基于原油價格和PMI的PPI同比預測：年內PPI同比何時見頂

1、今年以來 PPI 同比快速上行，1 月 PPI 同比由負轉正至 0.3%，2 月繼續(xù)大幅上行至 1.7%。PPI 指數(shù)主要用于衡量工業(yè)企業(yè)產品出廠價格的變動，其變動趨勢和變動程度與經濟基本面和債市走勢關系密切。2016 年以來，10Y 國債收益率與 PPI同比相關性高達 75%。隨著海外經濟體的修復和大宗商品價格的上漲，市場普遍關心后續(xù) PPI 的走勢與空間，以及對貨幣政策和債市的影響。因此，對今年 PPI走勢的研判顯得愈發(fā)重要。本篇報告分析了影響 PPI 走勢的核心因素，并在此基礎上構建了遠月和近月預測模型，分別用以判斷今年 PPI 的整體走勢和 PPI 同比短期變化。圖表 1：近期 PPI

2、 同比由負轉正并有持續(xù)上行趨勢 圖表 2：PPI 同比與 10Y 國債收益率走勢相關性較高PPI:全部工業(yè)品:當月同比，%1.7PPI:全部工業(yè)品:當月同比，%CPI:當月同比，%中債10年期國債到期收益率，%，右軸541038261402-10-2-2-3-418/0118/0418/0718/1019/0119/0419/0719/1020/0120/0420/0720/1021/0116/01-4-64.44.13.83.53.22.92.62.321/012.016/0717/0117/0718/0118/0719/0119/0720/0120/07數(shù)據(jù)來源：Wind，整理數(shù)據(jù)來源：W

3、ind，整理一、PPI 的核心影響因素是什么？解構 PPI，從理解如何編制 PPI 開始根據(jù)國家統(tǒng)計局中國主要統(tǒng)計指標詮釋（第二版）（2013），我國 PPI 指數(shù)的編制方法主要分為以下 8 步：確定各工業(yè)行業(yè)的基本分類，以及基本分類對應的代表產品。一般選擇銷售額較大、生產穩(wěn)定、有發(fā)展前景的產品，或銷售額不大但人們對其價格變化敏感的產品為代表產品，其目錄一般每 5 年修訂一次；統(tǒng)計代表產品月均價（每月 5 日與 20 日均價），得代表產品月環(huán)比增速；對基本分類的代表產品月環(huán)比增速求幾何平均，得基本分類月環(huán)比增速；以基期年平均價格為基期價格，累乘月環(huán)比增速得基本分類月價格指數(shù)；對基本分類月價格指

4、數(shù)求加權平均得各工業(yè)行業(yè)月價格指數(shù)，其中基本分類的權重來源于工業(yè)企業(yè)產品權數(shù)調查（每 5 年開展一次）；對工業(yè)行業(yè)月價格指數(shù)按照鏈式拉氏公式求加權平均，作為全行業(yè)月價格指數(shù)，其中行業(yè)權重為該行業(yè)銷售產值占全行業(yè)銷售產值比重；用所求價格指數(shù)，與上月做比較得環(huán)比指數(shù)，與去年同期比較得同比指數(shù)；1-7 步由各省統(tǒng)計，對各省指數(shù)按銷售產值占比求加權平均，得全國指數(shù)。從貢獻率較高的行業(yè)入手，尋找 PPI 的核心影響因素。從PPI 指數(shù)的編制方法可知，全行業(yè) PPI 變化本質上是由各個行業(yè) PPI 變化加權平均求得。因此，我們可以從那些貢獻率（行業(yè)權重行業(yè) PPI 變化/全行業(yè) PPI 變化）較高的行業(yè)入

5、手，尋找 PPI 指數(shù)變動的核心影響因素。國家統(tǒng)計局每月會公布細分行業(yè)的價格指數(shù)，但并不公布權重數(shù)據(jù)。因此若要對各行業(yè)貢獻率進行測算，首先要通對行業(yè)權重進行估計。PPI 的行業(yè)分解、權重估計與影響因素識別通常 PPI 指數(shù)有兩種分解方法：“二分法”和“行業(yè)法”。二分法將 PPI 解構為生產資料 PPI 和生活資料 PPI，行業(yè)法則將 PPI 解構為 39 個細分行業(yè)的 PPI，其中包括 31 個制造業(yè)細分行業(yè)，5 個采選業(yè)細分行業(yè)，和 3 個電力、熱力、燃氣及水電供應業(yè)的細分行業(yè)。 圖表 3：PPI 指數(shù)分解方法：“二分法”和“行業(yè)法”PPI行業(yè)法：39個行業(yè)二分法制造業(yè)：31個行業(yè)石油、煤炭

6、及其他燃料加工業(yè)黑色金屬冶煉及壓延加工業(yè)有色金屬冶煉及壓延加工業(yè)化學原料及化學制品制造業(yè)化學纖維制造業(yè)采選業(yè)：5個行業(yè)煤炭開采和洗選業(yè)石油天然氣開采業(yè)黑色金屬礦采選業(yè)有色金屬礦采選業(yè)非金屬礦采選業(yè)電力、熱力、燃氣及水電供應：3個行業(yè)電、熱力生產供應業(yè)燃氣生產和供應業(yè)水的生產和供應業(yè)生產資料：75%采掘原材料加工生活資料：25%食品衣著一般日用品耐用消費品數(shù)據(jù)來源：Wind，整理二分法分類下，生產資料 PPI 權重約為 75%，生活資料 PPI 權重約為 25%。二分法將 PPI 解構為生產資料 PPI 和生活資料 PPI，我們通過線性求解法可得到二者權重，其中生產資料權重約為 75%，生活資料

7、權重約為 25%。行業(yè)法分類下，原油、煤炭、黑色金屬和有色金屬 4 種生產資料對應的 7 個細分行業(yè)的 PPI 解釋了全行業(yè) PPI 約 90%的波動。行業(yè)權重可基于各細分行業(yè)營業(yè)收入數(shù)據(jù)估計得到。線性求解法可能不是估計各細分行業(yè)權重的合適方法。行業(yè)法將全行業(yè) PPI 指數(shù)解構為 39 個細分行業(yè)的 PPI 指數(shù)。由于變量較多，在進行線性求解時難以保證回歸分析的一致性，可能會導致估計結果偏誤較大。因此需要采用其他方法對各細分行業(yè)權重進行估計?；诟骷毞中袠I(yè)營業(yè)收入數(shù)據(jù)估計各細分行業(yè)權重的可信度較高。從 PPI 的編制原理可知，行業(yè)權重由工業(yè)各細分行業(yè)的“銷售產值”求得，但該數(shù)據(jù)已于 2016

8、年停更。在之前的 PPI 估計方法中通常采用各細分行業(yè)的“主營業(yè)務收入”代替“銷售產值”對各細分行業(yè)權重進行估計，但各細分行業(yè)“主營業(yè)務收入”也已于 2018 年后停更。由于各細分行業(yè)“營業(yè)收入”數(shù)據(jù)也與“銷售產值”數(shù)據(jù)較為接近，本報告采用以各細分行業(yè) “營業(yè)收入”代替“銷售產值”的方法估計各細分行業(yè)權重。我們計算了各細分行業(yè)“營業(yè)收入”占比，并基于此作為估計全行業(yè) PPI 的細分行業(yè)權重對全行業(yè) PPI 進行了擬合。擬合結果與每月官方公布的行業(yè) PPI數(shù)據(jù)比較接近，說明此方法的可信度相對較高。圖表 4：工業(yè)企業(yè)營業(yè)收入與工業(yè)銷售產值比較接近圖表 5：基于各細分行業(yè)營業(yè)收入數(shù)據(jù)擬合得到的全 行

9、業(yè) PPI 指數(shù)與實際 PPI 指數(shù)比較接近14012010080604020010 工業(yè)銷售產值，億元工業(yè)企業(yè)主營業(yè)務收入，億元工業(yè)企業(yè)營業(yè)收入，億元 實際PPI同比，%擬合PPI同比，%86420-2-416/0216/0616/1017/0217/0617/1018/0218/0618/1019/0219/0619/1020/0220/0620/1021/02-605 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20數(shù)據(jù)來源：Wind，整理數(shù)據(jù)來源：Wind，整理權重高不代表貢獻率大，原油、煤炭、黑色金屬和有色金屬 4 種生產資料對應的 7 個行業(yè)

10、對 PPI 波動的貢獻率可達到約 90%。計算機、通信和其他電子設備制造業(yè)等細分行業(yè)權重占比較大。我們統(tǒng)計了 2017-2019 年 39 個行業(yè)的平均權重數(shù)據(jù)（未包含 2020 年是因為疫情導致很多行業(yè)經營數(shù)據(jù)出現(xiàn)異常），其中平均權重最高的三個行業(yè)分別是：計算機、通信和其他電子設備制造業(yè)（9.35%）、汽車制造業(yè)（7.57%）、化學原料及化學制品制造業(yè)（7.14%）。雖然計算機等行業(yè)的權重很高，但其對 PPI 波動的貢獻率卻很小。舉例來說，計算機、通信和其他電子設備制造業(yè) PPI 雖然占全行業(yè) PPI 的權重高達 9.35%，但由于該細分行業(yè)產成品價格波動較小，其 PPI 波動對全行業(yè) PP

11、I 波動的貢獻率僅為 0.21%。原油、煤炭、黑色金屬和有色金屬 4 種生產資料的價格波動對全行業(yè) PPI 波動的貢獻較大。為更好地抓住影響全行業(yè) PPI 波動的關鍵行業(yè)，我們重點關注貢獻率指標。計算發(fā)現(xiàn)，貢獻率指標排名前 10 行業(yè)中的 7個行業(yè)（石油和天然氣開采、石油、煤炭及其他燃料加工、化學纖維制造、化學原料及化學制品制造、黑色金屬冶煉及壓延加工、有色金屬冶煉及壓延加工、煤炭開采和洗選）為上中游原材料及半成品加工生產行業(yè)。上述 7 個行業(yè)對 PPI 波動的貢獻率達到約 90%，且明顯對應原油、煤炭、黑色金屬和有色金屬 4 種生產資料。因此，我們認為原油、煤炭、黑色金屬和有色金屬 4 種生

12、產資料價格的波動是解釋 PPI 波動的核心因素。 圖表 6：權重高的行業(yè)對 PPI 波動的貢獻率不一定大2017-2019平均權重，%2017-2019平均貢獻率，%計算機、通信和其他電子設備制造業(yè)汽車制造業(yè)化學原料及化學制品制造業(yè)黑色金屬冶煉及壓延加工業(yè)電氣機械及器材制造業(yè)電力、熱力的生產和供應業(yè)有色金屬冶煉及壓延加工業(yè)非金屬礦物制品業(yè)農副食品加工業(yè)石油、煤炭及其他燃料加工業(yè)-20246810數(shù)據(jù)來源：Wind，整理 圖表 7：化工、石油、黑色等行業(yè)對 PPI 波動貢獻率較大2017-2019平均貢獻率，%化學原料及化學制品制造業(yè)石油、煤炭及其他燃料加工業(yè)黑色金屬冶煉及壓延加工業(yè) 有色金屬冶

13、煉及壓延加工業(yè) 電氣機械及器材制造業(yè)煤炭開采和洗選業(yè)石油和天然氣開采業(yè)化學纖維制造業(yè)造紙及紙制品業(yè)紡織業(yè)3.002.922.868.818.177.556.2422.4522.4519.890510152025數(shù)據(jù)來源：Wind，整理 圖表 8：原油、煤炭等 4 種生產資料價格的波動是解釋 PPI 波動的核心因素生產資料對應重點行業(yè)貢獻率，%總計，%原油石油和天然氣開采業(yè)61.1690.06化學原料及化學制品制造業(yè)化學纖維制造業(yè)石油、煤炭 及其他燃料加工業(yè)煤炭煤炭開采和洗選業(yè)黑色金屬黑色金屬冶煉及壓延加工業(yè)19.95有色金屬有色金屬冶煉及壓延加工業(yè)8.95數(shù)據(jù)來源：Wind，整理注：數(shù)據(jù)選取區(qū)

14、間為 2017 年至 2019 年。二、原油價格：PPI 波動核心影響因素的代表原油價格可能是 PPI 波動核心影響因素最合適的代表第一，相較于其他生產資料，原油應用廣泛，更能綜合反映工業(yè)生產狀況。原油被稱為“工業(yè)之母”，需求量和消耗量巨大，是各個工業(yè)行業(yè)中不可或缺的原材料和組成部分。根據(jù) 2017 年全國投入產出表，我們計算了 149 個行業(yè)的感應度系數(shù)，并發(fā)現(xiàn)“石油和天然氣開采行業(yè)”和“精煉石油和核燃料加工品行業(yè)”的感應度系數(shù)大于 93%的行業(yè)，這說明與其他生產資料相比，原油價格變動影響的部門更多、影響的范圍更大。因此我們認為選取原油價格作為研究 PPI 波動的最核心影響因素具有較強的代表

15、性。第二，原油價格與全行業(yè) PPI 指數(shù)之間具有較強的相關性。2015 年至 2020年，Brent 原油與 WTI 原油月平均價格同比與 PPI 指數(shù)同比的相關性分別高達 89%和 86%。相較于其他 3 種核心生產資料，原油價格同比與全行業(yè) PPI指數(shù)同比走勢具有更為一致的趨勢，可能更適合作為 PPI 波動核心影響因素的代表。第三，原油價格與核心行業(yè) PPI 指數(shù)之間也具有一定的相關性。除了與石油和天然氣開采業(yè)（90%）、石油煤炭以及其他燃料加工業(yè)（84%）之間具有較強的相關性外，原油價格同比與化學原料以及制品制造業(yè)、化學纖維制造業(yè)、黑色金屬冶壓業(yè)、有色金屬冶壓業(yè)對應的 PPI 同比之間的

16、相關性分別達到了 79%、75%、66%、65%。換言之，原油價格走勢與其他主要大宗商品的價格走勢具有較強的相關性，在某種程度上對原油價格走勢的分析也是對于主要大宗商品價格走勢的分析。原油與其他大宗商品價格走勢相關性較強的原因可能是大宗商品價格變化從根本上是由經濟周期變化所致，原油價格變化可能從本質上對應著不同的經濟周期和大宗商品周期。 圖表 9：原油價格同比與 PPI 同比相關性最高現(xiàn)貨價:Brent原油89%現(xiàn)貨價:WTI原油86%期貨結算價(活躍合約):動力煤74%期貨結算價(活躍合約):焦煤65%期貨結算價(活躍合約):螺紋鋼87%期貨結算價(活躍合約):鐵礦石53%現(xiàn)貨結算價:LME

17、銅現(xiàn)貨結算價:LME鋁77%75%原油2015年-2020年各生產資料與PPI同比相關性有色金屬 黑色金屬煤炭50% 55% 60% 65% 70% 75% 80% 85% 90% 95%數(shù)據(jù)來源：Wind，整理注：數(shù)據(jù)選取區(qū)間為 2015 年 1 月-2021 年 2 月。 圖表 10：原油價格同比與各行業(yè) PPI 同比走勢較為相似原油價格和行業(yè)PPI同比，%現(xiàn)貨價:原油:英國布倫特石油和天然氣開采業(yè) 石油、煤炭及燃料加工業(yè) 黑色金屬冶壓業(yè)，右軸 有色金屬冶壓業(yè)，右軸 化學原料及制品，右軸 化學纖維制造業(yè)，右軸16080120608040402000-40-2015/0215/0715/12

18、16/0516/1017/0317/0818/0118/0618/1119/0419/0920/0220/0720/12-80-40數(shù)據(jù)來源：Wind，整理原油價格變化的分析框架和 2021 年原油價格走勢初判供需變化是影響原油價格的主要因素。原油作為重要的戰(zhàn)略物資，其價格受到多方面因素的影響，包括美元和匯率因素、政治因素、投機因素、突發(fā)事件等。然而，作為一種商品，原油價格本質上仍然主要由供需關系決定。因此，分析原油的供需關系有助于我們對未來原油價格走勢做出一個大體上的判斷。原油供給端：OPEC、美國、俄羅斯三足鼎立。過去 10 年，OPEC、美國、俄羅斯的原油年產量之和約占全球總產量的 60

19、%（2020 年該比重約為 63%）。鑒于其在國際原油供給端的特殊地位，OPEC、美國、俄羅斯之間的博弈將極大影響全球原油的供給，這可能是分析原油供給的關鍵所在。因此，我們一般通過觀察 OPEC+部長級會議關于原油產量的決定（增/減產）以及美國國內原油生產水平來判斷國際原油市場的供給情況。原油需求端：美國、中國、歐洲主導需求。過去 10 年，美國、中國、歐洲的原油年消費量之和約占全球總消費量的一半（2020 年該比重約為 49%），因此分析原油需求的重點可能在于分析中國和歐美發(fā)達國家的原油需求。一般情況下，當經濟較好時，全球原油需求增加；經濟低迷時，全球原油需求減少。由此可見，全球原油需求與全

20、球經濟周期的發(fā)展密不可分。圖表 11：原油供給主要受歐佩克、美國和俄羅斯影響圖表 12：原油需求主要來自中國和歐美發(fā)達國家其他國家,37%歐佩克,33%俄羅斯,11%美國, 19%美國, 20%其他國家,51%中國,14%歐洲, 14%2020年全球原油產量分布2020年全球原油需求分布數(shù)據(jù)來源：OPEC，整理數(shù)據(jù)來源：OPEC，整理2021 需求端：中國需求仍強但增速放緩，歐美需求加速且空間較大。國內：需求仍強但增速放緩。由于國內疫情防控情況較好，疫后中國經濟持續(xù)修復，工業(yè)生產復蘇對原油需求上行拉動較大。目前國內經濟形勢仍然較為樂觀，因此預計今年國內原油需求仍將持續(xù)偏強。然而，考慮到國內的疫

21、后修復進程已基本完成，國內原油需求的增速可能會弱于去年。國外：需求加速且空間較大。隨著新冠疫苗接種進程的持續(xù)推進和歐美疫情的逐漸好轉，歐美發(fā)達國家和其他主要經濟體對于經濟復蘇具有較強的預期。目前從 PMI 指數(shù)的角度來看，美、歐、日等國的工業(yè)生產復蘇勢頭較好，近期對于原油的需求或將持續(xù)快速上行。2021 供給端：OPEC 減產疊加美國供給動力不足或致近期國際原油供給較弱。OPEC 與俄羅斯：上半年減產超預期。3 月 4 日 OPEC+召開部長級會議， OPEC 成員繼續(xù)維持減產計劃，沙特額外減產 100 萬桶/日的計劃也將至少延續(xù)到 4 月；俄羅斯方面也僅做出增產 13 萬桶/日的決定；目前來

22、看 OPEC+國家的原油供給仍處于偏弱的狀態(tài)。美國：今年供給動力可能不足。2020 年原油價格暴跌后，美國油氣生產和勘探業(yè)受到較大沖擊，頁巖油企業(yè)破產數(shù)量和負債規(guī)模均創(chuàng)下 2016 年后的新高。目前雖然美國鉆機數(shù)量仍在回升，但回升速度已經趨緩，且總鉆機數(shù)量仍不及美國疫情全面爆發(fā)前的一半?？紤]到頁巖油開采狀況不佳和拜登政府對于綠色能源的大力支持，今年美國原油供給提升空間較小。2021 年原油需求偏強疊加供給偏弱或將導致近期油價中樞繼續(xù)上行，中性情況下 2 季度原油價格有望達到高點。從需求端來看，2021 年全球經濟處于復蘇周期，國際原油需求回升較為確定；從供給端來看，上半年 OPEC 減產超預期

23、疊加美國供給動力不足可能導致近期國際原油供給較弱，下半年隨著原油需求逐漸回升，OPEC 等原油出口國繼續(xù)維持這輪為應對疫情而制定的減產計劃的可能性降低，屆時國際原油供給較弱的局面可能會有所緩和。基于上述判斷，我們認為今年原油價格可能將呈現(xiàn)出先漲后跌的走勢。EIA 等大型國際機構 3 月普遍預測原油價格將在 2 季度或 3 季度達到高點。圖表 13：世界主要經濟體工業(yè)生產復蘇勢頭較好圖表 14：2020 年美國油氣生產企業(yè)大量破產美國:供應管理協(xié)會(ISM):制造業(yè)PMI 日本:制造業(yè)PMI歐元區(qū):制造業(yè)PMI65600美國油氣生產破產企業(yè)承擔債務總和，億美元美國油氣生產企業(yè)破產數(shù)量，家，右軸5

24、060500455540040300502004510018/0118/0518/0919/0119/0519/0920/0120/0520/0921/01400201720182019353025202020數(shù)據(jù)來源：Wind，整理數(shù)據(jù)來源：Haynes and Boone，整理圖表 15：美國鉆機數(shù)量仍未恢復至疫情前水平圖表 16：3 月機構預測油價將在二/三季度到達高點機構對ICE布油季度價格預測值，美元/桶1,2001,0008006004002000鉆機數(shù)量:總計:美國:當周值，部 最大值中位數(shù)最小值787573696765656761595755545555807570656055

25、18/0118/0418/0718/1019/0119/0419/0719/1020/0120/0420/0720/1021/01502021Q22021Q32021Q42022Q12022Q2數(shù)據(jù)來源：Wind，整理數(shù)據(jù)來源：Bloomberg，整理三、遠月預測模型：基于原油價格的 PPI 預測方法遠月預測方法的選取關于 PPI 同比的遠月預測，目前市場主要有 3 類預測方法：基于原油價格的 PPI 預測方法：構建時間序列模型，通過對原油價格走勢的預測估計 PPI 同比的走勢；宏觀指標法：尋找影響 PPI 的宏觀經濟指標，通過對相關宏觀經濟指標的預測估計 PPI 同比的走勢；歷史比較法：尋找

26、與當前經濟周期相似的歷史時期，根據(jù)歷史時期的 PPI同比估計當前經濟周期 PPI 的同比區(qū)間；但是當前主流的遠月預測方法都存在著一些問題：基于原油價格的 PPI 預測方法：預測遠月原油價格的難度較大且主觀性較強；市場上的原油價格預測數(shù)據(jù)一般是季頻數(shù)據(jù)，且每月只更新一次，難以及時反映突發(fā)事件對于原油價格的影響；現(xiàn)有的 PPI 預測模型中一般只考慮原油價格因素，這可能會導致在油價受突發(fā)事件影響下產生較大波動時，模型的預測精度下降。宏觀指標法：宏觀經濟指標的選取具有很強的主觀性，且選取的宏觀經濟指標對于 PPI 的影響難以有效量化；一些宏觀經濟指標與 PPI 之間可能只是相關關系而并非因果關系；一些

27、宏觀經濟指標之間的走勢具有較強的一致性，在模型中納入更多宏觀經濟指標可能會增加模型的復雜程度，卻無法有效提高預測效果。歷史比較法：不同經濟周期之間雖然具有一定程度的相似性，但是也不可避免的存在著顯著差異，從歷史經驗出發(fā)推測未來 PPI 同比可能難以預測極端情況下 PPI 同比的變化；以歷史時期的 PPI 同比預測未來 PPI 同比的方法是靜態(tài)的，難以根據(jù)現(xiàn)實狀況的變化進行動態(tài)調整，對 PPI 同比拐點的預測精準性較差。綜上所述，我們認為基于原油價格的 PPI 預測方法相對更優(yōu)，且這種方法的不足之處更容易得到規(guī)避或解決。因此本報告的 PPI 同比遠月預測采用了基于原油價格的 PPI 預測方法。為

28、盡可能的解決基于原油價格的 PPI 預測方法的不足之處，本文針對傳統(tǒng)的基于原油價格的 PPI 預測方法進行了優(yōu)化：分別采用機構油價預測值和原油期貨價格作為模型中的原油價格預測值，二者的預測結果能夠相互檢驗，且原油期貨價格數(shù)據(jù)的頻率較高，在一定程度上提高了原油預測價格的可靠程度和 PPI 預測模型的動態(tài)性；在 PPI 預測模型中考慮了除原油價格之外的其他因素對于 PPI 同比的影響，提高了 PPI 預測模型的全面性和可靠性。原油價格預測值的選取基于原油價格同比遠月走勢的預測，我們可以預測 PPI 同比的遠月走勢。由上文中的論述可知，原油價格是 PPI 波動核心影響因素的最合適代表，因此我們可以通

29、過預測原油價格同比的遠月走勢來得到對 PPI 同比的遠月走勢的預測。為了能夠實現(xiàn)對 PPI 同比遠月走勢預測的動態(tài)更新，我們采用了兩種方式預測遠月的原油價格：第一，采用 EIA 等機構當月發(fā)布的對未來各季度原油價格的預測值。EIA等一系列國際組織、政府組織、大型跨國金融機構會在月度報告中披露其對于國際原油價格的預測，通常這些預測值為國際原油價格的季度平均值。通過線性插值法，我們可根據(jù)上述季度數(shù)據(jù)估計出國際原油價格的月度數(shù)據(jù)。此外，我們將各大機構對于國際原油價格預測值的最小值作為國際原油價格走勢的悲觀情況、中位數(shù)作為中性情況、最大值作為樂觀情況，分別對相應情況下的 PPI 同比進行預測。第二，采

30、用當月的原油期貨價格作為該月原油價格的預測值。無論是從套期保值的角度還是從套利交易的角度來看，原油期貨合約的價格都在一定程度上反映了市場對于未來原油價格的預期。因此，我們認為采用當月的原油期貨價格作為該月原油價格的預測值是較為合理的（如采用原油期貨 2105 作為市場對于 2021 年 5 月國際原油價格的預測）。由于原油期貨價格波動較大可能會導致 PPI 同比數(shù)據(jù)的預測值缺乏穩(wěn)定性，因此我們對原油期貨價格進行了 5 日移動平均處理。采用原油期貨價格作為原油價格預測值的最大好處在于原油期貨價格數(shù)據(jù)是實時和高頻的，因此基于原油期貨價格的 PPI 同比預測值對于影響國際原油價格的突發(fā)事件是較為敏感

31、的，該方法下的 PPI 同比預測值能夠較好地隨著市場狀況的變動而進行隨時調整。在后續(xù)模型中，我們選擇 Brent 原油價格作為國際原油價格的代表。主要原因在于：1）我國原油進口主要來自于中東和俄羅斯等國，中東油價的進口價格基準是 Oman 原油價格，而 Oman 原油價格又以 Brent 原油價格為定價基礎；2）我國原油對外依存度較高，因此國內油價與國際油價的走勢具有較強的相關性。 圖表 17：部分大型機構 3 月對 2021 年 Brent 原油季度平均價格的預測值 預測機構預測日布油均價(美元/桶)Q2Q3Q4EIA (美國能源信息署)03/0464.558.758.0Banco Sant

32、ander SA (桑坦德銀行)03/0457.055.054.0ABN AMRO Bank NV (荷蘭銀行)03/0565.063.061.0Capital Economics Ltd(凱投宏觀經濟咨詢公司)03/1172.577.575.0CIMB (聯(lián)昌國際銀行)03/1270.068.065.0Intesa Sanpaolo SpA(意大利聯(lián)合圣保羅銀行)03/1270.072.073.0HSBC Holdings (匯豐)03/1964.070.065.0Barclays (巴克萊銀行)03/2264.067.071.0TD Securities (道明證券)03/3166.063

33、.063.0數(shù)據(jù)來源：Bloomberg，整理 圖表 18：Brent 原油月度平均價格的預測值Brent 油價預測（美元/桶）機構預測價格期貨價格樂觀中性悲觀2021-0154.8654.8654.8654.862021-0262.3762.3762.3762.372021-0365.8665.8665.8665.862021-0469.1865.4361.4364.822021-0572.5065.0057.0063.782021-0675.8264.5752.5763.642021-0776.6665.7953.7963.132021-0877.5067.0055.0062.742021

34、-0978.3468.2156.2162.322021-1076.6766.6155.1161.772021-1175.0065.0054.0061.322021-1273.3363.3952.8961.00數(shù)據(jù)來源：Wind，整理注 1：期貨價格為 3 月 25、26、29、30 和 31 日期貨合約的平均價格。注 2：2020 年 1 月、2 月和 3 月為歷史實際數(shù)據(jù)，4 月及以后為預測數(shù)據(jù)?；谠蛢r格的 PPI 預測方法：因素分解的視角PPI 環(huán)比增速可由“油價拉動”和“剔除油價拉動”兩部分組成?！坝蛢r拉動”反映了 PPI 環(huán)比增速波動中與原油價格波動相關的部分；“剔除油價拉動”則反

35、映了 PPI 環(huán)比增速波動中與原油價格波動無關的部分，如與原油價格波動相關性較小的商品的價格波動、季節(jié)性影響等因素，“剔除油價拉動”部分對于 PPI 環(huán)比增速波動的貢獻較小。從因素分解的視角來看，基于原油價格預測 PPI 環(huán)比增速的步驟如下，PPI 同比預測值可以由環(huán)比增速推出：通過線性回歸模型測算原油價格環(huán)比增速對 PPI 環(huán)比增速的彈性；油價拉動 = 彈性 油價環(huán)比；剔除油價拉動 = PPI 環(huán)比 油價拉動；當月 PPI 環(huán)比預測值 = 油價拉動 + 當月剔除油價拉動的 10 年均值。基于因素分解方法的 PPI 預測模型表明年內 PPI 同比峰值可能在今年 5 月出現(xiàn)。去年上半年整體價格水

36、平偏低導致今年上半年 PPI 同比具有比較明顯的基數(shù)效應，其中 PPI 同比的翹尾值在 5 月達到最大值 2.83%。在基數(shù)效應和商品價格上漲的共同影響下，該模型下的 PPI 同比峰值出現(xiàn)在今年 5 月（樂觀情況下峰值為 5.00%，中性情況下峰值為 4.79%，悲觀情況下峰值為 4.58%，期貨價格法預測下峰值為 4.80%）。今年 5 月之后基數(shù)效應逐步減弱，對應時間段的 PPI 同比也開始逐步下滑；然而，由于 3 季度原油價格下行動力可能不強，3 季度 PPI 同比可能仍將維持高位。4 季度基數(shù)效應逐漸消退，疊加國際原油價格預期下行，PPI 同比或將出現(xiàn)明顯下行。預測結果表明，基于原油期

37、貨價格的PPI 同比預測與基于機構預測價格的PPI 同比預測趨勢基本一致，且基于原油期貨價格的 PPI 同比預測值與中性情況下的 PPI 同比預測值讀數(shù)非常相近。兩種不同方法的相互驗證證明了基于因素分解法的 PPI 預測模型具有較強的可靠性。動態(tài)性較強是上述預測方法的一大優(yōu)點，但這也意味著后續(xù) PPI 預測值可能將隨著原油價格的變動而隨時調整。市場上的原油價格預測數(shù)據(jù)一般是季頻數(shù)據(jù)，且每月只更新一次，因此現(xiàn)有的很多基于季頻原油價格預測數(shù)據(jù)的 PPI預測模型動態(tài)性較差，對于最新突發(fā)事件和原油市場動態(tài)的反應較不敏感，難以反映出 PPI 同比走勢的最新變化。本報告中采用的基于原油價格的 PPI 預測

38、方法分別采用了機構油價預測值和原油期貨價格作為模型中的原油價格預測值，其中原油期貨價格為實時數(shù)據(jù)，模型中的機構油價預測值為月頻數(shù)據(jù)（我們采用了插值法將機構原油價格預測季頻數(shù)據(jù)轉化成了月頻數(shù)據(jù)）。因此本報告中的基于原油價格的PPI 預測方法具有較強的動態(tài)性，該模型在預測 PPI 同比時能夠將市場上最新的 PPI 同比影響因素考慮進去。然而，應當注意的是，期貨市場上的原油價格在實時波動，機構對于原油價格的預測值也在逐月調整，本報告中的 PPI 同比預測值基于 3 月末的機構油價預測值和原油期貨價格，未來隨著原油價格的實時變動，我們對于 PPI 同比的預測也將隨時調整。 圖表 19：遠月預測結果表明

39、 PPI 同比拐點可能在今年 5 月出現(xiàn) 實際PPI同比，% 預測PPI同比（期貨價格為預測油價），% 預測PPI同比（樂觀），% 預測PPI同比（中性），% 預測PPI同比（悲觀），%6420-220/0120/0320/0520/0720/0920/1121/0121/0321/0521/0721/0921/11-4數(shù)據(jù)來源：Wind，整理 圖表 20：今年 PPI 同比讀數(shù)可能有較為明顯的基數(shù)效應PPI同比中的翹尾因素，%543210-118/0118/0418/0718/1019/0119/0419/0719/1020/0120/0420/0720/1021/0121/0421/072

40、1/10-2數(shù)據(jù)來源：Wind，整理四、近月預測模型：基于 PMI 指數(shù)的 PPI 預測方法誠然，基于原油價格的 PPI 預測方法同樣可以用于 PPI 同比的近月預測。但考慮到 PPI 環(huán)比增速與 PMI 出廠價格指數(shù)和 PMI 主要原材料購進價格指數(shù)具有相當高的相關性，且每個月的 PMI 數(shù)據(jù)公布時間早于 PPI 數(shù)據(jù)公布時間，我們認為基于當月的 PMI 數(shù)據(jù)對 PPI 數(shù)據(jù)進行預測可能是一種效率更高的近月預測方法。因此，我們在本部分中基于 PMI 指數(shù)對 PPI 同比進行近月預測，以期在基于原油價格的 PPI 預測方法的基礎上進一步提高 PPI 同比的預測精度。在每月的 1 日至 10 日

41、之間，基于上月末公布的 PMI 指數(shù)對上月 PPI 同比進行預測能夠幫助我們得到精度更高的 PPI 同比預測數(shù)據(jù)。一般來說，某月的 PPI 數(shù)據(jù)通常在下一個月的 10 日左右公布，而某月的 PMI 數(shù)據(jù)通常在當月的最后一天公布，兩組數(shù)據(jù)的公布時間間隔大約在 10 天左右。通過對歷史數(shù)據(jù)的分析，我們發(fā)現(xiàn) PPI 環(huán)比增速不僅與 PMI 出廠價格指數(shù)具有高相關性（92%），與 PMI 主要原材料購進價格指數(shù)也具有高相關性（92%）。因此我們認為在這一時間間隔內（每月的 1 日至 10 日之間），基于上月的 PMI 出廠價格指數(shù)和 PMI 主要原材料購進價格指數(shù)對上月的 PPI 環(huán)比增速進行預測可能

42、是一種精度更高的預測方法。鑒于此，我們構建了如下回歸模型對 PPI 環(huán)比增速進行預測：環(huán)比 = 0 + 1出廠 + 2原材料 + 32+ 42+ 出廠原材料從樣本外的擬合結果來看，基于 PMI 指數(shù)的 PPI 同比預測值與實際值之間的月均絕對值差距為 0.19%；而基于原油價格的 PPI 同比預測值與實際值之間的月均絕對值差距為 0.25%。由此可見，在近月預測中，基于 PMI 指數(shù)的預測方法要比基于原油價格的預測方法的預測精度更為理想?；?PMI 指數(shù)的 PPI 預測模型的主要不足在于無法進行遠月預測。雖然該模型提高了預測精度，但同樣具有兩大不足之處：1）該方法只能在特定時間段內使用（每月

43、的 1 日至 10 日之間）；2）該方法無法進行遠月預測，因此難以預測未來 PPI 同比的變化趨勢。3 月 PMI 出廠價格指數(shù)為 59.80（前值 58.50），PMI 主要原材料進購價格指數(shù)為 69.40（前值 66.70）。預測 3 月 PPI 環(huán)比為 1.12%（前值 0.80%），PPI 同比為 3.82%（前值 1.70%）。 圖表 21：PPI 環(huán)比增速與 PMI 出廠價格和 PMI 原材料價格指數(shù)的相關性較高2.075PPI:全部工業(yè)品:環(huán)比，% PMI:出廠價格，右軸PMI:主要原材料購進價格，右軸1.5701.0650.5600.055-0.550-1.04516/0116

44、/0516/0917/0117/0517/0918/0118/0518/0919/0119/0519/0920/0120/0520/0921/01-1.540數(shù)據(jù)來源：Wind，整理圖表 22：基于 PMI 方法的 PPI 預測精度高于基于原油價格的 PPI 預測精度樣本外預測結果與實際結果比較 PPI:全部工業(yè)品:當月同比，%PPI同比預測（PMI法），%PPI同比預測（基于原油價格預測），%樣本外預測誤差PPI同比預測（PMI法），%PPI同比預測（基于原油價格預測），%31.020.710.400.1-1-0.2-2-3-0.519/0219/0419/0619/0819/1019/12

45、20/0220/0420/0620/0820/1020/1221/0219/0219/0419/0619/0819/1019/1220/0220/0420/0620/0820/1020/1221/02-4-0.8數(shù)據(jù)來源：Wind，整理注：此處選擇 2019 年 2 月前的數(shù)據(jù)為樣本內數(shù)據(jù)估計模型參數(shù)，2019 年 2 月及以后的數(shù)據(jù)為樣本外測試數(shù)據(jù)。五、小結：PPI 同比的拐點或將在今年 5 月出現(xiàn)基于 PPI 的遠月和近月預測模型，我們對今年的 PPI 數(shù)據(jù)進行了預測。主要結論如下：基于 3 月 PMI 數(shù)據(jù)，我們預測 3 月 PPI 環(huán)比為 1.12%（前值 0.80%），PPI同比為 3.82%（前值 1.70%）。上半年，受到原油價格上漲和去年同期低基數(shù)效應的影響，PPI 同比或將快速上行并于 5 月達到年內峰值，中性情況下的年內 PPI 同比峰值或將達到 4.8%左右。下半年，受到基數(shù)效應減弱和原油價格可能回調的影響，PPI 同比下行概率較大。但預計 3 季度下行速度不會太大，中性情況下 PPI 同比可能在 3.40%- 3.60%之間波動；4 季度或將出現(xiàn)較為明顯的下行，中性情況下，PPI 同比可能在 12 月持續(xù)下行至 2.20%左