主要观点：
　　本篇是“学海拾珠”系列第二百七十六篇，文献研究了一种利用共同基金财务报表信息提升业绩分析的方法。该方法将基金财务报表中的各类科目分解为财务比率，并系统评估其对基金未来Alpha的预测价值。具体而言，作者从投资策略盈利能力、运营效率、财务杠杆与流动性三个维度构建10项财务比率，分别通过线性面板回归和随机森林机器学习方法，检验其在常用基金特征基础上的增量预测能力。
　　研究方法
　　1、以1995—2018年美国主动管理型权益类和固定收益类基金为样本，根据年度财务报表数据，构建10项财务比率，涵盖股利收入、利息收入、已实现/未实现损益、运营费用率、投资市值、现金等科目。
　　2、以历史业绩、净费率、换手率、主动份额等常用特征构建通用信息模型作为基准，在此基础上纳入财务比率构建财务报表模型，比较两者的样本外预测效力。
　　3、分别采用线性面板回归和随机森林算法进行预测，按预测Alpha构建十分位组合，以实际指数Alpha和多因子Alpha评估组合表现。
　　文献主要结论
　　1、财务报表比率对基金未来Alpha具有显著增量预测力：线性模型下权益类/固定收益类基金优劣组合的年化Alpha差距分别提升0.93%和0.54%；随机森林下权益类基金差距进一步扩大至4.53%。
　　2、预测力最强的是反映投资策略盈利能力的比率（股利收入、利息收入、已实现/未实现损益），运营效率及杠杆类比率的贡献相对有限。
　　3、财务报表比率的持续性存在显著分化：股利和利息收入持续性最强，未实现损益则呈均值回归特征，揭示了收益来源结构对基金业绩持续性的内在驱动机制。
　　4、随机森林特征重要性分析表明，多项财务报表比率的预测重要性高于总费率、基金规模等常用非财务特征，印证了财务报表信息的独立分析价值。
　　风险提示
　　文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。