核心观点与关键数据
- PMI对利率走势的前瞻性增强：在震荡年份，“债牛年”后的“过渡年”里，基本面边际变化方向对利率走势具备一定前瞻性。以2022年下半年和2023年一季度为例，制造业PMI读数边际回升时，利率上行；反之，利率下行。
- PMI的预测思路：PMI指数反映经济相对于上个月的环比是相对扩张还是收缩，包括读数落在扩张区间还是收缩区间，以及读数的边际变化量。
- 参考指标的筛选原则：选择发布时间更及时、频次更高、代表性更强（大中型央国企）、与PMI之间有足够关联度的高频数据作为参考指标。
数据处理及预测模型构建
- 指标初筛：初步筛选出22个供给端高频指标（如电厂日耗量、焦化企业开工率、高炉开工率等）和16个需求端高频指标（如商品房成交面积、乘用车销量、地铁客运量等）。
- 数据处理及指标精筛：对高频数据进行月度平均处理，通过回归分析选取拟合效果最好的若干个高频数据构建模拟预测组合。
- 生产端模拟组合拟合优度R方达到约0.75，胜率达到80%以上。
- 需求端模拟组合拟合优度R方达到0.85，胜率达到80%以上。
- PMI综合指数拟合：以拟合的生产指数结果和新订单指示结果作为自变量，以PMI综合指数作为因变量进行回归分析，总体的拟合优度达到0.83，胜率达到90%以上。
模型有效性的说明
- 模型使用时间：最早宜在旬度数据的首次发布之后（一般在月中左右），因为部分数据发布时间较晚，缺失会导致预测结果偏离实际值。
- 模型优化：当预测值落在荣枯线附近或较上月环比变动过大时，需要结合季节性及主观判断进一步调整。
- 分析预测模型在历史回测中明显偏离实际值的场景，发现共性是预测值与真实值都落在【49.0，51】区间。
- 结合季节性对预测结果进行修正，例如2024年5月PMI生产读数预测为49.3，结合季节性调整为更接近实际值。
研究结论
- PMI对利率走势的重要性：在震荡年份，PMI的重要性上升，投资者应关注PMI的边际变化方向，并结合高频数据进行提前预判。
- 模型预测结果：基于高频数据预测4月PMI总指数落在49.6上下。
- 风险提示：数据统计存在抽样误差，不同高频数据的影响系数会波动，可能导致预测结果与实际值的偏离。
特别说明
- 春节及节后一个月的季节性判断需要特别关注春节假期在月内的位置，寻找历史上春节假期位置相似的年份作为参考。
