量化社融指标全解析与预测框架构建_第1页
量化社融指标全解析与预测框架构建_第2页
量化社融指标全解析与预测框架构建_第3页
量化社融指标全解析与预测框架构建_第4页
量化社融指标全解析与预测框架构建_第5页
已阅读5页,还剩36页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

社会融资规模全解析社会融资规模指标刻画了金融体系对实体经济的支持力度,对经济与市场判断具有重要意义。本报告采用自上而下和自下而上两种方法构建了社会融资规模指标的预测框架,能够提前发布期较为准确的预测指标变化。图:社融预测框架图解 绘制社融的念解析3年经济复苏是强是弱复苏的路径又是如何成为了市场重点关注的问题。而社会融资规模作为经济的先行指标,自然也成为了焦点。本篇报告着重于对社融领先判断的研究,采用高频数据在央行发布社融数据前对其进行合理有效的估计。在对社融进行预测之前,我们首先对社融的基本概念以及社融与经济之间的关系进行梳理。图:信贷脉冲对A股景气度有拐点领先特点 社会融资规模是指实体经济从金融体系获得的资金量,反映的是金融与经济之间的关系包含了直接融资与间接融资社融的诞生源自货币政策调控的需要随着金融业的发展以及金融工具的不断创新,信贷无法完全反映金融体系对实体经济的支持,以信贷作为货币政策的中间目标的调控效力有所下降,在这一背景下,2011年中国人民银行编制了社会融资规模指标。央行通常会在每月0日公布上月的社融数据公布的数据有存量和增量两口径。社会融资规模存量是反映了实体经济负债情况的总量概念,随着经济规模的扩张长期趋势向上;社会融资规模增量,即社融的当月新增规模,它是新增减去到期后得到的净融资概念,相较存量数据而言能够更好地反映近期实体经济地融资意愿。图:社会融资规模存量与增量在实际的分析应用中,我们较为关心的是社融增量数据,因其能够较好的反映实体经济的边际融资意愿与需求,但需要注意社会融资规模增量具有显著的季节性特征。从图4可以看出,社融增量在1月、3月、6月、9月、11月有较为明显的季节性扩张特征,主要受到银行信贷投放的季节性规律影响。因此在分析地过程中我们要先过滤掉季节性波动,比如说使用社融增量同比而非社融增量环比,避免出现将季节性的波动当作趋势的问题。图:6年-222年各月份社会融资规模增量(单位:亿元)在本报告中我们采用滚动一年社会融资规模环(简称社融TTM环比作为我们剔除季节性后的主要研究对象。除了能有效过滤掉社融增量的季节性波动外,该指标对于我们的宏观经济研究与投资也有着较好的指导意义,这一点我们将在报告的1.3小节中详细展开。图:社会融资规模TM环比 社融的项解析社会融资规模是国内反映实体经济从金融体系中所获得资金总额的重要统计指标目前由四个部分十个子项构成分别为.表内融资人民币贷款外币贷款2.表外融资委托贷款信托贷款未贴现银行承兑汇票.直接融资企债券政府债券非金融企业境内股票融资.其他融资存款类金融机构资产支持证券,贷款核销。图:社融构成子项 大类 子项 占)表内融资人民币贷款61.72%外币贷款0.53%表外融资委托贷款3.27%信托贷款1.09%未贴现银行承兑汇票0.77%直接融资企业债券9.01%政府债券17.49%非金融企业境内股票融资3.09%其他融资存款类金融机构资产支持证券0.58%贷款核销2.13%社融指标基于国内的应用实践处于不断改进的过程中,其口径随着金融工具的发展进行调整而非完全恒定不变历史上主要的口径调整如下2018年7月起,“存款类金融机构资产支持证券”和“贷款核销”纳入社会融资规模统计。2018年9月起,“地方政府专项债券”纳入社会融资规模统计。2019年12月起,“国债”和“地方政府一般债券”纳入社会融资规模统计与原有“地方政府专项债券”合并“政府债券”指标2023年1月起消费金融公司理财公司和金融资产投资公司等三类银行业非存款类金融机构纳入金融统计范围,由此对社会融资规模中“实体经济发放的人民币贷款”和“贷款核销”数据进行调整。间 2018年7月2018年9月2019间 2018年7月2018年9月2019年12月“债和地政一债”入会资模计与有地政府2023年1月资料来源:中国人民银行,从社融的存量结构(2022年)来看,人民币贷款占比61.72%,为社融的主要部分政府债券和企业债券分别占比17.49%和9.01%其他子项的占比则相对较低,共计10%左右。从存量结构变动的层面来说,随着2017年资管新规的出台监管趋严可以看到2022年社融存量中的委托贷款与信托贷款占比大幅缩减另一方面,随着地方债规模的不断扩大,政府债券的占比也出现了较大幅度的增长。图:社融存量结构 社融对经济先判断社融是经济的领先指标,那么其具体表现如何?其内在逻辑又如何?本节我们便去详细探讨社融与经济之间的关系。信贷脉冲(社融TM名义GDP)对于工业企业利润表现出明显的领先性。信贷脉冲含义为新增社融占名义GDP的比重相当于对新增社融进行标准“,方便在可比口径下对新增社融进行分析。从图9可以看到,信贷脉冲拐点明显领先工业企业利润总额同比M12的拐点,这可以有效帮助我们对未来经济走势做出合理判断。图:信贷脉冲对工业企业利润表现出领先性从经济周期的角度来讲,信贷的扩张是领先于经济的复苏的,社融的变化能够有效表征实体经济金融扩表以扩张生产的意愿“高社融增速信号的出现往往是市场预期反转的象征。经济增长实质上是企业扩大再生产的过程,从库存周期的角度来说,当库存周期从主动去库存阶段进入被动去库存阶段时,随着市场的供需格局逐渐扭转,企业基于对未来市场的乐观情绪,通过金融扩表融资获取资金,进而购置生产资料实现扩大再生产,最终在宏观层面表现为经济增长,而社融的变化恰能很好地揭示这一过程的进展。图:库存周期示意图资料来源:绘制政府政策的宏观调控会倾向于维持社融增速与名义GDP同比的相对一致维持宏观杠杆率相对稳定防范金融风险自2019年以来政府工作报告中多次出现了这一调控目标如2023年政府工作报告中就明确指“保持广义货币供量和社会融资规模增速同名义经济增速基本匹配支持实体经济发展政府政策的宏观调控进一步强化了社融与经济二者之间的联系。图:实体经济宏观杠杆率 市场与社融同为经济的领先指标,那么三者之间是否存在一定的规律性关联呢?我们以民生金工A股景气度指数(上证指数归母净利润同比的高频Nowcating作为经济的代理变量通过历史复盘发现市场底一般在特别强政信号,或者有持续政策配合具有信号意义的“高社融增速”发生点附近形成,而经济底则在社融的持续扩张中形成。图:上证指数、A股景气度及社融TM环比变化 行业的层面上,社融是同样是行业利润水平变化的领先指标。以信贷脉冲对中信一级行业归母净利润同比进行择时检验,我们发现信贷脉冲领先不同行业利润变化的时间存在差异。信贷脉冲领先轻工制造、家电等行业的利润变化约一个季度,领先汽车、机械等行业的利润变化约2个季度。图:信贷脉冲与轻工制造行业归母净利润同比 图:信贷脉冲与家电行业归母净利润同比 图:信贷脉冲与汽车行业归母净利润同比 图:信贷脉冲与机械行业归母净利润同比 自上而下:社融的整体预测astng框架社融为月频数据且由央行于每月0日公布上月的社融数据存在一定的延迟性与异步性,因此构建高频社融指标对于我们研究分析经济预期与融资需求具有重要意义。当前国内主流的预测社融的方法是基于社融的季节性规律,通过市场调研、信贷数据监测等手段对社融各个子项的走向做出判断。考虑到社融与金融和实体经济的密切相关性,本报告采用量化方法,使用高频的宏观以及中观指标对于社融TTM环比进行自上而下Nowcatig预测以作为对于现有方法的补充。在经济学中,owcasing是对经济指标当前,不久的将来以及最近的过去状态的预测Nowcating方法主要为各国央行所采用以支持货币政策的制定因为诸多评估经济状态的重要指(如GDP等存在着低频滞后等特征这导致决策者难以对当前节点的经济状态有一个较为明确的认知。而Nowcating模能够处理大量不同频率和不同发布时滞的数据,从这些信息中提取所需经济指标变化方向的信号,从而在经济指标正式数据发布前,领先于市场对当前时间节点的状态做出估计。基于这些优点,包括美联储在内的许多储备银行都会发布“即时宏观经济预测(coeconomicNowcat在本报告中我们采用的owcasing框架基本步骤为指标筛选→数据降频→数据降维→拟合配权→高频预测。指标筛选部分我们通过检验1500+个宏观及中观指标数据的择时效果并结合经济学逻辑的考量筛选出5大类共计44个指标;由于筛选出的指标为混频数据,我们先将数据统一整理为月频数据以便进行下一步处理;PCA方法和DM方法本质都是对数据进行降维,由于宏观数样本量通常较少,为了避免高维数据带来的过拟合、噪音、共线性等问题,进行必要的降维是必不可少的再将社融TTM环比对公共因子进行回归拟合得到权重;最后将混频数据重新升频为日频,并依据权重进行高频预测。图:owcasing方法框架 资料来源:绘制由于各项指标频率不同且发布日期不一,我们将采用信息流的模式进行指数的跟踪,即只要数据有更新,我们就及时把数据反映的信息加入到高频社融指标当中,使得指标的时效性更强。成分指的筛选宏观中观指标筛选主要从择时效果和逻辑相关两个维度进行考察择时效果即以社融TTM环比为目标进行择时检验选取其中择时表现最好的一系列指标;该维度更偏向于对实战效果的考量,具有简单易行且适合量化处理大量数据的优点。逻辑相关,即从经济学逻辑的角度出发对择时效果好的指标进行二次筛选;择时效果好并不总是意味着二者存在内在关联,无关数据的加入则易导致模型样本外拟合失真。我们最终筛选出5大类宏观中观指标,并在保证择时效果与经济学逻辑的础上,每一类中选取尽可能多的相关指标,以达到相互验证去噪,提升信噪比的目的5大类宏观指标分别为工业利(7个工业产(8个货(7个、商品(18个、投资(4个。图:高频社融指标部分成分指标 DFM方法与CA方法动态因子模(DFDynamicactorodl是分析处理大量宏观变量之间关系的有效方法。该模型假设大量宏观变量的变化是由少数公共因子所驱动的,而这些公共因子服从一个向量自回归过程,通过这种方法,我们可以有效减少估计参数量,解决维度诅咒的问题。动态因子模型的形式为:𝑡=𝜆𝐿)𝑡+𝑡,1)𝑡=ΨL)𝑡−1+𝜂𝑡,2)𝐸(𝑡𝑠)=0,𝑓𝑖≠𝑗(3)其中𝑡为𝑛×1维向量表示𝑛个宏观指标的观测值;𝑡为𝑞×1维向量,示𝑞个公共因子;𝜆𝐿)为𝑛×𝑞维滞后矩阵,称作输出矩阵(outptmatrx;Ψ(𝐿为𝑞×𝑞维滞后矩阵称作转移矩(trannmatrix𝑡为𝑛×1维向量表示宏观变量不能被公共因子所解释的部分𝜂𝑡为𝑞×1维向量为噪音项方(1称作观测方程它表现了公共因子是如何作用于宏观变量的方(2被称作态转移方程它描述公共因子所服从的向量自回归过程方(3为动态因子模型的基本假设,要求异质性干扰在前后步的过程中互不相关。图:DM方法和PA方法示意图 资料来源:绘制对于动态因子模型的估计,一种方法是使用卡尔曼滤波进行时域极大似然估(Te-domainmaximumldvatheKalmanfilr但是由于参数的数量正比于样本数据量,我们实际应用的时候发现参数估计难以得到收敛结果。选取2006年6月至2017年6月数据为训练集2017年7月至2022年12月数据为测试集,最大迭代次数为2000次,并设定公共因子服从滞后期为2向量自回归过程使用DFM方法提取公共因子进行回归拟合训练集月度方向率为63.3%测试集月度方向胜率为62.7%全样本区间月度方向胜率为63.2。加) 图:DM方法拟合结果 图:DFM方法对社融TTM环比方向择时效果加) 从上述结果可以看到DM模型提取出来公共因子的拟合效果较为一般其因我们分析是进行参数估计时迭代未能收敛。由于指标集相对较多,少数的公共因子难以解释宏观指标的全部变动,而未被解释的部分被纳入了噪音项,导致异质性部分出现截面相关问题,违背了动态因子模型的基本假设。接下来我们采用主成分分析法(PA,Princileomonentsnalysis)对宏观变量降维然后进行回归预测我们分别对5个大类指标集进行PCA提取主成分得到主成分因子并对社融TTM环比进行回归拟合选取2006年6月至2017年6月数据为训练集,2017年7月至2022年12月数据为测试集,结果显示训练集月度方向胜率为78.0%,测试集月度方向胜率为66.7%,全样本区间月度方向胜率为73.9%。对比可以发现,相较于DM方法,PCA方法拟合预测效果从方向判断与累计择时效果两个层面都有了较大的提升。图:PA方法拟合结果 图:PA方法对社融TM环比方向择时效(累加)首先我们固定下来月频下PCA方法提取主成分因子的矩阵以及回归方程中主成分因子的系数,将宏观变量升频为日频后,利用固定下的矩阵计算得到日频的主成分因子,通过固定下的系数计算得到日频的社融TTM环比预测。图:PA方法日频拟合结果 观察到207年社融TTM环比拟合值与实际值出现较大偏差我们认为这是由于社融统计技术性问题导致的,事实上我们可以看到2017年社融增速与名GDP增速同样有着明显的背离现象。这一异常现象可以从两个方面进行解释:一是由地方债置换引发的技术性调整2016年为解决地方政府隐形债务问题而大发行的地方置换债,将原本地方融资平台计入社融的部分融资转变为了不计入社融的地方债券,致使2016年的社融基数被低估。由于基数效应,2017年的社融增量出现一定程度上的高估随着2018年地方债置换基本完成该因素影响逐消除,重回常态。二是社融口径的变更,当社融统计口径变更时,会对历史数据进行追溯调整但是需注意最早只追溯调整到2017年1月2017年以前的社融数据中并未包含政府债券部分,这会导致2017年社融增速在一定程度上被高估。这两个因素的共同作用下出现了2017年全年社融增速存在显著的增长但是义GDP相对平稳的现象。图:7年社融增速与名义GDP增速出现背离(灰色区域) 借助宏观变量预测得到的社融TM环比与经济状态有着更好地匹配关系不易受到口径调整等技术性因素的影响,有着相对较好的预测能力。我们发现拟合值几乎未受到技术性高估的影响表现出低位震荡的特征这也恰与2017年经相对平稳运行的现象所对应。使用2016年的社融口径重新计算2017年的社融TTM环比以消除口径变更的影响可以看到2017年的社融TTM环比是存在明显高估的。考虑到地方债置换引发的低基数效应,虽然难以计算其具体数值,但是可以判断调整后的社融TTM环比仍然是偏高的,这将使得调整后的社融TTM比与拟合值更为接近。因此我们认为相较于实际值,拟合值可以更好地反映当年的实体经济融资状况。图:口径调整后的社融TM环比从各公共因子对于预测的贡献角度而言,我们可以看到货币因子始终是驱动社融的主要因素。工业产量因子与商品因子对社融也有着较大的影响,而工业利润因子与投资因子对于社融预测的影响则较小2022年以来货币因子的影响相对而言有所降低,而商品因子和工业产量因子的影响力有所增加。对应到宏观表现上,2021年以来,央行进行了多次降息降准,整体货币层面流动性较为宽裕,但是实体经济的融资意愿未因资金成本下降而提升,社融并未出现回暖迹象,可能仍需更多经济向好因素的共振以完成对市场信心的提振。图:各公共因子对于预测的贡献自下而上:社融的拆分预测基于我们上述的讨论,我们通过自上而下的方法对于社融的预测在方向胜率层面已有较好的结果,但是这个方法仍存在一定的不足:预测的绝对精度仍有改进空间仅仅是方向上的判断对于宏观研究而言仍有不事实上由于社融的各个构成子项的逻辑与投放节奏存在细节差异,自上而下的整体预测难以刻画这些细节,因此难以进一步提升精度除了社融总量数值外市场也会关心社融结构组成哪些部分是当前社的支撑哪些部分对社融整体产生拖累这些信息同样重要但是将社作为一个整体进行预测的话,这部分结构信息实际上是缺失的。相较于整体预测,对社融进行自下而上的拆分预测能够有效解决上述预测精度和结构预测的问题。一方面,社融的政府债券、企业债券等子项有着相对高频的数据可以获得,引入这方面的信息可以有效改善社融的预测精度;另一方面,相较于整体而言,子项有着更加细分的逻辑,将社融拆解后我们便可以用相关性更强的少数指标预测单一子项。人民币款部分人民币贷款口径及分项拆解人民币贷款是指金融机构向非金融企业个人机关团体以贷款票据贴现垫款等方式提供的人民币贷款。需要注意的是,社融是对于境内金融体系对实体经济融资支持的度量,因此和金融机构人民币信贷收支表中的人民币贷款相比,社融中的人民币信贷部分不包含非银行业金融机构贷款(非对实体经济的支持)以及境外贷款(非境内。图:人民币贷款口径对比(单位:亿元) 人民币贷款从期限结构来看,可以分为中长期贷款、短期贷款和票据融资;从贷款对象来看,可以分为居民部门贷款和企(事)业部门贷款。在我们的分项拆解预测过程中,我们主要对居民短贷、居民中长贷、企业短贷、企业中长贷、企业票据融资这五部分进行预测,其他的融资租赁以及各项垫款部分因其规模较小可以近似忽略。图:境内人民币贷款各分项占比(202-) 企业贷款和居民短贷企业贷款和居民短贷很大程度都受到对未来经济预期的影响,因此我们将其作为一个整体进行预测居民短贷由居民短期消费(境内人民币贷款中占比4和居民短期经营(4.3%构成其规模与消费者的收入预期有着较高的相关性,可以看到居民短贷与消费者信心指数走势基本一致。企业贷款则可以按期限分为企业中长贷(40.3%)和企业短贷(16.9%,其规模一方面取决于企业对于经济的预期,另一方面也会受到基建的拉动作用影响。图:居民短贷与消费者信心指数走势基本一致 图:PI与企业贷款居民贷款同(离群值处理后)我们将PMI作为经济预期的代理指标,滞后一个月的消费者信心指数作为入预期的代理指标,石油沥青装置开工率、唐山钢厂产能利用率、水泥发运率等指标作为基建相关的高频指标以企业贷款+居民短贷同比为预测目标进行回归析。实证发现以PMI和唐山钢厂产能利用率为自变量可以有效解释企业贷款+民短贷同比的变动,若加入更多变量则可能因多重共线性使得回归系数不显著。通过组间差异分析,我们发现信贷大月(1、3、6、、2月)和信贷小月回归系数存在较为显著的差异。由于信贷小月的基较小,其同比增长更容易出现较大数值,而信贷大月则由于基数大同比增长相对稳定。基于这一特征,我们将数据分为了信贷大月和信贷小月两组,并进行邹氏检验(判断组间的差异是否显著,得到的p值为0.023,因此在5%显著性水平下,我们能够拒绝原假设并推断组间存在显著差异。最终我们将数据分为信贷大月和小月两组,分别采用5年窗口期进行滚动归预测。图:企业贷款居民短贷的预测(单位:亿元) 居民中长贷我国的居民中长贷以住房按揭贷款为主,其增量数据与商品房的销售数据有着很强的相关性。观察居民中长贷与商品房销售代理指标(30大中城市成交面×百城样本住宅平均价格)之间的关系,我们可以看到其不光在趋势上极为接近,还有着明显的三阶段特征。三阶段特征的来源,是贷款比例、存量贷款偿还量、一二三线城市商品房销售情况在各阶段内的相对稳定。图:居民中长贷与商品房销售关系(单位:亿元)第一阶段(2010年-2015年,居民中长贷与商品房销售代理指标的绝对水平基本保持一致,商品房销售代理指标可以直接作为居民中长贷增量的预测。第二阶段(2016年2021年,一方面随着棚改货币化安置的推进,三四线城市商品房销售的占比迅速上升,另一方面居民购房的杠杆率也有提高,两个因素共同作用使得居民中长贷约为商品房销售代理指标的两倍第三阶(202年年2月由于房地产市场低迷和存量房贷利率偏高居民提前偿还房贷的现象明显增多,而居民中长贷增量为净融资概念,偿还的显著增加使得其出现了明显的中枢下移现象。依据以上三个阶段居民中长贷的特点,我们在商品房销售代理指标的基础上进行调整以得到对于居民中长贷的预测。图:居民中长贷的预测(单位:亿元)企业票据融资企业的票据融资是指企业将票据转让给银行,银行按票面金额扣除贴现利息后将余额支付给企业的一种融资方式。企业票据融资的规模与转贴现利率有着较高的相关性,较低的转贴现利率反映了银行对于票据配置的较高意愿,相应的当月票据融资规模也会较高反之亦然观察图5中票据融资与转贴现利率月度变化的关系,我们可以看到二者基本呈反向变动(图中右轴逆序处理。图:票据融资与转贴现利率票据融资还有着较显著的自相关性,因此我们以转贴现利率的月度变化为外生变量对票据融资使用5年窗口的滚动自回归进行分析拟合票据融资当期值图:票据融资预测(单位:亿元)非人民贷款分政府债券社会融资规模中的政府债券部分包含国债和地方债。最开始社融的口径中是不包含政府债券的,但是随着政府在经济建设中发挥越来越重要的作用,政府债券对银行贷款、企业债券等表现出明显的接替效应,地方政府专项债券、国债、地方政府一般债券相继纳入社融的统计中并合并为政府债券指标从2017年的12.3%,到如今2022年底的17.5%,可以看到政府债券在社会融资规模存量中的占比迅速上升。对于社融中的政府债券部分的预测,我们参考发布的国债以及地方政府债的日度发行和到期数据,汇总计算得到月度的政府债券净融资数据。但是我们注意到,社融口径下的政府债券是依据托管机构的托管面值口径计算得到的,这与新发到期口径下得到的政府债券净融资数据实际上是存在差异的。图:社融口径与新发到期口径下的政府债券对比(单位:亿元) 虽然多数情况下两种口径差异相对较小但是部分月份也有着超过2000亿的差异。对此,我们试图对发行到期口径下的政府债券进行调整,提高其与社融口径的匹配度。由于官方并没有对这两种口径差异与具体的统计方法进行解释说明,以下的调整均是基于观察数据特点后提出猜想,并对猜想进行历史检验得到的,不能确保完全正确。图:政府债券社融口径与新发到期口径差异(单位:亿元)通过对政府债券社融口径与新发到期口径差异的观察,我们发现其存在以下几个特点:口径的差异并不存在长期的高估或是低估,而是高估与低估交错出现。相邻月份高估低估的绝对数值通常是接近的。许多时候口径的差异,月末的净融资数值较为接近。基于上述特点我们猜想托管口径下,月末几日的净融资额并未计入当月,而是纳入了下个月的范畴。基于这个假设,我们对于净融资口径重新进行了调整,将月末的部分数据纳入下个月计算。图:政府债券调整净融资后的口径差异(单位:亿元)可以看到调整月末净融资得到的口径与社融口径的差异有着显著的减少,这说明我们猜想的方向应该是正确的。但是我们也注意到,这一处理对于2022年10月、11月的调整效果比较一般,对此我们进行了进一步的观察与假设。图:政府债券222年0月末发行到期数据(单位:亿元) 日期发行偿还净融资20221024862.40684.77177.20221025885.8620221026596.45126.1020221027359.82391.01202210281637.05120221029202210302022103181202211120221122022进一步观察2022年10月底的发行到期数据,可以看到10月底并没有较大的净融资流入因此无论我们如何对月底数据进行调整都无法解决2200亿的大口径差异。但是我们注意到,这段数据比较特殊的是发行与偿还面值均较大,二者相抵导致净融资较低,于是我们进一步提出下述猜想:到期始终计入当前月份,而月末发行则是计入下一月份。图:政府债券调整发行后的口径差异(单位:亿元) 基于该猜想,我们再次对口径进行了调整。从结果我们可以看到,通过对月末发行数据进行口径调整,不仅解决了之前出现的2022年10月、11月的异常情况,其他时间节点的匹配程度也有了显著的提升。对于最新2023年2月社融中政府债券部分的预测,央行公布数值为8138亿元,原始发行到期口径下为6608亿元误差为1530亿元而经过我们调整后的预测值为8132亿元误差仅为6亿元,预测效果有着巨大的提升。图:社融口径与新发到期调整后口径下的政府债券对比(单位:亿元)企业债券社融中企业债券部分是指非金融企业发行的各类债券包括企业债公司债中期票据、短期融资券、超短期融资券、中小企业集合票据、非公开定向融资工具、资产支持票据、可转债、可分离可转债、中小企业私募债等。企业债券是社会融资规模的重要组成部分,当前企业债券存量约占社会融资规模存量的9%。也有发布社融所包含的各类债券的日度发行和到期数据,当我们试图通过每月的发行减去到期去拟合社融企业债券部分,我们发现虽然整体趋势相近,但是依旧存在着一定差异。图:社融口径与新发到期口径下的企业债券对比(单位:亿元)我们发现这个企业债券的社融口径与的新发到期口径之间的差异并不像政府债券一样有高估低估交错出现的特征,而是在一段时期里出现长期高估或是低估,因此采用类似政府债券的处理方式无法有效消除这个差异。鉴于高估或是低估现象多是集中出现的,我们认为口径差异的来源可能也是在不断变化,直接进行线性回归对各分项进行配权并不能有效刻画这一特征,最终我们选取了5年窗口的线性回归去拟合社融口径下的企业债券。图:企业债券社融口径与新发到期口径差异(单位:亿元)经过滚动回归的方式对于各子项进行动态配权,整体的匹配度有了较明显的提升。2017年后的调整过的口径差异(绝对值)相较于原始差异降低了约33%,而从2021年开始计算的话则差异降低了约56%,该调整对于拟合精度的提升有着显著的作用。图:企业债券调整后口径差异(单位:亿元)图:社融口径与滚动回归调整口径下的企业债券对比(单位:亿元)外币贷款外币贷款是指金融机构向非金融企业、个人、机关团体以贷款、票据贴现、垫款押汇福费廷等方式提供的外币贷款社融中外币贷款的规模较小自2015年以来在社融中的占比也在持续下行,当前约为0.5%左右。图:外币贷款月度值及存量占比平滑处理后的外币贷款与人民币汇率以及中美国债利差有着较高的相关性,但是很难利用该特性去预测外币贷款的月度值。平滑后的外币贷款与中美1年国债利差表现出明显的正相关,而与美元兑人民币汇率(月均值)有着显著的负相关性。但是当我们试图使用这些变量去预测外币贷款时,发现由于外币贷款自身的高波动性尽管我们能够相对准确地预测外币贷款的12个月移动平均值但是难以直接对外币贷款当月新增值做出准确的预测。图:外币贷款与中美1年期国债利差 图:外币贷款与人民币汇率 我们最终选择使用外币贷款过去三个月的平均值作为对其当月值的预测。鉴于外币贷款本身规模较小,使用该方法进行预测并不会产生较大程度的偏离。图:外币贷款预测(单位:亿元) 信托贷款信托贷款是指信托投资公司在国家规定的范围内,运用信托投资计划吸收资金,对信托投资计划规定的单位和项目发放的贷款。信托贷款是资金信托(即单一信托和集合信托,不包括财产权信托)资金运用中的贷款部分,我们以中国信托业协会发布资金信托贷款余额的季频变动与社融中信托贷款的当季增加值相比较,可以发现二者口径基本吻合。社融存量中信托贷款的占比近年来明显缩水,2017年底约为4.1%,到2022年底仅剩1.1%左右。图:信托贷款口径(单位:亿元)信托贷款的规模整体来看先升后降,大致可以分为两个阶段。我国信托业在2008-2017年间高速发展,其主要业务为通道类信托与融资类信托,这部分业务在促进信托业发展的同时,也带来了巨大的风险隐患。随着资管新规和“两压一降(压降信托通道业务违规融资类业务规模降低金融同业通道业务加大风险处置力度的出台信托业从2018年开始进入转型调整时期资金信托的规模明显下滑。从图52我们可以看到2018年之前单一信托与集合信托的体量均迅速扩张但是从2018年开始金融监管强化,走势出现明显分歧。集合信托受到一定冲击,虽然整体规模仍有上行趋势,但是增速明显放缓;而作为通道类业务的单一信托的规模则在监管具体量化指标的要求下迅速走低。图:单一信托和集合信托的余额变化(单位:万亿元)我们通过两类资金信托的净融资量结合信托贷款在资金信托中的比重来对社融中信托贷款部分进行预测其中资金信托的到期数据可从中国信托业协会得到集合信托的发行数据可以从用益信托网得到;虽然单一信托的发行信息并不对外披露此项无法得到直接数据但是根据我们上述对于单一信托的复盘2018年后强监管使得单一信托的发行量迅速下滑我们近似认为单一信托的发行量为零直接使用单一信托的到期数据作为其净融资数据。我们假设每月集合信托净融资中信托贷款比例与上季度的信托贷款余额在资金信托中的比例相同,单一信托净融资全部均为信托贷款(单一信托以通道类贷款业务为主,二者加总得到对社融中新增信托贷款的预测。可以看到该方法从2020年下半年开始有着较好的预测效果这是因为2020年6月银保监会下《关于信托公司风险置相工作的通知,加强对于融资类与通道类业务的监管,使得我们直接使用单一信托的到期数据作为单一信托的贷款净融资数据这一处理带来的误差进一步缩小。图:信托贷款的预测(单位:亿元) ,用益信托网,委托贷款委托贷款,是指委托人提供资金,由商业银行(受托人)根据委托人确定的借款人、用途、金额、币种、期限、利率等代为发放、协助监督使用、协助收回的贷款我国法律规定下只有银行信托小额贷款公司等具有放贷资格而他企业之间的借贷则需要借助银行委托贷款的形式进行自2017年以来委托款余额在社会融资规模存量中的占比逐年下降,目前约为3%。3年至207年资管新规之前委托贷款由于监管的缺乏成为通道业务的一种形式,规模迅速扩张。一方面,银行通过将信贷资金多重嵌套,以委托贷款的形式以规避监管指标的限制;另一方面,券商资管、基金子公司等没有放贷资格的资管计划通过委托贷款通道间接实现贷款的发放。图:委托贷款阶段变化(单位:亿元)2017年资管新规去通道去嵌套的强监管下委托贷款的新增规模显著下降;2018年1《商业银行委托贷款管理办法发布对于委托贷款的来源和投向行进一步明确限制。考虑到委托贷款在遭遇严监管后规模相对稳定,我们使用过去2个月的平均值作为当前委托贷款的预测。图:委托贷款预测(单位:亿元)值得注意的是2022年8月和9月委托贷款部分出现较大的增量,其来源为基建配套的委托贷款增(基础设施投资基金主要以委托贷款形式投放对于部分增量贷款,由于缺少可以长期跟踪的指标,暂无较好的处理方式,需要根据每月相关政策动向进行额外判断。未贴现银行承兑汇票未贴现银行承兑汇票是指企业签发的银行承兑汇票未到金融机构进行贴现融资的部分,统计上体现为企业签发的全部银行承兑汇票扣减已在银行表内贴现的部分自2017年以来社会融资规模存量中未贴现银行承兑汇票的占比逐年下降目前约为0.8%。一种有效预测新增未贴现银行承兑汇票的方法是利用上海票据交易所公布的高频票据数据但是由于票交所于2022年6月24日开始不再对外公布相关数据,无法继续使用,这里仅记录以供参考。银行承兑汇票的期限较短,纸票期限一般不超过6个月电票期限不超过12个月我们考虑用6月前的承兑减去贴现作为当前票据到期量的估计值,那么当月新增未贴现银行承兑汇票便可以用承兑减贴现再减到期去计算。票据到期t

=票据承兑t−6

−票据贴现t−6未贴现银行承兑汇票t

=票据承兑t

票据贴现t

票据到期t图:未贴现银行承兑汇票高频票据预测(单位:亿元) 从图57中我们可以观察到未贴现银行承兑汇票较为明显的季节性特征各份相同月份的数值相对稳定,且整体规模不大,我们采用过去三年同期数值的平均值作为当前新增未贴现银行承兑汇票的预测。图:未贴现银行承兑汇票的季节性特征(单位:亿元)可以看到,在高频数据缺失的情形下,使用季节性均值作为替代手段依旧有着不错的效果,整体误差处于可接受的范围。图:未贴现银行承兑汇票季节性均值预测(单位:亿元)非金融企业境内股票融资非金融企业境内股票融资是指非金融企业通过正规金融市场进行的股票融资,是非金融企业重要的直接融资方式。目前非金融企业境内股票融资存量约占社会融资规模存量的3%并且近年来随着股票注册制的推进其占比也有着逐步向上的趋势。对于非金融企业境内股票融资的预测,我们采用高频数据跟踪的形式。利用数据库中对于股权融资(包含IPO、增发、配股、优先股)的月频净融资数据统计,从中扣除金融企业部分(二级行业:银行、多元金融、保险Ⅱ),得到对社融中股票融资部分的预测。图:非金融企业境内股票融资预测(单位:亿元) 通过高频数据拟合得到的预测值整体来说是存在一定程度上的高估的。根据我们的观察,较大误差的出现往往当月会有大额定向增发的发行,据此推断误差源自于这部分定向增发计入社融的方式。虽然由于无法明确社融中非金融企业境内股票融资的具体统计方法与口径,导致难以通过进一步调整对预测进行修正,但是2020年后该预测方法仍有较好的稳健性,误差处于可控范围之内。贷款核销贷款销银按定呆账款贷损予核销一制核销不良贷款会导致信贷规模的减少,但是该部分资金已经流入实体经济且未收回,因此贷款核销也是社融的组成部分之一。目前贷款核销存量约占社会融资规模存量的2%由于银行通常于季末尤其是年末集中进行贷款核销其有着显著的季节效应。图:贷款核销的季节效应(单位:亿元)对于贷款核销部分的预测由于缺少相关信息并且考虑到其整体规模较小季节性显著且不同年份间变化不大,我们不做过多假设,直接采用贷款核销去年同期值作为对当前的预测。历史数据表明该预测方法虽然简单但是预测的误差并不大。图:贷款核销预测(单位:亿元)存款类金融机构资产支持证券存款类金融机构资产支持证券是指存款类的金融机构将信贷资产信托给受托机构,由受托机构以资产支持证券的形式向投资机构发行的受益证券。存款类金融机构资产支持证券的发行会使得信贷规模减少,但是这一过程中实体经济的融资并不会因此变化,将这部分纳入社融的统计中可以避免低估金融体系对于实体经济的提供的资金量。存款类金融机构资产支持证券在社融存量中的比重较小,目前约为0.5%。图:存款类金融机构资产支持证券当月值及存量占比考虑到存款类金融机构资产支持证券的相关披露信息较少,增量规模不大且不同年度之间存在较明显差异我们采用过去三月的平均值作为当前月份的估计由于其本身基数较小,使用该方法预测的误差对社融整体的影响并不大。图:存款类金融机构资产支持证券预测(单位:亿元)拆分预的汇总我们将人民币贷款部分和非人民币贷款部分各子项预测结果分别合并,得到对社融整体的预测。从结果来看,自下而上的预测方法能够有效的捕捉社融的季节性特征以及变化趋势2019年1月至2023年1月的社融增量同比方向胜率为71.43%。图:自下而上社融预测(单位:亿元) 图:社融中人民币贷款的预测(单位:亿元) 图:社融中非人民币贷款部分合计预(单位亿元)社融中人民币贷款部分的预测误差主要来源于企业贷款居民短贷的预测社融其他部分预测误差主要源自于未贴现银行承兑汇票和信托贷款两项的预测。复盘发现企业贷款+居民短贷预测误差主要来自政策对信贷的引导此时景气和开工等高频数据往往还没反映,但是政策性融资支持工具已经发力,使得我们难以捕捉这样的信号。未贴现银行承兑汇票的预测由于票交所不再公布票据的高频数据,只能根据其季节性进行推断,导致预测精度不尽人意,如果后续能够获取的相关的高频数据这部分误差有望得到修正2020年6月前信托贷款的预误差主要源自于我们将单一信托到期数据作为其贷款净融资的处理方法,事实上随着监管趋严,单一信托的规模萎缩,这一处理方法愈加贴近现实,误差显著减少。图:人民币贷款预测误差来源(单位:亿元) 图:非人民币贷款部分预测误差来源(单位:亿元)总结本报告从量化的角度出发,使用了自上而下和自下而上两种方式对社融进行owcasing预测,并对两种方法进行了分析与对比。自上而下的预测是将社融作为一个整体,以社融与其他经济变量在宏观层面的交互关系为出发点,建立了从指标筛选到数据降维再到拟合配权、高频预测的完整owcasing框架。而自下而上的预测则是将社融拆分为子项,从各个子项的高频数据监测或经济逻辑的角度出发,有着准确度高、误差溯源以及模型修正容易等特点。图:两种预测方法结果对比 两种预测方法的的主要差异如下:两种方法的预测频率存在差异。自上而下的方法可以较好地处理混频数据能够对社融TTM环比进行日频的预测自下而上的方法则是于每月月末得到对于当月的社融预测值,领先社融数据的正式发布日期约10天。两种方法的有效适用时长存在差异。自上而下的方法从宏观的层面出发有着较好逻辑稳定性,能够在相对较长的区间进行相对稳健地预测;而自下而上的方法从子项的细分逻辑出发有着更高的准确度,但是由于细分子项的逻辑可能并非长期稳定,比如信托贷款和委托贷款受到强监管后整体的走向与预测逻辑出现明显变化,这时就需要对模型进行修正。当前模型仍有优化改善的空间,我们将进一步从以下方向进行尝试对模型进一步修正:尝试对货币财政政策进行量化以修正模型。复盘预测误差较大的月份,我们发现政策是较为关键的影响因素如2022年9月和12月信贷的超预期,主要是由于政策性金融工具对信贷产生了较大的拉动作用,而这样的政策性影响是率先作用于信贷的因此从PMI等其他指标的角度难以反映这部分变化,需要想办法对这类的政策性工具进行合理量化纳入到模型中以修正预测。尝试使用DM的一些扩展模型,如层级动态因子模型(irachicalDynamicactorodl,对自上而下的预测方法进行修正。相较于传统的动态因子模型,层级动态因子模型可以利用分层的数据结构,使得因子的经济学意义更易于解释,同时可以提取出仅影响部分变量的局部因子,避免出现因子的估计量失去有效性的问题。风险提示1)量化结论基于历史统计,如若未来市场环境发生变化不排除失效可能。插图目录图1:社融预测框架图解 3图2:信贷脉冲对A股景气度有拐点领先特点 4图3:社会融资规模存量与增量 5图4:2016-2022年各月份社会融资规模增量(单位:亿元) 5图5:社会融资规模TTM环比 6图6:社融构成子项 6图7:社会融资规模历史口径调整梳理 7图8:社融存量结构 7图9:信贷脉冲对工业企业利润表现出领先性 8图10:库存周期示意图 8图11:实体经济宏观杠杆率 9图12:上证指数、A股景气度及社融TTM环比变化 9图13:信贷冲与轻工制造行业归母净利润同比 10图14:信贷脉冲与家电行业归母净利润同比 10图15:信贷脉冲与汽车行业归母净利润同比 10图16:信贷脉冲与机械行业归母净利润同比 10图17:Nowcating方法框架 12图18:高频社融指标部分成分指标 13图19:DM方法和PCA方法示意图 14图20:DM方法拟合结果 14图21:DM方法对社融TTM环比方向择时效果(累加) 14图22:PCA方法拟合结果 15图23:PCA方法对社融TTM环比方向择时效果(累加) 15图24:PCA方法日频拟合结果 15图25:2017年社融增速与名义GDP增速出现背离(灰色区域) 16图26:口径调整后的社融TTM环比 17图27:各公共因子对于预测的贡献 17图28:人民币贷款口径对比(单位:亿元) 18图29:境内人民币贷款各分项占比(2022-12) 19图30:居民短贷与消费者信心指数走势基本一致 19图31:PMI与企业贷款+居民贷款同比(离群值处理后) 19图32:企业贷+居

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论