金工深度研究：美国CPI的三周期Nowcasting模型-20231031-华泰证券-24页_1mb

美国CPI的三周期Nowcasting模型总结

核心内容

本文介绍了华泰研究团队构建的基于三周期滤波的Simple-Nowcasting模型，用于预测美国CPI的当月值，并构建通胀因子，指导海外资产配置。该模型融合了三周期模型和Nowcasting模型的优势，通过改进变量选择、状态转移方程和差分处理，显著提升了对CPI的预测精度。

主要观点

1. 通胀的重要性：在逆全球化背景下，通胀成为影响“增长-流动性”轮盘的关键变量，直接影响资产配置策略。
2. Nowcasting模型的优势：利用已发布指标推测未发布指标，有助于在数据滞后的情况下提前布局资产。
3. 三周期模型的应用：通过基钦周期、朱格拉周期、库兹涅茨周期对通胀因子进行拟合，提升了模型对通胀变化的刻画能力。
4. 预测效果良好：模型预测的美国CPI同比增速与真实值一阶差分后的 $ R^2 $ 为 67.5%，变化方向预测准确率高达 81.4%。
5. 资产配置策略表现优异：在最优参数组合下，Nowcasting情景下的策略年化收益为 6.02%，夏普比率为 1.39，卡玛比率为 1.05，月度胜率为 68.67%，在所有情景中表现最佳。

关键信息

模型理论

• 隐含状态方程：将多维变量简化为一维隐含因子（第一主成分），并引入特质因子（无法被隐含因子解释的部分）。
• 状态转移方程：将隐含因子拆分为内生驱动（三周期滤波信号）和外生影响（残差），利用AR(1)模型和代理指标的当期信息进行预测填补。
• 三周期模型：证明三周期模型在预测隐含因子时优于传统自回归模型，提升模型的拟合优度。

模型执行

• 建模指标筛选：最终选定17个建模变量，包括CPI主要分项及其代理指标。
• 领先期数调整：根据时差相关性分析和DTW算法，对部分代理指标进行滞后处理，以提升预测精度。
• 主成分分析：第一主成分的方差贡献率约为56%，第二至第五主成分累计贡献率约为36%。
• 模型求解：使用EM算法进行参数估计，通过“大循环”和“小循环”实现模型收敛。

模型应用

• 通胀因子构建：基于CPI的变化幅度，划分出四种通胀状态，并与大类资产建立映射关系。
• 投资时钟策略：根据不同通胀状态调整资产配置比例，以优化投资组合表现。
• 资产配置结果：在最优参数组合下，Nowcasting情景的策略表现优于其他情景，包括市场通胀预期和彭博一致预期。

风险提示

• 模型依赖历史数据：若CPI构成分项权重发生较大变化，预测可能失准。
• 通胀因子映射关系：基于资产的长期表现统计，与短期走势可能有出入。
• 投资建议：报告中提到的资产配置策略不构成投资建议，投资者需谨慎、理性对待。

模型与情景对比

• 情景分析：
  • Nowcasting情景：预测效果最佳，年化收益、夏普比率、卡玛比率、月度胜率均为最高。
  • 市场通胀预期情景：在2020年后表现下降，原因在于通胀风险溢价波动加剧，导致BEI与通胀预期的差距变大。
• 参数优化：通过遍历 $ M = 6, N = 60, p = 0.4 $，黄金作为风险资产，得出最优配置策略。

总结

本文提出了一种结合三周期滤波和Nowcasting模型的创新方法，用于预测美国CPI并指导海外资产配置。模型通过主成分分析、差分处理和引入三周期驱动信号，显著提升了预测精度。通过构建通胀因子，与“增长-流动性”轮盘结合，形成了有效的投资策略。在2020年后，市场通胀预期的策略表现变差，而Nowcasting策略依然表现优异，表明其在当前逆全球化背景下具备更高的实用性。