20220308-华安证券-量化知宏观系列之一_基于机器学习的PPI预测模型_13页_1mb

基于机器学习的PPI预测模型总结

核心内容

本文探讨了基于机器学习的PPI（工业生产者价格指数）预测模型的构建与应用，旨在解决传统方法在预测精度、变量筛选和权重调整方面的不足。通过分析多种传统预测方法，结合机器学习技术，提出了一种更为精确和灵活的预测模型，用于评估2022年2月PPI的走势。

主要观点

• PPI预测的重要性：PPI是宏观分析中的关键指标，反映工业产品价格变动趋势，对经济形势和资产配置具有重要参考价值。
• 传统预测方法的局限性：
  • 领先指标预测法：虽然方法简便，但相关性和领先期不稳定，导致预测精度较低。
  • 高频指标降频法：虽然简洁有效，但因自变量和因变量构成关系不明确，难以调参和优化。
  • 工业品价格合成法：逻辑关系清晰，理论上拟合效果最优，但面临变量共线性和权重调整的难题。
• PPI权重与调整的理解：
  • PPI分项权重为各行业工业销售产值比重，通常用营收占比替代。
  • 统计局在计算PPI同比时使用的是去年同期的行业权重，而非当期权重。
  • 使用T-12期营收占比加权计算的PPI最接近实际值，且平均偏差最小。

关键信息

一、传统PPI预测方法及其痛点

1. 领先指标预测法：

   • 利用如CRB工业原料指数等指标预测PPI。
   • 痛点：相关性和领先期不稳定，预测精度低。

2. 高频指标降频法：

   • 使用生产资料价格指数进行预测，与PPI相关性高达0.98。
   • 痛点：无法明确自变量和因变量的构成关系，难以调参和优化。

3. 工业品价格合成法：

   • 基于工业品价格加权合成PPI，逻辑关系明确，可信度高。
   • 痛点：变量共线性问题严重，权重调整信息不透明。

二、PPI权重及调整的理解

• 权重来源：PPI分项权重基于各行业工业销售产值比重，通常用营收占比替代。
• 权重调整机制：
  • 统计局在计算PPI同比时使用的是去年同期的行业权重。
  • 猪肉价格与猪肉权重存在约12个月的滞后关系，验证了权重调整机制。
• 最佳权重选择：
  • 使用T-12期营收占比加权计算PPI，效果最好，平均偏差最小。

三、基于机器学习的PPI预测模型

1. 数据预处理：

   • 数据时间范围为2016年1月至2021年12月。
   • 剔除时间序列过短的普通硅酸盐水泥和天然橡胶。
   • 提取48个特征变量，基于月度均值和同比计算。

2. LASSO回归筛选关键变量：

   • 从48个自变量中筛选出9个关键变量，包括无缝钢管、柴油、汽油、石蜡、无烟煤等。
   • LASSO通过引入惩罚项，解决共线性问题，模型R²为97.1%。

3. 引入滞后项拟合权重调整：

   • 将变量滞后12期以拟合生产资料销售产值波动对下年同比权重的影响。
   • 模型R²上升至99.0%，提升预测精度。
   • 潜在假设：工业品价格波动可代表销售产值波动，但在供给侧改革期间可能出现偏差。

四、预测结果

• 2022年2月PPI同比预测为9.1%。
• 预测依据：
  • 统计局发布2月下旬流通领域生产资料价格数据。
  • 煤炭、石油、化肥等大宗商品涨幅显著，受俄乌冲突影响。
  • 无缝钢管、柴油、汽油、石蜡、无烟煤等关键变量的当月同比数据支撑预测。

风险提示

• 俄乌冲突干扰：可能导致未计入模型的商品价格剧烈波动，造成预测偏差。
• 模型失效风险：基于2016-2021年历史数据构建，若未来制造业结构和商品种类发生变化，模型适用性可能下降。

模型优势

• 高精度：通过引入滞后项和LASSO回归，模型R²达到99.0%，预测效果显著。
• 灵活性：能够自动更新预测结果，适应市场变化。
• 透明性：基于公开数据和合理假设，模型构建过程清晰可追溯。

模型应用

• 每月14日、24日和次月4日发布预测，次月4日结果更为准确。
• 可用于宏观经济分析、政策评估及资产配置决策。

结论

本文通过机器学习方法优化了PPI预测模型，解决了传统方法的共线性和权重调整难题，提升了预测的准确性和稳定性。模型预测2022年2月PPI同比为9.1%，为宏观研究提供了新的工具和视角。