李迅雷：中国经济周期实质就是地产周期

　　本文来源微信公众号“李迅雷金融与投资”，作者李迅雷、唐军、陈俊伟。

　　主要观点：

　　用绝对值数据来衡量宏观信息可能更合理。

　　名义GDP与地产投资的相关性最高。而基建投资与名义GDP之间弱负相关，但不显著。

　　上游可选择工业用电量指标作为代表指标；其次是粗钢产量，再其次是水泥产量。

　　下游的汽车销量与名义GDP相关性较弱，而社会消费品零售总额则与名义GDP相关性更显著；此外，名义GDP与净出口之间没有显著性，而与进出口总额指标的显著性最高。

　　长期利率水平变化的大趋势与产出水平保持一致，且产出水平一定程度上领先于长期利率的变化。但在发生强力的货币政策干预时（如13年下半年银行间回购利率大幅抬升），两者才会背离，但短期的背离不是常态。

　　名义GDP与公司盈利相关性更高；产出水平影响股市的大趋势，但几乎没有领先效果，提前预判产出水平的变化趋势才有意义。过去十几年名义GDP增速与上证综指的走势来看，大的趋势多数时间是匹配的，大的明显背离只在2015年发生过一次。

　　商品期货价格对宏观经济比较敏感，历史表现来看，南华商品指数走势与名义GDP增速具有显著的正相关性；从领先滞后关系来看， 大多数时候是同步的。

　　中泰时钟的释疑解惑

　　中泰时钟自2017年初推出以来，受到业界广泛关注。交流中对我们提出的较普遍的需求是精简各个维度的指标体系，提升模型决策过程的直观性和可解释性。本篇报告从中泰时钟的四个维度（产出、通胀、政策和资产间联动关系）中的产出维度入手，从上游供给和下游需求角度分别挖掘最具代表性的指标来刻画经济产出水平，最后探讨了经济产出与股市、债市和商品的关系。

　　中泰时钟产出维度指标筛选

　　从经济产出总体水平、上游供给和下游需求三大块入手，分析和对比了常用的宏观指标，结合各指标的公布时间、数据质量和领先滞后关系，初步筛选了具有代表意义的指标。

　　数据质量问题及处理方法

　　对宏观指标做量化统计分析面临的一个较普遍的问题是：指标的异常值、数据质量和统计口径的变化等容易对统计结果造成严重干扰。在清洗和修正这些数据问题时借助了宏观研究团队的主观经验。本文介绍了一些宏观指标共性的问题和较统一的量化处理方法，如春节对1、2月份数据的影响、淡季的同比增速容易出现异常值、统计局统计样本变化造成公布的绝对数值和同比增速相背离等。

　　定量评估各宏观指标对经济产出水平的解释力

　　以名义GDP增速为被解释变量，初选的上、下游指标为解释变量，采用逐步回归模型分析各指标的解释力度。结果表明，房地产投资、进出口总额和社会消费品零售总额对名义GDP增速存在最显著的解释力。

　　风险提示

　　1、回归模型均基于历史数据。本文所采用的数据均为统计局等机构公布的历史数据，回归模型系数均依据历史数据取得，未来存在统计口径及数据质量变化的风险。

　　2、模型所处环境变化风险。模型建立在过去十几年的经济环境之上，未来存在经济环境发生较大变化而使得模型效果减弱的风险。

　　引言：

　　中泰时钟是中泰证券研究所宏观、策略、固收和金融工程等研究团队高度协同、共同推出的基于宏观视角的资产配置模型，自推出以来受到业界广泛关注。在推广和交流的过程中，业界同仁对我们自上而下的宏观分析框架普遍表示认同，对宏观指标的选取、数据处理等细节更是表示出了极大的兴趣。

　　由于宏观指标的历史数据质量较差，统计口径的变化或其他原因导致指标代表的宏观经济意义可能发生了较大变化，前后不具备可比性，由此造成对宏观指标做统计或回测分析的结果容易失真，因此我们对众多的宏观指标做了一遍数据清洗、修正和梳理的工作，其中大量工作依赖宏观研究团队的主观经验，而且为了减小单一指标数据异常的影响，我们保留了较多的同类指标来共同刻画某一经济意义，这些都造成了指标体系较为复杂，由各个指标如何得到最终结果的过程不够直观，可解释性不强。这可能导致只能简单参考我们模型的结果，而要做进一步的拓展或与其他研究相融合就会比较困难。

　　基于这一普遍的需求，我们对中泰时钟的四个维度（产出、通胀、政策和资产间联动关系）分别展开分析，着重研究指标的对比和数据清洗，进一步筛选出更有代表意义、数据质量较优、同类指标中较为领先的指标，精简各个维度的指标体系，提升模型决策过程的直观性和可解释性。本报告研究和介绍经济产出维度的指标。

　　一．中泰时钟产出维度指标筛选

　　通过各研究团队共同讨论，从宏观基本面逻辑入手的定性分析，我们初步从上游供给端、下游需求端以及总体产出水平三个层面筛选出了以下指标：

　　二．数据质量问题及处理方法

　　2.1月度异常值问题

　　春节因素一直是影响中国大多数1、2月份统计数据有效性的关键因素，因为中国春节日期是根据阴历来定，但是统计数据要以阳历来划分，这使得春节经常在1月和2月之间不固定地跳动，春节期间的工厂停工因素直接影响着统计值，所以根据1月和2月的单月数据计算的增速往往会异常高或者异常低。

　　为此，国家统计制度也进行过调整，从2013年开始1-2月的数据一起调查，一起发布，不再披露1月和2月当月数据。尽管如此，根据1-2月合并数据计算的同比数据仍然会出现异常情况，我们以工业用电量数据来看：

　　全社会用电量数据是全口径数据，工业用电量数据则是国家能源局根据统计局的行业划分进行计算的结果，其中1-2月份数据合并发布，从上图中，我们可以看到即使将1-2月数据合并，同比数据仍然会出现异常值，而异常值常常会严重影响数据拟合模型的参数。这是因为尽管1、2月数据合并降低了春节因素的影响，但是1、2月为传统淡季，因此计算出来的同比增速仍然会显著异常，而异常值不仅会影响数据拟合的结果，还会影响数据趋势判断的有效性。为此我们考虑干脆不使用1-2月份数据，而只使用3-12月的单月数据来做研究。

　　2.2统计样本调整导致同比增速数据与绝对数值背离

　　统计局公布数据时一般会公布两组数据，一组是统计的绝对值数据，另一组是同比增速数据，而且根据绝对值数据计算出的同比增速与统计局公布的同比增速不一致，最典型就是工企利润增速2018年以来的差异：

　　根据统计局发布的增速显示，2018年1-7月，全国规模以上工业企业的总利润比去年同期增长了17.1%，但根据统计局公布的绝对值数据，今年前7个月全国规模以上工业企业总利润3.9万亿，去年同期为4.2万亿，计算出的同比增速应该是-8.1%。两个增速一正一负，差异如此之大也引起了市场的广泛关注。

　　统计局的解释首先是统计口径问题，它解释公布的同比数据是根据今年规模以上工业企业上报的上年同期数计算的同比数据，所以这个数据和绝对值计算的数据一般不相等。这会使得当前在统计范围的企业是符合统计条件的，因此会存在幸存者偏差，从企业个数来看，18年相对17年企业个数在供给侧改革的影响下确实有所下降，但下降比例只有1.8%这并不能完全解释利润增速的差异如此之大。

　　另一个解释则是“营改增”后，一些工业企业把非工业的经营活动进行了剥离，这直接会导致根据绝对值计算的同比负值明显。

　　如果仅根据今年的规模以上企业去年的营收计算同比会存在着幸存者偏差问题，供给侧改革以来工业企业规模集中度上升的趋势会显著高估利润增速。而如果是“营改增”影响的部分，根据绝对值计算的结果可能又低估了利润增速，因为这只是非工业经营收入的剥离，计算出来的负值也反映了这种低估。因此真实的工企增速应该在绝对值计算的同比和公布的同比增速之间。

　　对于工业企业利润数据，似乎两个数据都不可靠，但是对于产量数据来说“营改增”促使副业剥离并不会有比较显著的影响，因此此时根据绝对值计算的同比增速可能就是个相对合理的方法，它反映了供给侧改革下市场集中度提升的趋势，我们以水泥产量为例：

　　图表4展示了根据水泥产量绝对值计算的同比和统计局公布的同比增速结果。两个数据出现了两次较大差异，第一次是2011年工企统计口径将规模以上企业标准起点从500万提高到2000万，这使得根据绝对值计算的同比数据在当年显著低于统计局的同比数据。另一次则是2018年以来根据绝对值计算的增速要显著低于统计局增速，而这正反应了供给侧改革造成水泥企业集中度提升的现状。因此我们认为用绝对值数据来衡量宏观信息可能更合理。2011年的数据可以用同比数据倒推上一年产量进行计算。

　　2.3两种增速计算方法：滚动环比及滚动同比

　　在确定了用统计局公布的绝对值计算增速时，一般会计算当月同比或者累计同比指标，但是我们认为这两种方法都不太合适，而应该采用一种类TTM的计算方法。因为当月同比受单月绝对值影响大，较易出现异常值，而累计同比虽然趋势性更好，但是其自相关性比较高，且每年前几个月由于基数小的原因波动更大。

　　为此我们对当月同比和累计同比进行改良，计算12个月滚动环比和12个月滚动同比两个指标，其中12个月滚动环比数据更高频但缺点是毛刺较多，而12个月滚动同比虽然更光滑，但是会较滞后而且自相关性严重不适合做数据拟合。两个指标计算方法如下：

　　在进行数据拟合时用12个月滚动环比，而在判断趋势性时会结合12个月滚动同比来看。

　　三．经济产出的刻画

　　3.1经济产出水平：名义GDP与公司盈利相关性更高

　　在三类宏观指标中，经济产出水平是因变量，我们希望找到领先的上下游指标来拟合经济产出水平。经过研究，我们发现刻画经济产出水平的大体有两类指标，一类是纯量指标包括实际GDP和工业增加值等，另一类是含价指标包括名义GDP、工企利润和上市公司利润等。

　　对于经济产出的核算有支出法、收入法和生产法三种方法，中国GDP的核算是采用生产法，也就是根据三大产业的增加值之和来进行核算，如果计算产业增加值时不考虑价的因素那么计算出来的就是实际GDP，图6展示了实际GDP增速和工业增加值增速之间的关系，明显看到两者相关性比较高，2013年以来走势平稳。

　　而名义GDP则是在计算产业增加值时考虑了价格的因素，因此该指标和企业的利润相关性比较高，图表7和8分别展示了GDP实际价当季同比指标和工企利润以及上市公司利润的关系。

　　工企利润增速2011年以前每年发布4个数据，将其对齐到季度日期，而上市公司利润增速，采用整体法计算上市公司（剔除银行和非银）的ttm利润增速，从图表中可以看出名义GDP和工企利润增速以及非金融企业ttm利润增速走势相关性比较高。而对于投资者来讲企业的利润是个比较关键的因素，因此对于经济产出的刻画我们采用名义GDP增速来刻画。

　　3.2 各指标解释力度

　　3.2.1 上游指标：工业用电量解释力最强

　　对于上游指标，初步筛选了工业用电量、粗钢产量、水泥产量，首先分别检验各指标与名义GDP之间的单变量回归显著性，时间范围为05年至今的季度数据。

　　图表9展示了三个上游指标12个月滚动同比与名义GDP的走势，可以看到整体走势一致性高。另外将名义GDP和三个指标12个月滚动环比做单变量回归，在5%水平下三个指标均显著，其中显著性最高的是工业用电量，其次是粗钢产量，再其次是水泥产量。粗钢指标的问题在于其库存会干扰产量的有效性，而水泥和工业用电量均是没有库存的。水泥指标的问题在于最近几年错峰限产造成了个别月份滚动同比增速的异常对于测试结果有效性的影响，因此上游可选择工业用电量指标作为代表指标。

　　3.2.2 下游指标：房地产投资、进出口总额、社会消费品零售总额

　　对于下游需求指标，根据支出法核算，GDP=投资+消费+政府购买+净出口，虽然我国GDP核算是根据生产法核算，也就是无法通过现有的投资、消费、出口等数据加总获得GDP，但是这几个指标仍然能够反映下游的需求情况。

　　首先来分析固定资产投资，我们分地产投资、基建投资和其他固定资产投资三大块来分析。其中，其他固定资产投资为总固定资产投资额减去地产和基建投资额。

　　从走势的一致性来看，名义GDP与地产投资的相关性最高。进一步，将三类固定资产投资12个月滚动环比增速分别与名义GDP同比增速进行回归检验，发现地产投资和其他固定资产投资增速与名义GDP增速显著正相关，而基建投资与名义GDP之间弱负相关，但不显著。

　　从历史数据来看，地产投资的周期主要决定了GDP的周期，其他固定资产投资是顺周期指标，往往滞后于经济产出水平的变化，基建投资则更多的是作为政府托底经济的政策工具，表现出明显的逆周期特征。

　　关于基建投资作为政策工具的属性，本文做了进一步的分析。财政政策和货币政策都反应了政府对当前经济的看法以及干预的意图，那么基建投资与其他政策工具之间是否存在一定的规律呢？从图表14、15中可以看出基建投资和M2同比以及货币利率逆序相关性比较高，且在一些拐点处基建投资具有一定领先性，这说明了货币政策和财政政策一致性较强，基建投资的变化对预判货币政策的调整具有一定的参考意义。政策维度将在后续专题报告中详细分析。

　　对于进出口数据，我们取进出口、出口、进口和净出口4个指标12月滚动环比与GDP进行回归分析，结果表明名义GDP与净出口之间没有显著性，而与其他三个指标均显著正相关，而且进出口总额指标的显著性最高。

　　从图16中也可以明显看出进出口、出口和进口走势相关性几乎一致，我们认为进口和出口走势一致的原因也可能是由于中国更多属于加工贸易，因此很多商品是先进口到中国在利用中国低成本的人力加工之后再出口到外国，因此这也导致了进口和出口走势的相关性如此之高。而从图表17中可以看出2010年以后GDP和净出口之间的关系非常弱。

　　对于消费，我们主要用社会消费品零售总额和汽车销量两个数据进行检验，消费主要是由可选消费和必需消费构成，其中汽车销量属于可选消费，且汽车销量与可选消费的变化趋势高度一致，社会消费品零售总额则包括可选和必需消费。

　　经过检验，汽车销量与名义GDP相关性较弱，而社会消费品零售总额则与名义GDP相关性更显著。其原因可能是汽车销量也容易受到政策的影响，比如购置税优惠政策对汽车销量影响较大，而社会消费品总额本身涵盖面更广，更好地反映了消费需求。购置税一般为10%，05年以来有两次优惠降低，其中09年降到5%，10年回到7.5%，最近一次是16年降到5%，17年回到7.5%，从图中可以看出两次购置税优惠直接带来了汽车销量数据的提升。

　　四．定量评估各宏观指标的解释力

　　4.1采用逐步回归模型检验各指标

　　将名义GDP的当季同比增速作为被解释变量，将初步筛选出来的指标（月度数据对齐到季度）作为解释变量，然后进行逐步回归并获得拟合函数。

　　4.2 逐步回归模型结果

　　在p=0.05的置信水平下，有3个指标通过显著检验，分别是地产投资、进出口金额和社会消费品零售总额，最终得到的回归方程为：

　　利用回归方程，通过解释变量的月度数值，可以拟合得到产出水平月度的拟合值，图表22表明回归模型的拟合效果较好。

　　五．产出维度对债市、股市和商品的影响

　　前面用大篇幅的内容分析了可能驱动经济产出的需求端等指标因素，但是经济产出水平对于大类资产的影响到底如何，这是本节主要关注的重点，主要分析经济产出对债市、股市和商品的影响。

　　5.1 经济产出与债市

　　以十年期国债收益率代表债市的长期利率水平，观察其与名义GDP增速的关系，图表23可见，长期利率水平变化的大趋势与产出水平保持一致，且产出水平一定程度上领先于长期利率的变化。

　　其中，2013年和2017年分别有一段区间十年期国债收益率与产出增速发生背离，这应该主要受当时货币政策的干扰（13年“钱荒”，17年去杠杆）。以DR007（银行间市场存款类机构以利率债为质押的7天期回购利率）代表货币市场短期利率，其变化很大程度上受央行货币政策的直接影响，可以看到在长期利率与产出背离的两个短期区间里，DR007均发生了大幅上升，即发生了较强的政策干预。

　　可见，产出水平对长期利率通常有较大的决定性影响，只有发生强力的政策干预时两者才会背离，但短期的背离不是常态。

　　5.2 经济产出与股市

　　通常认为股市是经济的晴雨表，理论上讲，经济产出水平直接影响上市公司的盈利水平，从而影响了股票的内在价值。从过去十几年名义GDP增速与上证综指的走势来看，大的趋势多数时间是匹配的，大的明显背离只在2015年发生过一次，见图表24。

　　由于股价反映的是上市公司未来盈利的预期，所以股市理应领先于经济产出的变化。从历史走势看也印证了这一点，在不考虑名义GDP公布时间滞后的情况下，产出水平的变化同步或滞后于股市的变化。

　　那么在考虑股票资产配置时该怎么利用产出维度的信息呢？首先，尽可能挖掘产出维度的领先指标，提前预判产出水平的变化趋势，从而对判断股市的趋势和阶段具有参考意义。其次，当股市和产出水平发生较长时间或较大幅度的背离时，要足够重视和警惕，股市短期可能受情绪或其他因素影响发生了非理性波动（如2015年的牛市）。

　　5.3 经济产出与商品

　　商品期货价格对宏观经济比较敏感，从历史表现来看，南华商品指数走势与名义GDP增速具有显著的正相关性。从领先滞后关系来看，两者大多数时候是同步的（见图表25）。其中，2008年商品明显先于GDP见底回升，是因为当时强有力的政策刺激很确定的预示了经济产出的回升，如基建投资增速大幅提高（见图表26），商品价格提前反映了这一预期。此外，2017年以来，经济产出增速呈现回落趋势，但商品指数表现较强，这应该与供给侧改革和环保限产等政策干预有关。

　　风险提示

　　1、 回归模型均基于历史数据。本文所采用的数据均为统计局等机构公布的历史数据，回归模型系数均依据历史数据取得，未来存在统计口径及数据质量变化的风险。

　　2、 模型所处环境变化风险。模型建立在过去十几年的经济环境之上，未来存在经济环境发生较大变化而影响模型效果的风险。（编辑：刘瑞）

责任编辑：张恒星 SF142