华泰固收经济动能指数方法与结论：如何用一个指标展示宏观经济全景？-20181218-华泰证券-12页-1mb

文档总结：经济动能指数方法与结论

核心内容

本文档由华泰证券研究所发布，旨在构建“经济动能指数”（Economic Momentum Index, EMI）以提供月度经济冷暖的参考，帮助投资者前瞻性把握宏观经济走势。由于GDP数据存在滞后性和波动性不足的问题，作者提出使用自回归模型（AR）与动态因子模型（DFM）对经济数据进行拟合和预测，从而更好地反映经济动态变化。

主要观点

1. GDP的局限性：

   • GDP作为宏观经济的综合指标，其季度发布存在滞后性，无法用于前瞻性判断。
   • GDP的总量特征导致其波动性不足，难以察觉经济中的细微变化。

2. 经济动能指数的构建：

   • 通过选取经济全景图中的指标，使用AR与DFM模型拟合出EMI，用于反映实体经济的动态变化。
   • EMI指标是GDP增长率的“影子变量”，能够更敏感地捕捉经济变化。

3. 模型选择与应用：

   • 自回归模型（AR）：通过主成分分析提取主要信息，拟合效果较好，但外推预测能力较弱。
   • 动态因子模型（DFM）：能够捕捉短期波动，具有双重动态特征，预测方向与实际经济增长趋势一致。
   • 向量自回归模型（VAR）：虽能提供较好的拟合效果，但存在预测误差累积的问题，因此未被采用为EMI的主模型。

4. 经济动能指数的最新动态：

   • 根据10月和11月的数据，EMI分项指标显示GDP增速大概率维持在6.5%左右。
   • 11月数据反映出经济下行压力有所加大，但尚未出现大幅回落的风险。

5. 经济全景图的构建：

   • 包括供给、需求、房地产、景气度、价格、金融指标等多个维度。
   • 指标涵盖工业增加值、发电量、水泥产量、汽车产量、固定资产投资、房地产投资、基建投资、制造业投资、社会消费品零售总额、汽车销量、挖机销量、出口、进口、贸易差额、房屋施工面积、新开工面积、竣工面积、商品房销售额、销售面积、土地成交面积、土地溢价率、二手住宅价格等。
   • 通过多种指标的综合分析，可以洞察“量价背离”、“金融与实体背离”等异象。

关键信息

• 模型设定：

  • AR模型使用主成分分析提取主要信息，然后进行回归。
  • DFM模型假设存在不可观测的动态因子，通过滞后算子与扰动项进行建模。
  • VAR模型将GDP与主成分PC1纳入同一系统，进行相互影响的建模。

• 预测能力：

  • DFM模型在近期预测中表现更优，但AR模型在长期预测中具有更好的稳定性。
  • 模型预测结果与实际经济增长趋势基本一致，但存在一定的误差。

• 经济数据趋势：

  • 2018年10月和11月的经济动能指数均指向GDP增速大概率维持在6.5%。
  • 11月经济下行压力有所加大，但未出现大幅回落。

• 风险提示：

  • 模型预测存在风险，包括经济内在规律变化、模型单期大幅偏离现实等。

模型与方法

• AR模型：

  • 通过主成分分析提取主要信息，减少变量间的冗余。
  • 用于拟合GDP同比增长率，模型表现良好，但外推预测能力较弱。

• DFM模型：

  • 能够捕捉短期经济波动，具有双重动态特征。
  • 模型预测方向与实际经济增长趋势一致，但在经济明显起伏阶段拟合效果不如AR模型。

• VAR模型：

  • 将GDP与主成分PC1纳入同一系统，进行相互影响的建模。
  • 模型在拟合中表现较好，但预测误差可能随时间累积。

指标选择与数据处理

• 指标选择：

  • 包括PMI、生产、外贸、消费、投资、运量等反映实体经济的指标。
  • 排除价格与金融市场指标，以确保模型的经济意义。

• 数据处理：

  • 通过指数窗函数对时间序列进行平滑处理，以减少异常波动和噪音。
  • 假设季度内各月GDP同比增速等于当季增速，形成月度时间序列。

结论

• 经济动能指数（EMI）能够有效反映经济的动态变化，为投资者提供月度经济冷暖的参考。
• AR与DFM模型各有优势，结合使用可提高预测的准确性。
• 当前经济下行压力有所加大，但尚未出现大幅回落风险，四季度GDP增速预计维持在6.5%左右。

参考文献

• Altissimo F, Cristadoro R, Forni M, et al. New Eurocoin: tracking economic growth in real time.
• Angelini E, Henry J, Marcellino M. Interpolation and backdating with a large information set.
• Aruoba S B, Diebold F X. Real-time macroeconomic monitoring.
• Bai J. Inferential theory for factor models of large dimensions.
• Bai J, Ng S. Determining the number of factors in approximate factor models.
• Giannone D, Reichlin L, Small D. Nowcasting: The real-time informational content of macroeconomic data.
• Kahn J A, Rich R W. Tracking the new economy.
• Matheson T. New indicators for tracking growth in real time.
• Stock J H, Watson M W. Forecasting using principal components from a large number of predictors.

风险提示

1. 若经济内在规律发生显著变化，可能导致模型预测出现较大偏误。
2. 模型基于公开数据，无法涵盖所有变量，因此存在单期大幅偏离经济现实的可能。

免责声明

• 本报告仅供华泰证券客户使用，不构成买卖建议。
• 报告内容基于已公开信息，不保证其准确性与完整性。
• 报告所载观点和预测仅反映当日判断，可能随时间变化而调整。
• 投资者应自行判断并承担相应风险，不承担因使用本报告而产生的任何法律责任。

联系方式

• 张继强：研究员，zhangjiqiang@htsc.com
• 芦哲：联系人，luzhe@htsc.com

地址信息

• 南京：南京市建邮区江东中路228号华泰证券广场1号楼，邮政编码：210019
• 深圳：深圳市福田区益田路5999号基金大厦10楼，邮政编码：518017
• 北京：北京市西城区太平桥大街丰盛胡同28号太平洋保险大厦A座18层，邮政编码：100032
• 上海：上海市浦东新区东方路18号保利广场E栋23楼，邮政编码：200120

评级说明

• 行业评级：基于6个月内行业涨跌幅与沪深300指数对比，分为增持、中性、减持。
• 公司评级：基于6个月内公司股价涨跌幅与沪深300指数对比，分为买入、增持、中性、减持、卖出。

版权声明

• 本报告版权为华泰证券股份有限公司所有，未经书面许可，不得以任何形式使用或传播。