>> 廣發(fā)證券-廣發(fā)宏觀：社會消費品零售總額如何預(yù)測？-230903
| 上傳日期： |
2023/9/4 |
大?。?/td>
| 1515KB |
| 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，僅限高級會員查看 |
|
|
報告摘要：
社會消費品零售總額不能反映消費全貌，它主要反映實物商品消費，以及餐飲等少部分服務(wù)類消費；GDP口徑下的消費要涵蓋更全。但我們可以把社會消費品零售總額視為消費的一個“大樣本”，對于衡量消費變動來說，社零是一個重要的觀測坐標。
在三類觀察消費的口徑中，GDP支出法核算下的最終消費支出涵蓋的消費范圍最全面，反映出53%的GDP貢獻來自這一部分。但這一口徑公布頻率以年為單位，并不利于市場跟蹤。社會零售總額口徑最窄，只包含商品流通最終環(huán)節(jié)的實物商品消費以及少部分餐飲服務(wù)消費，并不包含任何生產(chǎn)資料消費支出。但這一指標一勝在高頻，二勝在涵蓋的消費主體仍然非常廣泛，相當于7成多的最終消費支出，兼具“大樣本”和“高時效”兩大特征，是市場中用于跟蹤消費的重要坐標。
社會消費品零售總額如何預(yù)測？歷史上一種常用的方法是利用季節(jié)性推算。相比其他經(jīng)濟數(shù)據(jù)，社零年內(nèi)波動具有較強季節(jié)性規(guī)律。比如三四季度均是消費旺季，其中10月因假期效應(yīng)，環(huán)比均值更高。我們可以利用環(huán)比季節(jié)性均值來對社零做出預(yù)測。過去三年疫情期間，因為居民生活半徑存在外生因素影響，季節(jié)性一定程度上被打破，尤其是2020年和2022年；2023年作為經(jīng)濟逐步正?；哪攴?，消費的季節(jié)性也在逐步修復(fù)。但客觀來看，對于恢復(fù)期中的經(jīng)濟來說，環(huán)比季節(jié)性方法所依據(jù)的“平穩(wěn)”和“復(fù)現(xiàn)”在條件上能否完全滿足，仍需要未來再進一步觀測。
社零的年內(nèi)強季節(jié)性特征體現(xiàn)在兩點，一是社零總額當月值，在2013-19年期間，三四季度均明顯高于一二季度，并且每年以平穩(wěn)的增速增長。20、22年受疫情干擾，這種規(guī)律性被打破。23年以來又有所恢復(fù)。二是，社零環(huán)比，在正常的經(jīng)濟周期中，也呈現(xiàn)著明顯的季節(jié)性規(guī)律。除了受疫情干擾明顯的20年、22年以外，單純利用過去三年的環(huán)比季節(jié)性推算每月社零同比增速，誤差最大也在2個百分點以內(nèi)。而20、22年疫情年份，誤差最大則有-28%，平均有6.0%附近。23年以來，社零的環(huán)比季節(jié)性規(guī)律有所恢復(fù)，我們根據(jù)這一傳統(tǒng)方式推算8月的社零同比增速位于4.4%附近。
雖然傳統(tǒng)方式的預(yù)測效果正在修復(fù)，但疫情發(fā)生年份，“環(huán)比季節(jié)性”的推演效果明顯減弱。這帶給我們新的啟示。傳統(tǒng)方法建立在經(jīng)濟運行平穩(wěn)的前提下，即消費作為經(jīng)濟中的慢變量，波動較小，歷史上的年內(nèi)波動將會不斷“復(fù)現(xiàn)”。而疫情類突發(fā)沖擊則直接打破了這一方法前提假設(shè)，因而這種預(yù)測方式出現(xiàn)了階段性失靈。我們思考社零預(yù)測中可能面臨的三個問題：
一是疫后社零環(huán)比季節(jié)性被打亂。在疫情前，社零環(huán)比穩(wěn)定在0.7%附近，而疫情以來，環(huán)比均值降至0.3%。對比疫情前后三年時間，波動率從0.068上升至0.4，這讓傳統(tǒng)以季節(jié)性推算為基底的預(yù)測方式誤差變大。
二是領(lǐng)先指標缺失。無論是PMI分項、消費者信心指數(shù)，還是金融數(shù)據(jù)，都與社零更多體現(xiàn)為同步性或滯后性，難覓明確的領(lǐng)先指標
三是消費類高頻數(shù)據(jù)具有高波動性，并與社零的關(guān)系邏輯上較為間接。比如電影票房、地鐵客運量數(shù)據(jù)，另一方面，只看單一高頻數(shù)據(jù)容易一葉障目不見泰山，而如何加權(quán)多項消費類高頻數(shù)據(jù)仍是研究瓶頸。
在這樣的背景下如何預(yù)測社零？我們選擇著眼于高頻數(shù)據(jù)，因為相比環(huán)比季節(jié)性推演，基于高頻數(shù)據(jù)的預(yù)測更能捕捉疫后社零的高波動；但我們又不希望被高頻數(shù)據(jù)的高波動反噬，預(yù)測中融入甚至放大太多噪音。在這樣的考量下，我們繼續(xù)沿用前期報告《工業(yè)增加值如何預(yù)測》中的方法論，通過提取高頻指標變動信息，合成同步擴散指數(shù)的方式來過濾高頻數(shù)據(jù)。然后再利用過濾完噪音的同步擴散指數(shù)進行建模，最終得到對短期社零的實時預(yù)測。
同步擴散指數(shù)實質(zhì)上是各類別消費的高頻指標每月同比增速較前值的變動值為正的占比，提示的是當月社零同比可能的變動方向。這相當于一個“人工噪音過濾器”，只提取對社零下月變動方向具有指示意義的信息。
ARDL模型測算了“社零滯后期對社零當期的影響”、“高頻指標及其滯后期對社零當期的影響”。依托模型系數(shù)和設(shè)定，我們可以滾動預(yù)測近月社零同比。
混頻（MIDAS）回歸直接利用高頻數(shù)據(jù)建模，盡可能利用高頻信息，但預(yù)測結(jié)果單月波動可能較大，更適合作為預(yù)測的輔助。
如何尋找能預(yù)測社零的“有效高頻數(shù)據(jù)”？我們的思路是先分類，再尋強相關(guān)，后看拐點變動。我們將高頻指標分類歸入餐飲收入、必需品、可選消費-汽車、可選消費-石油制品、可選消費-住房類，及其他可選消費（服裝、日用品等）五類。高頻指標池構(gòu)建也遵循兩點原則，一要與社零相關(guān)，二要公布時點早于社零。關(guān)于相關(guān)性，我們不僅進行了較常見的相關(guān)系數(shù)測算；還從拐點變動的角度，觀察高頻指標是否與社零具有一致的拐點變化。在我們看來，這兩類相關(guān)性不分軒輊。如果單純看統(tǒng)計上的相關(guān)系數(shù)，容易會被高頻數(shù)據(jù)的高波動性干擾，忽略某些能提示社零變動方向的高頻指標。
我們篩選得到了13項高頻指標，其中除了乘用車銷量、CPI同比為先于社零同比公布的
|
|
