考价值。

3)大小风格：一致预期对于大小风格的增速趋势预测能力依然较弱，大市值风格(-43.2%)和中市值风格(-89.5%)的相关系数为负。

4)从总量上来看，全A(77.5%)和全A非金融(87.3%)的相关系数均较高，增速的趋势变化具备参考价值。

2.1.4、

2021盈利展望：全A同比增长8.8%

1)总量：全A盈利修复继续，全A非金融弹性相对较弱。2021年全A归母净利润增速预测值为8.8%，较2020年归母净利润增速预测值5.4%有所修复。2021年全A非金融归母净利润增速预测值为11.3%，较2020年归母净利润增速预测值10.5%上行幅度较小。

2)大小风格：大盘盈利优势不再，中盘盈利弹性凸显。2021年总市值排名前300位个股归母净利润增速预测值为-17.2%，较2020年归母净利润增速预测值46.7%下滑明显。而中盘与此相反，2021年总市值排名前300-800位个股归母净利润增速预测值为40.8%，较2020年归母净利润增速预测值-22.6%上行明显。

3)大类行业：从绝对增速来看，上游周期(20.4%)、下游周期(29.6%)、可选消费(25.4%)增速较高；从盈利弹性来看，上游周期(-13.3%→20.4%)、下游周期(-11.8%→29.6%)、可选消费(1.4%→25.4%)和金融(1.6%→9.6%)上行弹性较大。

4)申万一级行业：从绝对增速来看，上游周期的采掘(19.7%)、有色金属(21.9%)，中游周期的建筑材料(28.1%)、化工(24.1%)，下游周期的交通运输(126.5%)，可选消费的休闲服务(378.2%)，必选消费的商业贸易(58.6%)增速较高；从盈利弹性来看，采掘(-24.0%→19.7%)、建筑材料(14.3%→28.1%)、交通运输(-54.1%→126.5%)、休闲服务(-72.6%→378.2%)、家用电器(-3.7%→17.1%)、商业贸易(-54.9%→58.6%)、银行(-0.1%→7.9%)等行业弹性较大。

2.2、

自上而下：2021Q3 增速回落，全年同比增长 24.3%

考虑到 Wind 一致预期对于金融行业较高的预测准确度，我们采用自下而上的方法对全 A 非金融板块 2021 年各季度的盈利进行预测。将净利润拆分为营业收入与净利率后，我们分别对营业收入增速与净利率单独进行预测。

指标参考：“量”指标+“价”指标

考虑到净利率更多受价格因素主导，而营业收入则更多由销量贡献，我们在筛选二者的影响因子时亦从“量”与“价”两个维度进行考量。同时考虑宏观预测数据可得性，选择6个“量”指标：实际GDP同比、M2同比、新增人民币贷款同比、社会融资规模同比、社会消费品零售总额同比、固定资产投资完成额累计同比。选择3个“价”指标：PPI同比、CPI同比、美元兑人民币汇率。

根据盈利传导逻辑，“价”指标的组合可以解释净利率的变动。营业收入虽然是“量”指标，但“价”对其影响不能忽视。因此，解释营收增速需从“量”、“价”两个维度的共同考虑。

指标参考：“量”指标+“价”指标

1)向量自回归模型(VAR)：考虑到经济变量的联合内生性特质及彼此相关性，我们首先考虑应用向量自回归模型估计各变量之间动态关系。a。为削除数据稳定性差异带来的预测结果不稳定问题，我们通过对一阶单整变量差分，使所有变量同阶单整。之后，通过逐步回归筛选出所有显著变量组合(GDP、社融、社零、M2)带入模型。b。在确定滞后期时，根据赤池信息准则(AIC)，选择2阶模型，得到满足“特征值的模小于1”的稳定性检验结果。但其R2值为0.63，对于VAR模型来说偏低，预测能力有限。c。用VAR模型做近期预测虽具有准确性，但在长期预测中该模型以过多近期预测值作为迭代因子，会造成预测偏离。并且VAR模型的解释变量中不包括任何当期变量，所以同期GDP、社融等宏观变量的预测值在此模型中利用度有限。综合考虑，我们测算营业收入增速时，不使用VAR模型。

2)误差修正模型(ECM)：各经济变量之间稳定性有异。经单位根检验，实际GDP同比、社会消费品零售总额同比、社会融资规模同比、固定资产投资完成额累计同比、新增人民币贷款同比为稳定变量；M2同比、PPI同比、CPI同比、美元兑人民币汇率为一阶单整变量。虽有些经济变量为不平稳序列，但变量间却可能存在长期均衡关系。当变量在某时期受到干扰偏离其长期均衡点时，均衡机制会在下一期进行调整使其重新回到均衡状态。a。在建立误差修正模型时，我们首先对变量进行协整检验，以发现变量之间长期均衡关系。而协整的充要条件是各变量之间同阶单整，因此，做协整检验之前需对一阶单整变量进行平稳性转换。b。对所有同阶变量进行John Henson检验，结果显示存在协整关系。根据协整方程，构造残差，即误差修正项。c。将误差修正项的滞后一阶项看作一个解释变量，连同其它反映短期波动的解释变量一起，建立短期模型，即误差修正模型。长期均衡模型R2为0.62，短期误差修正模型R2为0.71，均在合理范围之内。

营业收入拟合公式1:

把一阶单整变量进行差分使其平稳后，平稳序列已满足做多元线性回归条件。再结合当前市场盈利预测主流多为线性回归，我们对线性回归亦做尝试。

3)线性回归(OLS)：a。进行不带滞后项的纯线性回归，发现一方面R2较小拟合效果不佳，另一方面经济变量的时间效应被排除在考虑范围之内，前期变量值对本期均无影响，这与经济变量的内生性特质相违背。b。于是我们添加所有变量的1至4阶滞后项，逐步回归筛选出具有显著特征的变量。在这一回归中R2高达0.99，后续的预测值不合理。这应是由于某些解释变量非平稳且解释变量过多，彼此间相关性过大而造成的“伪回归”。为避免“伪回归”问题我们做了多种尝试。c。一方面对非平稳变量差分使其满足线性回归基本要求，另一方面对已稳定变量添加滞后项以考虑经济变量的时间“惯性”。之后对重新定义后的变量进行逐步回归，选取显著性最好(p<0.05)的变量纳入模型进行拟合及预测。然而无论选取何种显著性解释变量组合，模型一方面伪回归现象依然存在，预测值偏离预期；另一方面模型中一阶单整变量的差分调整，使其绝对值的重要信息被忽略。此时模型只表达了其短期对营收增速的影响，而没有揭示它们间的长期关系。基于此，我们认为线性回归做法存在一定缺陷，不予采纳此做法。

综上所述，我们选择误差修正模型作为营收增速的拟合及预测模型。

净利率模型选择：向量自回归模型(VAR)+误差修正模型(ECM)

在利用PPI、CPI、汇率对万得非金融行业净利率进行回归时，由于所有变量皆为不稳定变量，且变量数目不多，线性回归效果较差且合理性受限。因此我们不予考虑。

1)向量自回归模型(VAR)(50%)：我们对原始变量应用向量自回归模型。a。根据AIC准则决定阶数为4，但结果未通过平稳性检验。b。我们对三个变量进行平稳性处理后，重新应用该模型，发现阶数仍为4时最优。c。最终模型通过检验，并得到R2为0.85，拟合程度较好的结果。d。考虑到此时模型变量较少，因此宏观变量当期预测值未利用的损失也较小，因此我们把这一模型预测结果相对有效性定为50%。

净利率拟合公式1:

2)误差修正模型(ECM)(50%)：考虑到所有“价”的变量皆为一阶单整变量，满足协整关系的必要条件，我们考虑对原始变量应用误差修正模型。与营收增速模型构建相似，a。进行John Henson检验，发现各变量之间存在协整关系。b。根据协整关系构建残差。c。把残差作为解释变量，与其他变量共同进行不含常数项回归，得到误差修正模型。在这一模型中，虽然变量个数有限导致长期均衡及误差修正模型回归R2过小，因此模型对净利润的剧烈波动刻画能力不高，且调整存在时滞。但是考虑到误差修正模型能较准确刻画出长期均衡趋势，是对在短期波动的刻画上具有准确性的向量自回归模型的强有力辅助与补充。我们因此肯定误差修正模型的校准作用，并把这一模型预测结果相对有效性定为50%。

净利率拟合公式2:

模型拟合结果

我们在测算净利率时，选择了两种具有互补优势的模型，并赋予二者一定权数。我们在分别测算出两个模型下的净利率增速后，加权得到万得非金融总净利率增速。再根据净利润增速计算公式，得到2021年全A非金融各季度净利润增速。

考虑到金融板块自下而上的高准确性以及其历年各个季度间净利润占比的稳定性，我们在全A非金融板块的预测基础上，将2021年金融板块全年净利润按照2016-2019年各季度的平均占比折算到各个季度，最终得到全A2021年各季度净利润增速。对比自上而下与自下而上两类方法，自上而下测算得到的增速较市场预期更为乐观。

3

2021年ROE预测：2021年全A ROE 在10%左右

估值压制之下，预期回报率视角下ROE的参考价值正在提升。从长周期角度来看，预期回报率将近似于ROE，当前估值难提升之下，ROE的重要性正在提升。从近年来各因子的边际贡献来看，各大类行业不尽相同，周期、消费以净利率与周转率驱动为主，成长主要依靠净利率。从周期来看，上游周期和下游周期均以净利率与周转率驱动，下游周期中的房地产除净利率与周转率外亦较依靠杠杆驱动。从消费大类来看，可选消费以净利率与周转率驱动，必选消费中农林牧渔主要依靠净利率驱动，其资产周转率较为稳定。从成长来看，电子和传媒以净利率与周转率驱动，计算机、国防军工和通信主要依靠净利率驱动，其对资产周转率依赖较低。从金融来看，银行三因子均有明显边际驱动，非银金融主要依靠净利率。2021年大宗涨价、通胀加速，以及信用紧缩等多重环境之中，三因子表现分化下的ROE走势更值得我们重视。

3.1

一致预期视角：2021年全 A ROE 为10.2%

与盈利增速预测相似，我们采用Wind一致预测数据和自上而下宏观拟合两种方式对ROE进行预测。考虑到方法一致性，对具体计算过程不再赘述。

3.1.1

哪些行业 ROE 预测值具备参考价值？

与盈利增速相似，结合Wind一致预期数据的实际情况，我们需要分别对2021年(预测误差1，相关系数1)和2020年(预测误差2，相关系数2)的预测增速进行调整。我们基于Wind一致预期历年3月31日对当年全年ROE的预测准确性，分析各行业预测数据的参考价值。同样，我们认为预测误差较小的行业其预测的增速绝对值具备一定的参考价值，而相关系数较高的行业其增速的趋势变动具备参考价值。

基于预测误差：哪些行业的ROE绝对值具有参考价值？

1)仅有申万一级行业中的建筑装饰与银行的预测误差为正，表示分析师对上述行业的ROE预测相对谨慎与过度悲观。而其余的预测误差均为负值，说明对于大部分行业/风格来说，分析师的ROE预测均过度乐观。

2)申万一级行业：ROE预测误差绝对值在1%以内的，仅有建筑装饰(0.82%)、银行(0.01%)、非银金融(-0.27%)，上述三个行业的ROE预测绝对值具备一定的参考价值。此外，采掘(-1.06%)、电子(1.90%)的ROE绝对值预测误差在2%以内，亦具有一定的参考价值。

3)从总量上来看，全A(-2.12%)由于有金融作为稳定剂，ROE绝对值具有一定的参考价值，而全A非金融(-3.90%)的参考价值相对较弱。

基于相关系数：哪个行业的ROE趋势变化具有参考价值？

1)申万一级行业：“相关系数1”较高的，主要包括采掘(85.0%)、汽车(88.1%)、建筑装饰(80.3%)、商业贸易(88.1%)、通信(84.1%)、银行(98.3%)等行业，上述行业的ROE趋势变化具备一定的参考价值。

2)从总量上来看，全A(79.6%)相关系数较高，ROE趋势变化具备一定参考价值。

3.1.2

2021ROE 展望：全 A ROE 为 10.2%

1)总量：全A盈利能力修复继续。2021年全A ROE预测值为10.2%，较2020年ROE预测值9.0%有所修复。2021年全A非金融ROE预测值为9.8%，较2020年ROE预测值8.1%上行。

2)申万一级行业：ROE修复弹性来看，休闲服务(-1.3%→13.3%)、交通运输(1.7%→6.8%)、传媒(-0.1%→4.9%)、汽车(4.6%→8.9%)、商业贸易(1.8%→5.9%)、纺织服装(3.4%→7.3%)、机械设备(6.1%→9.4%)、电子(11.5%→14.2%)向上弹性较强。但通信(2.7%→1.5%)、农林牧渔(20.4%→18.5%)、建筑材料(15.9%→14.9%)等行业ROE有所下行。

3.2、自上而下：全 A ROE 为 9.5%

我们在上文中已用计量模型对净利润增速做出了预测。我们聚焦股东权益增速的预测，由此可根据二者预测值最终得到ROE预测值。

指标参考：

我们在净利润预测6“量”3“价”的参考指标的基础上，考虑到CPI同比、汇率、社会消费品零售总额这三个变量对所有者权益增速的解释力度有限，故而剔除这三个指标，把剩下的6个指标：实际GDP同比、M2同比、新增人民币贷款、社会融资规模、固定资产投资完成额累计同比、PPI同比作为所有者权益的解释因子。

模型选择：向量自回归模型(VAR)

1)向量自回归模型(VAR)：a。在利用原始值进行了多次VAR建模，但均未通过平稳性检验之后，我们决定对非稳定变量进行平稳转化。B。同时，未避免过多解释变量情况下VAR模型结果不稳定，我们先通过逐步回归方法筛选出部分对所有者权益增速具有显著效应的影响因子(D(PPI)、新增人民币贷款)，作为VAR模型解释变量。根据AIC准则，做阶数为4的向量自回归模型，该模型最终通过稳定性检验。虽然向量自回归模型R2并未很大，但考虑到其短期预测准确性的特质，我们认为其在一年之内对于趋势的预测具有参考意义。

2)误差修正模型(ECM)：与前文误差修正模型的建立原理及方式相同，变量之间只有同阶单整才有可能存在协整关系。因此，a。对各个非稳定性变量进行稳定性转换。B.John Henson检验证明稳定后的权益增速与各个解释变量之间存在协整关系。C。根据协整关系得到残差，并进行误差修正回归。但是结果显示，一方面变量数目有限，导致长期均衡关系的R2仅为0.33，偏低的R2造成了较为严重的时滞；另一方面，为最大化削除此种时滞，我们又不得不尽可能多的把解释变量纳入进模型中，以提升R2，于是造成过度拟合的“伪回归”现象，预测值偏离预期。综上所述，我们在此权益增速的拟合中亦不采纳误差修正模型。

所有者权益增速拟合公式：

考虑到金融板块后，我们得到2021年全A的ROE(TTM)预测值为9.5%。