经济指标周期及领先性确认的数理方法-20200101-东北证券-30页_1mb

经济指标周期及领先性确认的数理方法总结

核心内容

本文探讨了如何通过数理方法量化经济数据的周期性与领先性，旨在为宏观与策略研究提供一种量化视角，并为基本面量化研究提供契合经济数据特性的分析工具。研究流程分为数据预处理与信号分离、拐点识别与对应、以及领先性评估三个主要部分。

主要观点

• 数据预处理与信号分离 是识别拐点和分析领先性的重要前提，包括频率对齐、季调、去趋势和平滑。
• 拐点识别 是周期性分析的核心，通过一系列筛选规则从局部极值中识别出全局拐点。
• 拐点对应 是确认领先性的重要步骤，通过匹配两个序列的拐点，判断其领先或滞后关系。
• 领先期数确认 通过综合评估，结合拐点间隔和互相关函数，确认经济指标间的领先滞后关系。

关键信息

1. 数据预处理与信号分离

• 频率对齐：使用线性插值方法，使不同频率的指标可比，如将季频数据转换为月频数据。
• 季调：剔除季节性影响，采用X-13ARIMA-SEATS模型，其中包含节日效应、月份效应等变量。
• 去趋势：使用BK、CF、HP等滤波方法分离趋势与波动。
  • BK滤波：适用于平稳序列，但有数据截断问题。
  • CF滤波：适用于非平稳序列，且随时间序列变长而收敛于最优滤波。
  • HP滤波：简单、快速、稳定，但λ参数难以自适应确定。
• 平滑：使用经验模态分解（EMD）方法，具有自适应性和灵活性，适用于非平稳非线性信号。

2. 拐点识别与对应

• 拐点识别：基于Bry-Boschan算法，筛选极值点，确保交替出现、周期长度符合要求。
• 拐点对应：通过设定滞后范围，匹配不同序列的拐点，判断其领先或滞后关系。
  • 对于工业增加值与水泥产量同比增速，经过处理后，水泥产量对工业增加值具有领先性。

3. 领先性评估

• 领先期数确认：综合拐点间隔和互相关函数，评估领先滞后关系。
• OECD领先滞后性评判标准：
  • 巧合：滞后期数在±2个月以内。
  • 领先：滞后期数在2-8个月以内。
  • 长期领先：滞后期数大于8个月。
  • 滞后：滞后期数小于-2个月。

4. 实例分析

• 工业增加值与水泥产量同比增速：
  • 经过季调和EMD平滑后，水泥产量对工业增加值的领先期数约为4-5个月。
  • 通过拐点识别和对应，确认水泥产量在经济周期中具有一定的领先意义。

重要性论证

• 拐点识别与对应：能够提供额外的周期信息，计算平均拐点间隔，与传统回归法互为印证。
• 季调与平滑：有助于消除季节性影响和高频噪声，提高拐点识别与领先性评估的准确性。

图表说明

• 图1：某次迭代中的包络线均值及残差
• 图2：EMD分解流程
• 图3：消除“春节效应”前后的工业增加值同比（%）
• 图4：经验模态分解分解的工业增加值同比（%）各层信号
• 图5：三层高频噪音与长期走势对比
• 图6：工业增加值同比（%）的平滑结果与原始值对比
• 图7：工业增加值同比（%，平滑后）的极大值（绿）与极小值（红）
• 图8：第一次筛选后的结果
• 图9：按周期长度要求及原则1、2筛选后的结果
• 图10：按半周期长度要求及原则1、2筛选后的最终结果
• 图11：水泥产量同比增速（%，平滑后）的拐点识别结果
• 图12：工业增加值与水泥产量拐点对应关系

表格说明

• 表1：滤波方式优缺点对比
• 表2：OECD领先滞后性评判标准
• 表3：“春节效应”虚拟变量
• 表4：筛选过程中剔除的极值点
• 表5：工业增加值与水泥产量的拐点对应明细
• 表6：不同领先期数下水泥产量与工业增加值的相关系数与回归统计
• 表7：未平滑时水泥产量与工业增加值的相关系数与回归统计
• 表8：季调与平滑前后，两指标拐点识别对比

风险提示

以上结果基于历史数据统计、建模和测算，模型在政策或市场环境变化时可能失效。

应用与展望

• 本文方法可应用于宏观经济周期研究、行业景气度分析、基本面量化等。
• 后续研究可进一步优化模型，提高拐点识别的准确性，以及探索更多经济指标的领先性关系。

结论

通过数据预处理、信号分离、拐点识别与对应、领先性评估等步骤，本文提供了一套完整的数理流程，有效捕捉经济数据的周期性与领先性特征，为基本面量化研究提供了新的视角。