中信建投 | 社融数据即将发布，预测趋势稳健向好
重要提示：通过本订阅号发布的观点和信息仅供中信建投证券股份有限公司（下称“中信建投”）客户中符合《证券期货投资者适当性管理办法》规定的机构类专业投资者参考。因本订阅号暂时无法设置访问限制，若您并非中信建投客户中的机构类专业投资者，为控制投资风险，请您请取消关注，请勿订阅、接收或使用本订阅号中的任何信息。对由此给您造成的不便表示诚挚歉意，感谢您的理解与配合！
文｜徐建华
去年12月的社会融资数据即将于2024年1月10日发布。我们的动态因子预测模型显示，2023年12月的社融存量同比增速的预测值为9.38%，总体来看稳中向好。
模型的动态预测值整体上呈现先增后减趋势。动态因子模型的核心思想在于随着宏观变量陆续发布，预测逐渐朝着真实值的方向趋近。我们的动态预测结果显示，本次即将发布的预测值，自2023年12月14日的9.37%提升至9.50%，后滑落至9.38%。
去年12月的社会融资数据即将于2024年1月10日发布。我们的动态因子预测模型显示，2023年12月的社融存量同比增速的预测值为9.38%，总体来看稳中向好。
模型的动态预测值整体上呈现先增后减趋势。动态因子模型的核心思想在于随着宏观变量陆续发布，预测逐渐朝着真实值的方向趋近。我们的动态预测结果显示，本次即将发布的预测值，自2023年12月14日的9.37%提升至9.50%，后滑落至9.38%。
宏观经济数据建模面临多个复杂的挑战，比如数据公布时间不同步，数据中存在缺失值等。另一个是截面维度的高度，即在同一时间点上大量的经济变量的高度相关性使得模型需要更复杂的处理方法。此外，宏观经济数据的频率不一致和数据发布滞后都为建模带来一定困难。
实时预测（Nowcasting）是解决上述问题的理想方案之一。Nowcasting模型可以理解成主成分回归（PCR)和向量自回归（VAR）模型的有机结合。主成分回归的方法利用高维宏观时序数据预测单一时序指标，而动态因子模型较主成分分析的因子的区别在于，前者对于因子结构的额外增加了p阶VAR的时序结构限制，为了避免过度参数化，防止过拟合现象。模型依据实际发布日期，整理不同类别的时间序列数据，解决发布不同步的问题；使用卡尔曼滤波或者平滑等技术来处理经济数据中的缺失值，提高模型对整体数据集的利用效率；采用动态因子模型，把高维模型进行降维，降低高维度数据对模型的负担，提高效率；将不同频率的经济数据进行插值或转换，解决数据频率不一致。
动态因子模型的核心思想在于随着宏观变量陆续发布，预测逐渐朝着真实值的方向趋近。在过去一年，我们的模型预测值成功地实现了对真实值的有效收敛。模型除包含基本面宏观数据外，还纳入了中债收益率的市场交易数据。这使得模型不仅涵盖了宏观经济的基本面，还包括了市场交易者对数据真实值的预期。
近期的模型结果显示，社融同比的2023年12月的预测值为9.38%，几乎与2023年11月持平。自2023年12月13日的9.37%提升至9.50%，后滑落至9.38%，整体上呈现先增后减的趋势。
预测精度方面，我们采取RMSE（均方根误差）衡量模型的预测精度，除个别极端情况周期外，模型滚动一年RMSE整体在0.26%-0.40%之间波动，预测值与真实值差距几乎控制在0.40%以内，模型的预测同比增速变动方向正确率高于60%。
需警惕动态因子模型预测结果可能出现大幅偏差的风险。首先，关注数据质量至关重要，不准确或偏斜的数据可能导致模型产生失真的预测结果。其次，应谨慎处理模型复杂性，模型依赖时间序列的平稳性假设，若数据出现结构性改变，会出现过度拟合历史数据的情况，使其在新数据上表现不佳。选择适当的时间窗口也是关键，过短可能使模型对噪声敏感，而过长可能导致无法捕捉快速变化的趋势。此外，模型解释性的不足可能使难以理解其预测机制，增加了风险。
证券研究报告名称：《社融数据即将发布，预测趋势稳健向好》
对外发布时间：2024年1月9日
报告发布机构：中信建投证券股份有限公司
本报告分析师：
徐建华SAC编号：S1440523100002