下面是小编为大家整理的Nowcast中国宏观数据（全文完整）,供大家参考。
目
录 1. 引言
......................................................................................................... 3 2. Nowcasting
.............................................................................................. 4 2.1. 宏观数据的数据特征
5 2.2. 动态因子模型
6 2.3. 新信息的纳入——Nowcasting 过程
7 3. 建立中国宏观 Nowcast 模型
7 4. Nowcasting 结果
13 4.1. Nowcasting 中国 2019Q4 GDP 同比
13 4.2. Nowcasting 中国 2020Q1 GDP 同比
16 4.3. Nowcasting 月频价格数据
17 5. 总结与展望
18 参考文献
...................................................................................................... 19
1. 引言
我们在之前的量化配置专题系列报告中介绍了所建立的“基于宏观状态的风险预算配置体系”。整个体系采用了 Sharpe-Omega 度量对应的 1 阶下偏矩估计（Lower Partial Moment，LPM）代替波动率作为风险的度量。在配置体系里，当决策者对资产的预期发生变化时，可以通过调整风险预算的方式表达主观观点。
图
1 基于宏观状态的风险预算配置体系
数据来源：
宏观状态预测在整个配置体系里扮演了重要的地位，决定了战术调整时各资产的 1 阶 LPM 估计。在之前的研究中，我们采用了样本内和样本外两套体系来量化监控宏观状态，但这会造成模型回测与实际应用情景中的不一致性。原有样本外对宏观状态的滚动划分方法需要等单个宏观维度的所有数据公布之后才能更新（譬如经济增长维度的 PMI 和工业增加值），时效性欠佳。此外，每月宏观数据的公布时间并不统一，这进一步造成了原有宏观维度滚动状态划分方法的滞后性。因此，原有方法下的配置体系在相当程度上需要依赖于宏观研究给出的对于未来宏观经济状态的主观判断。
那么，假如目前缺少前瞻并且有效的主观研究判断，我们能否找到一个系统化的方法来对宏观数据和宏观状态进行实时预测呢？一个理想的宏观预测模型，不仅需要准确地预测目标变量，还需要对预测值的边际调整给出合理的解释，并尽可能地涵盖复杂宏观经济运行体系的方方面面。
在本篇报告里，我们就来试图挑战宏观研究最核心的问题——对宏观数据的预测。采用 Giannone et.al. (2008)正式提出的 Nowcast 方法，我们在 中国市场上从工业数据、价格数据、国内外贸易、地产及固定投资、财政、就业、景气调查、信贷等方面选取了 48
个宏观指标，构建了中国宏观 Nowcast 模型。自 2019 年 11 月 5 日起，我们每日从 wind
EDB 获得当天所能获得的宏观历史数据，并采用 1995
年至今的数据进行建模估计。我们将在下文中展示模型对中国 2019 年四季度 GDP 同比的动态周度预测结果。对比 2020-01-17 的公布初值 6.00%，模型在 2020-01-16的预测值为 6.032%，并且公布日前每周模型预测值的边际变化对于投资更具借鉴意义。
后文将分为 4
个部分。第一部分论述即时预测（Nowcast）的概念
和方法。第二部分介绍我们所建立的中国宏观 Nowcast 模型。对现有预测结果的讨论在第三部分。第四部分总结全文。
2. Nowcasting
即时预测（Nowcast）指的是对当下、临近的未来或临近的过去时点进行的预测。具体来说，人们总是希望利用实时获得的信息（譬如相对高频的月度指标）对低频的或是公布时间存在较长时滞的重要经济变量 （ 如季度或年度 GDP ）
进行预测。这里可以进一步将回溯预测 （Backcast）、即时预测（Nowcast）和展望预测（Forecast）三个概念 进行区别。譬如在 2020-02-27 当天，我们获得的最新 GDP 数据是 2019Q4，目前正在经历 2020Q1。但由于统计误差的存在，2019Q4 的 GDP 公布值 也只是真实值的一个“观测”。在 2020-02-27，我们对 2019Q4
及其之前 的历史数据进行估计（或者说预测修正）就是在进行回溯预测（Backcast），对 2020Q1 数据的预测就是即时预测（Nowcast），对 2020Q2 及其未来的 数据预测就是展望预测（Forecast）。
对宏观指标进行 Nowcast 是宏观研究最重要的核心课题之一。国内现有的宏观研究往往采用简单模型并结合主观判断的方法给出结论，但这样的方式存在极大的局限性。一方面，单纯主观判断无法保证预测结果与推演逻辑的内在一致性，也无法提供估计值的标准误而难以对预测结果的有效性进行判断。另一方面，简单的桥接方程（Bridge Equation）
1 模型不仅用到的变量过少，而且过于简单，往往是为了预测“公布值”做出的估计。并且，这类模型本身也无法对新公布数据所含有的“新信息”带来的影响给出解释。
Giannone
et.al.(2008)正式提出了利用月度宏观数据的边际影响即时预报季度 GDP
的方法。这一方法可以同时处理大量的宏观时间序列，并结合最新公布的数据对预测目标进行预测。自 Nowcasting 方法提出以来，其就成为了国际主流的用于对经济和金融指标进行高频预测的方法。而文献中，利用月频和季频的经济数据对商业周期进行相关建模的研究则出现得更早，Mariano
&
Murasawa(2000)将季频数据认为是相应缺失了的月频数据的聚合值，并基于动态因子模型进行建模，构建了新的用于商业周期划分的指数。Bańbura et. al.(2010)用 Nowcasting 方法对 2008 年欧洲地区的 GDP 进行了预测。Bok et. al.(2017)
的纽约联邦储备银行工作论文介绍了他们用 Nowcasting 方法给出 GDP 预测的过程。Brave
et. al.(2019)将 Nowcasting 方法构建的美国经济活动指数与现行的芝加哥联储全国经济活动指数(Chicago Fed National Activity Index, CFNAI)进行了对比，并宣布之后随 CFNAI 一起同步更新 Nowcasting 模型对美国 GDP的预测结果。
下面，我们来正式介绍 Nowcast 方法。
1
指的是将高频数据在低频聚合所建立的预测模型。譬如例用若干月度数据的季度聚合值来对季度 GDP
增速进行预测。
2.1. 宏观数据的数据特征
Nowcast
方法在宏观预测上的广泛应用与其出色地处理了宏观数据的数据特征密不可分。在介绍 Nowcast
方法所采用的动态因子(Dynamic Factor Model，DFM)模型之前，我们先简要讨论一下宏观数据的数据特征。
1) 实际中的宏观面板数据通常都是“高维”的——需要分析的截面变量个数往往高于有效的观测值个数。对于宏观经济的整体运行情况，研究员通常会采用多个指标（如工业增加值、工业企业利润、进出口金额等）从不同部门、不同角度进行统计观测。由于宏观数据最高频率的统计通常是月频，实际中经常会出现截面变量个数高于有效时间序列样本数的情形。并且，由 于同一宏观维度（譬如观测通胀水平的 CPI 与 PPI）的观测指标存在表现特征背离的情形，剔除任意一个截面指标都需要经过仔细的论证。
2) 同一期宏观数据的公布时间并不同步，最新数据的截面会呈现锯齿状（“Jagged”）。就中国宏观数据而言，通常我们可以在当月月末获得当月的中国采购经理指数（PMI）的相关调查数据，次月上旬获得当月的价格、工业、房地产开发和销售、社会消费品零售总额等经济数据，次月中下旬获得当月的 M2、社融等金融数据。市场对于当月宏观经济的预期以及经济前景的解读也会随着新数据的公布不断更新。
3) 宏观数据存在多个观测频率，常见的包括月度、季度和年度。在进行宏观研究时，我们往往需要将不同频率的数据放在同一个框架下统一进行讨论。简单的将高频数据统一聚合到低频进行分析不仅减少了有效样本的个数，还会丢失高频数据的有效信息。
4) 历史宏观数据有可能会被修正，统计口径也可能发生变化。从统计推断角度而言，由于统计误差的存在，任何统计公布结果都只是对真实值的一个观测。数据的修正、统计口径的变化本质上只是修改了观测值，并不会对真实值或者说需要观测的宏观维度造成影响。但历史数据的大幅修正和统计口径的频繁变 动会对简单宏观模型得到的结论造成极大的影响。
综上所述，我们理想中的宏观预测模型需要能够同时对多个宏观时间序列进行处理，并提取出所需要观察宏观维度（如经济增长、通胀等）的变动。面对锯齿状的宏观数据截面，预测模型需要能够即时地对新公布的数据进行“响应”，并对原有的预测值进行修正。面对存在不同观测频率的情形，预测模型能尽可能地保留高频宏观数据的信息。对数据可能存在的缺失、修正和口径变动，预测模型都能进行妥善处理并且预测结果足够稳健。Nowcast
方法正是因为满足了以上的要求，才能在宏观经济预测研究中广受欢迎。
推荐访问:Nowcast中国宏观数据 中国 完整 数据
