中原证券-宏观专题：量化宏观基本面框架：动态因子模型-221013

文本预览：

《中原证券-宏观专题：量化宏观基本面框架：动态因子模型-221013（9页）.pdf》由会员分享，可在线阅读，更多相关《中原证券-宏观专题：量化宏观基本面框架：动态因子模型-221013（9页）.pdf（9页精品完整版）》请在悟空智库报告文库上搜索。

（以下内容从中原证券《宏观专题：量化宏观基本面框架：动态因子模型》研报附件原文摘录）
　　投资要点： 　　动态因子模型思想 　　近年来计量经济学领域通常采取动态因子模型（Dynamic Factor Model）解决宏观数据的追踪预测问题，并在美联储以及欧央行等世界主要地区货币当局获得广泛实际应用。这一专题中，我们使用动态因子的逻辑框架，通过纳入一系列高频宏观数据，对通胀、PMI、GDP 进行追踪预测，为分析宏观经济运行状态提供指导。 　　动态因子模型（Dynamic Factor Model）本质上是一种状态空间模型，即包含观测方程以及状态转移方程两部分。观测方程核心思想是假设大量宏观数据由少量隐含的共同因子驱动；状态转移方程则描述了隐含共同因子所遵循的时间序列过程，即共同因子本身存在的动态演化，一般认为其服从一个向量自回归过程（VAR）。 　　动态因子模型优势 　　相较于传统的回归模型，动态因子模型在数据处理上具有以下显著优势：（1）对宏观大数据进行降维处理。（2）解决数据的“混频与缺失问题”（3）反映了状态转移的时变特征（4）解决指数合成的权重问题 　　动态因子模型效果 　　（1）我们构建高频系统分别对 CPI 和 PPI 的环同比增速进行追踪预测。从拟合效果来看，动态因子模型对于通胀追踪的整体解释度较好；其中对于环比增速的解释度强于对于同比增速的解释度，对于 PPI 增速的解释度强于对于 CPI 增速的解释度。根据截至 2022 年 9 月的月内高频数据，我们给出了 CPI 与 PPI 增速外推一期的追踪预测值。预计 10 月 PPI 同比增速 1%，CPI 同比增速 3%。 　　（2） 我们构建高频系统分别对 PMI 与 GDP 进行追踪预测， 从拟合效果来看， PMI 与 GDP 增速的整体拟合效果较好，都较好反映了 2020 年初的疫情冲击影响。样本外预测效果来看， 2022 年 9 月 29 日 PMI 预测更新值为50.14，次日公布值为 50.1，预测接近程度较高。当前模型对于三季度 GDP增速的预测值为 4.1%。 　　（3）我们按照全局因子、增长因子、金融因子、通胀因子四个部分对所有观测变量进行约束；按照月度频率在不同因子项下筛选了近 100 个变量，均进行同比处理消除季节性。模型效果来看，我们从宏观大数据中提取得到增长、货币、通胀的隐含因子，均与历史经验较为符合，并可以进一步用于全局追踪和外推预测。 　　风险提示：模型效果仅供参考，经济环境的变化可能影响模型效果