资产配置策略专题报告：经济数据预测系列二消费篇

2023-04-072023-04-07重要提示：本报告难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本报告内容而视相关人员为客户；市场有风险，投资需谨慎。如本报告涉及行业分析或上市公司相关内容，旨在对期货市场及其相关性进行比较论证，列举解释期货品种相关特性及潜在风险，不涉及对其行业或上市公司的相关推荐，不构成对任何主体进行或不进行某项行为的建议或意见，不得将本报告的任何内容据以作为中信期货所作的承诺或声明。在任何情况下，任何主体依据本报告所进行的任何作为或不作为，中信期货不承担任何责任。要点在信贷数据预测之后，我们推出了经济数据预测系列研究报告的第二篇——消费篇，要点在信贷数据预测之后，我们推出了经济数据预测系列研究报告的第二篇——消费篇，我们通过使用高频的消费数据来构建滚动回归模型和支持向量机回归(SVR)模R本文构建了滚动回归模型和支持向量机回归模型(SVR模型)对每月社零同比增速进行预测。根据3月高频的消费数据，我们认为3月社零同比增速或落在9.5%-由于限额以上单位零售的变化和社零的变化基本同步，因此我们通过将限额以上单位零售额进行拆分，然后分别寻找高相关性的高频指标作为自变量来对社零同比增速进行预测。具体来看，地铁客运量同比(合成)可以用来表示餐饮收入零售额同比的变化；布伦特原油期货结算价同比可以用来表示石油及制品类零售额的变化；乘用车厂家零售同比可以用来表示汽车类零售额的同比变化；中国轻纺城成交量同比(合成)可以反应服装类零售额的变化；30个大中城市商品房成交面积同比可以用来表示地产类零售额的变化；必选消费的周期性较弱，因此暂不考虑其对社零同比波动的影 (rbf)的预测效果更好。在滚动回归模型中，我们选择48个月的滚动回归窗口预测性核函数(linear)和高斯径向基核函数(rbf)来训练模型，结果显示高斯核函数 下月社零同比变化方向判断的胜率来看，SVR模型(rbf)在样本外的预测效果均表现经济数据预测系列二——消费篇投资咨询业务资格：证监许可【2012】669号 股指期货指数，右轴 1052401402022-04-302022-10-3160812990经济数据预测系列告专题报告一：【中信期货资产配置】新增人民币贷款数据预22023年3月经济数据预测值新增人民币贷款3.4万亿元(上月值)(1.81万亿元)社零同比增社零同比增速(上月值)12.7%(3.5%)nd来看，餐饮、服装和地产类消费或为主要拉动项，而石油及制品类或为主要拖累项，汽车类消费基本和去年持平。从资产端表现来看，社零超预期后消费和稳定风格的股告2/17 图目录 6 线性回归结果 9 3/17 告4/17本篇作为经济数据预测系列第二篇报告，我们会对社会消费品零售总额当月同比的预测方法进行深入分析；同时，我们也会在报告的开头对经济数据预测系列的结果做一个持续的跟踪，以期能够真实地反应模型的预测效果。2023时间新增人民币信贷新增人民币信贷社零同比增速社零同比增速预测值(亿元)实际值(亿元)预测值(%)实际值(%)2023/3/3132,828-35,82731,800(Wind一致预期)9.5-15.947(Wind一致预期)2023/2/2812,000-16,00018,1001.81-3.353.5根据国家统计局的解释，社会消费品零售总额是指企业(单位、个体户)通过交易直接售给个人、社会集团非生产、非经营用的实物商品金额，以及提供餐饮服务所取得的收入金额。个人包括城乡居民和入境人员，社会集团包括机关、社会团体、部队、学校、企事业单位、居委会或村委会等。从结构上看，10%左右是餐饮收入，另外10%左右是汽车类零售额。值得注意的是，纳入商品零售的商品中，售给个人用于生活消费的实物商品并不包括商品房，售给社会集团的商品不包括用于生产经营和固定资产投资的原材料等。同时，餐饮服务被视作一种特殊的商品销售形式，被计入餐饮收入；但居民和社会集团用于教育、医疗、文化、艺术、娱乐等方面的服务性消费支出并未计入其中。从更新据合并在一起发布。收入和商品零售组成,000.00,000.00.000.000.002012-032013-022014-012014-122015-112016-102017-092018-082019-072020-062021-052022-04告5/17限额以上单位零售可以用来表示社零的变化。社会消费品零售总额可被分为限额以上单位零售和限额以下单位零售，限额以上单位是指年主营业务收入2000万元及以上的批发业企业(单位)、500万元及以上的零售业企业(单位)、200万元及以上的住宿和餐饮业企业(单位)。每次统计时，国家统计局对限额以上单位进行全数调查，对限额以下单位进行抽样调查。从两者的走势上来看，限额以上企业消费品零售额同比和社零同比走势基本一致，两者的相关性达到了0.92，而且限额以上企业零售额披露的细分项更多，更容易用来进行拆分预测。因此，我们认为可以大致用限额以上企业消费品零售同比的变化来表示社比和限额以上企业消费品零售总额同比相关性较高.00.00-40.002011-012012-012013-012014-012015-012016-012017-012018-012019-012020-012021-012022-01我们将限额以上企业消费品零售总额拆解后寻找相对应的高频指标来预测。限额以上企业消费品零售总额可以划分为限额以上企业商品零售总额和限额以上企业餐饮收入总额。其中，限额以上企业商品零售总额占据了90%以上的份额，主要贡献的成分包括石油及制品类、汽车类、服装类、地产相关类(家具、建筑装潢、音像)和必选消费类(粮油、食品、饮料、烟酒、日用品和中西药品)等。因此，我们分别去寻找每一类相对应的高频指标，然后再统一进行拟合。组成成分9%地产相关类(家具、建筑装潢类、音像等)告9/LL零同比，%0-L-0.g00.gLL.gZZ.gV0Z0零同比，%0-L-0.g00.gLL.gZZ.gV0Z0地铁客运量同比可以用来表示餐饮收入零售额同比的变化。消费者的出行频率增加一般来讲会带动线下餐饮的消费增加，从这个角度出发我们发现拥堵指数同比和地铁客运量同比都与餐饮收入同比高度相关，相关系数分别达到了ZLL餐饮零售额同比的相关系数达到了0.6L，d值也显著，说明可以较好地反应餐售额同比的变化。图表g：餐饮零售额同比和拥堵指数同比相关性较高图表9：餐饮零售额和地铁客运量(合成)同比高度相关0Z0L9-L0Z0L8-0LZ0L6-0VZ0Z0-0LZ0ZL-L0LgZ 地铁客运量同比(合成)，右LV0LZ0L008090V0Z00-Z0-V0Z0L8-0LZ0L8-0LZ0L6-0VZ0Z0-0LLLLLgg%L%图表L：社零同比和地铁客运量同比(合成)线性回归结果90-Z0-V0地铁客运量同比(合成)准误差eluaowaJ6g%UddaJg%6g.0%6g.0%地铁客运量同比(合成)VVttVtt布伦特原油期货结算价同比可以用来表示石油及制品类零售额的变化。石油及制品类零售额同比和布伦特原油期货结算价同比相关性较高，相关系数达到了0.LL，因此，我们可以用布伦特原油期货结算价同比来表示石油及制品类零售额同比。同时，我们也发现社零同比和布伦特原油期货结算价同比也具有告7/17零同比，%零同比，%图表8：布伦特原油和石油及制品类零售额同比高相关图表9：布伦特原油同比和社零同比具有一定的相关性%-50%052016-07-09052016-07-09-11-03 布伦特原油期货结算价同比，右400-302012-022014-052016-082018-112021-02%%0%同比线性回归结果020-1120-11-10-30布伦特原油期货结算价同比Coefficients准误差tStataluer95%r95%95.0%95.0%.97.69原油期货结算价同比70乘用车厂家零售同比可以用来表示汽车类零售额的同比变化。乘用车厂家零售统计了国内汽车的高频销量数据，其月频的同比数据可以作为汽车类零售额同比变化的替代值，两者的相关性达到了0.70。乘用车厂家零售同比和社零告8/17零同比，%图表11：乘用车厂家零售和汽车零售额同比高度相关图表12：乘用车厂家零售和社零同比相关性亦不错零同比，%80%60%40%20%0%-20%-40%-60%2016-032017-082019-012020-062021-11----中国:社会消费品零售总额:当月同比，%100%乘用车厂家零售同比50%00-02016-032017-082019-012020-062021-11零售同比线性回归结果40200-0.26400.20.40.6-0.264-20-40乘用车厂家零售同比Coefficients准误差tStataluer95%r95%95.0%95.0%53零售同比0.1832中国轻纺城成交量同比(合成)可以反应服装类零售额的变化。柯桥纺织价格指数同比和中国轻纺城成交量同比都可以用来表示服装类零售额同比的变化，但两者各有一些缺陷。柯桥纺织价格指数数据存续的时间更长，但是和服装类零售额同比的相关性较弱一些；中国轻纺城成交量存续时间段内数据有空因此，我们最后将两者合成为一个指标用来反应消费量零售额的变化，通过使用柯桥纺织价格指数同比补足了中国轻纺城成交量同比的空缺区间(2017.06-2019.02)，补充完整之后的合成指标和服装类零售额同比相关系数仍在0.6以上且p值显著。因此，我们认为中国轻纺城成交量同比(合成)可以用来反应装类零售额同比的变化。告9/17零同比，%图表14：柯桥纺织价格指数和服装零售额相关性一般图表15：中国轻纺城成交量和服装类零售额相关性高零同比，% 40% %%%2012-032014-052016-072018-092020-11量同比80%60%40%20%0%-20%-40%-60%2019-032020-012020-112021-092022-07图表16：轻纺城成交量(合成)和服装零售高相关图表17：轻纺城成交量(合成)和社零同比相关性较高 中国轻纺城成交量同比(合成)100%%%-100%2019-032020-012020-112021-092022-070-30 中国轻纺城成交量同比(合成)，右2016-102018-022019-062020-102022-020%%%%图表18：社零同比和中国轻纺城成交量同比(合成)线性回归结果06406400-40中国轻纺城成交量同比(合成)Coefficients准误差tStatluer95%r95%95.0%95.0%6969中国轻纺城成交量同比(合成)10.0610.06告20虑到家具、建筑装潢和音像类的消费都属于地产后周期的消费，因此我们将它62030个大中城市商品房和社零同比相关性较高地产相关类(家具、建筑装潢类、音像等)零售额同比0%%%%-40%2012-032014-052016-072018-092020-11%%%%%%%%0-30 2016-032017-082019-012020-062021-110%%%%%400零同比，%-0.8-0.6-0.4-0.200.20.40.60.811.2零同比，%-20-40城市商品房成交面积同比Coefficients准误差tStatluer95%r95%95.0%95.0%58587044必选消费周期性较弱，因此暂不考虑其对社零同比波动的贡献。从经济学的角度来看，必选消费指日常生活所必须的消费品，这里主要包括粮油、食品、饮料、烟酒、日用品类和中西药品类。必选消费的消费频率高，需求随经济周期的变动较小，因此其收入弹性系数较低，周期性较弱。基于此，我们基本可。告的波动较小%0(30)2019-022019-062019-102020-022020-062020-102021-022021-062021-102022-022022-062022-10按照之前的分析，我们分别选择地铁客运量同比(合成)、布伦特原油期货结算价同比、乘用车厂家零售同比、中国轻纺城成交量同比(合成)和30大中城市商品房成交面积同比作为自变量，社零同比作为因变量来进行建模预测。数据区间上，由于地铁客运量同比(合成)的数据最早能到2016年10月，因各自变量与因变量(社零同比)之间均有较强的相关性，说明我们选择的自变量总体比较有效。接下来，我们分别使用滚动回归模型和支持向量机回归模型测。数据起起始时间更新频率来源指标名称社会消费品零售总额:当月同比1995/1/31月频Wind布伦特原油布伦特原油期货结算价同比1987/6/23日频Wind地铁客运量同比(合成)2016/10/1日频Wind乘用车厂家零售同乘用车厂家零售同比2016/3/6周频Wind中国轻纺城成交量同比(合成)2007/8/30日频Wind30大中城30大中城市商品房成交面积同比2011/1/1日频Wind告地铁客运量同比(合成)布伦特原油期货结算价同比乘用车厂家零售同比中国轻纺城成交量同比(合成)30大中城市商品房成交面积同比上企业消费品零售总额:当月同比消费品零售总额:当月同比100.00%45.37%38.69%73.53%100.00%45.37%38.69%73.53%65.21%82.80%84.71%100.00%10.18%51.01%-2.93%36.38%34.80%100.00%26.97%19.57%53.18%39.17%布伦特原油期货结算价同比乘用车厂家零售同比100.00%100.00%27.93%69.77%75.87%100.00%45.04%44.54%100.00%91.30%100.00%91.30%100.00%100.00%为了让自变量能够反应当下所处的状态，我们选用滚动回归模型来对社零行滚动拟合，然后将下一期的自变量带入拟合好的模型中进行滚动预测，最后计算出不同滚动区间的样本外均方误差(MSE)和平均绝对误差(MAE)，选择最小均方误差的滚动区间作为最后模型的滚动拟合区间。由下表可知，回测结果Y=C+F1∗X1+F2∗X2+F3∗X3+F4∗X4+F5∗X5从模型的预测结果来看，模型的预测值整体表现较好。根据3月消费的高能比较24个月的滚动区间36个月的滚动区间48个月的滚动区间样本外均方误差(MSE)100.9954.5228.245.264.084.87样本外平均绝对误差(5.264.084.87外预测值比较社零同比，%社零同比预测值，%02023年3月社零同比预计加9.5%2016-102017-042017-102018-042018-102019-042019-102020-042020-102021-042021-102022-042022-10告个“间隔带”的间距为e，对所有落入到间隔带内的样本不计算损失，也就是只有支持向量才会对其函数模型产生影响，最后通过最小化总损失和最大化间隔来得出优化后的模型。支持向量机回归模型的好处在于它可以处理高维数据以及自变量和因变量之间复杂的非线性关系，并且对过拟合有很好的鲁棒性，着它对新的数据有很好的泛化性能。示意图earSVR变量和因变量之间的某些非线性的联系，从而使得模型表现更加优秀，因此我们也选择了高斯径向基核函数(rbf)来进行拟合。3)接着，我们将整个数据集按7：3划分成训练集和测试集，然后使用网格搜索来确定最优参数(C和gamma)的取值。我们分别选用了线性核函数(linear)和高斯径向基核函数 (rbf)两种方法来对训练集进行训练，然后通过测试集数据找到MSE最小时的24.50，SVR(linear)的MSE是27.30，说明模型在选用高斯径向基核函数 (rbf)时预测结果更好。5)因此，我们最终选用SVR(rbf)模型作为最后的bf告4.524图表28：SVR模型(rbf)预测结果图表29：SVR模型(linear)预测结果4.524社零同比SVR模型(rbf)预测社零同比SVR模型(linear)预测0-302016-102018-022019-062020-102022-020-302016-102018-022019-062020-102022-02从模型预测结果比较来看，SVR模型整体的表现优于滚动线性回归模型。r (48个月)，说明SVR(rbf)模型样本外预测结果和真实值的差距更小，预测结果更准确；另一方面，从模型预测值对于下月社零同比变化方向判断的正确Rrbf000.0010-12021-022021-072021-122022-052022-10告-21.21%38.90%32.34%%图表32：SVR(rbf)对下月社零同比方向判断胜率图表33：SVR(linear)对下月社零同比方向判断胜率-21.21%38.90%32.34%%10-12021-0320