导读：股神巴菲特曾说，“你必须了解财务报告，它是企业与外界交流的语言，一种完美无瑕的语言。”
财报如一面镜子，鉴以照之，一路行去。财务数据背后所承载的妙趣无穷的想象，犹如红与黑交错底色下的音乐会，突然一声枪响，谁是那个受伤的投资者？
伴随注册制的全面铺开，目前A股上市公司已达4000多家，翻阅厚厚的财报，还有季度、半年度、年度的紧密追踪，投研“排雷”工作实属不易。
更困难的是，实操中种种财务问题存在“边界模糊”难以界定的现象，财务质量的红与黑，以及时间推移下，财务质量的向好与趋劣，如何形成一个相对定量的结果用于比较与研究，是金融从业者在规模化、专业化投资工作中面临的重大考验。
为解决这个问题，Datayes!萝卜投资基本面评分模型基于历史财务数据以及AI盈利预测财务数据，使用机器学习模型对上市公司的财务风险进行预测，并对财务质量进行评分，形成了一套模型化、自动化的财务质量识别系统，帮助投资者更高效地解码财报背后的财富密码。近期，萝卜投资【财务质量评级】和【财务质量归因】功能已正式上线。
【功能路径】点击“投资研究”→“个股监控”
图1：萝卜投资财务质量评级&归因【功能路径】
一. 与财报共舞：1分钟搞定财务评级
云里雾里，“问题”财报正如带刺的玫瑰，难以摸透，难以定量。对此，萝卜投资通过A、B、C、D、E五个评分等级和财务盈利能力、收益质量、成长能力、偿债能力、营运能力五个维度的归因考察，将高质量公司与高风险个股加以量化区分，帮助投资者在优等池子中择股，极大降低了踩雷风险。
案例1：艾格拉斯财务质量评级&归因
举个例子，12月7日，游戏公司艾格拉斯因涉嫌信息披露违法被中国证监会立案调查。从公司评级及分数可看到（图-案例1），在艾格拉斯违法事件被揭露之前，萝卜投资已将该股调至E级，提示了财务风险。归因结果显示，公司【应收账款周转率】长期处于行业10分位数以下，且【其他收入占比营收】大幅高于行业90分位数，公司前身主要经营混凝土输水管道业务，2017年重铺移动终端游戏赛道，转型受挫，种种利空因素为公司的“暴雷”埋下了伏笔。
案例2：舍得酒业财务质量评级&归因
此外，白酒行业今年爆出大雷的舍得酒业（图-案例2），萝卜投资对其财务评级在历史上长期处于低位（E级）。昨日过山车似的股价，以及近期实际控制人变更，让公司的前途扑朔迷离。财务质量归因显示，盈利能力方面，公司【净利率预期稳定性】较低（2.2976），位于行业10分位数（2.8387）以下，【毛利率稳定性】、【长期ROE均值】也处于低值。公告披露，其控股公司天洋控股因为资金紧张，持续向舍得酒业借款，促成了舍得酒业为实现业绩高增长，逐步牺牲公司回款能力，放宽赊销信用条件，造成公司难以良性循环发展。
案例3：杭州高新财务质量评级&归因
同时，萝卜投资还成功预警了杭州高新的财务沉疴，模型在2019年已将该股评级下调至E。财务质量归因显示，2020年该公司【毛利率】、【净利率】等盈利指标大幅下滑；另外，该公司【销售商品、提供劳务收到的现金占营收比】长期低于同行业10分位数，收益质量欠佳。就在不久前，11月23日，杭州高新对外公告称，公司无法与实际控制人取得联系，后者处于失联状态，其所持15%公司质押股份处违约状态。消息一出，股价深跌，投资者情绪被蒙上了阴影。
以上种种，正如巴菲特所言，你在厨房里面发现一只蟑螂，那么厨房里绝对已经不止一只。上市公司的经营状况已经在财报红与黑的“色变”中显露端倪，投资时敏锐的触觉和严谨的财务分析能力，十分重要。
相比之下，同为白酒行业的 $贵州茅台(SH600519)$ （图-案例4），还有大白马 $海天味业(SH603288)$ （图-案例5）的财务质量长久以来，都保持着A级，并始终位于行业前列，这为二级市场的高估值高定价提供了支撑。
案例4：贵州茅台财务质量评级&归因
案例5：海天味业财务质量评级&归因
二. 鉴别财报底色：构建AI财务风险预测模型
焦点混乱的A股市场，如何发掘隐秘的财报秘密？财务预测模型又是如何构建的呢？
通联数据主要将财务探究分为两个突破口，即财务困境识别和财务质量预测，来追踪财务红与黑的“变奏”。
👉 对于财务困境的识别，一般来说，证监会披露的造假公司名单可能只是所有存在财务风险的冰山一角，以此作为标签训练得到的模型并不能有效表征全部上市公司的真实财务状况。
因此，在强有力的基本面量化逻辑支撑下，萝卜投资采用半监督类机器学习模型，以提升模型的精度和鲁棒性。
👉 就财务质量，通联数据从经济特许权和财务实力两个维度来度量。
由于很难获取具有代表性的标签数据，因此以完备且自洽的基本面量化逻辑为基础，采用无监督类机器学习模型，来提升预测模型的精度和可解释性。
相比于常规的财务风险预测模型，通联模型具有以下几个方面的优势：
👉 1. 利用较高精度的基本面指标未来预测结果作为输入，采用“以未来预测未来”的预测逻辑，一定程度上规避了“历史可以代表未来”的平稳性假设。
👉 2. 采用与专家先验相结合的人机交互方式来确定用于预测财务困境识别和质量预测的输入特征，保证了基本面量化逻辑的完备性和自洽性。
👉 3. 财务风险预测模型依赖于通联AI盈利预测模型，后者的高频输出同样可以满足我们对财务风险进行高频监控的需求。
三. “排雷”效果：高达80%的预测精度
财务风险预测的目的之一是帮助投资者“排雷”，回测数据显示模型有良好的效果（图2）。
以未来三年内目标个股是否会被ST作为预测目标，在2017年1月至2019年12月期间利用训练好的模型进行样本外月度预测。由于被ST的上市公司占比较小，ST预测问题本质上属于类别非均衡学习的范畴，因此我们选择balanced accuracy作为模型的评价标准，该指标兼顾了模型的precision和recall。
👉 1. 36个样本点的balanced accuracy均值接近80%，对应的recall均值接近75%，可以通俗地理解为模型每预测出10家可能出现财务风险的公司，约有7至8家最终被证实确实存在问题。
👉 2. 从2017年到2019年，balanced accuracy的值呈上升趋势，说明训练样本增加，提升了模型表现。
图2：通联财务风险预测模型精度对比
进一步地，以通联财务风险打分作为量化因子，按得分由高到低，将沪深A股一般工商行业成份股分为10组，以2017/01/31-2020/11/30为周期，每月最后一个交易日调仓，构建组合，进行简单回测。如图3、图4所示，单因子检验结果显示出一定的单调性，进一步验证了模型结果的有效性。
图3： 累计收益率曲线
图4：不同组别对应的累计收益率（2020-11-30）
四. 红与黑的较量：最新模型预测结果大放送
截至2020年11月，Datayes财务质量评分模型给出的红榜和黑榜top5公司如下表所示，以供参考。
从“人机交互”为出发点，人类专家的先验知识保证了基本面量化逻辑的完备和自洽，机器学习模型保证了预测结果的精度和可解释性，通联财务风险预测模型像是一条能躲避财务黑洞的“保险绳”。通过这个自动化的预警识别系统，在A股市场“红与黑”的财报变奏中，相信您也能跳出一曲完美的“投资探戈”。
（免责声明：以上内容不构成投资建议，以此作为投资依据，出现任何损失，作者不承担任何责任）
点击链接，免费申请试用账号👉网页链接
关注萝卜投资公众号（DatayesR），获取更多高价值信息~
开启智能投资导航新时代，Datayes!萝卜投资致力于打造从投资研究、组合管理到风险控制的下一代投资平台。凭借对投研工作流程的深刻理解，依托人工智能、大数据和知识图谱技术，以及量化基本面投资理念，我们帮助客户跟踪投资动态、发掘投资机会、防范投资风险、沉淀投资知识。