资产配置策略专题报告：新增人民币贷款数据预测框架

新增人民币贷款数据预测框架 2023-03-03 中信期货研究|资产配置策略专题报告 投资咨询业务资格： 证监许可【2012】669号 在每月公布的宏观数据中，作为其他经济数据的领先指标，信贷数据一直以来都是各类机构分析和预测的重点。本文通过构建滚动回归模型和SARIMA模型，从同比以及环比两个角度在每月末对当月新增人民贷款数据进行预测。结果显示两类模型整体均有较好的预测结果，可以为投资者在总量和结构上提供可靠和全面的参考。 摘要： 报告要点 119 118 117 116 115 十年国债期货指数 沪深300股指期货指数，右轴商品指数，右轴 250 220 190 160 本文构建了滚动回归模型和SARIMA模型对每月信贷数据进行预测。根据最新预测结果，2023年2月新增人民币贷款约在1.2万亿至1.6万亿之间，两类模型预测均值 在1.4万亿左右，信贷数据有望延续较高增速。结构上，新增企业中长期贷款约在1.1 万亿至1.5万亿之间，企业中长期贷款余额同比增速大概率继续上行；新增居民中长 期贷款约在-1450亿元至130亿元之间，考虑到2月商品房成交面积同比增速显著修复，居民信贷存在超预期回升的可能。 滚动回归模型中，我们筛选出最优的时间窗口和相关性较高的自变量，分别对中长期贷款、短期贷款和票据融资进行建模预测。中长期贷款（企业+居民）中，我们筛 选出30个大中城市商品房成交面积同比、唐山钢厂高炉开工率同比以及百度指数“贷款”搜索总次数同比作为最后的自变量。短期贷款（企业+居民）中，我们选用柯桥纺织价格指数和30大中城市商品房成交面积同比（代表家具、建筑装潢和音像消费）作为自变量。对于票据融资，我们直接选择相关性较高的国股银票转贴现利率作为自变量。 SARIMA模型中设置季节性参数为s为12，每月通过寻找最小AIC值动态确认模型参数，并对下月数据进行预测。具体模型外生变量选择如下：1）当月新增企业中长期贷款：“生猪现货月均价格环比增长率”和“LME铜现货月均结算价格环比增长率”；2）当月新增企业短期贷款+票据融资：“1年AAA级票据月均到期收益率环比变化值”和“当月PMI”；3）当月新增居民中长期贷款：“30大中城商品房成交面积当月合计值”和“100大中城市供应土地挂牌均价”；4）当月新增居民短期贷款：“PMI”和“30大 中城商品房成交面积当月合计值”。 总的来看，基于高频数据的滚动回归模型和SARIMA模型均能对新增人民币贷款有较好的预测效果，但同时也各有优劣，在对新增贷款总额进行估算时，滚动回归模型的效果在最近几年较为优秀，而在对信贷结构尤其是企业中长期贷款的预测方面SARIMA模型的效果则更为优秀。 风险点：外生变量变化超预期；模型预测误差。 114 2022/032022/062022/092022/12 资产配置研究团队 研究员：姜婧 021-60812990 从业资格号：F3018552投资咨询号：Z0013315 130 重要提示：本报告难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本报告内容而视相关人员为客户；市场有风险，投资需谨慎。如本报告涉及行业分析或上市公司相关内容，旨在对期货市场及其相关性进行比较论证，列举解释期货品种相关特性及潜在风险，不涉及对其行业或上市公司的相关推荐，不构成对任何主体进行或不进行某项行为的建议或意见，不得将本报告的任何内容据以作为中信期货所作的承诺或声明。在任何情况下，任何主体依据本报告所进行的任何作为或不作为，中信期货不承担任何责任。 目录 摘要：1 一、信贷数据的简要介绍4 (一)什么是信贷4 (二)人民币信贷的组成成分4 二、贷款预测模型一：基于高频数据的滚动回归模型6 (一)中长期贷款的预测6 (二)短期贷款的预测9 (三)票据融资的预测12 (四)新增人民币信贷预测12 三、贷款预测模型二：基于高频数据的SARIMA模型13 (一)如何寻找信贷序列回归模型中的外生变量？14 (二)SARIMA模型的预测结果16 免责声明21 图目录 图表1：货币-信贷传导机制图4 图表2：2022年人民币信贷结构组成5 图表3：每月新增人民币贷款组成变化，亿元5 图表4：居民中长期贷款同比和房地产数据同比高度相关6 图表5：企业中长期贷款同比与高炉开工率同比、螺纹钢产量同比高度相关7 图表6：企业中长期贷款同比与汽车轮胎（半钢胎）开工率同比、国内PTA开工率同比相关性较高7 图表7：新增中长期人民币贷款同比与百度指数“贷款”搜索总次数同比相关性较高7 图表8：新增中长期人民币贷款同比和其他变量之间的相关性8 图表9：新增中长期人民币贷款同比预测值9 图表10：新增中长期人民币贷款实际值和预测值比较9 图表11：限额以上批发和零售业零售额拆解，亿元10 图表12：短期贷款累计同比与布伦特原油期货结算价同比、乘用车零售同比具有一定的相关性10 图表13：短期贷款累计同比和柯桥纺织价格指数以及30个大中城市商品房成交面积同比具一定相关性11 图表14：短期人民币贷款余额同比和其他变量之间的相关性11 图表15：短期人民币贷款余额同比预测值11 图表16：新增短期贷款实际值和预测值比较12 图表17：新增票据融资实际值和预测值比较12 图表18：新增人民币信贷预测汇总13 图表19：2023年2月信贷数据滚动回归模型预测结果13 图表20：当月新增企业中长期贷款具有强季节性14 图表21：当月新增企业短期贷款+票据融资具有季节性14 图表22：当月新增居民中长期贷款具有强季节性14 图表23：当月新增居民短期贷款具有强季节性14 图表24：生猪价格环比和铜价格环比是当月新增企业中长期贷款的显著性较强的外生变量15 图表25：AAA级票据月均到期收益率环比变化和PMI是当月新增企业短期贷款+票据融资的显著性较强的外生变量15 图表26：30大中商品房成交面积和100大中城市供应土地挂牌均价是当月新增居民中长期贷款的显著性较强的外生变量15 图表27：PMI和30大中商品房成交面积是当月新增居民短期贷款的显著性较强的外生变量16 图表28：企业中长期贷款的预测效果较好17 图表29：企业中长期贷款余额同比增速的预测效果较好17 图表30：企业短期贷款+票据融资的预测效果相对较差17 图表31：新增企业贷款预测值仍有改善空间18 图表32：新增居民中长期贷款预测结果18 图表33：新增居民短期贷款预测结果18 图表34：新增居民贷款预测结果19 图表35：新增人民币贷款预测结果19 图表36：2023年2月信贷数据款SARIMA模型预测结果19 一、信贷数据的简要介绍 (一)什么是信贷 按照中国人民银行的解释，人民币贷款是指金融机构向非金融企业、个人、机关团体、境外单位以贷款、票据贴现、垫款等多方式提供的人民币贷款。中央银行可以直接通过货币政策调节银行贷款，也可以通过宽松的货币政策间接 影响企业和居民的心理预期。商业银行在收到央行的信号后可以通过信贷来调节居民和企业的资产负债表，进而影响居民和企业的投资和消费行为，最终影响到整体经济的运行。宽松的货币政策也会提高企业的权益价格，增强企业的现金流和融资能力，从而有利于扩大投资。因此，信贷数据往往对经济具有一定的领先性，可以作为宏观经济和投资的风向标。考虑到央行每月公布的人民币信贷数据存在社融和金融机构两种口径且差别不会太大，因此我们主要以金融机构的新增人民币贷款作为拟合的变量。 图表1：货币-信贷传导机制图 资料来源：中信期货研究所 (二)人民币信贷的组成成分 为了更清楚地理解人民币贷款，我们进一步从不同的结构来进行拆解。 从人民币信贷的结构来看，企业中长期贷款占比最高，且呈现上升趋势。根据中国人民银行2022年12月人民币贷款余额的披露数据，企业贷款占据了所 有人民币贷款余额的64.27%，住户贷款占据了35.02%，其余的不到1%的份额是非银金融机构贷款和境外贷款。从新增人民币贷款结构的时间变化来看，企事业单位中长期贷款的占比最高，而且在最近几个月呈现上升的状态，这主要体现出基建的逆周期调节作用。反观居民中长期贷款的占比在最近一年开始走弱，这主要是由于地产周期下行压制居民买房的需求。 从企业贷款来看，企业贷款主要可以分为四类：企业中长期贷款、企业短期贷款，票据融资以及其他项。其中，短期贷款和票据融资偏向于期限在一年以下，主要是为了补偿企业流动性不足，用于日常的周转；中长期贷款则更多 用来支撑企业扩大再投资行为，占据了企业贷款的半数以上。 从居民贷款来看，按照期限的长短可以分为居民中长期贷款和居民短期贷款；按照使用渠道又可再继续细分为：居民中长期消费贷款（21.82%）、居民中长期经营贷款（4.6%）、居民短期消费贷款（4.37%）和居民短期经营贷款 （4.23%）。其中：居民中长期消费贷款占比最大，主要是以居民按揭贷款为主， 和房地产周期的相关性较高；短期消费贷款主要用于居民的日常消费，比如：旅游、餐饮和购物等。居民的经营贷款则主要用于日常生活经营、资金周转和设备购置等方面。中长期经营贷、短期消费贷和短期经营贷的占比分布较为均衡。 图表2：2022年人民币信贷结构组成 资料来源：中国人民银行，中信期货研究所 图表3：每月新增人民币贷款组成变化，亿元 金融机构:新增人民币贷款:非银行业金融机构金融机构:新增人民币贷款:企(事)业单位:票据融资:当月值 金融机构:新增人民币贷款:企(事)业单位:中长期:当月值金融机构:新增人民币贷款:企(事)业单位:短期:当月值 金融机构:新增人民币贷款:居民户:中长期:当月值金融机构:新增人民币贷款:居民户:短期:当月值100% 80% 60% 40% 20% 0% -20% -40%2014201520162017201820192020202120222023 资料来源：Wind，中信期货研究所 二、贷款预测模型一：基于高频数据的滚动回归模型 第一个模型我们选择使用滚动回归模型来对新增人民币信贷数据进行预测，为了减少过多的数据拆分引起的误差增多，我们选择将新增人民币贷款按照驱动逻辑不同尽可能少地拆分为：新增中长期人民币贷款（企业+居民）、新增短 期人民币贷款（企业+居民）和新增票据融资贷款来进行预测。 (一)中长期贷款的预测 企业和居民中长期贷款主要受到经济增长前景的影响。企业和居民端中长期贷款的驱动因素比较类似，当居民和企业对中长期经济增长前景的预期转好 时，会加大中长期消费和投资的需求，进而影响中长期贷款，因此我们将这两者放在一起考虑。 居民中长期贷款和地产相关性较高。具体来说，居民端中长期的贷款中绝大多数以个人住房按揭抵押贷款（房贷）为主，少部分流向了中长期经营贷等。 房地产作为过去20年中国经济的支柱性行业，和中国的经济增长具有很高的相 关性。数据上也反映了这一点，居民中长期贷款同比的走势和30大中城市商品房成交面积同比呈现出高度的相关性。 图表4：居民中长期贷款同比和房地产数据同比高度相关 30大中城市商品房成交面积同比，% 居民中长期人民币贷款同比，%，右轴 100大中城市成交土地占地面积同比，%居民中长期人民币贷款同比，%，右轴 100 50 150 100 50 100 50 150 100 50 0000 -50 -50 -100 -50 -50 -100 -100 20142016201820202022 -150 -100 20142016201820202022 -150 资料来源：Wind，中信期货研究所 企业中长期贷款和基建、制造业等高度相关。企业端来看，企业的中长期 贷款多用于购置设备和建设工程，通常对应基建、地产、制造业固定资产投资。企业的中长期贷款更能体现实体的资本开支需求和融资需求，和实体经济增长的关联度较高。从数据上看，企业中长期贷款与高炉开工率、螺纹钢产量、汽车轮胎开工率和PTA开工率等反应制造业和基建的高频指标相