核心观点
　　本文基于“产业景气—盈利预测—行业配置”的传导逻辑，构建行业景气分析框架。首先结合定性与定量方法筛选指标，构建三类预测模型，并结合一致预期改善净利润预测效果。本文进一步尝试大模型增强预测，结果表明增量有限。基于盈利预测构建的景气指数具备一定行业择时与轮动价值，综合轮动策略年化收益率为15.12%，相较六行业等权基准实现7.12%的年化超额收益。
　　主要内容
　　简介
　　本文将盈利预测作为景气度研究的核心中间目标，选取ROE、营收、净利和毛利的TTM同比作为景气度代理，引入一致预期数据和大模型进行增强，系统构建煤炭等6个周期行业的景气指数。
　　定性定量协同筛选
　　本文先通过产业链进行梳理，构建了符合基本面逻辑的行业指标池；随后通过应用2、t检验等定量方法进行定期动态筛选。
　　模型比较与改进
　　本文对比DFM、Factor-Bridge和Factor-MIDAS三类模型，DFM表现最优。针对净利润预测难度较高、部分模型对结构变化适应不足的问题，进一步引入一致预期和短期模型进行优化。
　　大模型增强盈利预测
　　本文探索了特征工程、独立预测及校正预测三种路径。特征工程实现了小幅性能增益；独立预测的整体精度弱于线性模型；校正预测将大模型作为纠偏模块识别非线性与背离信号，效果优于独立预测，但整体表现未能超越线性模型。
　　景气指数应用
　　本文基于绝对水平、季度变化、月度变化和稳健水平4个角度形成16个因子。回测结果显示，多数因子能够捕捉行业相对全市场的强弱变化，验证景气指数具有一定择时价值。
　　本文进一步考察景气指数在多行业轮动中的参考价值。结果显示，绝对水平类因子具有较好的截面区分能力。选取表现较好的6个因子等权合成，每月配置前两名行业，轮动策略年化收益达15.12%，夏普为0.67，相较等权基准实现7.12%的年化超额收益。
　　风险分析
　　本报告中所有数据结果是基于历史统计结果的展示，未来有可能发生风格切换导致因子失效的风险。模型运行存在一定的随机性，初始化随机数种子会对结果产生影响，单次运行结果可能会有一定偏差。历史数据的区间选择会对结果产生一定的影响。模型参数的不同会影响最终结果。模型对计算资源要求较高，运算量不足会导致结果存在一定的欠拟合风险。本文所有模型结果均来自历史数据，模型存在统计误差，不保证模型未来的有效性，对投资不构成任何建议。