中观景气研究：逻辑、数据和模型

中观包括行业和风格两类划分方式，我们想要研究的是如何对其景气度进行刻画和预测，最终着眼于构建具有超额收益的投资组合。 宏观行业经济数据：数据是研究的基础。我们对经济数据的混频发布特点、行业和类型分布、发布时滞和修正、数据噪声等问题进行了较为详细的分析，并搭建了可用的、质量较高的基础数据库。 逻辑分析：这是数据映射到目标变量的关键。借助于分析师财务盈利拆分框架，从中抽取出核心指标点，配合可得的高频数据指标，获取基本面景气的预测结果。 景气预测模型：基于逻辑分析结果，借助MIDAS等模型框架，将各类混频数据纳入目标变量预测中，进而得到景气度高频追踪结果。从应用结果看，具有较强的适用性，与实际盈利一致性较高，且有较强的领先性。 中观景气研究：这包括基本面景气和交易景气两个维度，我们所关注的是能够通过前者把握价格走势的行业。后续的系列研究中，我们也着重于搭建各目标组合的基本面景气度预测框架，交易景气仅起到辅助作用。 后续方向：后续系列研究中，我们将具体针对每个细分行业搭建有效的基本面景气预测模型，并辅以交易景气度判断交易时点。最终我们想要实现的模式是，高频追踪景气信号，从而借助投资工具构建胜率较高的投资组合。 1.中观景气研究 中观包括行业和风格两类划分方式，我们想要研究的是如何对其景气度进行刻画和预测，最终着眼于构建具有超额收益的投资组合。图1给出的是某股票盈利、估值和股价走势图。该标的盈利具有较为明显的周期性，估值则波动较大。2016-2017年，股价的抬升主要由盈利能力提高引致，估值贡献较小；2021年以来，股价走势趋平，盈利和估值走势背离。在传统的行业轮动框架中，一般使用公司基本面（包括分析师预测数据）和价量等交易数据，构建打分指标，得到综合信号值，具有一定的效果。 图1股票X股价、估值和盈利走势：驱动因素变化较大 上述做法具有较强的直观性：股价由盈利和估值共同驱动，从这两个维度分别选取代表性指标进行预测具有一定的合理性。不过我们认为应该分别进行研究，即中观景气研究由基本面景气和交易景气两个独立维度构成。我们想要研究，或者预期能够获取的收益，是由基本面驱动的，而非仅由情绪引致。因此在考虑输入数据时，将其区分为原始数据和交易数据，这里是相对股价而言的。例如钢铁企业，螺纹钢、冷轧等产品价格也是交易形成的，但独立于股价；股票自身的价格或成交量则是投资者基于所有能获取的信息，形成观点，通过买卖形成的。我们预期能够实现的是，通过基本面景气确定持有时点和区间，通过交易景气确定基本面已释放完毕。 为搭建相关定量模型，需明确如下几点：一，如何界定行业和风格，即构建具有代表性的、可投资的标的组合；二，什么是景气度，如何对其进行定量刻画；三，不论是行业还是风格，如何对其投资逻辑链进行分析；四，信息驱动走势，对景气度进行预测时需使用到哪些数据；五，如何将数据有效地映射到景气度；六，如何基于预测所得的景气度构建实际的投资组合。 逻辑、数据和模型是中观景气研究的关键环节。作为开篇，在本报告中，我们着重研究了如下问题： 请务必阅读正文之后的免责条款部分 3 of 18 oPoQqPwOnQqMrMwPmQpOmPaQbP8OpNnNtRoMlOmMtPiNtRsO6MqRqPvPmMnPuOrRyR 1.原始数据端，宏观和行业经济数据具有哪些特征，使用过程中应注意哪些问题； 2.经济数据与公司经营之间有哪些关联； 3.如何将宏观行业等不同频率的数据纳入统一的分析框架，映射到目标变量的预测中； 4.基本面景气和交易景气的分析框架应如何搭建。 2.宏观行业经济数据：类型和特征 对于中观景气研究，我们认为核心包括如下几点：一，经济产业逻辑； 二，基础数据；三，模型框架。此部分我们对所涉及的基础宏观/行业经济数据进行梳理：包含哪些类型的数据，其发布频率是什么，具有哪些特征。我们认为基础数据具有关键的作用，将数据部署于逻辑分析链条，借助相关模型，可将其应用于中观景气预测。 2.1.数据发布结构：混频 经济指标预测中，常用的方法之一是领先滞后关系判断和预测。比如，PMI等景气指数对进出口和生成等具有一定的领先关系，据此可对关键指标走势进行预测判断。在我们所构建的中观景气研究框架中，我们使用的是另一种方法：混频预测，其逻辑是部分数据发布越完整，则整体的拟合精度越高。以经济增长预测为例，其发布为季频；假设能够获取月度或更高频的，与经济增长高度相关的指标，则可对其进行实时预测。 在前期Nowcasting和GDPNOW模型框架中，我们从实体经济、情绪、财政货币和价格等维度选取了多个月频指标，分别使用整体预测，以及自下而上拆分合成的方法对经济增速进行预测，具有较好的效果。 下图给出了常见的数据发布模式。我们所关注的一般是季度或月度指标，其频率较低，且一般有一定的发布时滞。从实际数据发布来看，每天可得到日度数据值，周中发布值领先于当周数据；周度数据的发布领先于当月数据的发布。因此从更为高频数据的发布中，可更及时和领先的获取目标变量的最新信息。当然，为处理这些不同频率的数据，需要特定的模型框架，以尽可能地利用到每一条数据的发布。在中观景气研究中，虽然逻辑和模型非常重要，但是数据同样关键。一方面需要尽可能的丰富指标维度，另外还需要结合数据特点对其进行清洗以确保数据质量。 我们构建了宏观/行业经济数据库，其结构见表1。除指标代码和名称字段外，我们还记录了指标报告期，以及其实际披露日，后文部分我们会对各类指标的时滞天数分布进行统计。除此之外，指标频率、分类和单位字段也进行了记录。基于该数据表，可在较大程度上避免使用到未来数据的问题。在构建该数据库时，因为数据源未提供披露日字段，因此我们是在某个时间点后开始有“样本外”数据，即逐日进行指标提取，确定其实际披露日，以及是否进行了数据修正；对于该时间点前的数据，各指标按照其特定固定滞后期进行处理。通过上述处理，可以在较大程度上提高数据使用质量。 图2混频数据发布结构 表1:宏观/中观数据库存储结构 2.2.数据类型：行业和数据链 高频宏观/产业经济数据类型丰富，表2给出的是主要指标构成。对于宏观经济，在Nowcasting框架下将其划分为四类，此处将汇率利率指标纳入；此类指标多数是月频。对于行业经济，从行业看包括电子电器、机械设备、农林牧渔、石油化工、食品饮料和有色金属等主要行业。此处我们从数据属性进行划分：原材料或产品价格，产品产量和需求量，库存，开工率等库存指标，中途运输费用等；行业经济指标包含日、周、旬和月等多种频率类型。从指标占比看，日、周、旬和月频指标分别为24.5%、11.3%、0.2%和63.9%。 下图给出了按行业和指标类型进行分类的占比情况。可以看出，石油化工、钢铁和有色金属等周期行业经济指标较多，相关行业可追踪和预测程度较高；批发零售、公用事业和金融等行业高频指标相对较少。从指标类型看，价格类指标占比最高，其次是产量类；其他指标数量相对较少。 表2:宏观/中观经济数据分类和指标类型 图3行业经济指标-按行业分类 图4行业经济指标-按指标分类 下面我们以钢铁行业为例，对上述指标在产业链中的位置，以及使用方法进行说明。 对于各行业，我们希望对其营收或盈利情况进行预测。收入由其产品销量和价格决定，成本由上游价格和原材料数量决定。对应到钢铁行业，产品需求包括螺纹钢、热卷等，需求来源包括房地产、机械和汽车等行业，而宏观经济状态对这些行业也会产生影响；需求端变化与库存存在密切的关联；对于上游，焦煤和铁矿石为原材料，同时还需要电力等作为冶炼能源；对钢铁行业本身，需要追踪各类产品的产量和价格。 其中涉及的可追踪指标包括：价格:1/3焦煤、中国铁矿石价格指数(CIOPI)、现货价:废钢、兰格钢铁:生铁成本指数、粗钢:产量:累计同比、钢材社会库存、重点钢铁企业:钢铁:库存、房地产开发投资:累计值、汽车:产量:当月值等。因此，对于钢铁行业景气度而言，需要做的便是获取各环节关键指标，同时将其纳入统一的分析框架。 图5钢铁行业产业链及各环节追踪指标 2.3.数据特征：聚类和噪声 前文对数据分类占比进行了梳理，此部分给出进一步的分析。以煤炭价格指标为例，从用途看可划分为动力煤、炼焦煤和化工煤等；从所属能源基地划分，包括蒙东、陕北、晋北、云贵等；根据运输方式和销售交割地点的不同，可划分为坑口价、出厂价、车板价、平仓价、到岸价、到库价和库提价等。总结来说，对于煤炭价格，需要考虑煤炭品种、质量、运输方式、运输距离和交割地等因素，交叉起来对应了多个可追踪的价格指标。 从下图可以看出，虽均为表征动力煤价格的指标，但考虑多种因素差异时，其价格走势或存在一定的差别。因此在刻画行业景气时，选用哪个指标，需要结合标的具体情况进行分析。 图6煤炭价格体系：需综合考虑必要因素，进行使用 对于上图，还可以观察到一些现象：有些指标仅在工作日披露价格，有些则各日期均有价格；部分指标某些区间或存在数据不披露的现象，比如到岸价(含税):动力煤:澳洲:宁波港，其在2021/5/31-2021/7/8区间存在数据缺失现象。因此，在使用这些行业经济指标时，需对其发布完整性进行清洗，以确保数据的有效性。 2.4.数据发布值：滞后期和修正 不论是宏观经济还是行业经济，指标的披露一般均有一定的滞后性，直接使用的话面临未来数据问题。因此我们在搭建经济数据库时，同时存储了指标实际披露日字段。下图给出的是宏观季度、月度数据，行业周度和日度数据发布滞后天数的分布情况。 对于宏观季度数据，多数会滞后16-20天，即次月中下旬发布；宏观月度数据滞后期相对更分散一些，集中在10-20天。对于此类数据，常用的做法是统一滞后1个月使用，虽然可以规避使用到未来数据，但或损失指标的时效性。常规量化组合构建中，一般是月末定期调仓；对于行业景气，其变化并非是固定窗口的，及时将有价值的信息纳入信号的调整中，对于组合整体表现提升是有益的。 图7宏观季度数据发布滞后天数分布 图8宏观月度数据发布滞后天数分布 图9行业周度数据发布滞后天数分布 图10行业日度数据发布滞后天数分布 对于宏观/经济数据，除披露滞后期外，还需关注存在的数据修正问题。 下表给出的是出口金额:当月同比在4个报告期，不同披露日的指标值。 2021年9月进行了3次修正，2021年12月进行了1次修正。整体来看，不同披露日的指标值差异较小，但仍需加以关注。 以指标+报告期作为一个数据时点，宏观/行业数据库中未进行过修正的时点占比为96.507%、进行过1次和2次修正的占比分别为3.06%和0.159%；宏观经济数据库中，未修正、修正1次和修正2次的时点占比分别为90.819%、5.738%和1.214%。总结来说，行业经济数据进行修正的概率较低；宏观经济指标进行修正的比例相对较高，在使用时应特别关注其披露时点。 表3:宏观济数据修正示例-出口金额:当月同比 2.5.小结 此部分我们对宏观和行业经济数据进行了较为全面的分析，其在景气预测中具有关键的作用。对于此类数据需重点关注如下几点：一，尽可能搭建丰富的指标库，覆盖各行业，以及产业链的各环节；二，对于这些数据，应关注其数据质量，进行有效的数据清洗；三，应关注数据实际披露时点，避免使用到未来数据。数据是模型预测的基础，后续我们还会继续对其进行完善。 3.宏观行业经济数据与公司基本面 前文我们对宏观行业经济数据基本特征和存储方法进行了较为详细的梳理。此部分对如下问题进行分析：经济数据与公司基本面是否有较为紧密的联系，即是否能对后者进行有效的预测？对于价格、产量、库存等各类数据，如何较好地将其纳入对目标变量的预测中？ 3.1.逻辑：经济数据与公司经营 传统的量化选股模式下，将公司已实现或分析师预测财务指标作为信号输入，以对股价表现进行预测。信息和传导共同影响了投资决策和价格的形成，已披露财务信息时效性相对较差，但如果能够对其进行独特的逻辑分析，得到有异于市场的判断，或也能获取超