经济数据预处理与拐点识别 [page::5][page::7][page::8]

• 经济数据预处理包括填补缺失（线性或前值填充）、去趋势、季节调整（X13-ARIMA-SEATS模型去除春节效应）及平滑处理（全历史数据用EMD，滚动合成用HMA）。

- 拐点识别算法基于优化后的Bry-Boschan极值筛选规则，实现峰谷交替且满足最短间隔，提升了长期拐点识别准确度和算法可扩展性。

• 拐点匹配通过时间窗口寻找到基准指标拐点对应的待匹配指标拐点，保证匹配唯一性并考虑反向领先关系。

中国经济综合景气指数构建与资产表现 [page::10][page::11][page::12][page::13]

| 指标大类 | 指标及权重（%） |
|----------|---------------------------------------|
| 投资 | 制造业投资5%，房地产8%，基建7% |
| 消费 | 社会消费品零售总额7%，进口7%，共14% |
| 出口 | 出口金额9% |
| 财政 | 公共财政支出4% |
| PMI | 制造业PMI9% |
| 货币 | M2同比10%，存款准备金率5% |
| 信用 | 社会融资规模6%，贷款余额6%，新增贷款5% |
| 利率 | 长期债收益率5%，R007利率5% |

• 高频综合景气指数实时反映经济周期，上行阶段权益资产显著跑赢债券资产，放缓阶段债券表现优异。

- 基于高频景气指数构建的股债轮动策略（上行20%权益+80%债券，放缓全债），2015-2022年期间年化收益率6.3%，夏普比率2.55，最大回撤2.1%，胜率71.4%，显著优于仅用工业增加值的策略。

• 低频景气指数基于指数相对于其6期移动平均值的位置划分周期，降低调仓频率至18次，年化收益6.3%，夏普2.19，绩效依然优于基准。

- 换用偏股混合与纯债基金指数作为资产标的表现同样稳健：年化收益6.2%，夏普2.0，最大回撤1.9%。

中国经济综合领先指数构建及领先变量筛选 [page::17][page::18][page::20][page::21]

| 领先指标 | 拐点匹配数量 | 平均领先长度(月) | 标准差(月) | 领先期均值/标准差 |
|-----------------------------|--------------|------------------|------------|-------------------|
| 汽车产量:当月同比 | 13 | 4.46 | 5.97 | 0.75 |
| 钢材产量:当月同比 | 12 | 3.50 | 4.50 | 0.78 |
| 社会融资规模存量：人民币贷款同比 | 9 | 3.11 | 4.48 | 0.69 |
| 商品房销售面积:累计同比 | 13 | 3.69 | 5.85 | 0.63 |
| M2同比 | 11 | 5.73 | 6.48 | 0.88 |
| 贷款余额同比 | 12 | 4.67 | 6.08 | 0.77 |

• 包含产量、货币、贷款、房地产销售等指标均表现出稳定领先工业增加值的特征。

- 全历史合成领先指数对应2001-2022年工业增加值13个拐点，平均领先4.1个月，领先稳定性较好，但不可回测且采样未来信息。

• 滚动合成方法基于2015年后的历史数据，筛选了同类领先指标构建可回测领先指数，2004-2022年匹配8个拐点，平均领先3.6个月。

领先指数应用于股债轮动策略 [page::22][page::23][page::24]

| 指标 | 股债轮动领先 | 股债基准 | 股债轮动工业 |
|----------------|---------------|----------|---------------|
| 年化收益率 | 7.5% | 4.5% | 3.7% |
| 年化波动率 | 3.8% | 2.5% | 2.8% |
| 夏普比率 | 1.98 | 1.81 | 1.33 |
| 最大回撤 | 2.2% | 2.8% | 2.7% |
| 收益回撤比 | 3.5 | 1.61 | 1.35 |
| 胜率 | 75.0% | - | 27.8% |
| 盈亏比 | 3.62 | - | 1.11 |
| 调仓次数 | 16 | - | 18 |

• 以滚动合成的中国经济综合领先指数为信号构建的股债轮动策略（上行30%权益+70%债券，放缓全仓债券），样本外表现显著优于基准及工业增加值择时策略。

- 替换资产标的为偏股混合型基金和纯债基金后，年化收益6.8%，夏普1.9，最大回撤2.9%，仍显著超越基准，体现领先指数投资指导的可扩展性。

中国经济综合领先指数方法与实证分析报告详尽解读

---

一、元数据与报告概览

• 报告标题：《中国经济综合领先指数 — 方法与实践》

- 发布机构：广发证券发展研究中心

• 发布日期：未知（数据截止2022年4月）

- 研究主体：中国宏观经济周期阶段识别及其资产配置指导应用

• 主要作者及分析师：罗军（首席分析师）、安宁宁（联席首席分析师）、周飞鹏、史庆盛等

- 研究主题：构建中国经济的综合领先指数，基于经济指标周期拐点判定，筛选领先指标并构建经济领先指数体系，应用于股债资产配置策略，实现资产轮动，提升收益表现。

报告核心论点及结论

该报告一方面创新性地基于拐点识别算法，系统量化筛选领先性经济指标，构建以工业增加值为基准的领先指数；另一方面，实证结果显示该领先指数在股债资产配置中具有显著的策略指导价值，提升收益和优化风险控制，显示出较高的投资实用价值。

• 主要结论：

- 领先指数能稳定领先工业增加值约3-5个月，周期阶段划分明确。
- 基于领先指数构建的股债轮动策略，在2015年至2022年4月期间表现优异，年化收益可达7.5%、夏普比率约2，最大回撤低于3%，明显优于工业增加值作为单一指标的策略及基准配置。
- 领先指数策略对不同资产标的均具可扩展性，且交易次数适中，交易成本及操作压力较低。
- 报告强调其模型基于历史经济数据的量化分析，提示在政策环境等因素变动时模型可能失效。

---

二、逐节深度解读

1. 引言

• 投资背景与问题定义：

- 资产配置的关键在于对宏观经济周期阶段的把握。
- 大量经济指标存在不同的领先与滞后特性。
- 传统用回归法识别领先期数受缺点限制：领先关系在拐点处更明显，回归统计盲点易产生误判。

• 研究目标：

- 从量化算法角度，构造“纪律性”的拐点识别方法。
- 基于拐点对应算法筛选真正领先的经济指标。
- 构建综合领先指数，为资产配置提供早期信号。

2. 方法论：综合领先指数的合成

• 数据预处理：

- 空值填充：采用线性插值与前值填充两种不同方案，适应全历史与滚动合成。
- 去趋势：采用同比变化避免长期趋势影响。
- 季节调整：利用X13-ARIMA-SEATS模型有效去除春节等节日影响（图1显示季调平滑明显）。
- 平滑处理：
- 全历史合成采用经验模态分解(EMD)，分解信号为多层本征模函数（IMF），根据信噪比阈值动态确定分解层数，从而滤除趋势和噪音（图2展示工业增加值经过三层EMD分解后的平滑效果，平滑后波动变得平缓，峰谷更加清晰）。
- 滚动合成采用赫尔移动平均(HMA)，借助加权移动平均计算且有效降低滞后（图3表现12期HMA平滑后的数据趋势更加连贯，有助于拐点判断）。

• 拐点识别：

- 利用改进的Bry-Boschan(B-B)规则筛选经济指标的峰谷拐点（图4展现工业增加值上的拐点识别结果）。
- B-B规则保证极值交替出现且满足时间间隔条件，提升全局极值的代表性。
- 优化包括剔除非交替极值，删除过于靠近的极值，保证极值的唯一性与可靠性。

• 拐点匹配：

- 针对两个经济指标的拐点，设计唯一性匹配算法，允许前后一定时间窗口内进行匹配，保证每个拐点的匹配唯一且结果不受数据输入顺序影响。
- 同时考虑正向和反向匹配，综合经济意义择优结果，有效捕捉领先或滞后关系。

• 指数合成策略：

- OECD线性合成法：标准化每指标后平均加权，乘缩放系数调整幅度使合成指数与基准指标（工业增加值）可比，体现整体领先信号。
- 主成分分析法：对各指标正交降维，通过提取解释方差超过80%的主成分加权合成，提炼主要变动因子构建综合指数。

本文以OECD合成法为主线。

3. 实证分析：中国经济综合景气指数（不含领先性）

• 选取典型宏观指标涵盖投资、消费、出口、财政、PMI、货币、信用、利率等，表1详细列出指标及分类。

- 高频版综合景气指数构建：
- 数据预处理后采用滚动合成，指标按大类赋予权重，保证指标权重合理（表2详细权重覆盖投资20%、消费10%、出口9%、财政4%、PMI 9%、货币21%、信用17%、利率10%）。
- 图5显示了高频景气指数及其与工业增加值的走势。

• 策略测试：

- 使用中证国企红利指数代表权益资产，银行间1-3年高等级信用债指数代表债券资产。
- 周期划分为"上行"与"放缓"，上行阶段权益资产明显领先表现优异，放缓阶段债券更优（图6展示不同阶段资产累计净值显著分化）。
- 股债轮动策略设计：上行阶段权益20%、债券80%；放缓阶段100%债券。与用工业增加值做择时对照组及固定配置基准做比较，策略展现出更好的年化收益6.3%，夏普率2.55，最大回撤仅2.1%（表3，图7直观说明效果）。

• 低频景气指数：

- 指数趋势以上定义上行，以下定义放缓，调整减少调仓次数。
- 权重调整（表4）；周期划分效果良好（图8、图9）。
- 策略表现依然稳健，实现相似收益率6.3%，但交易频率降低，夏普比率稍有下降（表5、图10）。
- 替换权益债券标的至偏股混合基金指数与纯债基金指数，策略依旧具备优良表现（年化收益6.2%，图11，表6）。

4. 实证：中国经济综合领先指数（含领先性指标筛选）

• 全历史数据合成（不可回测，利用未来信息）：

- 选取工业增加值同比作为基准，选取汽车产量、钢材产量、社会融资规模人民币贷款、商品房销售面积、M2及金融机构贷款余额为领先变量（表7概述指标领先特征，平均领先期约3-5个月，标准差适中，反转次数低）。
- 拐点匹配图（图12至图17）展示了领先指标与工业增加值拐点间对应关系，视觉上确认领先信号。
- 复合领先指数表现较工业增加值领先稳健，平均领先4.1个月（图18）。
- 拐点统计表8列出具体峰谷时间及领先期数。

• 滚动合成（可回测，利用历史数据）：

- 预处理变更为前值填充，平滑采用HMA，以2014年12月31日为节点分割数据。
- 筛选领先变量包括M2、金融机构贷款余额、钢材产量、生铁产量、商品房销售面积、中债国债收益率、中采PMI、沪深300月收益率及社融人民币贷款（表9）。
- 拐点匹配图19-27，清晰展现指标领先特性。
- 领先指数相对工业增加值整体领先3.6个月左右，表现稳定（图28），拐点统计表10。

• 领先指数在资产配置中的应用：

- 周期划分采用领先指数6期移动平均确定趋势，上行阶段权益占比30%、债券70%，放缓阶段100%债券。
- 对照组采用工业增加值作为择时指标，基准为固定10%权益、90%债券配置。
- 实证结果显示领先指数构建的股债轮动策略年化收益7.5%、夏普比率2.0，最大回撤仅2.2%，明显优于工业增加值择时及基准（表11，图29，图30）。
- 换用偏股混合基金指数及纯债基金指数作为标的，策略表现保持优良，年化收益6.8%，胜率62.5%，盈亏比2.3，显示模型具备一定适用扩展性（表12，图31）。

5. 总结与展望

• 构建起一套量化纪律性强、基于拐点识别与匹配的综合领先指数算法体系。

- 领先指标筛选合理，领先指数对经济波动具有稳定的预测能力。

• 基于领先指数的股债轮动策略显著提升投资绩效，验证了经济领先指标的实际应用价值。

- 流程具体规范，减少人工主观判定，改进传统方法不足。

• 未来工作侧重于动态更新指标体系，关注经济结构变化与新增长动力，规避旧模型失效风险。

6. 风险提示

• 该量化模型基于历史数据规律，模型结果不代表宏观经济观测或未来发展方向。

- 经济环境与政策可能变化导致模型失效。

• 投资者应结合多方面信息审慎决策。

---

三、图表深度解读

基础预处理图表

• 图1（工业增加值同比季调效果）：蓝线为原始季节性数据，橙线为季调后数据，明显消除春节等节日尖峰，数据更平滑，提高后续指标拐点识别有效性。
• 图2（EMD平滑处理）：蓝线为未平滑，橙线为平滑后信号，删除高频噪音，保留经济周期性变动，利于精准拐点定位。
• 图3（HMA平滑）：蓝线（原始）与橙线（平滑）对比，HMA减缓信号延迟，提升及时反映经济变化的能力。

拐点识别（图4）

• 实线显示工业增加值变化，竖线表示算法判定的峰值（红色）和谷值（绿色），拐点规则有效滤除了局部极值，保留明显的经济周期转折点。

综合景气指数相关（图5、图6、图7、图8、图9、图10、图11）

• 图5：工业增加值与高频景气指数变动轨迹一致性较好，标识经济周期节奏。
• 图6：区分不同周期阶段股债资产波动明显，上行阶段权益快速增长，放缓阶段债券表现安全稳定。
• 图7：基于高频景气指数的股债轮动策略累计净值曲线持续领先基准和工业增加值择时。
• 图8、图9、图10、图11：低频景气指数同样有效，但调仓频率降低，投资收益波动略有减少，策略灵活性与稳定性之间的权衡表现良好。

领先指标拐点匹配系列（图12-27）

• 不同领先指标（汽车产量、钢材产量、社融贷款、M2、商品房销售面积等）均表现出明显领先于工业增加值的拐点信号，多数领先期3-7个月，周期变化一致性较高。
• 拐点匹配说明领先指标具备潜在预测经济周期波动价值，进而作为综合领先指数构建的基础。

领先指数合成及应用（图18、图28、图29、图30、图31）

• 图18、图28：全历史与滚动合成领先指数走势，曲线平稳且领先工业增加值曲线，领先特征明显。
• 图29：领先指数划分周期内权益与债券表现差异显著，经济“上行”权益资产显著跑赢债券，印证领先指数划分有效。
• 图30、图31：基于领先指数的股债轮动策略净值持续显著超越基准，红利与信用债指标组合以及偏股混合与纯债基金组合均呈现良好收益提升和风险控制。

---

四、估值分析

报告旨在经济指标与资产配置周期的识别和策略指导，未涉及传统企业估值分析如DCF、市盈率等。

---

五、风险因素评估

• 风险主要包括：

- 宏观经济环境或政策快速变化可能导致历史规律失效。
- 量化模型有赖于数据质量与指标定义，若数据不完整或统计口径变更，模型效能下降。
- 结构性经济转型可能导致传统领先指标失灵。

• 报告中风险提示明确，未强调缓解策略，提示用户审慎使用并动态更新模型。

---

六、批判性视角与细节观察

• 报告积极减少人工判断、强调算法纪律性，但全历史合成方法不可回测，导致未来实际应用需谨慎。

- 滚动合成虽可回测但前端数据填充、平滑方法选择依然具有一定参数随意性，模型稳定性依赖于定期调校。

• 领先指标主要围绕当前传统经济结构，未充分考虑新经济变量，后续应加强。

- 拐点幅度、拐点频率等参数对结果影响较大，需进一步测试敏感性。

• 资产轮动策略风险偏好和配置比例设定固定，未来模型可考虑动态调整。

- 没有详细探讨策略的执行成本、税费影响及流动性限制。

---

七、结论性综合

本报告从量化视角系统地构建了一个中国经济综合领先指数体系，创新性地引入了基于拐点识别与匹配的领先指标定量筛选逻辑。其领先指数在捕捉中国经济周期阶段变动上稳健有效，领先工业增加值3至5个月左右，具备经济周期早期信号功能。

实证上，基于领先指数构建的股债轮动资产配置策略，在7年多的测试区间内年化收益明显优于基准（最高7.5%年化收益，最大回撤维持在2.2%以下），且夏普比率和胜率均较高，策略展现出较强的风险调整后收益提升能力。低频及高频两个版本均表现良好，且针对不同资产组合标的均有较强的适用性和稳健性。

报告中各类图表均直观呈现了指数与经济指标、股债资产的高度相关性及领先性特征。尤其是领先指标拐点匹配图与指数图显示了领先指标的稳定周期同步性及领先工业增加值的有效性。

该体系的最大贡献是实现了一个从经济原始指标预处理、拐点智能识别、领先关系匹配，到综合指数合成的全流程量化框架，填补了现有宏观周期指标较为粗糙且多依赖人工判定的不足。整体方法及实证结果对中国宏观经济周期的监测、资产配置的时机把握具有较强参考价值。

展望未来，报告坦率指出经济结构变化等不确定因素要求对模型和领先指标体系进行动态跟踪和更新，提示投资者未来应持续审视领先指标效用，动态迭代模型框架。

最后，报告对投资者作出风险提示，强调模型量化逻辑和基于历史数据，警示政策或市场环境调整可能导致模型失效，适合结合多元分析工具共同使用。

---

参考关键图表及数据（截图示例）

1. 基于领先指数的股债轮动净值曲线（报告首页图）

1. 工业增加值同比序列季调效果（图1）

1. 经验模态分解（EMD）平滑前后效果（图2）

1. 拐点识别示例（图4）

1. 高频综合景气指数周期划分下的资产累计净值（图6）

1. 基于高频综合景气指数的股债轮动净值（图7）

1. 全历史合成领先指标拐点匹配（一示例，钢材产量）

1. 滚动合成中国经济综合领先指数（图28）

1. 基于领先指数的股债轮动策略净值（图30）

---

总结

广发证券的本报告围绕中国经济的宏观领先信号体系建设，打造了一个科学严谨、数据驱动的经济领先指标编码框架，同时成功将该领先指数具体应用于实战资产配置，形成优异的股债轮动策略。全链条严谨的数据处理、算法设计和经济逻辑赋予该模型较强的稳定性与适用性，但未来需要持续对模型数据源和领先指标进行动态校准，才能适应经济结构长期演变。

该报告为宏观资产配置和量化经济周期研究提供了标杆范例，对于相关领域研究者和资产管理人均具备重要参考价值。[page::0, 4, 5, 6, 7, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25]

报告