>> 廣發(fā)證券-廣發(fā)宏觀：工業(yè)增加值如何預(yù)測？-230830
| 上傳日期： |
2023/8/30 |
大?。?/td>
| 1585KB |
| 格式： |
pdf 共39頁 |
來源： |
廣發(fā)證券 |
| 評級： |
-- |
作者： |
郭磊，陳禮清 |
| 下載權(quán)限： |
此報告為加密報告 |
|
|
工業(yè)增加值實際上就是GDP的工業(yè)部分，所以它是我們跟蹤經(jīng)濟(jì)運(yùn)行可盯住的最重要指標(biāo)之一。市場中已有三類方法預(yù)測工業(yè)增加值同比增速。方法一是通過主要工業(yè)產(chǎn)品產(chǎn)量乘以相應(yīng)行業(yè)權(quán)重進(jìn)行加權(quán)合成；方法二是利用工業(yè)生產(chǎn)領(lǐng)域的單一或多項高頻指標(biāo)做線性回歸，比如用耗煤量、貨運(yùn)量等；方法三是直接利用指標(biāo)自身的波動規(guī)律進(jìn)行外推，例如常見的ARIMA模型等。
方法一可以總結(jié)為“行業(yè)產(chǎn)量數(shù)據(jù)”合成法，是從工業(yè)增加值最本質(zhì)的計算方式出發(fā)，通過各子行業(yè)產(chǎn)量數(shù)據(jù)，加權(quán)合成整體工業(yè)增加值。這一方法準(zhǔn)確性較高，邏輯清晰，能夠觀察各行業(yè)工增結(jié)構(gòu)變化。
方法二可以總結(jié)為簡單“高頻指標(biāo)”回歸法，是直接利用工業(yè)生產(chǎn)領(lǐng)域的單一或多項高頻指標(biāo)做線性回歸，比如用耗煤量、貨運(yùn)量等。這些高頻指標(biāo)的簡單合成與工增在趨勢上具有一致性。
方法三可以總結(jié)為“自身趨勢外推法”，是直接利用指標(biāo)自身的波動規(guī)律進(jìn)行外推，例如常見的ARIMA模型等。這類預(yù)測出發(fā)點是基于工業(yè)增加值較強(qiáng)的季節(jié)性和周期性，不需要任何高頻信息。本質(zhì)上，這是一種純粹自回歸預(yù)測思路，蘊(yùn)含著“歷史會回歸、會重復(fù)”的假設(shè)。在國內(nèi)經(jīng)濟(jì)運(yùn)行平穩(wěn)或者僅有小波動的時期，這類方法同樣有一定預(yù)測能力。
上述方法均有其價值，但缺點也很明顯，比如或只能用于解釋過去；或只能預(yù)測中期（1個季度以上）的趨勢，而無法較準(zhǔn)確實時跟蹤工業(yè)增加值的單月波動；抑或預(yù)測結(jié)果本身波動性較大，顆粒度較粗。特別是疫情后，工業(yè)增加值波動變大，“自身趨勢外推法”的假設(shè)前提（歷史會重復(fù)）一定程度被打破，預(yù)測效果明顯打折扣。如何應(yīng)對“見微”不一定能“知著”的問題？在這里我們希望介紹一套新的方法。我們的解決方案可以簡單總結(jié)為“用同步擴(kuò)散指數(shù)辨方向、用ARDL模型做預(yù)測、用混頻（MIDAS）回歸打輔助?！?br> “行業(yè)產(chǎn)量數(shù)據(jù)”合成法缺點在于只能解釋過去，觀察結(jié)構(gòu)，不能預(yù)測未來，因為各行業(yè)產(chǎn)量數(shù)據(jù)公布的時點晚于工業(yè)增加值公布。簡單“高頻指標(biāo)”回歸法也會出現(xiàn)誤判，因為即便相關(guān)性很強(qiáng)的高頻指標(biāo)，也經(jīng)常會在單月變動中與工增方向相反。中長期趨勢尚可捕捉，但近月預(yù)測效果一般?！白陨碲厔萃馔品ā碧N(yùn)含著“歷史會重復(fù)”的假設(shè)前提。當(dāng)重大沖擊來臨時，比如疫情，預(yù)測效果會打折扣。一是在沖擊來臨之前，無法反映高頻信息中的“新息”，低估波動，拐點判斷滯后，二是在沖擊發(fā)生之后，過度反映歷史剛發(fā)生的“異像”，高估波動，預(yù)測顆粒度較粗。
我們的方案是“用同步擴(kuò)散指數(shù)辨方向、用ARDL模型做預(yù)測、用混頻（MIDAS）回歸打輔助”。首先，我們只聚焦在重點行業(yè)工業(yè)生產(chǎn)強(qiáng)關(guān)聯(lián)的多項高頻指標(biāo)，既不窮盡四十多個細(xì)分行業(yè)，也不依賴某一指標(biāo)。我們提取多項高頻指標(biāo)變動信息，用工業(yè)增加值構(gòu)成中的行業(yè)增加值占比進(jìn)行配權(quán)，合成同步擴(kuò)散指數(shù)，以此來過濾高頻數(shù)據(jù)的噪音。進(jìn)一步地，將構(gòu)造的同步擴(kuò)散指數(shù)與工業(yè)增加值同比進(jìn)行ARDL回歸，自回歸部分融入工業(yè)增加值歷史波動的規(guī)律，分布滯后部分融入高頻指標(biāo)帶來的“新息”。依托模型系數(shù)和設(shè)定，我們可以滾動預(yù)測近月工業(yè)增加值同比。為了能直接利用最全面的高頻信息，我們也直接將周度或日度的高頻數(shù)據(jù)與月度工業(yè)增加值進(jìn)行混頻（MIDAS）回歸。但預(yù)測結(jié)果單月波動可能較大，預(yù)測區(qū)間較寬，更適合作為預(yù)測的輔助。
如何尋找能預(yù)測工業(yè)增加值的有效高頻指標(biāo)？簡單來說是先分類，再尋強(qiáng)相關(guān)，后看拐點變動。我們將高頻指標(biāo)歸為六大類——整體發(fā)電量、對工業(yè)生產(chǎn)有明顯需求拉動的行業(yè)，以及四個行業(yè)增加值占比排名靠前的重點行業(yè)（汽車、化工、鋼鐵、煤炭）。關(guān)于相關(guān)性，我們不僅進(jìn)行了傳統(tǒng)意義上的相關(guān)系數(shù)測算；還從拐點變動的角度，觀察高頻指標(biāo)是否與工業(yè)增加值同比具有一致的拐點變化。最終，我們篩選得到了19項高頻指標(biāo)，除了廣義汽車產(chǎn)量和挖掘機(jī)銷量是先于工業(yè)增加值公布的月度數(shù)據(jù)以外，其余17個指標(biāo)均為周度或日度指標(biāo)。我們進(jìn)一步觀察到三點信息：
第一，整體上，自2010年以來的149個樣本中（剔除1月），各類高頻數(shù)據(jù)平均有四成時間（57個月，占比38%）與工業(yè)增加值增速的變動方向保持一致。疫情發(fā)生以來，這一比例提升了14個百分點至52%，說明了疫情后工業(yè)增加值波動變大，“歷史不再重復(fù)”，基于高頻數(shù)據(jù)的預(yù)測更有必要。
第二，相關(guān)系數(shù)角度，與工業(yè)增加值同比相關(guān)性較高的高頻指標(biāo)依次是，廣義乘用車產(chǎn)量同比（0.67）、PTA產(chǎn)業(yè)鏈負(fù)荷率（0.61）、粗鋼產(chǎn)量同比（0.58）、半鋼胎開工率同比（0.58）、PTA開工率（0.55）、全鋼胎開工率同比（0.51）、十大城市商品房成交面積（0.46）、石油瀝青裝置開工率（0.44）、6大發(fā)電集團(tuán)耗煤量同比（相關(guān)系數(shù)為0.4）。而部分指標(biāo)在疫后與工業(yè)增加值同比相關(guān)性提升較快，比如挖機(jī)銷量疫后提升至0.76。
第三，拐點變動角度，與工業(yè)增加值相關(guān)系數(shù)較高的指標(biāo)均有近50%的時間拐點變動也與工業(yè)增加值同比一致。并且，疫后地產(chǎn)、基建類指標(biāo)的預(yù)測勝率提高明顯，石油瀝青開工（提
|
|
