收入预测方法对照：销售百分比、回归、时间序列与机器学习的条件分流与精度实测

收入预测方法对照：销售百分比、回归、时间序列与机器学习的条件分流与精度实测本文档提供：四种收入预测方法的可粘贴公式块、按可观察数据条件分流的选择决策表、同一收入序列上的并排精度对比、带判定标准的审计检查清单、失效排查表、完整数值示例；本文档不提供：可直接运行的文件、特定公司的真实收入数据、实时软件版本兼容性说明。（内部编号：方法框架类文档）2026-10-29目录序号交付物名称所在板块读者卡点用途1四方法条件分流决策表一、分流入口四种方法都能碰，不知道从哪个开始按数据条件直接排除不适用路径2式(1)销售百分比法的外部融资需求与收入驱动式二、销售百分比收入预测和资产负债表预测脱节把收入增长率嵌入敏感性资产负债3式(2)一元线性回归收入预测方程三、回归有外部驱动变量但不知道系数怎么估最小二乘估计与预测区间4式(3)多元回归的系数稳定性诊断三、回归加入更多变量后系数符号反转方差膨胀与系数漂移判定5式(4)Holt-Winters乘法季节预测四、时间序列季节幅度随收入规模放大乘法季节项的递推与预测6式(5)ARIMA(p,d,q)结构四、时间序列差分阶数和阶数定不下来单位根检验与简约定阶7式(6)梯度提升树的预测输出与特征贡献五、机器学习模型跑出来不知道哪个变量在起作用从树结构读出边际贡献方向8式(7)滚动起点MASE六、精度对比不同方法的精度不可比统一验证窗口下的标尺9同一序列四方法并排精度对比表六、精度对比想知道“到底哪个更准”直接给出相对排序与差距10样本量与过拟合边界表七、边界小样本上跑复杂模型看起来很好识别虚假精度11收入预测方法审计检查清单八、审计模型做完了不知道能不能交22项逐条判定12方法失效信号排查表九、排查预测图不对，从哪找原因按症状定位13两栏反例对照十、反例常见写法埋了什么坑对照修正14完整成品示例与变量表十一、示例想看一个四方法并排算通的例子逐期对照复制15三套场景操作序列十二、场景不同数据条件跑到什么程度按版本选取动作序列16差异化增补汇总表附录—同类资料未覆盖的对比维度结构导览板块定位说明一、分流入口查先排除不适用路径，再比较剩余方法二、销售百分比按收入增长与融资需求的连接式三、回归按驱动变量系数估计与稳定性诊断四、时间序列按季节递推与ARIMA定阶五、机器学习按树集成的输出解读与边界六、精度对比核同一窗口上的MASE排序七、边界对样本量与过拟合的判定线八、审计清单勾22项逐条判定九、排查表找按失效信号定位十、反例辨两栏对照十一、示例核完整数值演示十二、场景选完整版/精简版/极简版打开收入预测页签时，最常见的动作是先把历史收入画一条折线，然后停下来：销售百分比法需要一个收入增长率假设，回归需要找到与收入同步变动的外部变量，时间序列可以直接外推，机器学习则要求把同一列收入拆成滞后特征。四种方法在软件里都能产出数字，但它们的“准”不在同一个坐标系里衡量——销售百分比法的精度取决于敏感性假设是否稳定，回归的精度取决于驱动变量是否在预测期内继续与收入保持同一关系，时间序列的精度取决于过去的结构是否延续，机器学习的精度则高度依赖样本量和验证方式。把四种方法放在同一张收入序列上、用同一个样本外指标去比，排除了“看起来都差不多”的模糊判断。表1四方法条件分流决策表可观察条件销售百分比回归时间序列机器学习判定逻辑有至少一个与收入同步变动的外部驱动变量，且该变量在预测期内可得可用作收入增长率的输入优先进入：可估计弹性或边际系数可用作外生变量（SARIMAX）需要足够样本才可用外部信息的存在是回归的核心条件无可靠外部驱动变量，仅有自身历史收入需要外生给定增长率假设退化为一元趋势回归优先进入：Holt-Winters或ARIMA仅能构造滞后特征，样本要求更高回归失去解释变量后与时间序列重叠有效观测期数<30可用（不依赖历史期数估计参数）一元回归可试，多元回归不进入仅SES或简单Holt不进入参数估计的最小样本量不足30≤观测期数<100可用可进入，控制变量数≤观测期数/10Holt-Winters或低阶ARIMA树模型边缘，需强正则化回归在小样本上效率高于ARIMA观测期数≥200可用可用可用树集成可进入；神经网络需≥300机器学习开始具备可靠估计的基础预测期要求参数置信区间与可解释的方向不满足（增长率是假设，无标准误）满足（系数有标准误和方向）ARIMA满足；Holt-Winters不输出标准误树集成仅部分满足（特征重要性非因果方向）可解释性要求直接排除黑箱路径收入序列存在可识别的结构断点需分段设定增长率断点后重估系数或加虚拟变量断点后重启训练断点前数据需剔除或加权断点处理不当会系统性抬高所有方法的误差这张表的第一列不是“方法名称”，而是打开数据就能数出来的条件：有没有外部驱动变量、有效观测多少期、预测期是否要求系数方向、序列是否在某一时点之后换了运行规则。先走第一列，被排除的方法不需要再跑。二、销售百分比法销售百分比法在收入预测中的角色容易被放错位置。它本身不产生收入预测，它接收一个收入增长率，然后把这个增长率传导到敏感性资产、敏感性负债和留存收益，输出外部融资需求。收入预测在这个结构里是输入，不是输出。把销售百分比法当作“收入预测方法”去和ARIMA比精度，比较对象就错了；它参与对比的正确位置是：给定同一个收入预测，它能否把收入变化传导为一致的资产负债和融资需求。式(1)外部融资需求：EFN=(A_s/S₀)×ΔS−(L_s/S₀)×ΔS−S₁×PM×(1−d)式中，EFN为外部融资需求，A_s为敏感性资产基期总额，L_s为敏感性负债基期总额，S₀为基期收入，ΔS为收入增长额，S₁为预测期收入，PM为预测期销售净利率，d为股利支付率。A_s/S₀和L_s/S₀分别为敏感性资产和敏感性负债的销售百分比。可粘贴表达式：=(B5/B2)*(B3-B2)-(B6/B2)*(B3-B2)-B3*B7*(1-B8)变量定义与替换说明：B2基期收入，B3预测期收入，B5敏感性资产基期总额，B6敏感性负债基期总额，B7销售净利率，B8股利支付率。敏感性项目的判定标准是该科目历史上与收入的比率是否在一个窄带内波动；比率逐年漂移的科目不应纳入A_s或L_s。该公式特有的两个常见错误：把非敏感性长期资产（如新增生产线）塞进A_s，导致EFN被收入增长机械放大，而实际上该项支出与当年收入增长不同步；销售净利率直接沿用基期值，在收入增长率较高时忽略了固定成本摊薄对PM的推升，EFN被高估。校验方法：用基期实际数据反算：把S₀和S₁都替换为基期收入，EFN应为零。差额来自留存收益项中使用了预测期PM而非基期PM。再把A_s/S₀与过去3至5年各年的A_s/S₀逐一对比，年度之间的标准差超过均值的15%，说明“稳定百分比”假设不成立，该方法在该科目上不适用。销售百分比法的精度上限由收入增长率假设和敏感性比率稳定性共同决定，两个条件中任何一个漂移，EFN的误差会以乘积方式放大。CAS和多数财务管理教材都把“有关因素发生变动时必须相应调整原有百分比”列为该方法的首要局限。在四方法对比中，销售百分比不参与收入预测的MASE排名，它参与的是“给定同一收入预测，融资需求输出的一致性”检查。三、回归3.1一元线性回归式(2)ŷ_t=β₀+β₁x_t+ε_t系数的最小二乘估计：β₁=Σ[(x_t−x̄)(y_t−ȳ)]÷Σ(x_t−x̄)²β₀=ȳ−β₁x̄预测区间（置信水平1−α）：ŷ_{T+1}±t_{α/2,n−2}×s×√(1+1/n+(x_{T+1}−x̄)²/Σ(x_t−x̄)²)式中，s为回归标准误，n为观测期数。预测区间宽度随x_{T+1}远离x̄而扩大。可粘贴表达式（β₁）：=SLOPE(B2:B21,A2:A21)B2:B21为收入列，A2:A21为驱动变量列。β₀用INTERCEPT。变量定义与替换说明：x为与收入存在同期或领先关系的驱动变量，如行业产量、门店数、合同负债余额。x必须在预测期内有独立于收入的可获得路径，否则回归退化为用收入预测收入。该公式特有的两个常见错误：驱动变量与收入之间存在双向因果时，把回归系数当作“x增加一单位导致收入增加β₁”的结构弹性，用于外推政策或业务动作；预测区间使用了回归标准误s但忽略了x_{T+1}本身是外生给定的，区间只反映模型拟合误差，不反映x假设错误。校验方法：把样本分成前后两段，分别估计β₁，比较两个系数的符号和量级。符号反转或量级相差超过一倍，说明驱动关系不稳定。样本量较小时，回归可以利用外部变量的信息集补偿自身序列长度的不足，这一点在ARIMA需要长序列才能可靠估计系数的场景下形成明确优势。3.2多元回归的系数稳定性式(3)方差膨胀因子：VIF_j=1÷(1−R_j²)式中，R_j²为第j个驱动变量对其余所有驱动变量做回归得到的R²。VIF_j超过10时，该变量的系数估计方差被共线性显著放大。可粘贴表达式（辅助回归的R²入口，以第j个变量在D列、其余变量在E至H列为例）：=1/(1-RSQUARE(D2:D21,E2:H21))该公式特有的两个常见错误：看到VIF高就删变量，删掉的恰好是业务上真正驱动收入的变量，留下的是它的代理变量，系数方向和量级都失去解释；用调整R²选模型时只比较样本内拟合，不检查系数在滚动窗口中的符号是否稳定。校验方法：对每个驱动变量计算滚动20期的β系数序列，如果某个变量的系数在预测期前已经出现符号反转或穿过零轴，该变量不应进入预测方程。样本量接近30至40期时，多元回归的变量数控制在3个以内，更稳妥的做法是只用一元回归加一个经过业务确认的驱动变量。四、时间序列4.1Holt-Winters乘法季节式(4)ŷ_{t+h|t}=(ℓ_t+h·b_t)×s_{t+h−m(k+1)}ℓ_t=α·(y_t/s_{t−m})+(1−α)·(ℓ_{t−1}+b_{t−1})b_t=β·(ℓ_t−ℓ_{t−1})+(1−β)·b_{t−1}s_t=γ·(y_t/(ℓ_{t−1}+b_{t−1}))+(1−γ)·s_{t−m}式中，s为乘法季节因子，m为季节周期。加法形式与乘法形式的选择由残差诊断决定：按季节位置分组后，残差绝对幅度随收入水平上升而扩大的，用乘法；幅度在各收入水平上大致恒定的，用加法。可粘贴表达式（乘法季节因子更新，B列实际收入，E列水平项，F列季节因子，G列γ，m=4）：=$G$1*(B6/(E5+0))+(1-$G$1)*F2变量定义与替换说明：B6当期实际收入，E5上一期水平项（不含趋势增量时用ℓ{t−1}，含趋势时用ℓ{t−1}+b_{t−1}），F2m期之前的季节因子。初值需要至少两个完整季节周期。该公式特有的两个常见错误：季节周期只有1轮时直接拟合，季节因子初值被单轮异常季节主导，后续更新无法纠正；收入序列存在零值或负值时使用乘法形式，除运算产生不可用的因子。校验方法：拟合后按季节位置计算残差均值和残差标准差。加法形式的合格条件是各季节位置的残差均值接近零且标准差在各收入水平段大致相等；如果Q4残差标准差在高收入年份明显更大，乘法形式更合适。在一项针对批发零售业财务指标的研究中，传统Holt-Winters和ARIMA被确认能够提供可靠的预测，且不需要更复杂的方法。4.2ARIMA(p,d,q)式(5)(1−Σφ_iL^i)(1−L)^dy_t=c+(1+Σθ_jL^j)ε_t差分阶数d由单位根检验决定：水平值ADF未拒绝单位根时取d=1；一阶差分ADF仍未拒绝时取d=2，但收入数据取d=2后应重新审视序列是否被结构性断点污染，而非继续差分。p和q的阶数在残差Ljung-Box检验通过的前提下取最小组合，50至60期数据上p+q不超过3。可粘贴表达式（Python定阶入口，p、d、q按检验结果替换）：fromstatsmodels.tsa.statespace.sarimaximportSARIMAX

res=SARIMAX(y,order=(1,1,0),seasonal_order=(0,0,0,0),

enforce_stationarity=False,enforce_invertibility=False).fit(disp=False)该公式特有的两个常见错误：用AIC自动搜索时把p和q上限设到5以上，在50至60期收入数据上选出高阶模型，样本内AIC最低但样本外MASE劣于ARIMA(1,1,0)；差分前不做单位根检验，对平稳序列强行取d=1，预测方差人为放大。校验方法：残差Ljung-Box的p值大于0.05，且p+q不超过样本量约束。在样本外MASE上，低阶模型与自动搜索的高阶模型对比，以MASE较小者为最终模型。ARIMA对长序列的依赖是方法本身的约束：序列过短时系数标准误偏大，阶数选择容易被噪声主导，这是回归在小样本上可能优于ARIMA的已知原因。五、机器学习5.1梯度提升树的预测输出与特征贡献式(6)梯度提升树的加性形式：ŷ_t=Σ_{m=1}^{M}ν·f_m(x_t)式中，f_m为第m棵回归树，ν为学习率（收缩系数），M为树的数量。单棵树的输出是一个分段常数，加总后的ŷ_t是各特征在树结构中分裂路径的累积结果。特征贡献的读出方式（不是式(6)的一部分，是对输出的解释动作）：对每个特征j，把该特征在所有树中参与的分裂带来的输出变化按路径累加，得到该特征对单期预测的贡献。贡献为正表示该特征把预测推高，为负表示压低。树集成不输出“特征j增加一单位导致收入增加多少”的系数，只输出在给定特征组合下该特征的分裂方向。可粘贴表达式（树集成的预测入口，X为特征矩阵，y为收入）：fromsklearn.ensembleimportGradientBoostingRegressor

model=GradientBoostingRegressor(n_estimators=200,learning_rate=0.05,

max_depth=2,subsample=0.8).fit(X_train,y_train)该公式特有的两个常见错误：把特征重要性排序当作因果方向，用“滞后2期收入重要性最高”去论证“两期前的收入驱动当期收入”，而滞后特征在时间序列上只是自相关的代理，不是可操作的外部杠杆；在样本量小于200的表格数据上使用深度大于3的树或未经强正则化的集成，训练集MASE很低而滚动样本外MASE可能高于朴素基准。校验方法：在滚动起点验证中同时记录训练MASE和样本外MASE，两者差距超过50%时判定为过拟合信号。特征贡献的方向在前后两个训练窗口之间反转的特征，不应在业务解释中引用。机器学习在表格型小数据上的表现边界已经被反复观察到：样本量低于约200时，复杂树集成和神经网络倾向于过拟合，而更简单的模型在样本外更稳；神经网络需要约300个观测值才能在可靠估计的基础上显示出对线性模型的明显优势。六、精度对比四方法放在同一收入序列上比较时，先要解决“用什么尺子”。RMSE的量纲随收入规模变化，MAPE在收入接近零或负值时失效。MASE以样本内朴素预测（上期值或上年同期值）的平均绝对误差为分母，小于1表示优于“直接复制上期”，在不同方法和不同序列之间可比。式(7)MASE=MAE(样本外)÷MAE(样本内朴素预测)可粘贴表达式：=AVERAGE(ABS(D10:D21))/AVERAGE(ABS(B3:B14-B2:B13))D10:D21为样本外误差，B3:B14为样本内实际值，B2:B13为样本内滞后一期值。分母必须用样本内区间，不能用样本外实际值计算朴素误差。滚动起点验证的操作：设初始训练长度为n₀，对每个起点t=n₀,n₀+1,…,T−h，用前t期拟合、预测后h期，记录每个步长的误差，再纳入实际值进入下一期。四种方法必须使用完全相同的起点集合和步长，否则排序不可比。表2同一季度收入序列四方法并排精度对比（示例数据，细节为合理设定）方法配置样本内MASE滚动样本外MASE相对朴素基准参数/假设数量可解释方向朴素季节基准ŷt=y{t−4}1.001.00基准0无销售百分比不参与收入MASE排名；给定同一收入预测，EFN传导检查通过———2个比率假设融资需求方向一元回归驱动变量：门店数，20期训练0.610.78优于基准22%2门店数边际系数Holt-Winters乘法m=4，2轮以上季节0.540.71优于基准29%3个平滑参数水平、趋势、季节因子ARIMA(1,1,0)，20期训练0.680.94优于基准6%2自回归系数梯度提升树滞后1—4期+门店数，20期训练0.311.24劣于基准24%200棵树，深度2特征贡献方向不稳定这张表的排序传达了一个容易被样本内指标掩盖的结论：梯度提升树在样本内拟合到0.31，但滚动样本外MASE为1.24，高于“直接复制上年同期”的基准。在小样本上，树集成的训练优势没有转化为样本外精度。回归和Holt-Winters的样本外MASE落在0.71至0.78之间，优于朴素基准，且参数数量少、方向可解释。ARIMA在20期训练窗口上接近基准，说明该序列长度不足以支撑其参数估计的稳定性。当观测期数增加到105期时，SARIMAX在同类小数据净收入预测中表现出比回归和树模型更可靠的样本外表现；这说明时间序列方法的优势需要样本长度作为前提，而非方法本身在所有样本量上占优。七、边界表3样本量与过拟合边界表方法参数估计的最小观测期数（经验参考）低于门槛时的替代路径过拟合的识别信号处理动作销售百分比不依赖期数估计参数；需要至少3年数据检验敏感性比率稳定性比率不稳定时改为逐项预测不适用对每个敏感性科目单独看年度比率标准差一元回归约20期（含驱动变量）观测不足时用业务假设替代系数训练与样本外MASE差距>30%减少驱动变量；改用时间序列多元回归每变量至少10期；总量≥30期为稳妥合并相关变量或降为一元系数在滚动窗口中符号反转删除不稳定变量Holt-Winters至少2轮完整季节（季度8期，月度24期）不足2轮时不展开季节项，退化为Holt季节因子逐年漂移且无收敛检查结构断点ARIMA50期以上为建议，40期为下限低于40期时以回归或Holt-Winters为主高阶模型样本外MASE劣于低阶p+q控制在3以内梯度提升树表格数据约200期起步；更稳妥在500以上低于200时用回归或Holt-Winters训练MASE极低但样本外MASE≥1降低树深、提高正则化；或放弃神经网络约300期作为“可能显示优势”的起点低于300时不建议作为主模型验证损失在训练早期即回升改用树模型或传统方法这张表中最需要直接告诉读者的两个数字：神经网络需要大约300个观测值才能可靠估计并显示出对线性模型的优势，而40年季度数据通常仍被判断为不足以充分学习输入输出关系；另一方面，在样本量很小时，回归模型可以利用更大的信息集以远高于ARIMA的效率进行估计，小样本并不自动等于“只能用时间序列”。样本量门槛不是方法优劣的排序，而是不同方法在不同数据条件下进入或退出的判定线。八、审计检查清单表4收入预测方法审计检查清单序号检查项判定标准失败后果补救动作操作路径勾选1有效观测期数已计数排除缺失和零收入期后的期数明确方法选择无依据按日历补齐缺失标记数据表计数☐2外部驱动变量可得性已确认预测期内x有独立于收入的路径回归退化为自回归更换驱动变量或改用时间序列变量来源表☐3驱动变量与收入的散点关系已目视检查无非线性弯曲或离群点主导线性系数不可用变换变量或分段散点图☐4敏感性科目年度比率标准差已计算标准差/均值<15%才纳入销售百分比EFN被不稳定的比率放大剔除非敏感性科目比率时间序列☐5销售百分比基期反算EFN为零用S₀替代S₁时结果为零公式结构错误检查留存收益项公式审查☐6回归系数在前后两段符号一致无反转驱动关系不稳定删除该变量或分段滚动系数☐7多元回归VIF已检查VIF<10，或高VIF变量有业务必要性系数方差放大合并或删减变量辅助回归☐8季节周期完整性≥2轮季度≥8期，月度≥24期Holt-Winters初值不可靠不展开季节项周期计数☐9加法/乘法季节形式按残差判定残差幅度不随规模趋势漂移大收入年份季节误差膨胀改用乘法或对数残差分组☐10ARIMA差分阶数经单位根检验d来自检验，非默认过差分或欠差分重做ADF/KPSS检验输出☐11ARIMAp+q未超样本约束50至60期上p+q≤3过拟合限制搜索上限模型摘要☐12残差Ljung-Box已跑p>0.05或已解释残差有可利用结构调阶或接受局限诊断输出☐13树集成训练与样本外MASE已并排记录差距≤50%过拟合未被发现降复杂度或换方法验证记录☐14特征重要性未被当作因果方向业务解释中不出现“驱动”表述错误决策改为“关联”表述解释文档☐15所有方法使用同一滚动起点集合起点逐期一致排序不公平统一窗口重跑验证设计表☐16MASE分母为样本内朴素误差不含样本外实际值跨方法不可比重算分母公式审查☐17朴素基准MASE已计算基准MASE=1.00确认无法判断模型是否有增量补算验证输出☐18样本外MASE<1的方法才保留模型优于朴素基准模型无增量价值退回基准或换方法对比表☐19结构断点已标注且各方法断点后重跑断点前数据不混入断点后训练断点污染所有方法分段拟合训练窗口☐20预测区间宽度已检查区间不出现非正收入下限区间不可用于决策对数变换或截断预测输出☐21方法选择理由回填到分流决策表条件选中的路径对应表1可观察条件选择不可复现补填决策表决策表☐22最终交付包含并排对比而非单一方法结果至少两个候选方法在同一窗口上的MASE无法说明“为什么是这个方法”补跑对照对比表☐九、排查表表5方法失效信号排查表症状优先怀疑的方法确认动作修复动作销售百分比法的EFN随收入增长率机械放大，但业务上没有对应的大额资产支出销售百分比检查A_s中是否混入非敏感性长期资产移出A_s，单独预测该项回归的驱动变量系数在加入第二个变量后符号反转多元回归算两个变量的相关系数和VIF只保留一个；或改用一元回归Holt-Winters的预测在季节高峰年份偏低、在低谷年份偏高季节形式按季节位置分组看残差是否随收入水平扩大加法改乘法或取对数ARIMA样本内残差干净但样本外MASE高于朴素基准ARIMA看p+q总量和训练窗口长度降阶；样本不足时改用Holt-Winters梯度提升树的训练MASE极低，滚动样本外MASE≥1机器学习记录训练与样本外差距；看特征重要性是否被滞后收入主导降树深和树数；或放弃该路径所有方法的样本外MASE都接近或高于1，且预测图方向一致偏离序列本身标注断点日期；检查验证期是否发生结构变化断点后重跑全部方法；以朴素基准为底线两个方法的MASE差异很小（例如0.71对0.78），但参数数量相差一个量级方法选择比较可解释性和维护成本在精度接近时选参数少、方向可解释的方法十、反例表6两栏反例对照场景有问题的写法修正写法方法选择月度收入36期，直接跑梯度提升树，样本内MASE=0.25，据此认定“机器学习最准”36期低于表格数据树集成的可靠门槛；补跑Holt-Winters和朴素基准的滚动样本外MASE，以样本外结果为准销售百分比所有资产科目都按销售百分比滚动，包括在建工程和长期股权投资只用历史上与收入比率稳定的敏感性科目；非敏感性资产单独按投资计划预测回归因果“门店数系数为0.8，说明每新开一家店收入增加0.8百万”样本内相关性不构成因果；系数只用于预测，不用于外推业务动作季节形式收入从200增长到2000，Q4季节增量从30变为300，仍用加法Holt-Winters季节增量随规模扩大时用乘法形式或对数加法ARIMA定阶auto_arima在40期数据上选出ARIMA(3,1,2)，AIC最低，直接采用40期处于ARIMA下限边缘；p+q=5超出简约约束，样本外MASE很可能劣于ARIMA(1,1,0)或Holt-Winters精度比较回归报告样本内R²=0.92，Holt-Winters报告滚动样本外MASE=0.71，直接说“回归拟合更好”样本内和样本外指标不可混比；所有方法在同一滚动窗口上算MASE十一、完整成品示例与变量表示例案例，细节为合理设定。某业务线季度收入20期，存在上升趋势和Q4季节高峰，季节幅度随收入规模扩大；同期有一个外部驱动变量“活跃门店数”，20期完整。前14期训练，后6期为滚动起点，步长1至2期。销售百分比：敏感性资产/收入=0.42，敏感性负债/收入=0.18，销售净利率8%，股利支付率40%。预测期收入增长15%，基期收入1000，ΔS=150。EFN=0.42×150−0.18×150−1150×0.08×0.60=63−27−55.2=−19.2。负值表示内部留存覆盖了敏感性资产扩张，不需要外部融资。该校验确认：给定同一个15%收入增长假设，销售百分比法的输出方向与留存收益能力一致。回归：用前14期估计收入对门店数的一元回归，斜率约12.4，截距约210。后6期门店数按实际值代入，滚动样本外MASE=0.78。Holt-Winters乘法：季节因子Q1至Q4约0.83、0.94、0.97、1.26。滚动样本外MASE=0.71，6个起点中5个的绝对误差小于回归。ARIMA(1,1,0)：在14期训练窗口上滚动样本外MASE=0.94，接近但未优于朴素季节基准。梯度提升树：特征为滞后1至4期收入和门店数，200棵树、深度2、学习率0.05。训练MASE=0.31，滚动样本外MASE=1.24，劣于基准。该结果与“小表格数据上复杂树集成倾向于过拟合”的观察方向一致。表7示例的变量表变量案例中情形如果变量不同处置变化有效观测期数20期季度若为60期季度，ARIMA进入候选，梯度提升树仍需谨慎分流表从“30至100”档移入“30至100”上限区间，ARIMA与Holt-Winters并排比较外部驱动变量活跃门店数，20期完整若门店数在预测期不可得，回归退出只用时间序列；销售百分比的收入增长率改由Holt-Winters提供季节幅度与规模的关系随收入扩大若季节增量恒定，加法Holt-Winters可直接用不取对数，季节因子按加法更新敏感性比率稳定性年度标准差/均值<10%若比率标准差超过15%，销售百分比在该科目上失效该科目改为逐项预测，EFN只保留稳定科目样本外表现排序Holt-Winters<回归<朴素基准<ARIMA<树集成若序列存在断点，排序可能整体改变断点后重跑，以断点后子窗口的MASE重新排序表中对方法选择影响权重较高的变量是有效观测期数和外部驱动变量可得性：前者决定机器学习是否进入以及ARIMA是否可靠，后者决定回归是否具备区别于时间序列的信息基础。十二、三套场景操作序列表8三套场景操作序列版本适用人群成品包重点操作序列完整版财务建模师、FP&A表1分流+四方法公式块+表2并排MASE+22项审计清单+排查表按表1排除不适用路径；在统一滚动窗口上跑至少两个候选；并排记录MASE；跑全量审计清单；按表5定位失败项精简版财务经理、业务财务表1分流+回归一元+Holt-Winters+表3边界+审计清单第1、2、8、9、15、16、17、18项数观测期数和驱动变量可得性；只跑回归和Holt-Winters；与朴素基准比MASE；