宏观研究：基于机器学习的社会融资规模的预测-20191211-浙商证券-10页_961kb

基于机器学习的社会融资规模的预测总结

核心内容

本文探讨了利用人工神经网络（ANN）与Adaptive-Lasso变量选择方法对社会融资规模（社融）同比增速进行预测的方法。研究旨在通过引入现代统计与机器学习技术，提升对宏观经济数据预测的准确性和全面性，为投资决策提供参考。

主要观点

• 传统方法的局限性：普通最小二乘法（OLS）和逐步回归在处理高维、非线性数据时存在局部最优解、共线性问题等缺陷，影响模型的稳定性与预测精度。
• Adaptive-Lasso方法的优势：该方法通过引入不同的权重对变量进行筛选，能够更准确地识别关键影响因素，提高模型的解释力和预测能力。
• BP神经网络的应用：三层BP神经网络具备强大的非线性拟合能力，适合处理复杂的宏观经济数据预测问题。
• 模型优化策略：通过调整隐藏层数量，发现当隐藏层数为3时，模型的综合误差达到最优，避免了过拟合问题。
• 预测结果：基于历史数据的训练，模型成功预测了2019年第三季度社融同比增速为10.62224465%，预测误差在可接受范围内。

关键信息

1. 变量选择与筛选

通过Adaptive-Lasso方法筛选出以下关键变量对社融同比增速有显著影响：

• 金融机构住户贷款的同比增速
• 私营非金融部门的偿债比率
• 个人住房贷款加权平均利率
• 居民部门债务率
• 中央政府债务率
• 地方政府债务率
• 非金融部门债务率
• M2增速
• GDP增速
• 地产去库存周期

以下变量因多重共线性、相关性不显著或数据追踪有效性不足被剔除：

• 城镇居民人均可支配收入同比增速
• 十年期国债与三年期国债差值
• 广义政府部门债务率
• 非标融资同比增速

2. 数据预处理

• 数据集包含19个变量，其中18个为特征变量，1个为被解释变量（社融同比增速）。
• 数据标准化处理：将原始数据映射到0~1的范围，以提高神经网络的训练效果。
• 标准化公式如下：

$$
Z = \frac{x - \min(x)}{\max(x) - \min(x)}
$$

3. 模型构建与训练

• 构建了一个单一隐藏节点的BP神经网络模型，随后通过优化发现3个隐藏节点的模型预测效果最佳。
• 模型通过反向传播算法进行训练，不断调整权值以减少预测误差。
• 模型评估采用综合误差（ε = ρ / Δ），其中ρ为预测值与真实值的相关系数，Δ为绝对误差的最大值。

4. 模型评估与预测结果

• 预测误差：在SSE = 0.031508的水平上，模型表现良好。
• 预测值：2019年第三季度社融同比增速预测为10.62224465%。
• 预测误差分析：通过图2可见，预测值与真实值基本吻合，误差在可接受范围内。

5. 模型结论

• 本文构建的模型在样本时间范围内能够较好地契合历史数据，并对短期趋势作出合理预测。
• 预测结果对宏观经济分析具有一定的参考价值，可用于投资决策。

研究与应用展望

• 研究价值：本文提供了一种基于数据挖掘技术的宏观经济预测框架，整合了多种理论因素，具有系统性。
• 应用前景：随着宏观审慎管理等新理论的发展，该框架可灵活引入新变量，进一步提升模型的准确性和适应性。
• 模型优化方向：未来可探索更复杂的神经网络结构，或引入更多影响因素以提升预测能力。

投资建议

• 预测结果表明社融同比增速呈下行趋势，可能对金融市场产生一定影响。
• 投资者应结合自身持仓结构和其他市场因素进行综合判断，不单依赖投资评级。

风险提示

• 本报告基于公开数据，不保证其真实性、准确性及完整性。
• 投资决策应由投资者自行判断，不构成投资建议，公司不承担相关法律责任。

法律声明

本报告由浙商证券股份有限公司发布，仅供客户参考。未经公司书面授权，任何机构或个人不得复制、发布、传播本报告内容。