資產(chǎn)配置策略專題報告：經(jīng)濟數(shù)據(jù)預(yù)測系列二消費篇

2023-04-072023-04-07重要提示：本報告難以設(shè)置訪問權(quán)限，若給您造成不便，敬請諒解。我司不會因為關(guān)注、收到或閱讀本報告內(nèi)容而視相關(guān)人員為客戶；市場有風(fēng)險，投資需謹慎。如本報告涉及行業(yè)分析或上市公司相關(guān)內(nèi)容，旨在對期貨市場及其相關(guān)性進行比較論證，列舉解釋期貨品種相關(guān)特性及潛在風(fēng)險，不涉及對其行業(yè)或上市公司的相關(guān)推薦，不構(gòu)成對任何主體進行或不進行某項行為的建議或意見，不得將本報告的任何內(nèi)容據(jù)以作為中信期貨所作的承諾或聲明。在任何情況下，任何主體依據(jù)本報告所進行的任何作為或不作為，中信期貨不承擔(dān)任何責(zé)任。要點在信貸數(shù)據(jù)預(yù)測之后，我們推出了經(jīng)濟數(shù)據(jù)預(yù)測系列研究報告的第二篇——消費篇，要點在信貸數(shù)據(jù)預(yù)測之后，我們推出了經(jīng)濟數(shù)據(jù)預(yù)測系列研究報告的第二篇——消費篇，我們通過使用高頻的消費數(shù)據(jù)來構(gòu)建滾動回歸模型和支持向量機回歸(SVR)模R本文構(gòu)建了滾動回歸模型和支持向量機回歸模型(SVR模型)對每月社零同比增速進行預(yù)測。根據(jù)3月高頻的消費數(shù)據(jù)，我們認為3月社零同比增速或落在9.5%-由于限額以上單位零售的變化和社零的變化基本同步，因此我們通過將限額以上單位零售額進行拆分，然后分別尋找高相關(guān)性的高頻指標(biāo)作為自變量來對社零同比增速進行預(yù)測。具體來看，地鐵客運量同比(合成)可以用來表示餐飲收入零售額同比的變化；布倫特原油期貨結(jié)算價同比可以用來表示石油及制品類零售額的變化；乘用車廠家零售同比可以用來表示汽車類零售額的同比變化；中國輕紡城成交量同比(合成)可以反應(yīng)服裝類零售額的變化；30個大中城市商品房成交面積同比可以用來表示地產(chǎn)類零售額的變化；必選消費的周期性較弱，因此暫不考慮其對社零同比波動的影 (rbf)的預(yù)測效果更好。在滾動回歸模型中，我們選擇48個月的滾動回歸窗口預(yù)測性核函數(shù)(linear)和高斯徑向基核函數(shù)(rbf)來訓(xùn)練模型，結(jié)果顯示高斯核函數(shù) 下月社零同比變化方向判斷的勝率來看，SVR模型(rbf)在樣本外的預(yù)測效果均表現(xiàn)經(jīng)濟數(shù)據(jù)預(yù)測系列二——消費篇投資咨詢業(yè)務(wù)資格：證監(jiān)許可【2012】669號 股指期貨指數(shù)，右軸 1052401402022-04-302022-10-3160812990經(jīng)濟數(shù)據(jù)預(yù)測系列告專題報告一：【中信期貨資產(chǎn)配置】新增人民幣貸款數(shù)據(jù)預(yù)22023年3月經(jīng)濟數(shù)據(jù)預(yù)測值新增人民幣貸款3.4萬億元(上月值)(1.81萬億元)社零同比增社零同比增速(上月值)12.7%(3.5%)nd來看，餐飲、服裝和地產(chǎn)類消費或為主要拉動項，而石油及制品類或為主要拖累項，汽車類消費基本和去年持平。從資產(chǎn)端表現(xiàn)來看，社零超預(yù)期后消費和穩(wěn)定風(fēng)格的股告2/17 圖目錄 6 線性回歸結(jié)果 9 3/17 告4/17本篇作為經(jīng)濟數(shù)據(jù)預(yù)測系列第二篇報告，我們會對社會消費品零售總額當(dāng)月同比的預(yù)測方法進行深入分析；同時，我們也會在報告的開頭對經(jīng)濟數(shù)據(jù)預(yù)測系列的結(jié)果做一個持續(xù)的跟蹤，以期能夠真實地反應(yīng)模型的預(yù)測效果。2023時間新增人民幣信貸新增人民幣信貸社零同比增速社零同比增速預(yù)測值(億元)實際值(億元)預(yù)測值(%)實際值(%)2023/3/3132,828-35,82731,800(Wind一致預(yù)期)9.5-15.947(Wind一致預(yù)期)2023/2/2812,000-16,00018,1001.81-3.353.5根據(jù)國家統(tǒng)計局的解釋，社會消費品零售總額是指企業(yè)(單位、個體戶)通過交易直接售給個人、社會集團非生產(chǎn)、非經(jīng)營用的實物商品金額，以及提供餐飲服務(wù)所取得的收入金額。個人包括城鄉(xiāng)居民和入境人員，社會集團包括機關(guān)、社會團體、部隊、學(xué)校、企事業(yè)單位、居委會或村委會等。從結(jié)構(gòu)上看，10%左右是餐飲收入，另外10%左右是汽車類零售額。值得注意的是，納入商品零售的商品中，售給個人用于生活消費的實物商品并不包括商品房，售給社會集團的商品不包括用于生產(chǎn)經(jīng)營和固定資產(chǎn)投資的原材料等。同時，餐飲服務(wù)被視作一種特殊的商品銷售形式，被計入餐飲收入；但居民和社會集團用于教育、醫(yī)療、文化、藝術(shù)、娛樂等方面的服務(wù)性消費支出并未計入其中。從更新?lián)喜⒃谝黄鸢l(fā)布。收入和商品零售組成,000.00,000.00.000.000.002012-032013-022014-012014-122015-112016-102017-092018-082019-072020-062021-052022-04告5/17限額以上單位零售可以用來表示社零的變化。社會消費品零售總額可被分為限額以上單位零售和限額以下單位零售，限額以上單位是指年主營業(yè)務(wù)收入2000萬元及以上的批發(fā)業(yè)企業(yè)(單位)、500萬元及以上的零售業(yè)企業(yè)(單位)、200萬元及以上的住宿和餐飲業(yè)企業(yè)(單位)。每次統(tǒng)計時，國家統(tǒng)計局對限額以上單位進行全數(shù)調(diào)查，對限額以下單位進行抽樣調(diào)查。從兩者的走勢上來看，限額以上企業(yè)消費品零售額同比和社零同比走勢基本一致，兩者的相關(guān)性達到了0.92，而且限額以上企業(yè)零售額披露的細分項更多，更容易用來進行拆分預(yù)測。因此，我們認為可以大致用限額以上企業(yè)消費品零售同比的變化來表示社比和限額以上企業(yè)消費品零售總額同比相關(guān)性較高.00.00-40.002011-012012-012013-012014-012015-012016-012017-012018-012019-012020-012021-012022-01我們將限額以上企業(yè)消費品零售總額拆解后尋找相對應(yīng)的高頻指標(biāo)來預(yù)測。限額以上企業(yè)消費品零售總額可以劃分為限額以上企業(yè)商品零售總額和限額以上企業(yè)餐飲收入總額。其中，限額以上企業(yè)商品零售總額占據(jù)了90%以上的份額，主要貢獻的成分包括石油及制品類、汽車類、服裝類、地產(chǎn)相關(guān)類(家具、建筑裝潢、音像)和必選消費類(糧油、食品、飲料、煙酒、日用品和中西藥品)等。因此，我們分別去尋找每一類相對應(yīng)的高頻指標(biāo)，然后再統(tǒng)一進行擬合。組成成分9%地產(chǎn)相關(guān)類(家具、建筑裝潢類、音像等)告9/LL零同比，%0-L-0.g00.gLL.gZZ.gV0Z0零同比，%0-L-0.g00.gLL.gZZ.gV0Z0地鐵客運量同比可以用來表示餐飲收入零售額同比的變化。消費者的出行頻率增加一般來講會帶動線下餐飲的消費增加，從這個角度出發(fā)我們發(fā)現(xiàn)擁堵指數(shù)同比和地鐵客運量同比都與餐飲收入同比高度相關(guān)，相關(guān)系數(shù)分別達到了ZLL餐飲零售額同比的相關(guān)系數(shù)達到了0.6L，d值也顯著，說明可以較好地反應(yīng)餐售額同比的變化。圖表g：餐飲零售額同比和擁堵指數(shù)同比相關(guān)性較高圖表9：餐飲零售額和地鐵客運量(合成)同比高度相關(guān)0Z0L9-L0Z0L8-0LZ0L6-0VZ0Z0-0LZ0ZL-L0LgZ 地鐵客運量同比(合成)，右LV0LZ0L008090V0Z00-Z0-V0Z0L8-0LZ0L8-0LZ0L6-0VZ0Z0-0LLLLLgg%L%圖表L：社零同比和地鐵客運量同比(合成)線性回歸結(jié)果90-Z0-V0地鐵客運量同比(合成)準(zhǔn)誤差eluaowaJ6g%UddaJg%6g.0%6g.0%地鐵客運量同比(合成)VVttVtt布倫特原油期貨結(jié)算價同比可以用來表示石油及制品類零售額的變化。石油及制品類零售額同比和布倫特原油期貨結(jié)算價同比相關(guān)性較高，相關(guān)系數(shù)達到了0.LL，因此，我們可以用布倫特原油期貨結(jié)算價同比來表示石油及制品類零售額同比。同時，我們也發(fā)現(xiàn)社零同比和布倫特原油期貨結(jié)算價同比也具有告7/17零同比，%零同比，%圖表8：布倫特原油和石油及制品類零售額同比高相關(guān)圖表9：布倫特原油同比和社零同比具有一定的相關(guān)性%-50%052016-07-09052016-07-09-11-03 布倫特原油期貨結(jié)算價同比，右400-302012-022014-052016-082018-112021-02%%0%同比線性回歸結(jié)果020-1120-11-10-30布倫特原油期貨結(jié)算價同比Coefficients準(zhǔn)誤差tStataluer95%r95%95.0%95.0%.97.69原油期貨結(jié)算價同比70乘用車廠家零售同比可以用來表示汽車類零售額的同比變化。乘用車廠家零售統(tǒng)計了國內(nèi)汽車的高頻銷量數(shù)據(jù)，其月頻的同比數(shù)據(jù)可以作為汽車類零售額同比變化的替代值，兩者的相關(guān)性達到了0.70。乘用車廠家零售同比和社零告8/17零同比，%圖表11：乘用車廠家零售和汽車零售額同比高度相關(guān)圖表12：乘用車廠家零售和社零同比相關(guān)性亦不錯零同比，%80%60%40%20%0%-20%-40%-60%2016-032017-082019-012020-062021-11----中國:社會消費品零售總額:當(dāng)月同比，%100%乘用車廠家零售同比50%00-02016-032017-082019-012020-062021-11零售同比線性回歸結(jié)果40200-0.26400.20.40.6-0.264-20-40乘用車廠家零售同比Coefficients準(zhǔn)誤差tStataluer95%r95%95.0%95.0%53零售同比0.1832中國輕紡城成交量同比(合成)可以反應(yīng)服裝類零售額的變化?？聵蚣徔梼r格指數(shù)同比和中國輕紡城成交量同比都可以用來表示服裝類零售額同比的變化，但兩者各有一些缺陷?？聵蚣徔梼r格指數(shù)數(shù)據(jù)存續(xù)的時間更長，但是和服裝類零售額同比的相關(guān)性較弱一些；中國輕紡城成交量存續(xù)時間段內(nèi)數(shù)據(jù)有空因此，我們最后將兩者合成為一個指標(biāo)用來反應(yīng)消費量零售額的變化，通過使用柯橋紡織價格指數(shù)同比補足了中國輕紡城成交量同比的空缺區(qū)間(2017.06-2019.02)，補充完整之后的合成指標(biāo)和服裝類零售額同比相關(guān)系數(shù)仍在0.6以上且p值顯著。因此，我們認為中國輕紡城成交量同比(合成)可以用來反應(yīng)裝類零售額同比的變化。告9/17零同比，%圖表14：柯橋紡織價格指數(shù)和服裝零售額相關(guān)性一般圖表15：中國輕紡城成交量和服裝類零售額相關(guān)性高零同比，% 40% %%%2012-032014-052016-072018-092020-11量同比80%60%40%20%0%-20%-40%-60%2019-032020-012020-112021-092022-07圖表16：輕紡城成交量(合成)和服裝零售高相關(guān)圖表17：輕紡城成交量(合成)和社零同比相關(guān)性較高 中國輕紡城成交量同比(合成)100%%%-100%2019-032020-012020-112021-092022-070-30 中國輕紡城成交量同比(合成)，右2016-102018-022019-062020-102022-020%%%%圖表18：社零同比和中國輕紡城成交量同比(合成)線性回歸結(jié)果06406400-40中國輕紡城成交量同比(合成)Coefficients準(zhǔn)誤差tStatluer95%r95%95.0%95.0%6969中國輕紡城成交量同比(合成)10.0610.06告20慮到家具、建筑裝潢和音像類的消費都屬于地產(chǎn)后周期的消費，因此我們將它62030個大中城市商品房和社零同比相關(guān)性較高地產(chǎn)相關(guān)類(家具、建筑裝潢類、音像等)零售額同比0%%%%-40%2012-032014-052016-072018-092020-11%%%%%%%%0-30 2016-032017-082019-012020-062021-110%%%%%400零同比，%-0.8-0.6-0.4-0.200.20.40.60.811.2零同比，%-20-40城市商品房成交面積同比Coefficients準(zhǔn)誤差tStatluer95%r95%95.0%95.0%58587044必選消費周期性較弱，因此暫不考慮其對社零同比波動的貢獻。從經(jīng)濟學(xué)的角度來看，必選消費指日常生活所必須的消費品，這里主要包括糧油、食品、飲料、煙酒、日用品類和中西藥品類。必選消費的消費頻率高，需求隨經(jīng)濟周期的變動較小，因此其收入彈性系數(shù)較低，周期性較弱?；诖耍覀兓究?。告的波動較小%0(30)2019-022019-062019-102020-022020-062020-102021-022021-062021-102022-022022-062022-10按照之前的分析，我們分別選擇地鐵客運量同比(合成)、布倫特原油期貨結(jié)算價同比、乘用車廠家零售同比、中國輕紡城成交量同比(合成)和30大中城市商品房成交面積同比作為自變量，社零同比作為因變量來進行建模預(yù)測。數(shù)據(jù)區(qū)間上，由于地鐵客運量同比(合成)的數(shù)據(jù)最早能到2016年10月，因各自變量與因變量(社零同比)之間均有較強的相關(guān)性，說明我們選擇的自變量總體比較有效。接下來，我們分別使用滾動回歸模型和支持向量機回歸模型測。數(shù)據(jù)起起始時間更新頻率來源指標(biāo)名稱社會消費品零售總額:當(dāng)月同比1995/1/31月頻Wind布倫特原油布倫特原油期貨結(jié)算價同比1987/6/23日頻Wind地鐵客運量同比(合成)2016/10/1日頻Wind乘用車廠家零售同乘用車廠家零售同比2016/3/6周頻Wind中國輕紡城成交量同比(合成)2007/8/30日頻Wind30大中城30大中城市商品房成交面積同比2011/1/1日頻Wind告地鐵客運量同比(合成)布倫特原油期貨結(jié)算價同比乘用車廠家零售同比中國輕紡城成交量同比(合成)30大中城市商品房成交面積同比上企業(yè)消費品零售總額:當(dāng)月同比消費品零售總額:當(dāng)月同比100.00%45.37%38.69%73.53%100.00%45.37%38.69%73.53%65.21%82.80%84.71%100.00%10.18%51.01%-2.93%36.38%34.80%100.00%26.97%19.57%53.18%39.17%布倫特原油期貨結(jié)算價同比乘用車廠家零售同比100.00%100.00%27.93%69.77%75.87%100.00%45.04%44.54%100.00%91.30%100.00%91.30%100.00%100.00%為了讓自變量能夠反應(yīng)當(dāng)下所處的狀態(tài)，我們選用滾動回歸模型來對社零行滾動擬合，然后將下一期的自變量帶入擬合好的模型中進行滾動預(yù)測，最后計算出不同滾動區(qū)間的樣本外均方誤差(MSE)和平均絕對誤差(MAE)，選擇最小均方誤差的滾動區(qū)間作為最后模型的滾動擬合區(qū)間。由下表可知，回測結(jié)果Y=C+F1?X1+F2?X2+F3?X3+F4?X4+F5?X5從模型的預(yù)測結(jié)果來看，模型的預(yù)測值整體表現(xiàn)較好。根據(jù)3月消費的高能比較24個月的滾動區(qū)間36個月的滾動區(qū)間48個月的滾動區(qū)間樣本外均方誤差(MSE)100.9954.5228.245.264.084.87樣本外平均絕對誤差(5.264.084.87外預(yù)測值比較社零同比，%社零同比預(yù)測值，%02023年3月社零同比預(yù)計加9.5%2016-102017-042017-102018-042018-102019-042019-102020-042020-102021-042021-102022-042022-10告?zhèn)€“間隔帶”的間距為e，對所有落入到間隔帶內(nèi)的樣本不計算損失，也就是只有支持向量才會對其函數(shù)模型產(chǎn)生影響，最后通過最小化總損失和最大化間隔來得出優(yōu)化后的模型。支持向量機回歸模型的好處在于它可以處理高維數(shù)據(jù)以及自變量和因變量之間復(fù)雜的非線性關(guān)系，并且對過擬合有很好的魯棒性，著它對新的數(shù)據(jù)有很好的泛化性能。示意圖earSVR變量和因變量之間的某些非線性的聯(lián)系，從而使得模型表現(xiàn)更加優(yōu)秀，因此我們也選擇了高斯徑向基核函數(shù)(rbf)來進行擬合。3)接著，我們將整個數(shù)據(jù)集按7：3劃分成訓(xùn)練集和測試集，然后使用網(wǎng)格搜索來確定最優(yōu)參數(shù)(C和gamma)的取值。我們分別選用了線性核函數(shù)(linear)和高斯徑向基核函數(shù) (rbf)兩種方法來對訓(xùn)練集進行訓(xùn)練，然后通過測試集數(shù)據(jù)找到MSE最小時的24.50，SVR(linear)的MSE是27.30，說明模型在選用高斯徑向基核函數(shù) (rbf)時預(yù)測結(jié)果更好。5)因此，我們最終選用SVR(rbf)模型作為最后的bf告4.524圖表28：SVR模型(rbf)預(yù)測結(jié)果圖表29：SVR模型(linear)預(yù)測結(jié)果4.524社零同比SVR模型(rbf)預(yù)測社零同比SVR模型(linear)預(yù)測0-302016-102018-022019-062020-102022-020-302016-102018-022019-062020-102022-02從模型預(yù)測結(jié)果比較來看，SVR模型整體的表現(xiàn)優(yōu)于滾動線性回歸模型。r (48個月)，說明SVR(rbf)模型樣本外預(yù)測結(jié)果和真實值的差距更小，預(yù)測結(jié)果更準(zhǔn)確；另一方面，從模型預(yù)測值對于下月社零同比變化方向判斷的正確Rrbf000.0010-12021-022021-072021-122022-052022-10告-21.21%38.90%32.34%%圖表32：SVR(rbf)對下月社零同比方向判斷勝率圖表33：SVR(linear)對下月社零同比方向判斷勝率-21.21%38.90%32.34%%10-12021-0320