固定收益专题报告:从高频数据到工业增加值,如何做到“见微知著”

从高频数据到工业增加值,如何做到“见微知著”。

工业增加值同比数据是经济增长类数据中最为重要的指标之一,因此,我们希望对其有更深入的了解。在长期判断工业增加值同比走势的基础上,我们一般都会在短期对每个月的工业增加值同比数据进行预测,而本文就是从完善工业增加值短期预测的角度出发,进一步增加其短期预测的准确性。由于工业增加值同比数据一般在每月14日或之后公布,因此,我们可以利用这一时间差,整合14日之前公布的其它高频经济数据来预判工业增加值当月的变化情况。虽然其它高频经济数据不能全面反映工业企业的生产活动,但我们也可以据此做到见微知著,进而对工业增加值的变化有更精准的把握。

高频数据指标体系的建立。

在对高频数据进行筛选时,我们不仅需要考虑数据的代表性也需要考虑数据的及时性,如果高频数据公布时间接近或晚于工业增加值同比数据公布时间,即使该数据有较好的代表性,我们也不能将其纳入指标体系中。基于上述考虑,我们选择了六个同时具有代表性和及时性的高频数据,分别是6大发电集团耗煤量、全国高炉开工率、十大城市商品房成交面积、大秦铁路货运量、汽车产量以及挖掘机销量。

高频数据与工业增加值的同步变化情况。

自2011年以来,6个高频数据同比与工业增加值同比变化方向一致的月份数占比均达到了50%左右。各个高频数据与工业增加值之间较高的同步性也为通过高频数据来预测工业增加值的变动提供了基础。

如何利用高频数据做到见微知著。

从单一高频数据来看,尽管高频数据的公布时间早于工业增加值同比的公布时间,且高频数据与工业增加值的变化也存在较高的同步性,但是利用单一高频数据来判断工业增加值的变化在准确性和全面性上还是略显不足。因此,本文结合6个高频数据的同时变化来对当期工业增加值的变化进行预判,从结果来看,自2011年以来,判断结果相符、中性和相悖的月份数分别为34、29和19个。

具体来看,利用高频数据短期预判工业增加值变化的失败率约为23%,且失败情况集中在季月,在19次判断失败月份中,季月的个数为13个,占比达到了68%,而季月中又以9月最为集中,判断失败数为6个。另外,随着高频数据在每个月变化的一致性逐步增加,利用高频数据短期预判工业增加值变化的准确性也出现了明显提升。

在短期预判12月的工业增加值同比方面,考虑到当高频数据上升和下降的个数相等时,工业增加值保持不变或小幅变动的概率较大,因此在模拟预测的基础上,我们认为2017年12月的工业增加值同比维持6.1不变的概率较大。