2022年宏觀經(jīng)濟研究報告 前瞻綜合指標構建

2022年宏觀經(jīng)濟研究報告前瞻綜合指標構建1.“前瞻綜合指標”構建方法論宏觀及中觀經(jīng)濟的領先指標一直都是在判斷經(jīng)濟周期位置及變化等相關研究中的一個重要的話題，若能找到合適的領先于GDP數(shù)據(jù)的其他經(jīng)濟高頻變量，探究它們與GDP數(shù)據(jù)的相關關系，我們就能通過多個領先指標數(shù)值所攜帶的周期位置信息綜合判斷經(jīng)濟周期對應的階段和后續(xù)走勢。實際上，中國經(jīng)濟發(fā)展的階段并沒有明顯的周期現(xiàn)象，近年來經(jīng)濟周期大致以2年為一個周期輪動。在一些外部因素的影響下，按照“衰退-復蘇-過熱-滯漲“四個階段的順序對經(jīng)濟周期階段進行劃分并不完全有效。因此，這樣的探討在近年來宏觀基本面量化興起的背景下，無論是在資產(chǎn)配置觀點的給出，還是為宏觀、策略研究工作提供量化視角，都具有重要的現(xiàn)實意義。本篇報告嘗試在豐富的宏觀及中觀經(jīng)濟指標中找到周期性領先于GDP同比且與之高度相關的指標構成指標樣本，通過有效的合成方法將樣本中各指標反映出的周期信息進行整合，從而得到能夠及時反映經(jīng)濟周期階段的“前瞻綜合指標”。同時，結合各指標樣本的領先情況和披露時間，我們嘗試引入時間序列模型，使得前瞻綜合指標不再止于當下，而是可以根據(jù)指標歷史數(shù)據(jù)對其未來的周期走勢預判，并能夠隨著新信息的加入不斷動態(tài)修正觀點，為投資研究中預判未來經(jīng)濟周期走勢提供主要依據(jù)。另外，我們的前瞻綜合指標與滾動標準化處理后的股債性價比指標走勢之間高度一致。基于此，我們認為引入了時間序列模型的前瞻綜合指標預判能夠幫助形成股債配置觀點，并由此構建有效的擇時觀點，在常見的股債二八組合加入前瞻綜合指標的擇時策略，發(fā)現(xiàn)加入擇時策略的組合表現(xiàn)優(yōu)于不加入擇時的二八組合表現(xiàn)，并且季度調倉的頻率能夠有效提高擇時策略的容錯率。1.1指標選樣空間的構成結合OECD領先指標中的參考指標和我國宏觀經(jīng)濟體系，選擇39個關注度較高的宏觀及中觀經(jīng)濟指標（38個月頻經(jīng)濟指標和1個季頻經(jīng)濟指標），主要涵蓋采購經(jīng)理調查性指標PMI、工業(yè)企業(yè)經(jīng)營、進出口、投資、消費、就業(yè)、發(fā)電量等生產(chǎn)代表指標、汽車生產(chǎn)銷售、信貸等多個方面，追求盡可能全面地反映中國宏觀經(jīng)濟的多個方面。宏觀經(jīng)濟指標之間的可獲得的數(shù)據(jù)長度不同使得所有指標的樣本數(shù)據(jù)長度保持一致比較困難，大多數(shù)指標的序列起始日在2000年到2010年之間，部分指標的序列起始日為2010年之后；還有個別指標（比如貨幣供應量、5000戶工業(yè)企業(yè)景氣擴散指數(shù)出口產(chǎn)品訂單）的時間序列較長，則保留其在2000年之前的時間序列，盡量保證樣本大小的充足。為了對指標的周期項序列和GDP同比周期項序列的歷史相關性有更準確的判斷，我們盡量納入所有可得的歷史時間序列，并對指標序列中的空白項以前值進行填補。1.2頻率對齊：使不同頻率指標成為可比由于GDP同比數(shù)據(jù)為季度數(shù)據(jù)，大多數(shù)宏觀經(jīng)濟指標數(shù)據(jù)為月度數(shù)據(jù)，我們需將不同頻率的時間序列進行“頻率對齊”的處理。方法一是將低頻數(shù)據(jù)轉化成高頻數(shù)據(jù)，也就是把季度的GDP同比序列通過插值法轉化成月度數(shù)據(jù)。方法二是將高頻數(shù)據(jù)轉化為低頻數(shù)據(jù)，即將月度經(jīng)濟指標序列轉化為季度數(shù)據(jù)，與GDP同比季度序列一一對應。雖然第一種方法能夠通過增加時間點來擴大數(shù)據(jù)樣本，但是插值法需要提前構建數(shù)據(jù)之間的比例關系的特點使得增大后的數(shù)據(jù)樣本存在太多建立于前提假設的虛擬數(shù)值，對最終的結果造成較大的干擾。因此，我們選擇第二種將月度數(shù)據(jù)轉變?yōu)榧径葦?shù)據(jù)的方法來對齊頻率。具體方法是將每個指標的原始時間序列拆分為三組不同的季頻時間序列，分別以當季第1個月（1月、4月、7月、10月）、第二個月（2月、5月、8月、11月）以及第三個月（3月、6月、9月、12月）為季度值，與GDP同比按季度一一對應。這種方法的另一個優(yōu)點是可以通過計算一個指標的三種季度序列分別與GDP同比季度序列之間的相關關系來得出兩個指標以月度單位計的領先滯后期數(shù)。1.3提取信號時間序列中的周期項我們只研究GDP同比與經(jīng)濟指標之間周期的相關性，為了避免數(shù)據(jù)中的趨勢對相關性結論造成的干擾，我們需剔除指標中時間趨勢帶來的擾動。這里，我們選擇利用Christiano-Fitzgerald濾波對GDP同比數(shù)據(jù)以及對應經(jīng)濟指標數(shù)據(jù)進行過濾，將信號的趨勢項與波動項（周期項）進行剝離，提取波動項，進而研究波動項中攜帶的周期演化信息。對選樣空間中所有的宏觀經(jīng)濟指標用同樣的方法提取周期項，以各季度第一個月數(shù)據(jù)作為OECD綜合領先指標的季頻數(shù)據(jù)，可以直觀地發(fā)現(xiàn)在2000年9月至2022年6月期間，OECD和GDP同比的周期波動情況非常相似。2.合成經(jīng)濟前瞻指標2.1通過互相關性計算篩選領先指標，構成前瞻信號樣本提取周期項之后，我們可以計算出GDP同比和經(jīng)濟指標的周期項之間的相關系數(shù)在不同的領先期數(shù)下的顯著性并進行比較。假設某一經(jīng)濟指標的第n組時間序列數(shù)據(jù)（以第n個月為當季值）在第m個領先期的p值最小，則可以說若以第n個月為當季值，該經(jīng)濟指標領先GDP同比m個領先期。針對同一經(jīng)濟指標，對其三組時間序列中各自最大的相關系數(shù)對應的p值進行對比，選出最顯著的一組時間序列作為該指標的最終季頻時間序列。通過判斷最大相關系數(shù)對應的領先期的正負值可以判斷該指標是否為領先指標。2.2前瞻綜合指標的合成方法根據(jù)上一章節(jié)我們挑選得到了16個領先指標樣本各自對應的領先期數(shù)，我們分別將每一個指標的周期項月度序列往回推移相應的期數(shù)。由于各項指標的數(shù)值含義和計算方式各不相同，因此指標的數(shù)值范圍差距較大，單純將各項指標經(jīng)過回推之后的時間序列通過計算平均值合成的結果數(shù)值將會受個別數(shù)值范圍較大的指標周期項數(shù)值的干擾。據(jù)此，我們通過歷史24個月滾動標準化的方法對各指標周期項序列進行處理，把處理后的指標向過去回推相應領先期數(shù)后，進行簡單的等權平均，得到的合成結果我們命名為“前瞻綜合指標“。3.利用ARIMA模型預判指標未來走勢在上一章節(jié)最末，我們提到用于合成前瞻綜合指標的大部分指標相對GDP同比序列的領先期數(shù)較長，因此其周期項實際值足夠反映當前及未來數(shù)月對應的經(jīng)濟周期位置。但是前瞻指標樣本中也存在一些領先期僅為1個月的重要指標。我們利用這類指標的周期項序列擬合ARIMA模型(差分整合移動平均自回歸模型)，根據(jù)模型外推得到未來的指標周期項數(shù)值，即可用這部分指標的模型外推值和其他指標的實際值合成前瞻綜合指標在未來時點的數(shù)值。具體地，在領先指標樣本中除了PMI、PMI:新訂單、固定資產(chǎn)投資完成額:累計同比、OECD綜合領先指標:中國、貿(mào)易差額:當月同比、金融機構:新增人民幣貸款:居民戶:中長期:當月值這6個領先期僅1個月的指標之外，其余11個領先指標的領先期數(shù)都在4個月以上，這意味著僅使用這11個領先指標最多可以預判到未來4個月經(jīng)濟周期階段。若納入完整的16個指標樣本并計算前瞻綜合指標未來4個月的數(shù)值，我們需對僅領先1個月的指標的周期項序列進行擬合外推，獲得未來時點的預測值；若想要對更遠端的前瞻綜合指標進行推演，我們也可以利用ARIMA模型擬合其他指標，做相同的處理。本章節(jié)，我們選擇使用ARIMA時間序列模型對PMI、PMI:新訂單等6個領先期較短的指標周期項序列進行擬合，展示模型外推的量化處理過程并進行有效性檢驗。3.1ARIMA模型介紹ARIMA模型（差分自回歸移動平均模型），英文全稱AutoRegressionIntegratedMovingAverage，差分自回歸移動平均模型。ARIMA模型包含3個部分，即自回歸(AR)、差分(I)和移動平均(MA)。ARIMA模型可以記作表示為ARIMA(p,d,q)，其中p為自回歸項數(shù)，d為平穩(wěn)化所需的差分次數(shù)，q為滑動平均項數(shù)。使用ARIMA模型有以下幾個步驟：1）檢驗序列平穩(wěn)并對非平穩(wěn)序列進行平穩(wěn)化（差分處理），對序列或差分后的序列通過觀察時序圖和ADF單元根檢驗來判斷序列的平穩(wěn)性。2）模型的識別和定階。分別利用ACF（自相關）和PACF（偏自相關）圖的拖尾和結尾確定適當?shù)淖韵嚓P階數(shù)p和移動平均階數(shù)(q)；也可通過信息準則定階法，常用的有AIC(AkaikeInformationCriterion)和BIC(BayesianInformationCriterion)。3）模型的參數(shù)檢驗。利用最小二乘法估計序列的回歸系數(shù)，提高序列的預測精度。4）模型的殘差白噪聲檢驗。有效模型的預測值序列與實際值序列之間的殘差序列須通過白噪聲檢驗，即殘差序列須是隨機游走的，并且數(shù)據(jù)之間不存在自相關性。若殘差序列不是白噪聲序列，則需要重新從第（2）步開始對模型重新進行擬合。5）利用模型進行預測?？梢岳猛ㄟ^參數(shù)檢驗和殘差白噪聲檢驗的ARIM模型對序列進行短期預測。除了根據(jù)上述步驟進行ARIMA模型和參數(shù)檢驗外，python環(huán)境中的pmdarima的程序包能夠基于ARIMA模型進行時間序列分析，為處理多組不同時間序列提供了更加便捷高效的工具。通過指定階數(shù)上限等參數(shù)，pmdarima模塊的auoto_arima函數(shù)都可以在此設定下幫助我們找到信息準則最小的階數(shù)組合。下面我們所有ARIMA模型擬合均是通過pmdarima.auto_arima函數(shù)功能實現(xiàn)的（主要參數(shù)設置：start_p=1,start_q=1,test='adf',max_p=20,max_q=20）。3.2以PMI為例：ARIMA模型對指標的擬合外推效果PMI月度數(shù)據(jù)的更新時間一般為月初公布上個月數(shù)據(jù)。這意味著，我們可以在4月初根據(jù)新公布的3月數(shù)據(jù)去整體判斷4月、5月接下來PMI指標走向，以及當前PMI指標在過去和未來的一定時間區(qū)間內(nèi)所處的位置。PMI新訂單的指標數(shù)據(jù)公布時間與PMI相同，判斷邏輯同上。首先，我們初步設置用于擬合ARIMA模型的時間序列訓練集長度參數(shù)m為48個月，外推窗口長度參數(shù)為12個月。因PMI時間序列起始時間為2005年1月，我們將2005年1月往后的48個月（包含2005-01）指標周期項區(qū)間數(shù)據(jù)作為第一組數(shù)據(jù)窗口，來外推從2009年1月開始的PMI周期項未來走勢。以此類推，我們可以滾動地選取歷史序列擬合模型，通過比較實際值和預測值，測試ARIMA模型對PMI周期項數(shù)據(jù)的擬合推演結果的準確性。通過滾動擬合外推的方法，可以得到滾動擬合ARIMA模型后給出的未來第1月（t=0)預測值序列（2010/1~2021/1），以及未來第2個月(t=1)預測值序列（2010/2~2021/1）。通過對比我們發(fā)現(xiàn)，模型對于未來第一個時點和第二個時點的預測結果與實際值的吻合度都非常高，雖然模型對于未來第二個時點的預測誤差有所增大，但其準確度尚能夠充分滿足趨勢判斷的目的。那么模型對更遠端的預測準確度又如何呢？我們進一步通過滾動擬合得到ARIMA模型給出的未來第6月（t=5)預測值序列（2010/6~2021/1），以及未來第8個月(t=1)預測值序列（2010/8~2021/1）?？梢钥吹剑Ｐ蛯ξ磥淼?個月和未來第8個月的周期項值的推演情況與實際值誤差增大明顯，即模型對于遠端的指標數(shù)值的預測能力有所下降。不過，根據(jù)結果我們?nèi)阅軌驅χ芷陧椫档纳闲?、下行的大趨勢作出有效的提示，因此我們認為ARIMA模型對于遠端指標序列的推演結果對于整體趨勢的判斷仍具有一定的參考性。除了用肉眼直接觀察實際序列和預測序列直接的吻合程度，依據(jù)上述我們的滾動擬合外推未來時點t的方法，我們計算不同時點t下殘差序列，從而判斷預測的有效性?？梢钥吹侥Ｐ蛯τ诘谝粋€時點t=0的預測值準確度較高，對于t=1的預測值與實際值間的殘差有所擴大，但仍具有較高的參考性。具體地，以t=0和t=1模型外推得到的t=0預測值殘差項平均值為0.0069，標準差為0.068；t=1的預測值殘差項平均值為0.0245，標準差為0.2295。3.3以PMI為例：對訓練集長度的改進根據(jù)時間序列模型的特點，用于擬合的歷史序列若不符合弱平穩(wěn)，也就是序列均值和方差發(fā)生明顯變化時，模型的有效性將會降低。若關注上述兩次回測中的訓練集數(shù)據(jù)，可以看到指標波動項從2007年下半年開始出現(xiàn)較大的波幅，且持續(xù)時間接近24個月，不滿足序列弱平穩(wěn)的特征，因此模型的有效性降低，外推結果與實際變化情況不符?；诖耍覀儑L試將用于擬合ARIMA模型的訓練集長度參數(shù)從48個月延長至60個月。可以看到雖然在m=60的參數(shù)下，模型對于轉折點的判斷仍然與實際存在一定誤差，但是延長擬合序列長度很明顯地提升了模型的有效性，對基于模型提示當前及未來指標周期項的波動和趨勢是可用的。上面我們選擇了一個歷史時點進行分析，認為拉長擬合窗口有利于提高在指標周期項序列不平穩(wěn)情況下的模型有效性，那么在大多數(shù)情況下，訓練集長度為60個月是否也是比48更優(yōu)的選擇呢？我們在觀察樣本中包含了2010年初至2021年初共252個時點，分別在m=48和m=60情況下，統(tǒng)計得到模型對未來不同t時刻的預測值與實際值之間殘差的樣本平均值和標準差。可以看到兩種情況下模型對t=0和t=1時刻的預測是與未來真實數(shù)據(jù)吻合程度最高的，殘差項標準差和均值都處于非常小的水平。同時，m=48和m=60的兩條標準差曲線沒有特別大的差別，并且在t=0~2時兩種情況下殘差項均值的絕對值非常接近，但是在t=3~6時m=60情況下的殘差項均值會明顯小于m=48的情況。因此我們認為m=60對于當前及未來6個月的指標周期項所處位置的刻畫是更優(yōu)的。最后，我們可以站在2022年8月初，設定60個月的訓練集來擬合模型，進而外推8月及未來的指標周期項數(shù)值。根據(jù)外推得到的數(shù)值情況，我們可以判斷PMI指標在7月已經(jīng)到達周期頂點，當前指標處于上升階段的尾聲，指標周期位置在未來三個月可能出現(xiàn)小幅下降。3.4其他前瞻信號的擬合外推情況如何？除了PMI之外，選取其余5個領先期數(shù)同為1的指標，使用ARIMA模型對歷史事件序列進行滾動擬合，并外推得到未來12個月的預測值。將預測值與實際值的殘差進行統(tǒng)計，我們可以看出擬合后的模型預測效果在未來第一和第二個月的預測殘差項標準差較小，隨著未來時間的外推，殘差項均出現(xiàn)逐漸上升的情況。因此我們認為利用ARIMA模型對未來1~3個月短期范圍預測的準確性較高，但隨著時間推移預測值的準確性將有所降低，但遠端預測值仍具備對大致趨勢判斷的有效性。截至2022/8/19，我們的領先指標樣本中所有的指標均已披露7月值。下面，我們利用ARIMA模型以60個月的指標周期序列（2017/8~2022/7）為訓練集對指標樣本中17個領先指標從8月開始的未來12個月的數(shù)據(jù)進行預測。3.5基于ARIMA模型構造的9月前瞻綜合指標及各領先指標周期位置觀點除了得到前瞻綜合指標之外，我們對前瞻綜合指標背后的17個領先指標的所處周期位置以及外推得到的未來12個月指標周期位置可能的變化情況，并以表格的形式進行展示。以工業(yè)生產(chǎn)代表指標產(chǎn)量:粗鋼:當月同為例，通過對其周期項的提取以及利用ARIMA模型對未來12個月周期變化的外推，我們判斷當前粗鋼產(chǎn)量當月同比處于自7月頂部高點以來的緩慢下降階段，但整體周期位置變化不明顯，9月指標仍然處于周期的頂部，預計指標周期項將在明年第1季度出現(xiàn)明顯的下降趨勢。以信貸指標金融機構:新增人民幣貸款:居民戶:當月值為例，我們判斷9月該指標處于周期的底部，10月份指標可能出現(xiàn)底部拐點，后續(xù)將有所回升，且預計將在明年1月到達頂點。以M2同比指標為例，M2同比指標9月預計處于流動性逐步收緊的周期，并且周期位置將在未來12個月繼續(xù)下降至底部。4.如何在實際投資中運用基于ARIMA模型的前瞻綜合指標4.1每月前瞻綜合指標最早可在當月18號計算得到在實際使用中，我們可以提前多久得到映射當前周期位置的前瞻綜合指標最新數(shù)據(jù)呢？首先我們根據(jù)Wind的經(jīng)濟數(shù)據(jù)庫得到各指標6月數(shù)值的披露時間，17個指標中，只有PMI和PMI:新訂單當月的數(shù)值會在當月末進行披露；大部分貨幣、借貸相關指標在下月的11號得到了披露；OECD綜合領先指標為下月的12號；大部分工業(yè)生產(chǎn)、投資生產(chǎn)、消費、失業(yè)率相關數(shù)據(jù)在下月的15號披露；貿(mào)易差額當月同比在下月的18號披露；挖掘機產(chǎn)量當月同比在下月的21日披露；而反映工業(yè)產(chǎn)成品庫存壓力的工業(yè)企業(yè)產(chǎn)成品周轉天數(shù)累計值指標的披露時間最晚，一般在下月的27日披露。由于大部分指標的領先期數(shù)較長，我們重點關注PMI、PMI:新訂單、貿(mào)易差額:當月同比等6個領先期僅1個月的指標披露時間。實際上，我們最晚可以在每月的18號得到所有6個指標的上一月數(shù)值。因此站在第M月的18號，我們可以通過實際值計算M月的前瞻綜合指標數(shù)值，判斷M月的經(jīng)濟周期位置，并且能夠利用ARIMA模型預測M+1及之后的前瞻綜合指標數(shù)值，通過預判經(jīng)濟周期位置做出投資決策。換句話說，每月的實際前瞻綜合指標最早可以在每月的18號計算得到，同時最早也可以在每月18號通過ARIMA模型預測下月及未來數(shù)月的前瞻綜合指標值。根據(jù)我們在3.2和3.3章節(jié)中結論可知，模型對于遠端的預測效果的準確性會有所降低，不過我們用于合成前瞻綜合指標的大部分經(jīng)濟指標領先期數(shù)在4個月以上，另外領先期最長為13個月，這意味著我們對未來13個月的經(jīng)濟周期位置預判都涵蓋了一部分真實值作為依據(jù)。在這個前提下，我們認為基于ARIMA模型的前瞻綜合指標能夠在一定誤差的情況下對于未來實際的經(jīng)濟周期走勢做出具有參考價值的判斷。4.2基于ARIMA模型的前瞻綜合指標為判斷當前及未來一段時間經(jīng)濟周期位置提供依據(jù)我們選擇2014年中下旬經(jīng)濟周期大致經(jīng)歷“過熱-滯漲”的階段對前瞻綜合指標的有效性做進一步驗證。以2014年5月的深藍色曲線為例，根據(jù)這條前瞻綜合指標曲線，我們站在2014年5月時刻，能夠判斷經(jīng)濟周期位置將在10月份到達頂部拐點，并且當前呈現(xiàn)較強的上升趨勢。一個月之后，投資者可以依據(jù)鮮紅色曲線，判斷6月經(jīng)濟周期位置進一步上移的趨勢弱，但下半年經(jīng)濟周期位置整體仍將處于頂部。雖然指標不能對未來經(jīng)濟周期位置做出完全準確的外推，但是指標所提示的經(jīng)濟周期位置變化趨勢具有較高的參考價值。4.3前瞻綜合指標與股債性價比高度相關為了觀察合成的前瞻綜合指標與股債資產(chǎn)投資價值之間的關系，我們將月度的前瞻綜合指標與每月最后一個交易日的股債性價比(ERP)進行畫圖，大致可以在部分時間區(qū)間明顯觀察到兩個指標之間的正相關性。通過分析指標特點，我們發(fā)現(xiàn)股債性價比指標常在較長的一段區(qū)間內(nèi)在某一均值水平之間上下波動，因此我們很難進行股債強弱判斷，并且我們的前瞻綜合指標是一項具有強周期性的指標，因此前瞻綜合指標和股債性價比之間并不直接可比。根據(jù)上述分析，我們將股債性價比指標根據(jù)歷史24個月進行滾動標準化處理后再與前瞻綜合指標放在一張圖里，發(fā)現(xiàn)兩項指標之間的走勢高度一致，并且兩項指標之間具有顯著的同步性。我們認為，前瞻綜合指標能夠非常有效地反映股票和債券資產(chǎn)的投資價值關系，一般在經(jīng)濟處于復蘇和繁榮的上升期時，股債性價比也在相應地升高，此時股票具有更高的配置價值；而在經(jīng)濟衰退階段，股債性價比相應地走低，此時債券具有更高的配置價值。4.4前瞻綜合指標的股債擇時效果根據(jù)前瞻綜合指標獲得的高效性以其有效反映股債配置性價比的特點，我們嘗試利用前瞻綜合指標形成擇時觀點，并將擇時觀點運用到股債資產(chǎn)組合中。在合成前瞻綜合指標的16個領先指標中，我們實際只用對PMI、PMI:新訂單、固定資產(chǎn)投資完成額累計同比、OECD、貿(mào)易差額當月同比、新增人民幣貸款:居民戶:中長期:當月值，這6個僅領先GDP同比周期項1個月的指標進行處理，其余指標由于領先期數(shù)較多，暫時無需利用ARIMA模型預測未來值。為了模擬真實做投資決策的情形，我們回測中實際用到的這6個指標的每個月(M，t=1)的前瞻綜合指標值都是通過已知的M-3月及之前共60個月(t=-60~-1)的歷史數(shù)據(jù)得到的，即用于合成8月前瞻信號的這6個領先指標對應的周期項值是通過已知5月及歷史的指標數(shù)據(jù)預測得到的7月指標周期項數(shù)據(jù)，再進一步推移1個月的領先期后得到的?？紤]到領先指標的披露時間，這6個指標的5月數(shù)值最早可在6月18日左右得到，相當于我們?yōu)?月的股債擇時觀點預留了接近2個月的冗余期。由于前瞻綜合指標序列（冗余期=2）受預測值誤差的影響容易出現(xiàn)更頻繁的波動，可能造成擇時信號的不斷切換，因此我們對前瞻綜合指標序列（冗余期=2）計算3月均線，得到平滑處理后的一組數(shù)列。在這種預設條件下，我們可以得到一組新的前瞻綜合指標序列（冗余期為2），用于形成對應的擇時觀點。我們選用了較為簡單直接的擇時規(guī)則。依據(jù)前瞻綜合指標序列(冗余期為2)，計算某一時點的斜率為該時點指標值-上一時點指標值，若斜率大于0.1，則給出樂觀信號，若斜率小于-0.1，給出悲觀信號，若斜率介于-0.1至0.1間，給出中性信號。設定股債組合中樞為2:8，組合的初始倉位根據(jù)建倉起始時點的擇時信號確定，若建倉時點擇時信號不可得，則初始倉位統(tǒng)一設為2:8。我們分別對月度調倉和季度調倉兩類調倉頻率下的組合表現(xiàn)進行回測，季度調倉以每一季度第一個月的擇時信號為依據(jù)。在樂觀信號下調整股債倉位為3:7，悲觀信號下股債倉為1:9，中性信號下股債倉位為2:8，暫不考慮手續(xù)費?；谇罢熬C合信號對股債2：8組合中樞調倉，月頻調倉頻率之下組合的收益表現(xiàn)更優(yōu)，但是最大回撤和波動率并沒有得到明顯的改善。今年以來，季頻調倉策略的組合風險收益表現(xiàn)會明顯好于月頻調倉策略，組合回撤控制效果較好，夏普比率實現(xiàn)0.79。而季頻調倉下的組合在近3年、近5年、近10年的效果不及月頻調倉下的表現(xiàn)。整體來看，基于前瞻綜合信號的股債擇時策略在2020年初至2021年下旬區(qū)間表現(xiàn)最好。另外，縮短冗余期至1能夠更加直接地降低前瞻信號誤差，獲得更好的組合風險收益表現(xiàn)。除了上述簡單根據(jù)未來一個月的前瞻信號變化斜率進行擇時的方法之外，擇時信號的形成機制還可以有非常豐富的方法值得探索。例如，如果未來3個月的前瞻信號指標值一直向上，則給出月度的樂觀信號，如果一直向下，則給出悲觀信號，如果出現(xiàn)指標上行再下跌或者下行在上行的情況，則給出中性信號。這種改進方法可以充分利用ARIMA時間序列模型能夠推演指標未來走勢的優(yōu)勢根據(jù)未來一段時間持續(xù)的趨勢形成股債配置觀點，而不再僅限于根據(jù)某一時點的斜率進行判斷。5.小結本篇報告嘗試從“使前瞻信號更前瞻”的角度刻畫經(jīng)濟周期位置，并引入時間序列模型，利用各前瞻經(jīng)濟指標的歷史周期信息擬合模型，從而進一步對未來指標周期位置進行推演。除此之外，隨著最新的指標信息的加入，擬合后的ARIMA模型可以動態(tài)地對指標周期位置觀點進行修正，尤其是對于遠端周期位置判斷觀點的修正。結合ARIMA模型和前瞻信號合成方法，我們就可以通過未來一段區(qū)間內(nèi)前瞻綜合信號對經(jīng)濟周期位置及其變化趨勢做出較為有效的判斷，并以此為依據(jù)輔助進