Nowcast中国宏观数据.docxVIP

目 录 引言 3 Nowcasting 4 宏观数据的数据特征 5 动态因子模型 6 新信息的纳入——Nowcasting 过程 7 建立中国宏观Nowcast 模型 7 Nowcasting 结果 13 Nowcasting 中国 2019Q4 GDP 同比 13 Nowcasting 中国 2020Q1 GDP 同比 16 Nowcasting 月频价格数据 17 总结与展望 18 参考文献 19 引言 我们在之前的量化配置专题系列报告中介绍了所建立的“基于宏观状态的风险预算配置体系”。整个体系采用了Sharpe-Omega 度量对应的 1 阶下偏矩估计（Lower Partial Moment，LPM）代替波动率作为风险的度量。在配置体系里，当决策者对资产的预期发生变化时，可以通过调整风险预算的方式表达主观观点。 图 1 基于宏观状态的风险预算配置体系 数据来源： 宏观状态预测在整个配置体系里扮演了重要的地位，决定了战术调整时各资产的 1 阶 LPM 估计。在之前的研究中，我们采用了样本内和样本外两套体系来量化监控宏观状态，但这会造成模型回测与实际应用情景中的不一致性。原有样本外对宏观状态的滚动划分方法需要等单个宏观维度的所有数据公布之后才能更新（譬如经济增长维度的 PMI 和工业增加值），时效性欠佳。此外，每月宏观数据的公布时间并不统一，这进一步造成了原有宏观维度滚动状态划分方法的滞后性。因此，原有方法下的配置体系在相当程度上需要依赖于宏观研究给出的对于未来宏观经济状态的主观判断。 那么，假如目前缺少前瞻并且有效的主观研究判断，我们能否找到一个系统化的方法来对宏观数据和宏观状态进行实时预测呢？一个理想的宏观预测模型，不仅需要准确地预测目标变量，还需要对预测值的边际调整给出合理的解释，并尽可能地涵盖复杂宏观经济运行体系的方方面面。 在本篇报告里，我们就来试图挑战宏观研究最核心的问题——对宏观数据的预测。采用 Giannone et.al. (2008)正式提出的Nowcast 方法，我们在 中国市场上从工业数据、价格数据、国内外贸易、地产及固定投资、财政、就业、景气调查、信贷等方面选取了 48 个宏观指标，构建了中国宏观Nowcast 模型。自 2019 年 11 月 5 日起，我们每日从 wind EDB 获得当天所能获得的宏观历史数据，并采用 1995 年至今的数据进行建模估计。我们将在下文中展示模型对中国 2019 年四季度 GDP 同比的动态周度预测结果。对比 2020-01-17 的公布初值 6.00%，模型在 2020-01-16的预测值为 6.032%，并且公布日前每周模型预测值的边际变化对于投资更具借鉴意义。 后文将分为 4 个部分。第一部分论述即时预测（Nowcast）的概念 和方法。第二部分介绍我们所建立的中国宏观Nowcast 模型。对现有预测结果的讨论在第三部分。第四部分总结全文。 Nowcasting 即时预测（Nowcast）指的是对当下、临近的未来或临近的过去时点进行的预测。具体来说，人们总是希望利用实时获得的信息（譬如相对高频的月度指标）对低频的或是公布时间存在较长时滞的重要经济变量 （ 如季度或年度 GDP ） 进行预测。这里可以进一步将回溯预测 （Backcast）、即时预测（Nowcast）和展望预测（Forecast）三个概念 进行区别。譬如在 2020-02-27 当天，我们获得的最新 GDP 数据是 2019Q4，目前正在经历 2020Q1。但由于统计误差的存在，2019Q4 的 GDP 公布值 也只是真实值的一个“观测”。在 2020-02-27，我们对 2019Q4 及其之前 的历史数据进行估计（或者说预测修正）就是在进行回溯预测（Backcast），对 2020Q1 数据的预测就是即时预测（Nowcast），对 2020Q2 及其未来的 数据预测就是展望预测（Forecast）。 对宏观指标进行Nowcast 是宏观研究最重要的核心课题之一。国内现有的宏观研究往往采用简单模型并结合主观判断的方法给出结论，但这样的方式存在极大的局限性。一方面，单纯主观判断无法保证预测结果与推演逻辑的内在一致性，也无法提供估计值的标准误而难以对预测结果的有效性进行判断。另一方面，简单的桥接方程（Bridge Equation）1模型不仅用到的变量过少，而且过于简单，往往是为了预测“公布值”做出的估计。并且，这类模型本身也无法对新公布数据所含有的“新信息”带来的影响给出解释。 Giannone et.al.(2008)正式提出了利用月度宏观数据的边际影响即时预报季度 GDP 的方法。这一方法可以同时处理