债市基本面跟踪报告：如何用高频数据预测PMI

震荡年份，PMI变化方向对利率走势的前瞻性增强。 根据历史经验来看，“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年下半年为例，6月至次年5月，制造业PMI读数边际回升时，利率上行；反之，PMI读数边际回落时，利率下行。今年以来，市场再度出现类似特征，今年一季度10Y国债利率变动方向与PMI边际变化方向高度一致。 PMI的预测思路。 根据PMI指数的编制方式，制造业PMI指数=新订单x30%+生产x25%+从业人员x20%+(100-供应商配送时间)x15%+原材料库存x10%。PMI指数的分项指标虽然多达13个，但事实上纳入最终指数计算的分项指标仅有以上5个。从高频数据视角来看，市面上通过各种渠道可获取的高频经济指标大多反映的是产需变化，而对就业、物流和库存关注较少。不过仅产需两项对PMI总指数的影响权重就超过50%，我们仍然可以通过对这两者的观察来预判达当月PMI走势。 参考指标的筛选原则。 我们预测PMI的初衷即是为了更及时的获悉当月经济运行的情况，所以对于参考指标的选择最重要的一点是发布时间更及时，频次更高。日度、周度、最多旬度的数据都具备较强的参考价值。第二是指标的代表性，对PMI读数影响大的主要是大中型央国企，小型企业和民企的影响较小。因此我们也倾向于选用经营规模较大的企业数据。第三、高频数据与PMI之间有足够的关联度，用历史高频数据与PMI进行回归与拟合能够验证其关联性。 数据处理及预测模型构建。 针对初步筛选出的产需两端高频数据，我们首先将其进行月度平均处理，经多次回归分析结果比对，选取拟合效果最好的若干个高频数据，构建对PMI生产及新订单指数的模拟预测组合。以模拟组合的预测结果与历史实际值比对验证其有效性。并对绝对值相对于荣枯线的位置作胜率判断，同时保证预测的当月经济变化方向和变化量的准确度。最后结合产需指标在综合指数计算中的权重，直接以拟合的生产指数和新订单指数进一步来做综合指数的预测。 关于模型有效性的几点说明。 模型中运用到的高频数据每月首次发布时间先后不一，同时在生产预测中涉及旬度频次数据，其首次发布时间要滞后于其它高频数据一周左右。虽然仅有两个，但两数据的缺失会导致最终预测结果偏离实际值幅度较大。所以若要得到相对可靠的结果，模型的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。同时需求端模型的测试结果也验证这一点：月内随着时间越向后推移，模型预测值越接近实际值。 模型结合季节性的进一步优化。 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。预测模型在历史回测中对经济的环比运动方向判断失误的几处场景，共性是预测值与真实值几乎都落在【49.0，51】，位于荣枯线附近。这意味着当预测值落入这一区间时，最好再结合季节性对预测值的环比变化幅度进一步修正，以提高其预测准确率。 风险提示统计口径误差。数据统计大多为抽样，恐与现实情况有些许出入。 不同高频数据在不同时间点对预测目标的影响系数会有波动，可能导致预测结果与实际值的偏离幅度较大。 PMI数据覆盖维度全面，清晰的刻画了经济走势的多个方面，且其发布时间在每月月末最后一天，较其它经济数据更为及时，是日常基本面监测高度关注的指标，也是影响债市走势的重要因素之一。尤其在震荡年份，根据历史经验来看，“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年下半年为例，6月至次年5月，制造业PMI读数边际回升时，利率上行；反之，PMI读数边际回落时，利率下行。唯二背离仅出现在当月有影响市场的重大政策变化时，如8月降息、11月疫情政策转向。 来源：Wind，国金证券研究所 今年以来，市场再度出现类似特征，一方面在去年的债牛之后，今年有望重现震荡过渡行情(详见《“过渡年份”的市场启示》)；另一方面，今年一季度10Y国债利率变动方向与PMI边际变化方向高度一致。因此我们认为今年在利率走势的预判上，PMI的重要性再一次上升。在市场越来越“卷”，越来越倾向于提前博弈预期差的趋势下，我们也试图在高频指标中找寻一些踪迹来提前对当月PMI进行判断，以帮助投资者对经济基本面的边际变化有一个更早更清晰的感知。 来源：Wind，国金证券研究所 PMI的预测思路。PMI是扩散指标，反映经济相对于上个月的环比是相对扩张还是收缩。对PMI的理解主要包括两个维度，一是读数落在扩张区间还是收缩区间；如果PMI>50，则说明本月经济相较上月环比改善；若PMI<50则说明经济趋弱。二是读数的边际变化量， 一般而言，本月读数相较上月上升的幅度越大，意味着经济环比改善的力度越大，反之亦然。对总指标和分项指标的解读都是同理。 根据PMI指数的编制方式，制造业PMI指数=新订单x30%+生产x25%+从业人员x20%+(100-供应商配送时间)x15%+原材料库存x10%。PMI指数的分项指标虽然多达13个，但事实上纳入最终指数计算的分项指标仅有以上5个。因此在对PMI的预测过程中，我们也主要关注公式中涉及到的分项。从高频数据视角来看，市面上通过各种渠道可获取的高频经济指标大多反映的是产需变化，而对就业、物流和库存关注较少。不过仅产需两项对PMI总指数的影响权重就超过50%，我们仍然可以通过对这两者的观察来预判达当月PMI走势。 来源：国家统计局，国金证券研究所 参考指标的筛选原则。我们预测PMI的初衷是为了更及时的获悉当月经济运行的情况，所以对于参考指标的选择最重要的一点是发布时间更早，频次更高。日度、周度、最多旬度的数据都具备较强的参考价值。第二是指标的代表性，根据官方对编制方式的说明，PMI的调查是利用国家统计联网直报系统，对企业采购经理进行问卷调查。因此对PMI读数影响大的主要是大中型制造业，以央企、国企为主，小型企业和民企的权重较低，影响较小。那么在某个数据的统计对企业规模进行区分时，我们选用企业规模较大的细分数据，如焦化企业开工率，选用产能在200万吨以上的焦化企业开工率统计数据。第三、高频数据与PMI之间有足够的关联度，用历史高频数据与PMI进行回归与拟合能够验证其关联性。 指标初筛。充分考虑经济结构以后，我们在上述第一、第二两大原则下初步筛选出以下22个供给端高频指标，用以预测PMI生产分项走势。这22个指标包括反映全社会用电情况的电厂日耗，重点行业开工率及产能利用率，以及重点工业品产量三类数据。 数据处理及指标精筛。针对这些高频数据，我们首先将其进行月度平均处理，然后经回归分析选取拟合效果最好的若干个高频数据，构建对PMI生产指数的模拟预测组合。该组合的拟合优度R方达到约0.75，显示具备较好的拟合效果。以模拟组合预测的PMI生产指数也与历史实际值有较高拟合度。前面提到对于PMI的解读不止要关注指标的边际变化方向，也要关注绝对值落于落在荣枯线上还是线下，从这一维度检验模拟组合的胜率达到80%以上。用该模拟组合预测4月PMI生产指标的读数约在49.8左右。 来源：国家统计局，国金证券研究所 反映需求的高频指标不管是数量还是维度都比生产更丰富，量和价的层面都有较多选择。但考虑到价格多数时候还受到市场情绪等其它因子的影响，我们在筛选时尽可能的以量的指标为主。最终选择的数据主要包括以下几类：第一是商品房、土地市场、乘用车等高价值需求的成交量；第二是不同距离的出行量，如地铁客运量、城市拥堵情况、航班架次等，经检验出行类指标与PMI新订单数据有较高的相关性；第三类是反映出口的数据，如美国周度经济指数、集装箱运价指数等；其它还包括螺纹钢、轻纺等中间品的需求量以及物流运载量。 将需求端高频指标同样进行月度平均处理作为自变量，经回归分析构建的PMI新订单指标的高频模拟指标组合包括16个指标，该组合拟合优度R方达到0.85，对荣枯线判断的胜率也达到80%以上。用该模拟组合预测4月PMI新订单指标的读数约在50.1左右。 来源：国家统计局，国金证券研究所 PMI综合指数拟合。PMI生产指数和新订单指数在综合指数的计算中，权重超过一半，因此我们直接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，作回归分析验证，总体的拟合优度达到0.83。结果显示这一预测模型对PMI综合指数具有较高的拟合性，同时对荣枯线判断的胜率达到90%以上。该组合预测4月PMI总指数落在49.6上下。 来源：国家统计局，国金证券研究所 关于模型有效性的几点说明。模型中运用到的高频数据每月首次发布时间先后不一，同时在生产预测中涉及旬度频次数据，其首次发布时间要滞后于其它高频数据一周左右。虽然仅有两个，但以2025年3月数据进行测试，发现两数据的缺失会导致最终预测结果偏离实际值幅度较大。所以若要得到相对可靠的结果，模型的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。同时需求端模型的测试结果也验证这一点：月内随着时间越向后推移，模型预测值越接近实际值。 具体如下图所示：分别在截止3月7日、3月15日、3月20日三个不同时间点用模型进行预测，截止7号时由于部分基础数据频次较低，或发布时间较晚，生产预测模型和需求预测模型均出现预测结果大幅偏离真实值的情况；但在15号之后预测结果开始向实际值靠近。 来源：Wind，国金证券研究所 来源：Wind，国金证券研究所 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，以生产指数预测为例。模型在2022年1月、2022年8月、2022年10月、2023年11月、2024年5月、2025年1月分别出现6次较明显的偏离，主要体现在预测值与实际值分别落在荣枯线上下两侧，也即对经济的环比运动方向判断失误。这一类场景的共性是预测值与真实值几乎都落在【49.0，51】，位于荣枯线附近。这意味着当预测值落入这一区间时，最好再结合季节性对预测结果进一步修正，以提高其预测准确率。 模型结合季节性的进一步优化。作为月度调查数据，PMI受季节性波动影响较大。尽管相关部门会经季节性调整再对外发布数据，但从实践结果来看，现有的季节性调整手段并未完全消除季节性影响。这一特征也可以用来辅助调整预测结果，以2024年5月为例，基于高频数据预测该月PMI生产读数为49.3，落在容易误判的区间内，且较2024年4月生产读数大幅下降3.6，而季节性角度，近年来5月生产PMI环比平均回落仅0.2左右，与预测值回落幅度差异较大。那么这里首先判断2024年5月是否发生了强烈干预生产的突发性事件，若没有，则可能是个别基础数据的异常波动在模型中被放大，导致预测值大幅偏离，可结合季节性适当收窄预测值较上月的回落幅度，得到的最终预测结果也更靠近实际值。 需要注意的是，对春节及节后一个月的季节性判断有别于其他月份。大多数时候季节性的计算是基于近年同期的环比变化均值，但由于春节假期对产需造成的干扰往往长达2-4周，时间跨度较长，几乎占到PMI统计时间区间的一大半。因此在春节所在月份及节后一个月，需要额外注意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，以当月PMI环比变化幅度作为季节性参考。 风险提示 统计口径误差。数据统计大多为抽样，恐与现实情况有些许出入。 不同高频数据在不同时间点对预测目标的影响系数会有波动，可能导致预测结果与实际值的偏离幅度较大。 特别声明： 国金证券股份有限公司经中国证券监督管理委员会批准，已具备证券投资咨询业务资格。 形式的复制、转发、转载、引用、修改、仿制、刊发，或以任何侵犯本公司版权的其他方式使用。经过书面授权的引用、刊发，需注明出处为“国金证券股份有限公司”，且不得对本报告进行任何有悖原意的删节和修改。 本报告的产生基于国金证券及其研究人员认为可信的公开资料或实地调研资料，但国金证券及其研究人员对这些信息的准确性和完整性不作任何保证。本报告反映撰写研究人员的不同设想、见解及分析方法，故本报告所载观点可能与其他