宏观经济专题研究：降息预测模型的探索

证券研究报告|2023年08月24日 宏观经济专题研究 降息预测模型的探索 核心观点经济研究·宏观专题 降息历来受市场高度关注。但长期以来，预测降息一直是宏观研究的“老大难”问题。在本篇报告中，我们探讨构建降息的“拇指法则”（ruleofthumb）：一个较客观、可量化、易理解的降息预测框架。 降息量化框架的难点，可能来自以下两种思维定势： 一是“唯结果论”。结果导向、缺乏理论基础的“黑箱模型”，可能导致“过度拟合”：对已发生结果解释很好，但外延能力偏弱。 二是“过于具象”。在大数据模型成为趋势的今天，建模时容易陷入变量越多、算法越复杂越好的思维定势。然而，过于精细的“具象”模型可能导致其“抽象”能力不足。 据此，我们提出两点原则：一是思路上，遵循自上而下原则，从央行最根本的思维逻辑出发选取指标和算法，避免因果倒置。二是算法上，参考“集合学习”的精神。简单地说，“集合学习”回答了“一个诸葛亮和三个臭皮匠谁更厉害”的问题。与传统单一高精度模型不同，“集合学习”更强调集体的力量：精准度源自简单模型的多维度“集合决策” 为验证上述思路的有效性，我们从央行“四大目标”（币值稳定、经济增长、内外平衡、金融稳定）出发，构建了一个由8个子模型构成的8因子模型。 即便未对模型做大幅逆向优化，其表现已经超出预期。在回溯期内： 单次预警（提示后2个月内有降息）命中率60%；连续两次提示（提示后1个月内有降息）75%；连续三次提示（提示后当月有降息）100%。 此外，无预警降息（降息当月及此前2个月无提示）未出现。换言之， 若模型未作提示，则未来3个月降息概率较低。 7月模型构建完成后，做出了降息预警。按过往经验，8、9月份降息概率上升至60%。8月15日降息超预期落地，验证了模型的判断，也将单次预警的精准度提升至62.5%。 总体而言，模型表现基本达到预想目标。其力量来自于“横向”与“纵向”的双重加强。“横向”指的是前述“集合学习”中多个子模型并行决策；“纵向”指模型的预警具有明显的累积效应，即连续预警后，尽管观察窗口未改变，但命中率明显提升。 更为重要的是，模型验证了开篇提出的策略的有效性，进而构建了一个较客观、可量化、易理解的降息分析框架。在这个思路下，模型仍有巨大的优化和拓展（如运用至降准判断）潜力，值得进一步探索。 风险提示：央行操作框架调整；模型外变量主导。 证券分析师：董德志联系人：田地021-609331580755-81982035 dongdz@guosen.com.cntiandi2@guosen.com.cnS0980513100001 基础数据 固定资产投资累计同比3.40 社零总额当月同比2.50 出口当月同比-14.50 M210.70 市场走势 资料来源：Wind、国信证券经济研究所整理 相关研究报告 《宏观经济专题研究-产业链价格变动逻辑下的库存周期分析框架》——2023-08-14 《国内经济短期降速或源于分配机制改革而非资产负债表衰退》 ——2023-08-11 《宏观经济专题研究-“国信周频高技术制造业扩散指数”介绍》 ——2023-07-25 《激发民间投资，驱动内生复苏—2023年中期宏观经济与资本市场展望》——2023-07-19 《宏观经济专题研究-如何测算中国月度GDP同比？》——2023-06-23 请务必阅读正文之后的免责声明及其项下所有内容 内容目录 策略：从“第一性原理”出发4 一些反思4 两点原则4 框架：8个指标看降息5 剧透：降息并非“无迹可寻”5 总框架：央行“四大目标”6 经济增长6 币值稳定8 内外平衡10 金融稳定11 关键一步：集合决策12 回溯：预警准确度12 小结与前瞻：潜力仍大13 图表目录 图1：以“决策树”和“随机森林”为例4 图2：“换锚”后至今年7月间，央行共进行了6次降息5 图3：输入变量：制造业PMI6 图4：子模型I输出结果6 图5：输入变量：新增人民币贷款7 图6：子模型II输出结果7 图7：输入变量：工作时长与PMI从业人员8 图8：子模型III输出结果8 图9：输入变量：CPI9 图10：子模型IV输出结果9 图11：输入变量：PMI出厂价格9 图12：子模型V输出结果9 图13：输入变量：美联储政策利率等10 图14：子模型VI输出结果10 图15：输入变量：人民币汇率11 图16：子模型VII输出结果11 图17：输入变量：1年AAA同业存单到期收益率11 图18：子模型VIII输出结果11 图19：合成各子模型输出结果，并判断是否构成降息提示12 图20：回溯期内，模型总体表现出色，但虚线部分多次提示落空13 图21：模型根据7月数据做出降息提示，随后降息落地13 降息历来是市场高度关注的宏观事件。但长期以来，预测降息一直是宏观研究的“老大难”问题：一方面，在外界看来，央行降息有一定“偶然性”；另一方面，市场对于降息的判断仍然偏主观，分析思路难免“八仙过海”甚至“事件驱动”，尚未形成跟踪预测我国央行调降政策利率的有效体系。 在本篇报告中，我们探讨构建降息的“拇指法则”（ruleofthumb）：一个基于直观逻辑和客观数据的降息预测框架。 策略：从“第一性原理”出发 一些反思 构建央行降息的量化框架遇到的困难，可能受累于至少以下两种思维定势： 一是“唯结果论”。在寻找算法、指标或训练模型的过程中，过于结果导向，可能会产出缺乏理论基础的“黑箱模型”，从而导致“过度拟合”（overfitting）的经典问题：对已发生结果解释很好，但外延能力偏弱。 二是“过于具象”。在以深度学习为代表的，动辄上亿变量的大数据模型成为趋势的今天，建模时容易陷入变量越多、算法越复杂越好的思维定势。然而，研判降息无论就数据基础亦或逻辑基础而言，与一般模型均有较大差别。过于精细的“具象”模型可能导致其“抽象”能力不足。 两点原则 基于以上思考，我们提出两条原则： 一是思路上，遵循自上而下原则，从央行最根本的思维逻辑出发选取指标和算法，避免因果倒置。我们将从币值稳定、经济增长（充分就业）、内外平衡和金融稳定的央行四大目标出发，自上而下选取指标和算法，避免使用效果较好但过于复杂甚至无法理解的算法。这样可以尽量避开“黑箱模型”。 此外，一旦模型敲定，应尊重其结论的独立性，除定期回溯外，避免与主观判断相悖时调整算法。 图1：以“决策树”和“随机森林”为例 资料来源：国信证券经济研究所绘制 二是算法上，参考“集合学习”（ensemblelearning）的精神。“集合学习”是机器学习领域中提升模型准确度和训练效率的一类算法，早在神经网络出现前就被广泛应用。顾名思义，与传统单一高精度模型不同，“集合学习”更强调集体的力量：其往往包括众多相对简单且低精度的模型，而模型整体的精准度源自多维度“集合决策”。 笼统地说，“集合学习”的核心在于回答了“一个诸葛亮和三个臭皮匠谁更厉害”的问题。不可否认，在诸多领域，“诸葛亮”的价值更为突出，但在面对一些特定问题时，“臭皮匠”则可能会跑赢。 具体到降息的判断上，“臭皮匠”们可能有三个天然优势：一是央行在降息时体现出的“偶然性”，可能更多来自于“风格漂移”，即不同时期降息由不同的驱动因素组合而成。因此相较单个“诸葛亮”，更多元的“臭皮匠”模型可能有利于捕捉风格多变的降息信号。二是降息也许并非“精准决策”，应存在粗线条的判断逻辑，方向比点位往往更加重要。三是模型预警应以“宁滥勿缺”为准则，宁可过度提示也要避免错过降息。 框架：8个指标看降息 为验证上述思路的有效性，我们构建了一个由8个子模型构成的8因子模型。 剧透：降息并非“无迹可寻” 图2：“换锚”后至今年7月间，央行共进行了6次降息 资料来源：Macrobond，国信证券经济研究所整理 在讨论模型的具体构建前，先预览模型的回溯效果。在回溯期内（自2016年政策 利率“换锚”为7天逆回购利率以来，至今年7月模型构建期），央行共进行了 6轮降息。分别是： 2019年11月18日，5BP； 2020年2月3日，10BP；3月30日，20BP； 2022年1月17日，10BP；8月15日，10BP； 2023年6月13日，10BP。 此外，考虑到降息预警的时效性，我们将有效预测的时间区间限制为三个月。例如，7月预测降息，则降息落地时间不能晚于9月，否则视为无效。 仅进行初步优化后，该8因子模型对上述6次降息均做出了有效提示。 总框架：央行“四大目标” 与海外主要央行的“双目标”或“单目标”体系不同，我国央行实行“多目标”制。具体可以追溯到2011年周小川行长在华盛顿出席IMF会议期间接受采访时提出的六大职能：低通胀、经济增长、就业率、国际收支平衡、改革和市场开放、金融市场稳定。在建设现代中央银行制度的总体部署下，我国货币政策的最终目标可以简化为：币值稳定、经济增长（充分就业）、金融稳定与内外均衡。 我们将分别从这四大目标出发，构建子模型。在具体指标的选择上，以发布时间越早越好，频率越高越好为基本原则。 经济增长 近年来，内外部因素交织下，随着我国经济发展换锚，“稳增长”成为央行的核心政策目标。我们认为，“经济增长”目标所包含的定义十分宽泛，起码包括三方面的内容：除常规的生产和内需外，也囊括了海外央行“充分就业”（maximumemployment）的目标。因此，由经济增长目标衍生出三个子模型。 子模型I：生产 生产方面，选择制造业PMI作为跟踪指标。事实上，制造业PMI的12月移动平均与GDP实际增速也有较强相关关系。算法上，使用： 1：连续两个月低于过去5年同期平均数 制造业PMI 0：其它 下面两个图片分别展示了模型的输入和输出结果。 图3：输入变量：制造业PMI图4：子模型I输出结果 资料来源：Wind，国信证券经济研究所整理资料来源：Wind，国信证券经济研究所整理 可以直观的看到，在选取的指标和算法下该子模型已经呈现出较好的预警能力。在回溯期内（2016年1月-2023年6月），子模型I在6次降息前做出了持续且明确的提示。 需要强调的是，在算法的构建过程中，我们严格限制了效果好但不易理解的“黑箱算法”。以子模型I为例，“制造业PMI连续两个月低于过去5年同期平均数”可以理解为：去季节性+只看方向。去季节性指尽管制造业PMI经过季节性调整，但仍然呈现出较为明显的季节性特征需加以处理；只看方向指“方向比点位更重要”，使用连续两个月数据既可以捕捉变化方向，也排除了单个数据点的偶然性。不采用3个月或更高标准则来自于不希望单个“诸葛亮”模型过于严格的原则。 子模型II：内需 内需方面，金融数据是综合反映需求（消费）和信心（投资）的重要指标，发布时间也相对较早。算法上，使用： 1：新增额低于过去3年同期平均数 人民币贷款 0：其它 输入变量及输出结果如下。 图5：输入变量：新增人民币贷款图6：子模型II输出结果 资料来源：Wind，国信证券经济研究所整理资料来源：Wind，国信证券经济研究所整理 相较之下，子模型II呈现出的提示标准明显比子模型I更为严格，而且开始出现了遗漏降息的情况。这符合我们的预期，即央行不同时期降息的驱动因子组成有所变化。 子模型III：就业 就业方面，根据此前的定量研究经验，工作时长、雇员规模与薪酬水平是反映企业雇佣行为的主要指标，敏感度依次下降。其中，工作时长是雇员需求边际变化的前瞻指标。但我国工作时长数据发布时间较晚，且部分月度数据缺失，因此反映雇员规模的PMI从业人员指标也可以作为补充参考。这里我们使用了就业人员平均工作时间和制造/非制造业从业人员PMI组成的复合指标。算法如下： 就业人员平均工作时间环比下降 1： 工作时长/PMI从业人员制造与非制造PMI从业人员小于过去2年均值 0：其它 输入变量及输出结果如下。子模型III的提示较子模型I多出一些“噪音”，但总体而言依然捕捉到了所有6次降息。 图7：输入变量：工作时