宏观研究-广发宏观：社会消费品零售总额如何预测？-广发证券郭磊,陈礼清-20230903

ml发现价值发现价值广发宏观社广发宏观社会消费品零售总额如何预测？SFCCEnoBNY41903572leigfcomcn03809liqinggfcomcn请注意，陈礼清并非香港证券及期货事务监察委员会的注册持牌人，不可在香港从事受监管活动。报告摘要：⚫社会消费品零售总额不能反映消费全貌，它主要反映实物商品消费，以及餐饮等少部分服务类消费；GDP口径下的消费要涵盖更全。但我们可以把社会消费品零售总额视为消费的一个“大样本”，对于衡量消费变动来说，社零是一个重要的观测坐标。P献来自这一部分。但这一口径公布频率以年为单位，并不利于市场跟踪。社会零售总额口径最窄，只包含商品流通最终环节的实物商品消费以及少部分餐饮服务消费，并不包含任何生产资料消费支出。但这一指标一胜在⚫社会消费品零售总额如何预测？历史上一种常用的方法是利用季节性推算。相比其他经济数据，社零年内波环比季节性均值来对社零做出预测。过去三年疫情期间，因为居民生活半径存在外生因素影响，季节性一定程度上被打破，尤其是2020年和2022年；2023年作为经济逐步正常化的年份，消费的季节性也在逐步修复。但客观来看，对于恢复期中的经济来说，环比季节性方法所依据的“平稳”和“复现”在条件上能否完全满，纯利用过去三年的环比季节性推算每月社零同比增速，误差最大也在2个百分点以内。而20、22年疫情年统启示。传统方法建立在经济运行平稳的前提下，即消费作为经济中的慢变量，波动较小，历史上的年内波动将接打破了这一方法前提假设，因而这种预测方式出现了阶段性失灵。我们思考社零预测中可能面临的三个问题：二是领先指标缺失。无论是PMI分项、消费者信心指数，还是金融数据，都与社零更多体现为同步性或滞后 发现价值发现价值/39⚫在这样的背景下如何预测社零？我们选择着眼于高频数据，因为相比环比季节性推演，基于高频数据的预测更能捕捉疫后社零的高波动；但我们又不希望被高频数据的高波动反噬，预测中融入甚至放大太多噪音。在这样的考量下，我们继续沿用前期报告《工业增加值如何预测》中的方法论，通过提取高频指标变动信息，合成同步扩散指数的方式来过滤高频数据。然后再利用过滤完噪音的同步扩散指数进行建模，最终得到对短步扩散指数实质上是各类别消费的高频指标每月同比增速较前值的变动值为正的占比，提示的是当月社零同混频(MIDAS)回归直接利用高频数据建模，尽可能利用高频信息，但预测结果单月波动可能较大，更适合作为预测的辅助。⚫如何寻找能预测社零的“有效高频数据”？我们的思路是先分类，再寻强相关，后看拐点变动。我们将高频指标分类归入餐饮收入、必需品、可选消费-汽车、可选消费-石油制品、可选消费-住房类，及其他可选消费(服装、日用品等)五类。高频指标池构建也遵循两点原则，一要与社零相关，二要公布时点早于社零。关于相关性，我们不仅进行了较常见的相关系数测算；还从拐点变动的角度，观察高频指标是否与社零具有一致的拐点变化。在我们看来，这两类相关性不分轩轾。如果单纯看统计上的相关系数，容易会被高频数据的提示社零变动方向的高频指标。I变动同步性提升至56%。分项中，疫后，与社零拐点变动同步性明显提高的指标是十大城市地铁客运量、百⚫相关系数角度，与社零同比相关度较高的高频指标包括十大城市地铁客运量、30城地产成交面积、乘用车销量、电影票房、百城拥堵指数、柯桥纺织指数、生猪价格等；而有些指标，从序列相关角度看与社零的统计相关性一般，但其拐点变动的同步性却不低，比如布伦特油价。相关系数角度，与社零同比相关性较高的高频指标依次是，乘用车当月销量(相关系数为0.542)、乘用车厂家零售销量(0.485)、30大中城市商品房成交面积(0.583)、十大主要城市的地铁客运量(0.724)，百城拥堵指数(0.433)、当日电影票房(0.454)、柯桥纺织价格指数(0.433)、生猪价格同比(0.434)。拐点变动角度，与社零相关系数较高的指标均有近50%的时间拐点变动也与社零同比一致。此外，由于自身⚫我们利用高频指标对应社零科目占社零整体的比重进行了配权，合成了同步扩散指数。社零同步扩散指数胜发现价值发现价值39我们认为高频数据的高波动和间接性特征决定了它们在判断方向上是有效的，而在预测同比读数上会放大误上变动。余发生在年中附近。II构建了基于高频信息的ARDL预测模型。模型中的“AR”为自回归部分，融入了社零同比的各期前期值，考虑的是经济DL数据影响7好。为2.37%~3.77%，与实际公布的7月社零同比数据2.数据进行建模，给了我们一个更有效利用高频信息的途径。但同时该模型也受到高频数据高波动的反噬，模型单月的误差可能较大，预测区间较宽。不过这不失为一种辅助判断。⚫通过ARDL模型预测本质上只单纯使用了高频数据的变动方向，而不是变动幅度。优点是简洁方便地择取了高频数据的有效信息，过滤了高频数据的高波动噪音，缺点是折损了部分有用高频信息。对于预测要求较高优度更高，走势更为贴合；但回测结果更为震荡，上升趋势中有多处反复点，月际之间波动更多。这两点印单，若当月经济真实消费状态波动较大，可能会丢失高频数据在变动幅度上的有效信息；三是混频MIDAS回归对高频信息的改进效果低于被其高波动的反噬干扰，则预测结果将打折扣。发现价值发现价值4/39 10方法可能面临的挑战 11 预测胜率 14 收入消费 18 零同步扩散指数的方法论 24 发现价值发现价值39表索引 图15：社零中占比前三的项目分别是汽车消费、必需消费以及服装等其他可选消 发现价值发现价值39 表2：2015年以来各类高频数据平均有四成时间与社零增速的变动方向保持一致 表3：疫后同步扩散指数预测胜率达到71.8%，偏差大都出现在年末、一季度末 发现价值发现价值39社会消费品零售总额不能反映消费全貌，它主要反映实物商品消费，以及餐饮等少部分服务类消费；GDP口径下的消费要涵盖更全。但我们可以把社会消费品零售总额视为消费的一个“大样本”，对于衡量消费变动来说，社零是一个重要的观测2022年底，最终消费支出占GDP比重约53%，无疑是国民经济中重要的组成部分。特别地，在外需趋弱、地产回落的背景下，消费这一内需最重要的部分对整体经济动能的影响和支撑尤为重要。支出，同样仅有季频数据；三是社会消费品零售总额(以下简称“社零”)，按月服务消费和虚拟消费均不包括在内，也并不包含任何生产资料消费支出。而现今服务消费占居民消费支出的比重已经将近半壁江山，也由此，国家统计局将在23年8GDP重约53%，是重要组成部分亿元500,000450,000400,000350,000300,000250,000200,000150,000100,00050,0000GDP:最终消费支出:政府GDP:最终消费支出GDP:最终消费支出:政府消费占GDP比重(%)2010201120122013201420152016201720182019202020212022%58565452504846在这三类观察消费的口径中，虽然社会零售总额口径最窄，只包含商品流通最终环节的实物商品消费以及少部分餐饮服务消费，并不包含任何生产资料消费支出。但这一指标一胜在高频，二胜在涵盖的消费主体仍然非常广泛，相当于7成多的最终发现价值发现价值3920002001200220032004200520062007200820092010201120122013201420152016201720182019202020002001200220032004200520062007200820092010201120122013201420152016201720182019202020212022200120042007201020132016201920220454050252050社会消费品零售总额/最终消费支出(右轴)900747573757677777776757470707169706062636465656766600400200社零是一个合格的“大样本”，占最终消费支出比重稳定在70~80%%GDP:最终消费支出:居民 (%)GDP:最终消费支出:政府GDP支出同比增速与社零同比增速历史波动一致(%)GDP:最终消费支出:同比(%)40.00社会消费品零售总额:名义同比30.0020.00.00-10.00-20.00发现价值发现价值39二、社会消费品零售总额如何预测？(一)社零具有强季节性而传统预测视角主要基于社零数据自身的历史规律性，利用“环比季节性”进行推演。这种方式背后的依据是社零数据在经济运行平稳时期具有较强的季节性，而直在年内的变化较为稳定，均是三四季度处于旺季，并且每年的增长具有明显的规律性。而2020年、2022年两年疫情干扰下，社零总额当月变化的规律性被打破，而在2021年以及2023年随着生产生活修复，社零原本的年内波动规律性均得到了一社零总额当月值亿元20132017亿元2013201714 2018201620204500001940000350003000025000200000显的规律性，其中每年的10月因假期效应环比值均位于10%以上，17-19年三年平规律性都被打乱，而修复之年，2021年、2023年这一历史规律性均有所恢复，个别月份低于或高于季节性。发现价值发现价值内的环比值具有明显规律性1~2月3月4月5月6月7月8月9月10月11月12月 数据来源：Wind，广发证券发展研究中心(二)常规方式“环比季节性”推演具有合理性测方式。我们用这种方式分别推演历年的每月社零同比值，即站在预测年份的前一年，仅依托环比季节性规律推演下一年的社零月同比。我们发现，除了2020年、2022年两年疫情干扰较大的年份之外，其余年份均有一定的预测效果。虽然疫后修复之年，图7：2018-2019年，用历史环比季节性逐年预测的社零同比与当年实际同比增速8.06.04.02.0%%2018年2018年1-2月合计2018-032018-042018-052018-062018-072018-082018-0918-10018-1118-122019年1-2月合计2019-032019-042019-052019-062019-072019-082019-0919-1019-1119-12数据来源：Wind，广发证券发展研究中心社零同比与当年实际同比增速2019-032019-042019-052019-062019-072019-032019-042019-052019-062019-072019-082019-092019-102019-112019-122018年1-2月合计2018-032018-042018-052018-062018-072018-082018-092018-102018-112018-122019年1-2月合计18-19年预测值6000000000000200000数据来源：Wind，广发证券发展研究中心发现价值发现价值10.58.48.22.55.24.40.726.018.466.93.1-0.210.58.48.22.55.24.40.726.018.466.93.1-0.23.5-0.1的2020年社零同比和实际值%2020年同比预测值2020年同比预测值2020年社零实际同比值.00.0-5.0-10.0-15.0-20.0-25.0数据来源：Wind，广发证券发展研究中心图10：利用季节性推算的2022年社零同比和实际值%15.02022年同比预测值2022年社零实际同比值10.05.00.0-5.0-10.0-15.0数据来源：Wind，广发证券发展研究中心年按照历史环比季节性推算的社零预测值与实际值30.025.020.00.05.00.0%2023年同比预测值(1-7月)2023年社零实际同比值 2023年同比预测值(8-12月)-5.0虽然传统方式的预测效果正在修复，但疫情发生年份，“环比季节性”的推演效果明显减弱。这带给我们新的启示。传统方法建立在经济运行平稳的前提下，即消费作为经济中的慢变量，波动较小，历史上的年内波动将会不断“复现”。而疫情类突发冲击则直接打破了这一方法前提假设，因而这种预测方式出现了阶段性失灵。我们思考社零预测中可能面临的三个问题：一是疫后社零环比季节性被打乱，二是发现价值发现价值2017-032017-072018-032018-072019-032019-072020-032020-072021-032021-072022-032022-072023-032023-072017-032017-07017-112018-032018-07018-112019-032019-02017-032017-072018-032018-072019-032019-072020-032020-072021-032021-072022-032022-072023-032023-072017-032017-07017-112018-032018-07018-112019-032019-07019-112020-032020-07020-112021-032021-07021-112022-032022-07022-112023-032023-07环比数据出现较大波动%中国:社会消费品零售总额:环比:季调2.000.500.00-0.50-1.00疫后被打乱2.00数、居民企业贷款类数据还是PMI分项，都更多体现同步性或者滞后性。看到社零最终的样貌。即“用同步扩散指数辨方向、用ARDL模型做预测、用混频(MIDAS)回归打辅的权重，构造一掉高频指标的高波动，只提取发现价值发现价值对社零下月变动方向具有指示意义的信息。进一步地，我们将扩散指数直接与社零同比进行回归分析，通过ARDL(自回归分布滞后)模型将“社零滞后期对当期的影响”、“高频指标以及其滞后期对社零当得到预测数值。进行了高频数据与社零同比的混频(MIDAS)回归。然而，我们仅将这一回归结果作为预测过程中的辅助参零增速我们的思路着眼于高频数据，而不是简单的环比季节性推演。同时，又通过提取高频变动信息的方式过滤高频数据的高波动性。最终，通过ARDL模型以及混频MIDAS指引。解决思路发现价值发现价值三、如何寻找能预测社零的“有效高频数据”？(一)配权及单一指标预测胜率否公布时点在社零数据之前，即可以用于每月预测。按照统计局的分类，我们以2023年7月累计值计算，将社会消费品零售总额分成餐饮收入、限额以上商品零售们将13项消费类高频数据按照社零的细分类别进行归类。具体分为五个方向——餐饮收入、必需品、可选消费中的汽车、可选消费中的石油制品、可选消费中的住房%、25.6%、13%、6.5%、21.3%。图15：社零中占比前三的项目分别是汽车消费、必需消费以及服装等其他可选消餐饮收入关于时效性，除了乘用车销量、CPI同比数据是先于社零公布的月度数据外，其余数据先进行均值月度化处理，计算月同比值。发现价值发现价值分类权重指标公布频率社会消费品零售总额当月同比每月15日左右汽车类乘用车厂家零售月同比度:乘用车当月同比22个省市生猪平均价月同比度农产品指数月同比CPI同比右其他可选(服装、日用品等)柯桥纺织价格指数月同比度义乌中国小商品指数月同比度邮政快递投递量月同比度可选-石油制品、餐饮收入十大城市地铁客运量月同比百城拥堵延时指数月同比度度原油:英国布伦特Dtd月同比住房类30大中城市商品房成交面积月同比：广发证券发展研究中心关于相关性，我们同样从两个角度考察。一是观察序列之间相关性大小，二是观察高频指标序列与社零同比是否具有相同的拐点。在我们看来，这两类相关性，不分轩轾。如果单纯看统计上的相关系数，容易会被高频数据的高波动性干扰，忽略某均有40%的时间与社零同比增速变动方向保持一致。疫情发生以来，这一比例提升了9个百分点至49%，说明疫后社零同比波动更加容易被高频指标捕捉，也似乎说明我们基于高频数据的预测思路可能更适用于疫情后波动较大的社零数据。这其中还包含了数据较短的“邮政快递投递量”以及在2019年后与社零增速出现背离的CPI比数据。如果不考虑这两项，2020年以来平均方向一致的时间占56%。在分项中，我们观察到占社零比重较大的汽车消费类(以乘用车销量为代表)与社零同比的变动一致性最高，变动一致的月份占比分别达61%(2015年以来)、67%(2020年以来)。其次是波动较大的房地产类消费(以30大中城市商品房成交面积为代表)，变动一致的月份占比分别达55%、70%(2020年以来)。疫情之后，变动一致的月份占比提升较大的是十大地铁客运量、百城拥堵指数以及30大中城市下的出行消费波动较大有关。发现价值发现价值社零增速的变动方向保持一致分类权重指标2015年以来与社零同比变动方向一致占比(分母为103个月)2020年以来与社零同比变动方向一致占比(分母为43个可选-汽车类25.6%乘用车厂家零售月同比4746%660%中国:销量:乘用车当月同比361%967%必需品22.8%22个省市生猪平均价月同比49%149%南华农产品指数月同比4544%558%CPI同比726%6其他可选(服装、日用品等)21.3%柯桥纺织价格指数月同比4645%047%义乌中国小商品指数月同比32%37%邮政快递投递量月同比112%可选-石油制品、餐饮收入十大城市地铁客运量月同比38%967%百城拥堵延时指数月同比4039%456%电影票房月同比35%149%原油:英国布伦特Dtd月同比53%456%可选-住房类6.5%30大中城市商品房成交面积月同比55%0%平均4140%2149%：广发证券发展研究中心(二)汽车类消费社零中占90%的是商品消费，而限额以上商品零售中占近三分之一的又是汽车类商品消费，因此，汽车一项波动对社零整体的走势有着非常重要的影响，统计局甚至时会单独公布除汽车外的零售额。以2017年Q2至2018年为例，期间社零总额增速呈现趋势性下行。事实上，这种下行在剔除汽车之后就不存在。剔月销量作为汽车类消费的代理指标。从相关性看，两者月同比与社零的相关系数分别为0.542、0.485。从拐点变动来看，两者自2015年以来分别有47个月(占比46%)、63个月(占比61%)与社零同比增速变动方向完全一致。同时，观察汽车两者呈现出较一致的强季节性特征。发现价值发现价值当月同比%%2012-072013-012013-072014-012014-072015-012015-072016-012016-072017-012017-072018-012018-072019-012019-072020-012020-072021-012021-072022-012022-072023-012023-07%%2012-072013-012013-072014-012014-072015-012015-072016-012016-072017-012017-072018-012018-072019-012019-072020-012020-072021-012021-072022-012022-072023-012023-0760.040.020.0 图17：乘用车销量与社零总额02012-072012-122013-052013-102014-032014-082015-012015-02012-072012-122013-052013-102014-032014-082015-012015-062015-112016-042016-092017-022017-072017-122018-052018-102019-032019-082020-012020-062020-112021-042021-092022-022022-072022-122023-050(三)地产类消费度频率的30大中城市商品房成交面积作为地产链上商品消费的影子指标。比的相关系数达到0.583。疫情以来(2020年后)，两者相关性更是提升至0.71。。在的样本中，两者同时变动的时间段更是达到了70%。发现价值发现价值2018-08112019-022019-052019-08112020-022020-052020-08112021-022021-052021-081122018-08112019-022019-052019-08112020-022020-052020-08112021-022021-052021-08112022-022022-052022-08112023-022023-0560.0040.0020.00 %010：广发证券发展研究中心(四)石油制品、餐饮收入消费明显大于整体消费。在正常的经济周期中，餐饮收入当月同比与社零同比之差稳定在[-2，+2]之间，而在2020年1月以来两者之差在[-61.7,34.8]之间波动。以序列标准差衡量，2015年1月至2019年12月期间，两者之差的波动率仅有0.74，而2020年1月至2023年6月达到了18.9。换句话说，餐饮收入的波动是疫后不容忽视的社高频数据中并没有直接反映餐饮收入的数据，但由于餐饮消费需要依赖一定的消费从居民的娱乐活动中体现。我们用地铁客运量、百城拥堵指数以及电影票房三个指发现价值发现价值2015-062016-022016-062017-022017-062015-062016-022016-062017-022017-062018-022018-062019-022019-062020-022020-062021-022021-062022-022022-062023-022023-06.0080.0060.0040.0020.00 0.00-20.00-40.00-60.00%中国:社会消费品零售总额:商品零售:当月同比中国:社会消费品零售总额:餐饮收入:当月同比出行活跃程度，前者反映居民通过公共交通出行，后者指向的更多是自驾出行。由于数据的起始时间较晚，我们能拿到较稳定的数据是北京、上海、广州、成都、南京、武汉、西安、苏州、郑州、重庆这十大城市的地铁客运量。我们加总之后计算月度同比，数据自2018年8月起始。从相关性看，十大城市地铁客运量同比与社零同比高度相关，整个时间序列上相关系数达到0.724，两者整个历史上有38%的月。客运量同比与社零当月同比200050-100-150-200十大城市地铁客运量月同比十大城市地铁客运量月同比00-102030中中国:社会消费品零售总额:当月同比(右)2018-092019-032019-062019-092020-032020-062020-092021-032021-062021-092022-032022-062022-092023-032023-06图21：十大城市地铁客运量与社零总额200000180000160000140000120000100000800006000040000200000亿元人次亿元450002018-088-112019-022019-052019-08450002018-088-112019-022019-052019-089-112020-022020-052020-080-112021-022021-052021-081-112022-022022-052022-082-112023-022023-0543000410003900037000350003300031000290002700025000发现价值发现价值0/39百城拥堵指数是高德利用数据平台编制的实际所用时间与自由状态下所用时间的比值，指标数值越大，意味着相同距离所用时间越长，即越堵。我们同样汇总后计算同比，该指标从2016年11月起始。从相关性看，百城拥堵指数月同比与社零同比在整个历史上相关系数达到0.433，疫后达到0.615。从月度变动方向看，两者在整疫后有56%的月份变动完全一致。指数同比与社零当月同比%%2018-082018-112019-02%2018-082018-112019-022019-052019-082019-112020-022020-052020-082020-112021-022021-052021-082021-112022-022022-052022-082022-112023-022023-050数据来源：Wind，广发证券发展研究中心图23：百城拥堵延时指数与社零总额百城拥堵延时指数45000中国:社会消费品零售总额:当月值(右)2018-082018-2018-082018-112019-022019-052019-082019-112020-022020-052020-082020-112021-022021-052021-082021-112022-022022-052022-082022-112023-022023-05数据来源：Wind，广发证券发展研究中心接意味着文娱相关的周边商品消费需求也在上升。因此电影票房类高频数据从逻辑月同比与社零同比的相关系数达到0.454，疫后上升至0.579。从月度变动方向看，两者共35%的时间变动完全一致，疫后这一比例上升至49%。发现价值发现价值1/39080205-08020508020508080205-080205080205080205080205%250.00200.00150.00100.00 00000%%中国:社会消费品零售总额:当月同比(右)50-10-15价与社零中石油制品类零售额同比的相关性较高，达到了0.69，并且两者拐点变动变动方向完全一致，2020年后进一步提升到了56%。502015-02015-0722015-112016-02016-032016-02016-0722016-112017-02017-032017-02017-0722017-112018-02018-032018-02018-0722018-112019-02019-032019-02019-0722019-112020-02020-032020-02020-0722020-112021-02021-032021-02021-0722021-112022-02022-032022-02022-0722022-112023-02023-032023-02023-07数据来源：Wind，广发证券发展研究中心图26：百城拥堵延时指数与社零总额%25.00020.00015.00010.000 %2015-072015-112016-032016-072016-112017-032017-072017-112018-032018-072018-112019-032019-072019-%2015-072015-112016-032016-072016-112017-032017-072017-112018-032018-072018-112019-032019-072019-112020-032020-072020-112021-032021-072021-112022-032022-072022-112023-032023-07数据来源：Wind，广发证券发展研究中心(五)其他可选消费除了汽车、地产以及石油制品以外，我们将限额以上零售中的其他6个项目汇总考发现价值发现价值2/39类、通讯器材类。对应服装鞋帽类的高频数据是柯桥纺织价格指数，对应日用品类等项目可以找到义乌小商品价格指数和快递投递量数据。柯桥纺织价格指数在2019年前与社零同比相关性较高，但在疫情以后有所减弱，相关系数为0.447。自2015年以来的历史上与社零同比有46个月变动方向一致，占比约45%。义乌小商品总价32%的时间变动方向与社零一致。指数月同比与社零当月同比2018-072018-102019-012019-042019-072019-102020-012020-042020-072020-102021-012021-042018-072018-102019-012019-042019-072019-102020-012020-042020-072020-102021-012021-042021-072021-102022-012022-042022-072022-102023-012023-042023-0725.020.015.010.025.020.015.010.0 数据来源：Wind，广发证券发展研究中心图28：义乌小商品总价格指数月同比与社零当月同比50%%%%2015-072015-2015-072016-032016-072016-112017-032017-072017-112018-032018-072018-112019-032019-072019-112020-032020-072020-112021-032021-072021-112022-032022-072022-112023-032023-07数据来源：Wind，广发证券发展研究中心不高频，无法用于社零的短期预测。我们选择邮政快递投递量这一周度数据进行观与社零当月同比20.0018.0016.0014.0012.0010.008.006.004.002.000.00%%邮政快递投递量:当周值:月:平均值:同比%%中国:社会消费品零售总额:当月同比(右)14.0.0.08.06.04.02.00.02023-052023-062023-052023-062023-07发现价值发现价值3/392016-072016-112017-032017-072017-112018-032018-072018-112019-032016-072016-112017-032017-072017-112018-032018-072018-112019-032019-072019-112020-032020-072020-112021-032021-072021-112022-032022-072022-112023-032023-07最后，我们将社零商品消费中有关必需消费的5项——粮油食品类、饮料类、烟酒类、日用品类、中西药品类汇总计算比重，23年7月大约占比10.8%。我们选取了有0.289的相关性。生猪价格同比与社零同比的相关系数为0.434。两者在历史上均。比0%%2018-082018-112019-022019-052019-082019-112020-022020-052020-082020-112021-022021-052021-082021-112022-022022-052022-082022-112023-022023-0586420数据来源：Wind，广发证券发展研究中心%%10.0 %%10.0 0.78，而在2019年猪价驱动的CPI上涨和2020年疫情冲击中，CPI走势与社零同比的相关性有所减弱。从逻辑上讲，CPI反映了社零波动的价格驱动部分，理论上与社零同比具有强相关性。我们认为，在经济逐渐修复回归正常状态的过程中，CPI与社零的同步性将会再度回归，也由此，我们在高频指标池中将CPI同比加入。图32：CPI同比与社零当月同比(2019年前)9.08.07.0%%22016-072016-092016-112017-012017-032017-052017-072017-092017-112018-012018-032018-052018-072018-092018-112019-012019-032019-052019-072019-092019-11数据来源：Wind，广发证券发展研究中心图33：CPI同比与社零当月同比(2020年后)0002020-012020-012020-032020-052020-072020-092020-112021-012021-032021-052021-072021-092021-112022-012022-032022-052022-072022-092022-112023-012023-032023-052023-07数据来源：Wind，广发证券发展研究中心发现价值发现价值4/39四、疫后，同步扩散指数的方向判断胜率达72%(一)构建社零同步扩散指数的方法论系。这种间接性与高频数据的高波动性会放大数据本身的噪音，降低模型的预测效从2018年8月之后获得。而高频数据变量多，纵向上时间短，而横向上自变量多，就会造成过度拟合、虚假拟合等问题；频指标代表的社零细分项在社零中有既定的权重。步扩散指数实质上是关键消费高频指标每月同比变动值为正的占比，决定了它们在判断方向上是有效的，而在预测同比读数上会放大误差。这点从高频指标与社零同比的相关性系数、以及两者拐点变动的对比中可以看到。诸如油价这类波动较大的高频指标，在相关系数上，它与社零同比只有0.29，而在拐点变动的同步上，两者的同步性达到了53%。因此，可以理解我们的同步扩散指数是提取高频指标变动信息的一种降维方式。频指标对应社零科目占社零整体的比重进行了配权。结果显示，如果我们将超过一半2015年以来的胜率达到了61.3%，情发生之后进一步提升至71.8%。具体的构建步骤分为三步：标的正向或负向信息进行加权处理，权重为高频指标所对应的社零科目占社零整体产类消费的同比变动信息则被赋予更低的权重。发现价值发现价值5/39部高频指标个数，即得到加权处理后的每月高频指标综合的正向变动信息。我们将正向变动占比超过50%定义为同步扩散指数提示社零将正向变动，反之，定义为负变动。值得注意的是，我们进行的是滚动迭代计算，这样可以解决全样本面板时间序列较短的问题。因为13项高频指标在2015年以来数据并不齐全。滚动迭算会根据各个时间段有数据的高频数据调整分母。比如，在2015年2月，我们能拿到的高频数据只有7项，其中2项正向变动，5项负向变动。而在2023年7月，我们拿到高频数据有12项(当乘用车销量和乘用车厂家零售数据同时可得时，我们优先利用相关性更(二)同步扩散指数预测社零同比的胜率如何？我们进一步定义50%为同步扩散指数的“枯荣线”。因为同步扩散指数本质上是当月高频数据同比变动为正的占比，因此如果这一比重大于50%即说明当月经过加权后有超过半数的高频指标指示社零同比将向上变动。在下图中，当我们将同步扩散指数的50%枯荣线与右轴社零同比变动为0相重合进一是，同步扩散指数位于50以上时正好对应着大量的社会零售总额增速月度变动值明利用高频变动信息判断社零变动效果在疫后更好。这一点同样符合先前判断，疫演同比的方式误差增大。明我们构建的同步扩散指数能够很好地捕捉社零同比的变动、变动幅度，发现价值发现价值6/39图34：疫情前同步扩散指数与社零同比的变动有一定0.02015-032015-052015-072015-092015-112016-012016-032016-052016-072016-092016-112017-012017-032017-052017-072017-092017-112018-012018-032018-052018-072018-092018-112019-012019-032019-052019-072019-092019-11数据来源：Wind，广发证券发展研究中心提高%%2019-112020-012020-032020-052020-072020-092020-112021-012021-032021-052021-072%%2019-112020-012020-032020-052020-072020-092020-112021-012021-032021-052021-072021-092021-112022-012022-032022-052022-072022-092022-112023-012023-032023-052023-07数据来源：Wind，广发证券发展研究中心线50%之上提示当月社零增速将发生正向变动，高频指标正向变动不足半数的情况均视为社零增速将发生负向变动。该假定下，同步扩散指数的胜率达到了61.3%，年以来胜率提升到了71.8%。。10发现价值发现价值7/39我们也展示了具体疫后每月的预测胜率情况。可以看到，自2020年以来的39个月(剔除1月)，仅有11个月同步扩散指数预测出现了偏差。并且其中7次偏差都出现年中附近。发现价值发现价值8/39偏差大都出现在年末、一季度末同步扩散指数(高频指标正向变动占同步扩散指数提示变动社零实际同比变动预测胜率02033.50405063.1070809101112020304058.806070809101112028.603040506073.5080910111202031.80405064.4078.308疫情以来同步扩散指数预测社零变动的胜率零同比进行比较，我们以2015发现价值发现价值9/39现，转化后的同步扩散指数II与社零同比具有同步性，而这种同步性在疫后进一步扩散指数II对社零同比具有同步性2.001.501.000.500.002015-012015-032015-052015-072015-092015-112016-012016-032016-052016-072016-092016-112017-012017-032017-052017-072017-092017-112018-012018-032018-052018-072018-092018-112019-012019-032019-052019-07数据来源：Wind，广发证券发展研究中心显%%2019-012019-032019-052019-072019-092019-112020-012020-032020-052020-072020-092020-112021-012021-032021-052021-072021-092021-112022-012022-032022-052022-072022-092022-112023-012023-032023-052023-07数据来源：Wind，广发证券发展研究中心(一)基于高频信息的ARDL预测模型经提取了高频指标对当月社零变动的信息。经过人工过滤降维之后，同步扩散指数已经不向单一指标那样高波动，在图形走势上也与社零同比的同步性比任何一个单一指标更高，特别是在疫情以来。这似乎提示同步扩散指数是一个能的影子变量。IIARDLARDL滞后模型，模型中既包括因变量的滞后期，还包括自变量的滞后期。因此，可以测算社零同比增速的前期值、同步扩散指数II以及同比扩散指数II的前期值对当期社零Yt=C0+C1t+piYt−i+eiXt−i+ut发现价值发现价值/39其中的∑=1iYt−i是自回归(AR)部分，加入模型是因为经济数据通常存在惯性，当期社零同比增速可能会受到前几期的表现影响；∑=0eiXt−i是分布滞后(DL)部分，意味着同步扩散指数II对社零同比的影响并不仅仅体现在当期。这种影响更像(二)样本内回测预测分两步，先样本内建模，后样本外预测。我们利用2015年1月至2023年6月的数据进行建模，然后利用2023年7月、8月的高频数据进行样本外推测。考虑到消在全样本区间内(2015年1月-2023年6月)，数据自动选择的最优模型是ARDL(1,1,0)。整体模型的拟合优度达到了0.72，意味着社零同比72%的波动已经被模型捕捉。同样从系数的显著性中，我们看到社零同比滞后一期、同步扩散指数II当期值以及同步扩散指数II滞后一期值都在统计上对社零当期值有显著的解释力。举例来说，2023年6月社零波动可以被23年5月社零、23年6月同步扩散指数II以及23年5月同步扩散指数II联合起来解释72%左右。通过系数的折算，我们可以得到在这72%的解释力中，前一期社零贡献了31%，而同步扩散指数II贡献41%。在分样本建模中，我们同样发现2020年疫情是社零波动的关键节点。首先，分样本建模后，模型的整体预测力进一步提升至82%~85%。其次，在疫情前，同步扩散指数II对社零的影响并不具有统计显著性，反而是被社零滞后期以及时间固定效应解释，这印证了疫情前利用高频数据预测社零同比并不优于直接利用环比季节性推算。而在疫情发生后，同步扩散指数II当期值以及前期值均对社零同比有明显的统得到在疫后社零同比82%的波动中，前一期社零贡献了17%，而同步扩散指数II贡献了65%。这再次印证了利用高频信息合成的同步扩散指数II对疫后社零同比的预测能力更强，是社零波动加大的情形下对传统方发现价值发现价值/39ARDL模型回归结果：样本期(2015.01-2023.06)模型设定ARDL(1,1,0)R-方(拟合优度)0.7211MSE4.4563因变量：社零同比回归系数T社零同比(滞后一期)0.72***11.060.00同步扩散指数II12.76***5.690.00同步扩散指数II(滞后一期)-11.8***5.320.00时间固定效应-0.05-0.250.80数项107.140.260.80ARDL模型回归结果：样本期(2015.01-2019.12)模型设定ARDL(3,2,3)R-方(拟合优度)0.8543MSE0.4803因变量：社零同比回归系数T社零同比(滞后一期)0.24*0.10社零同比(滞后两期)-0.21-1.520.14社零同比(滞后三期)0.210.14同步扩散指数II0.440.28同步扩散指数II(滞后一期)-0.12-0.200.84同步扩散指数II(滞后两期)0.110.270.79时间固定效应-0.59***2.290.03时间固定效应(滞后一期)0.040.110.91时间固定效应(滞后两期)0.58*0.10时间固定效应(滞后三期)-0.55**2.090.04数项1068.282***3.540.00ARDL模型回归结果：样本期(2020.01-2023.06)模型设定ARDL(1,1,3)R-方(拟合优度)0.8207MSE.5因变量：社零同比回归系数T社零同比(滞后一期)0.61***6.480.00同步扩散指数II25.72***6.640.00同步扩散指数II(滞后一期)-23.39***6.190.00时间固定效应4.330.16时间固定效应(滞后一期)-1.70-0.430.67时间固定效应(滞后两期)4.540.26时间固定效应(滞后三期)-5.54*1.830.08数项-3313.83*1.910.07发现价值发现价值/39我们分别展示了全样本建模以及分样本建模的社零走势拟合图，可以看到分样本之后再拼接起来的拟合走势与社零同比更为贴合。平均拟合优度也提升了12%。ARDL0)模型到的拟合效果%00-01-05-09-01-05-09-01-05-01-05-09-01-05-09-01-05-09-01-05-09-019-05-09-01-050-09-01-05-092-01-05-09-013-05R.72%50-10ARDL,3)的疫情前拟合结果%%43210-12015-0122015-012015-052015-072015-092015-112016-012016-032016-052016-072016-092016-112017-012017-032017-052017-072017-092017-112018-012018-032018-052018-072018-092018-112019-012019-032019-052019-072019-092019-11数据来源：Wind，广发证券发展研究中心%0.00%误差(右轴)社零当月同比社零当月拟合值(分时段建模)50发现价值发现价值/392015-012015-052015-092016-012016-052016-092017-012017-02015-012015-052015-092016-012016-052016-092017-012017-052017-092018-012018-052018-092019-012019-052019-092020-012020-052020-092021-012021-052021-092022-012022-052022-092023-012023-05%误差(右轴)社零当月同比社零当月拟合值(分时段建模)30.0025.00平均R方=0.8420.0015.0010.005.000.00-5.00-10.00-15.00-20.00%30252050-5-10-15-20(三)样本外预测测。首先，我们分别利用全样本一次性建模得到的ARDL(1,1,0)与分样本建模得到的ARDL(1,1,3)进行推算，2023年7月的社零同比原始预测值为3.67%、7.09%。显然疫后ARDL(1,1,3)融入了疫情以来社零较高的波动性，因此预测的读数也波动较大。我们进一步进行误差调整，分别采用历史7月误差以及上月预测误差进行调整，最终得到的社零预测值在2.37%~3.77%。而2023年7月公布的社零同比值为2.5%，如果仅基于往年季节性和去年同比基数进行推测，社零同比将达到5%左右。即便考虑到高频数据的变动，也很难得到7月社零增速仍弱于2023年6月的结论，毕竟23年7月的PMI给出了“弱回升”的提示。而我们的同步扩散指数在构成中赋也就能将这种方向性判断进一步量化为具体的社零读数，预测23年7月的社零同比指数为60.7%，位于50%的枯荣线之上，小幅强于7月、6月。这提示8月的社零略有恢复。ARDL模型预测，8月社零同比的区间范围在4.19%~4.93%。发现价值发现价值/39表5：基于ARDL模型进行的短期预测(样本外)基于ARDL模型的样本外预测结果模型预测原始值(%)根据历史上该月误差进行调整(%)根据上月误差进行误差调整(%)均值(%)分类标023年5月同比(%)023年6月同比 023年7月同比 2023年8月同比(%)6月较5月同比变化(%)7月较6月同比变化(%)8月较7月同比变