> **来源：[研报客](https://pc.yanbaoke.cn)** # 宏观先行指标如何前瞻？——基于EPMI和高频指标的制造业PMI预测总结 ## 核心内容 制造业PMI是月频经济监测的重要先行指标，因其综合性和发布时间早而受到投资者关注。然而，随着资本市场博弈和交易属性的增强，投资者对“先行指标的先行指标”表现出更高的兴趣。本文通过构建基于EPMI和高频经济数据的预测模型，探索如何更前瞻地预测制造业PMI，以捕捉基本面的边际变化。 ## 主要观点 - 制造业PMI具有较强的综合性，反映生产、需求、就业、库存等多方面经济活动。 - EPMI作为反映战略性新兴产业景气程度的指标，通常在每月20日发布，相较于制造业PMI具有一定的领先性。 - 部分高频经济数据（如螺纹钢期货价格、水泥价格指数、原油价格指数等）具有反映基本面边际变化和发布时间早的特点，可作为制造业PMI的前瞻预测工具。 - 基于EPMI和高频数据构建的预测模型（模型二、模型四、模型五、模型六）均展现出一定的预测能力，且在剔除外生冲击后，模型拟合效果显著提升。 ## 关键信息 ### 模型构建与变量选择 - **模型一**：基于EPMI相关指数的制造业PMI回归模型，纳入EPMI总指数、生产量指数、产品订货指数、进口指数、采购价格指数、自有库存指数、就业指数、研发活动指数等。 - **模型二**：剔除外生冲击（如2020年疫情）后的制造业PMI拟合模型，显著变量包括制造业PMI滞后项、生产量指数、自有库存指数、研发活动指数、进口指数环比变化、就业指数环比变化等。 - **模型三**：在模型二基础上引入8个高频经济指标，包括股债大类资产隐含的经济增长预期、螺纹钢期货价格、水泥价格指数、原油价格指数等。 - **模型四**：在模型三基础上剔除外生冲击影响，显著变量包括制造业PMI滞后项、生产量指数、就业指数环比变化、研发活动指数、螺纹钢期货价格、水泥价格指数、原油价格指数等。 - **模型五和模型六**：基于制造业PMI环比差分的预测模型，引入EPMI相关指标及其环比变化、高频经济数据，进一步减少对制造业PMI滞后项的依赖。 ### 模型预测胜率 | 模型 | 荣枯胜率 | 范围胜率 | 方向胜率 | 最优预测胜率 | 次优预测胜率 | |------|----------|----------|----------|--------------|--------------| | 模型二 | 75.56% | 68.15% | 68.66% | 48.51% | 57.78% | | 模型四 | 78.52% | 65.93% | 61.94% | 39.55% | 55.56% | | 模型五 | 77.92% | 58.44% | 73.68% | 42.11% | 50.65% | | 模型六 | 77.04% | 68.89% | 58.21% | 43.28% | 61.48% | ### 模型评估 - **模型一**：预测效果较好，但存在较大偏差，且对制造业PMI的波动趋势刻画不够充分。 - **模型二**：剔除2020年2-3月的异常数据后，模型预测偏差明显减小，拟合优度 $R^2$ 达到0.6806，解释力显著优于模型一。 - **模型三**：引入高频指标后，预测精度有所提升，但受2024年下半年以来的大宗商品价格波动影响，模型表现略逊于模型二。 - **模型四**：剔除外生冲击后，模型预测效果优于模型三，但受高频数据波动影响，解释力略低于模型二。 - **模型五与模型六**：通过使用制造业PMI环比差分，减少对滞后项的依赖，预测效果有所改善，但样本量减少，预测胜率略低。 ## 风险提示 - 模型失效风险：模型可能因数据变化或市场结构变动而失效。 - 基本面剧烈波动风险：突发事件可能对经济基本面造成剧烈影响，进而影响预测结果。 - 财政及货币政策超预期：政策调整可能对市场预期和模型表现产生影响。 ## 结论 本文构建的制造业PMI预测模型，结合EPMI和高频经济数据，能够在一定程度上提升对制造业PMI的前瞻性预测能力。通过剔除外生冲击和逐步回归筛选变量，模型的解释力和拟合效果得到显著优化。然而，高频指标的引入也带来了预测精度波动的风险，需持续关注市场环境变化。