宏观因子构建与预测背景 [page::0][page::3][page::5]

• 动态因子模型（DFM）通过抽取代表性经济指标的共振趋势，构建了增长、通胀、流动性三大宏观因子。

- 宏观指标数据存在较长公布时滞，宏观因子的预测需包含即时预测和展望预测两部分。

• 本报告重点解决基于宏观因子的组合配置策略面临的预测难题，通过引入一致预期数据改善预测准确性。

- 预测方法包括模型外推（基于历史自回归过程）和一致预期外推（基于Wind宏观预期数据）。

宏观指标数据特征及一致预期数据分析 [page::4][page::7][page::8][page::9]

• 宏观指标公布存在10至17天的时滞，其中GDP中位滞后17天，流动性指标中位滞后12天。

- Wind一致预期数据覆盖率良好，预测机构数按指标差异明显。

• 随着公布日期临近，一致预期数据误差整体呈现收敛趋势，反映预期信息完善的过程。

宏观因子预测方法与对比分析 [page::10][page::11]

• DFM模型通过自回归状态转移方程实现历史数据外推预测。

- 一致预期外推通过对未来一年预期数据的标准化处理，结合DFM参数计算宏观因子预测。

• 预测效果通过单变量不带截距线性回归评价，观测R方与Beta指标。

宏观因子预测效果实证总结 [page::12][page::13][page::14][page::15][page::16][page::17]

增长因子预测 [page::12][page::13]

• 模型外推在2011-2012年预测表现差，后期趋于稳定（R²>0.9，Beta>1）。

- 一致预期方法改善明显，方向准确性提升，预测临近公布日期时性能优化明显。

• 预测误差随距离下一次公告日期的天数减少而下降。

通胀因子预测 [page::14][page::15]

• 预测难度较高，两种方法均表现一般。

- 决定系数多分散，且存在较多Beta负值，表明预测方向波动较大。

• 一致预期对通胀因子的预测无显著改善，临近发布期的预测收敛亦有限。

流动性因子预测 [page::16][page::17]

• 两种预测方法表现均较好，模型外推结果稳定。

- 一致预期预测效果更优，方向性偏误较少。

• 预测准确率随时间点接近公布日期持续上升。

近期宏观因子未来走势预测 [page::18]

• 预测期内增长因子将先达高点后回落，通胀因子阶段性先升后降，流动性展现先降后升趋势。

- 预测结果有助于动态调整资产配置中的宏观因子权重。

详尽深度分析报告：《巧借东风，利用一致预期改善宏观因子预测》

---

1. 元数据与报告概览

• 报告标题：《巧借东风，利用一致预期改善宏观因子预测》

- 发布机构：中信证券研究部

• 发布日期：2021年4月2日

- 核心作者及分析师团队：陈朝棕（组合配置分析师）、赵文荣（首席量化与配置分析师）、刘方（首席组合配置分析师）、顾晟曦（组合配置分析师）、唐栋国（组合配置分析师）、联系人刘笑天

• 主题：基于动态因子模型，利用历史数据和一致预期数据改进宏观因子预测方法，重点针对增长、通胀和流动性三个宏观因子的动态预测与组合配置策略的提升。

核心论点：

本报告关注宏观因子预测难题，基于动态因子模型（DFM），结合模型外推（基于历史数据的向量自回归过程）和一致预期外推（融入宏观领域研究员共识判断），对增长、通胀及流动性因子进行预测。研究发现，一致预期数据能有效改善模型的预测效果，尤其对增长和流动性因子贡献较大，而通胀因子的改进不显著。基于2021年3月15日的历史数据和3月16日的预期数据，预测未来一年内三大因子可能的走势，从而为资产配置提供更实时有效的预测支持。

[page::0,3,6,10,11,18,19]

---

2. 逐节深度解读

2.1 投资聚焦及背景介绍

报告基于此前两篇相关报告成果，分别为：

• 2019年4月18日发布的《宏观因子视角下的资产轮动：增长、通胀和剩余流动性》，聚焦宏观因子构建和经济周期特征分析；

- 2019年10月29日发布的《从战略到战术：自上而下构建股债配置组合》，植根宏观因子的投资时钟，结合相对估值和市场情绪指导组合配置。

本报告聚焦于宏观因子预测层面，解决“即时预测（Nowcast）与展望预测（Forecast）”问题，提出综合历史统计规律和一致预期数据的双重预测框架，提升基于宏观因子的组合策略的对未来走势的判断精度。

[page::3]

2.2 宏观指标选取与因子提取方法

宏观指标分组筛选原则

为避免混淆且提升因子经济学解释力，依据宏观指标所属领域，将底层指标划分为增长、通胀、流动性三大类，每类分别采用1个隐含因子抽取（DFM隐含因子数为1），形成各因子。

筛选标准：

• 数据质量：选取代表性强的核心指标，如增长类以GDP、工业增加值、社会消费品零售及固定资产投资累计额为主，通胀采用CPI、PPI，流动性涵盖M1、M2、人民币贷款及社会融资规模。

- 数据时效性：指标频率以月度为主（GDP除外），满足及时观察。

• 实践运用：指标需可获得相对可靠的一致预期数据，便于预测整合。

此外，针对春节效应、异常冲击的波动进行了数据预处理，如2月采用累计同比替代当月同比，限制异常值到历史3倍标准差范围内，保证数据稳定性。

底层数据汇总表（表1）详列具体指标、数据类型、频率及起始时间，均从1997年起开始收集，确保数据完整性与可追溯性。

动态因子模型（DFM）简介

• DFM是状态空间模型，包括观测方程（因子与观测变量关系）和状态转移方程（因子的演进过程）。

- 基本方程：

$$
\begin{cases}
yt = \Lambda ft + ut \\
ft = A1 f{t-1} + \cdots + Ap f{t-p} + \etat
\end{cases}
$$

其中 $ft$ 是隐含动态因子，$yt$为经济指标矩阵，$\Lambda$为因子载荷，$p=3$表示自回归滞后阶数，$ut, \etat$为白噪声。模型采用Kalman滤波和极大似然估计进行参数估算。

• 每类指标经标准化处理以消除不同波动率影响：

$$
I{\text{norm}} = \frac{I{\text{raw}} - \text{mean}(I{\text{raw}})}{\text{std}(I_{\text{raw}})}
$$

动态因子模型可提取指标间的共振波动趋势，得到经济的核心波动驱动力。

[page::4,5,6]

2.3 宏观因子预测的难点及方法选择

基于宏观数据公布存在不可避免的时间滞后，宏观因子预测涵盖：

• 即时预测（Nowcast）：对已完成统计周期但数据尚未公布的估测；

- 展望预测（Forecast）：对未来尚未发生统计周期的估计。

此两者难以通过单纯历史统计规律作出精准判断，因而引入了一致预期数据。

公布时滞分析（图3）

• 不同指标公布时滞存在明显差异：GDP公布中位滞后约17天，工业增加值、社会消费品零售等约14天，CPI/PPI约10天，流动性指标中位值约12天，说明需在历史数据基础上及时估测未来趋势。

• 公布日程表（表2）详细列明2021年国家统计局月度新闻发布会及主要宏观数据公布日期，反映数据公布节奏及规律。

一致预期数据性质与处理（表3、图4）

• 一致预期数据来自Wind宏观经济预期，集合多家机构（多个研究员）的预测意见。

- 平均机构数量GDP约11家，工业增加值、零售等8家左右，CPI/PPI约10家，流动性类指标机构数量相对偏少（M1约2家），存在预测样本差异。

• 预期数据相对于真实数据的预测误差随公布日期临近而收敛，证明预期数据对未来走势的捕捉能力增强。

- 对社会融资规模的预期数据为当月值，因统计口径调整，历史数据进行了适当校正以转换为同比，从而确保预期计算的一致性。

[page::6,7,8,9,10]

2.4 宏观因子预测方法：模型外推与一致预期外推

报告设计两种方法预测未来一年宏观因子走势：

• 模型外推：基于DFM中状态转移的向量自回归过程，直接用历史数据实现逐期外推，预测未来因子值。

- 一致预期外推：利用截至预测日可获得的未来一年全部一致预期指标数据，标准化后，结合DFM参数计算因子预计值，理想情况下反映当前可用的最先进的宏观信息。

此外，设立真实历史数据基准预测，作为评价两者预测效果的参考。

图5示例显示2020年3月16日的三种预测线对比，模型外推平滑但缺乏对突发政策影响的即时反应，一致预期预测随着公布日期临近与真实走势更趋一致。

[page::10,11]

2.5 历史预测效果回溯与单变量回归分析

采用2011年1月至2020年3月的历史样本，利用单变量不带截距线性回归比较预测因子值与基准预测因子的拟合程度，考察指标：

• 决定系数（R Squared）：预测解释能力，越接近1越好；

- 回归系数（Beta）：预测暴露水平，接近1说明预测趋势偏差小，正向暴露。

增长因子分析

• DFM模型外推在2011-2012年预测表现较差（R^2接近0，Beta负值，方向背离），此时期数据趋势结构变化显著，难以通过静态历史规律捕捉。

- 2013年以来预测趋于稳定，R^2在0.9以上，Beta维持1至2范围。

• 一致预期外推表现明显优于模型外推，最低R^2约0.45且无方向矛盾，2013年后同样趋于稳定。

- 随着距离下一次公告日期天数减少，R^2接近1，Beta接近1，表明预期数据预测价值随公告临近增强（图6、7、8）。

通胀因子分析

• 预测难度大，模型外推R^2分布广（0-1全覆盖），高于0.6者约60%，0.8者约40%，Beta偶尔负值。

- 一致预期外推预测无明显提升，反而负向暴露比例较高，效果整体不理想。

• 随公告临近影响有限，预测波动依旧较大（图9、10、11）。

流动性因子分析

• 模型外推整体表现良好，R^2多在0.8到1，Beta在1到2。

- 一致预期外推表现更好，除少数异常点，R^2大部分高于0.9，Beta稳定在1附近，无方向错误，暴露度精准。

• 公告日趋近，预测表现进一步改善（图12、13、14）。

[page::11,12,13,14,15,16,17]

2.6 近期因子预测结果概览（图15）

基于2021年3月15日历史数据及3月16日一致预期数据，预测未来一年走势：

• 增长因子：模型外推预测先升后降，6月达到阶段高点；一致预期外推4月高点后回落，显示预期数据对近期峰值信息的敏感度。

- 通胀因子：模型外推预测持续上升，一致预期外推先升后降，9月达高点。

• 流动性因子：模型外推预测小幅上升，一致预期外推则先下降后回升，10月为阶段低点。

说明模型在捕捉宏观动态趋势时，融合一致预期数据可以更及时反映政策、市场情绪等变更信号，增强预测的实际操作价值。

[page::18,19]

---

3. 图表深度解读

图1：动态因子模型构建宏观因子的核心步骤

该流程图清晰展示了由宏观指标选取、分组，至利用DFM提取隐含因子（增长、通胀与流动性因子）的系统化过程。明确了指标选择三大原则——数据质量（代表性）、时效性（跟踪效率）与实践性（预期数据的可用性）——在整个因子提取环节的重要性，有助于提高经济含义的聚焦与模型有效性。

[page::4]

图2：宏观指标原始数据走势

图示了1997年至2020年代初，各类宏观指标的时间序列走势，包括增长类（GDP、工业增加值等）、通胀类（CPI、PPI）、流动性类（M1、M2等）。

• 可见增长指标整体呈现缓慢下行趋势及周期性波动，疫情2020年有明显波动。

- 通胀指标波动更频繁，且峰谷交替显著。

• 流动性指标自2008年金融危机后显现较大波动，体现政策效应。

该图表为理解宏观因子构建打下数据基础，说明不同因子类别数据特征差异。

[page::5]

图3：宏观指标公布滞后期历史分布情况

该小提琴图描绘不同宏观指标从报告期结束至公布日期的时间滞后分布特征。

• GDP公布滞后时间最长，集中在15-19天区间。

- 工业增加值等增长指标稍短，大致12-16天内公布。

• CPI、PPI滞后时间较短，约9-11天。

- 流动性相关指标滞后约11-14天。

该图体现宏观数据的公布时滞特征，揭示了及时预测的必要性与难点。

[page::8]

图4：各宏观指标一致预期值相对真实值的误差收敛情况

系列散点图揭示一致预期值误差随着距离报告期天数的变化趋势。

• 误差在距离报告期较远时分布广泛，波动大。

- 距离报告期越来越近时，误差显著聚拢于零附近，表现出较高的预测准确性。

• 反映一致预期在公布临近时包含更多准确信息，具有较好的预测价值。

[page::9]

图5：DFM模型外推与一致预期外推对比示例

展示2020年3月16日三个宏观因子：增长、通胀、流动性，采用纯历史数据模型外推、DFM模型外推、一致预期外推的预测轨迹对比。

• 模型外推平坦平滑，缺乏对短期波动的敏感。

- 一致预期外推更趋近于真实数据波动趋势。

• 显示一致预期包含未来已知政策等信息，更贴近实际。

[page::10]

图6-8：增长因子模型外推及一致预期预测效果分析

• 模型外推在2011-2012年预测表现差（R²低，Beta负值），后趋稳定；一致预期远优于模型。

- 模型外推Beta持续偏离1，误方向风险明显。

• 与公告日接近，预期外推预测准确度（R²）与暴露（Beta）均提升，Beta趋近1，显示预期信息正向增强预测能力。

图7、8支持一致预期数据在实务中对增长因子预测的显著增益。

[page::12,13]

图9-11：通胀因子预测效果

• 两种方法均表现不佳，部分期间Beta为负，预测方向错误。

- 一致预期并未给出明显提升，预测波动和不确定性依然较大。

• 随公告日临近，预测精度并无明显集中趋势，体现通胀因子的固有预测困难。

[page::14,15]

图12-14：流动性因子预测效果

• 模型外推表现整体稳定，决定系数在0.8以上。

- 一致预期外推明显优于模型外推，R²多为0.9以上，Beta接近1且无负。

• 距公告期距离减少，预测解释度进一步提升。

- 一致预期数据对流动性因子的预测价值和方向把握明显高于模型外推。

[page::16,17]

图15：三大宏观因子未来一年预测走势

结合一致预期和模型外推的预测结果：

• 增长因子峰值出现在4-6月左右后回落。

- 通胀因子先升后降，9月阶段高点。

• 流动性因子有先降后升的特征，10月阶段低点。

该图为基于报告最新数据的趋势预测，可指导动态资产配置。

[page::18]

---

4. 估值分析

本报告核心不涉及企业估值，而是宏观因子的建模预测，故未包含传统的估值模型（如DCF等）。动态因子模型本身采用基于向量自回归的时间序列建模，作为宏观因子测算工具，用于基础指标映射与预期预测。

---

5. 风险因素评估

报告指出关键风险为基于历史数据测算的模型可能失效，因未来宏观经济环境、政策及市场条件变化不可预测，历史规律不一定持续有效。

此外，报告暗示，宏观一致预期数据质量和机构参与度直接影响预测效果，若未来预期集合不全面或逻辑错误，预测能力亦受到影响。

[page::0,19]

---

6. 批判性视角与细微差别

• 依赖历史规律的局限：模型外推过度依赖过去统计特征，面对经济结构或政策环境重大转折（如2011-2012年增长因子表现），预测准确率明显降低。

- 一致预期数据依赖性：报告通过一致预期强化预测，但一致预期受限于预测机构数量、预测模型及逻辑，质量不稳，存在潜在群体性偏差风险。

• 通胀因子预测表现差：报告确认预测通胀因子特别难，且一致预期未带来明显改进，说明该因子波动受多重不确定因素影响，模型和信息融合方法可能需进一步深化。

- 时间窗选择灵敏度：回归检测依赖预测时间点与公告间隔天数，预测质量随时间剧变，操作中需谨慎选择时间节点，避免误判。

• 部分图表未完全揭示统计假设：如误差收敛图、回归诊断未详细说明样本完整性与潜在异常处理，可能影响评估精度。

整体报告逻辑严谨，但模型应用中仍需警惕数据、结构性风险影响。

---

7. 结论性综合

本报告针对宏观因子预测难题提出了有效解决途径，基于动态因子模型结合一致预期数据改进预测框架，聚焦增长、通胀和流动性三大关键因子。

• 宏观因子构建系统完备，明确指标选择、分类及数据预处理流程，确保因子经济含义清晰，数据质量优良。

- 宏观指标公布时滞显著，推动即时预测需求，模型外推具备历史规律优势，一致预期弥补了未来已知信息反映不足的缺陷。

• 一致预期数据对增长和流动性因子的预测明显优于纯模型外推，回归统计证明决定系数和回归系数均明显改善，未来可增强资产配置的预测准确性与反应速度。

- 通胀因子预测依旧挑战巨大，双方方法均无显著优势，显示需进一步模型创新和信息整合。

• 未来一年走势预测显示一致预期数据在捕捉宏观波动阶段性峰谷、趋势反转方面效果更佳，具备较强现实应用价值。

- 风险提示明确，强调模型基于历史数据，存在失效可能，提醒投资者审慎决策。

图表数据详尽、直观支持核心结论，体现报告研究的科学性和实用性。

---

总评：该报告系统展示了宏观因子从指标筛选、因子提取到未来预测的完整逻辑链，创新性地结合了一致预期数据提升预测精度，为宏观驱动型资产配置策略提供了理论依据和实践框架，对金融资产管理实务具有显著指导意义。[page::全篇]

报告