1月10日，中信建投研報指出，去年12月的社會融資數(shù)據(jù)即將于2024年1月10日發(fā)布。我們的動態(tài)因子預(yù)測模型顯示，2023年12月的社融存量同比增速的預(yù)測值為9.38%，總體來看穩(wěn)中向好。模型的動態(tài)預(yù)測值整體上呈現(xiàn)先增后減趨勢。動態(tài)因子模型的核心思想在于隨著宏觀變量陸續(xù)發(fā)布，預(yù)測逐漸朝著真實值的方向趨近。我們的動態(tài)預(yù)測結(jié)果顯示，本次即將發(fā)布的預(yù)測值，自2023年12月14日的9.37%提升至9.50%，后滑落至9.38%。
去年12月的社會融資數(shù)據(jù)即將于2024年1月10日發(fā)布。我們的動態(tài)因子預(yù)測模型顯示，2023年12月的社融存量同比增速的預(yù)測值為9.38%，總體來看穩(wěn)中向好。
模型的動態(tài)預(yù)測值整體上呈現(xiàn)先增后減趨勢。動態(tài)因子模型的核心思想在于隨著宏觀變量陸續(xù)發(fā)布，預(yù)測逐漸朝著真實值的方向趨近。我們的動態(tài)預(yù)測結(jié)果顯示，本次即將發(fā)布的預(yù)測值，自2023年12月14日的9.37%提升至9.50%，后滑落至9.38%。
去年12月的社會融資數(shù)據(jù)即將于2024年1月10日發(fā)布。我們的動態(tài)因子預(yù)測模型顯示，2023年12月的社融存量同比增速的預(yù)測值為9.38%，總體來看穩(wěn)中向好。
模型的動態(tài)預(yù)測值整體上呈現(xiàn)先增后減趨勢。動態(tài)因子模型的核心思想在于隨著宏觀變量陸續(xù)發(fā)布，預(yù)測逐漸朝著真實值的方向趨近。我們的動態(tài)預(yù)測結(jié)果顯示，本次即將發(fā)布的預(yù)測值，自2023年12月14日的9.37%提升至9.50%，后滑落至9.38%。
宏觀經(jīng)濟數(shù)據(jù)建模面臨多個復(fù)雜的挑戰(zhàn)，比如數(shù)據(jù)公布時間不同步，數(shù)據(jù)中存在缺失值等。另一個是截面維度的高度，即在同一時間點上大量的經(jīng)濟變量的高度相關(guān)性使得模型需要更復(fù)雜的處理方法。此外，宏觀經(jīng)濟數(shù)據(jù)的頻率不一致和數(shù)據(jù)發(fā)布滯后都為建模帶來一定困難。
實時預(yù)測（Nowcasting）是解決上述問題的理想方案之一。Nowcasting模型可以理解成主成分回歸（PCR)和向量自回歸（VAR）模型的有機結(jié)合。主成分回歸的方法利用高維宏觀時序數(shù)據(jù)預(yù)測單一時序指標，而動態(tài)因子模型較主成分分析的因子的區(qū)別在于，前者對于因子結(jié)構(gòu)的額外增加了 p 階VAR的時序結(jié)構(gòu)限制，為了避免過度參數(shù)化，防止過擬合現(xiàn)象。模型依據(jù)實際發(fā)布日期，整理不同類別的時間序列數(shù)據(jù)，解決發(fā)布不同步的問題；使用卡爾曼濾波或者平滑等技術(shù)來處理經(jīng)濟數(shù)據(jù)中的缺失值，提高模型對整體數(shù)據(jù)集的利用效率；采用動態(tài)因子模型，把高維模型進行降維，降低高維度數(shù)據(jù)對模型的負擔(dān)，提高效率；將不同頻率的經(jīng)濟數(shù)據(jù)進行插值或轉(zhuǎn)換，解決數(shù)據(jù)頻率不一致。
動態(tài)因子模型的核心思想在于隨著宏觀變量陸續(xù)發(fā)布，預(yù)測逐漸朝著真實值的方向趨近。在過去一年，我們的模型預(yù)測值成功地實現(xiàn)了對真實值的有效收斂。模型除包含基本面宏觀數(shù)據(jù)外，還納入了中債收益率的市場交易數(shù)據(jù)。這使得模型不僅涵蓋了宏觀經(jīng)濟的基本面，還包括了市場交易者對數(shù)據(jù)真實值的預(yù)期。
近期的模型結(jié)果顯示，社融同比的2023年12月的預(yù)測值為9.38%，幾乎與2023年11月持平。自2023年12月13日的9.37%提升至9.50%，后滑落至9.38%，整體上呈現(xiàn)先增后減的趨勢。
預(yù)測精度方面，我們采取RMSE（均方根誤差）衡量模型的預(yù)測精度，除個別極端情況周期外，模型滾動一年RMSE整體在0.26%-0.40%之間波動，預(yù)測值與真實值差距幾乎控制在0.40%以內(nèi)，模型的預(yù)測同比增速變動方向正確率高于60%。