本报告围绕宏观经济数据的季节性调整方法及其在固收量化策略中的应用展开研究。采用美国统计局的X-13-ARIMA-SEATS方法,结合R语言seasonal包实现季节性剔除,对国内主要宏观指标进行季调分析,并比较不同参数设定及滚动窗口对季调稳定性的影响。报告发现除部分指标如消费者信心指数、外汇储备外,多数宏观数据存在显著季节效应,春节移动效应对多项指标尤为显著。通过对季调数据与原始数据的预测对比,显示季调数据可有效消除异常季节影响但在策略预测稳定性上未必优于原始数据。十年期国债风险溢价预测进一步表明,利率曲线已充分反映宏观信息,季调数据未提供额外信息增益。综合考虑,报告建议投资者适当对宏观数据季节调整,以提升模型合理性和避免异常干扰,但应注意季调参数稳定性和策略应用的系统性验证
| 宏观指标 | 季节性显著性 (QS检验) | 春节效应显著指标 | 移动窗口稳定性 | 建议季调使用 |
|---|---|---|---|---|
| 进口总额 | 显著 | 是 | 稳定 | 建议季调 |
| 出口总额 | 显著 | 否 | 稳定 | 建议季调 |
| 社融规模 | 显著 | 是 | 稳定 | 建议季调 |
| CPI | 显著 | 是 | 稳定 | 建议季调 |
| 财政收入 | 显著 | 否 | 不稳定 | 建议不季调 |
| 财政支出 | 显著 | 是 | 不稳定 | 建议不季调 |
核心论点:
宏观数据因经济活动的季节性波动而呈现季节性变化,未经季节调整的数据存在显著误导性,环比数据波动大、同比数据滞后,故季节调整对于宏观指标分析、量化策略设计具有重要价值。然而,季调过程不可简单等同于降噪,且参数估计过程中存在不稳定性,需要合理设定模型参数以兼顾稳定性与准确性。报告在验证了常见宏观指标季调效果的同时,尝试利用季调数据进行A股小盘股溢价及国债风险溢价的样本外预测,得出季调虽能消除异常值提升模型预测能力,但实际效果整体与未经季调数据无显著差异。报告建议量化投资者仍应对宏观数据进行季节调整以避免异常扰动。
风险提示涉及量化模型失灵与极端市场冲击两方面风险。
关键论点:宏观数据受经济活动季节性影响显著,如图1所示,以社会消费品零售总额的原始数据呈现出明显的季节波动(周期性高峰与低谷交替),环比数据波动过大难以体现趋势;同比数据虽然抵消部分季节性,但因春节等移动假日效应无法完全消除,且存在趋势滞后5~6个月的不足。季节调整成为必要。
季节调整方法介绍:美国统计局开发的X-13-ARIMA-SEATS方法在X11基础上融合SEATS,商业化及学术界广泛使用。R语言的seasonal包完备实现该方法并支持图形界面,简化投资者应用流程(见图2)。本报告所有季调分析均基于该工具完成。
概念澄清:“季节调整不等于降噪平滑”,时间序列由趋势、季节、日历(假日)及不规则部分组成,季调剔除季节和日历影响,保留趋势与不规则部分(后者可能包含噪音及异常点)。图3清晰展示了社会消费品零售总额数据的分解,趋势线平滑且显著上升,季节部分环绕1倍数波动反映季节波动规律,日历效应表现如春节节后波动。
模型动态调整:季调为样本内过程,随着新数据出现需重新估计参数,数据季节性稳定性影响季调结果稳定性,表明季调结果具有动态变动风险。
模型参数设置挑战:季调模型中ARIMA阶数、异常点检测、节假日处理等参数复杂,自动优化模型参数适合单次样本内分析。但量化策略中的历史回溯依赖滚动窗口反复估计引入不稳定性。为了确保滚动窗口内季调稳定性,报告提出固定参数方案(ARIMA阶数_(0,1,1)(0,1,1)、不考虑异常点效应、春节节假日假设、工作日效应1系数设置、坚持SEATS季调方法)以保证稳定且有效的季调结果。
季节性检测及春节效应影响:表1统计显示,除消费者信心指数和外汇储备外,大部分宏观经济指标存在显著季节性效应;春节效应尤其显著,影响进口总额、人民币汇率、M0-M2货币供应、社零、工业增加值、财政支出与CPI等。设定固定参数虽非统计最优,但残差无显著季节性、满足自相关性独立性和正态假设,季调效果良好。
滚动窗口稳定性测试:报告采用2008年以来滚动窗口方式的多次季调结果与全样本季调结果对比,发现财政收入和财政支出季调不稳定,波动过大(图5),投资策略建议使用原始同比数据;而进出口、CPI等指标季调效果稳定(图4)。
这体现出部分指标的季节特性或节假日影响较难捉摸,或因数据自身属性导致季调参数敏感。
附录图表解读:附录图表(10-13页)展示了主要宏观指标(进出口总额、社融规模、M0、社零、工业增加值、固定资产投资、CPI等)原始值与季调值对比。总体来看,季调显著抹去了春节及假日带来的峰谷,令同比数据变化更具平滑性和可比性,但部分月份季调前后差异有限,主要体现在农历新年期间1-3月。~13]
A股小盘股溢价预测
选择工业增加值、进出口总额、固定资产投资、社零五个季节性强的经济增长类指标,使用同比滞后两期数据做自变量,因这些自变量存在强序列自相关,采用Kostakis(2015)的IVX方法避免回归偏误。在2017年1月至2020年3月的样本外预测中(图6),使用原始数据与季调数据的预测偏差总体无显著差异,但部分月份(3月、4月)因受春节季节影响较大,季调效果影响预测差异较明显。
解读:季调过程虽消除了异常值影响,理应提升预测能力,但其模型参数随着时间滚动窗口动态变化导致参数估计不稳定,反而会降低预测稳定性,两个影响在整体上相互抵消。报告建议基于宏观指标逻辑和异常点规避角度,仍推荐数据季调。
债券风险溢价(BRP)预测
BRP定义为10年期零息债持有三个月所获得的超额相对无风险利率收益。无风险利率曲线综合多品种数据构建(详见系列报告上篇)。
对比两种IVX回归模型的预测表现:
1)模型一仅使用当前即期利率和远期利率反映利率曲线期限结构资讯;
2)模型二基于模型一加入季调后的宏观经济增长指标和通胀细分项,运用PCA降维特征减少变量维度。
结果及意义
样本外时间为2012年5月至2020年1月,图7显示两模型相较实际BRP均有一定拟合度(模型一Rsquared=0.2709,模型二0.277,方向正确率皆约75%),两者差异不显著。表明国内市场利率曲线的期限结构已经充分包含宏观经济数据的信息,宏观数据额外提供的信息增量不足,对债券风险溢价预测帮助有限。
本报告并未涉及具体公司或资产的估值分析,主要聚焦宏观数据处理方法及其对宏观经济变量预测的影响,因此无传统意义上的DCF、市盈率等估值模型应用。
报告明确指出以下风险:
报告未详细列出风险缓解策略,但隐含建议应关注模型稳健性和市场环境变化,结合季调数据合理应用,以降低风险。,9]
模型参数设定与稳定性权衡:报告固定ARIMA参数避免滚动窗口参数波动带来的季调不稳定,虽可提升稳定性,但放弃了自动优化可能导致模型拟合优度下降,影响季调精度。这是一种典型的稳健性与拟合度的权衡,用户需根据具体应用场景选择适合方案。
季调对模型预测提升有限:现实应用中,季调数据并未显著提升量化策略的预测准确性,反映出现有季调方法在宏观经济变量建模中的边际效用递减,且动态参数变化带来的不稳定性可能抵消季调效果。此发现对投资者具有警示意义:季调不可盲目追求,须结合实际模型需求。
假日效应特殊处理的挑战:报告指出春节等移动假日效应是季调难点,尤其影响1-3月数据。季调工具虽针对假日制定特殊模型,却依然存在调整不足或过度调整的问题。进一步研究可能需结合非线性季节性模型或社会经济事件模型。
宏观数据已被利率曲线有效信息覆盖:债券市场的研究显示,宏观经济数据对风险溢价的增量预测信息不显著,表明二者信息重叠高,提示投资者应关注市场已经价格化的公开信息,避免重复利用弱信息。这对于宏观量化肯定了“市场有效性”在一定层面上的体现。
报告结构清晰,但部分表格未完全展示具体数值:例如表1中的大量数值细节因格式限制未全部详尽呈现,可能导致读者需更多自我判断和推断。建议后续版本增加详细表格和模型参数说明,以增强透明度。
本报告系统全面探讨了宏观经济数据季节调整的重要性、方法论选择、实践运用以及对量化投资及利率风险溢价预测的影响。核心观点明确指出:
图表如图1-7和附录图8-13进一步支持和验证了上述结论,为宏观经济量化模型的构建、参数选择、数据筛选提供了基础和参考。
报告发布于东方证券研究所,作者朱剑涛,具备充分专业资质,内容严谨且基于广泛数据验证。适合宏观量化策略研发者、固定收益投资人及经济周期分析师参考借鉴。
图1:
图3:
图4:
图5:
图6:
图7:
图8(附录中关键指标季调效果示例):
(全文分析基于报告正文内容,引用对应页码标注于文中),1,2,3,4,5,6,7,8,9,10,11,12,13]
宏观固收量化系列研究之(三):宏观数据季节调整与运用.pdf