ml發現價值發現價值廣發宏觀社廣發宏觀社會消費品零售總額如何預測？SFCCEnoBNY41903572leigfcomcn03809liqinggfcomcn請注意，陳禮清并非香港證券及期貨事務監察委員會的注冊持牌人，不可在香港從事受監管活動。報告摘要：?社會消費品零售總額不能反映消費全貌，它主要反映實物商品消費，以及餐飲等少部分服務類消費；GDP口徑下的消費要涵蓋更全。但我們可以把社會消費品零售總額視為消費的一個“大樣本”，對于衡量消費變動來說，社零是一個重要的觀測坐標。P獻來自這一部分。但這一口徑公布頻率以年為單位，并不利于市場跟蹤。社會零售總額口徑最窄，只包含商品流通最終環節的實物商品消費以及少部分餐飲服務消費，并不包含任何生產資料消費支出。但這一指標一勝在?社會消費品零售總額如何預測？歷史上一種常用的方法是利用季節性推算。相比其他經濟數據，社零年內波環比季節性均值來對社零做出預測。過去三年疫情期間，因為居民生活半徑存在外生因素影響，季節性一定程度上被打破，尤其是2020年和2022年；2023年作為經濟逐步正常化的年份，消費的季節性也在逐步修復。但客觀來看，對于恢復期中的經濟來說，環比季節性方法所依據的“平穩”和“復現”在條件上能否完全滿，純利用過去三年的環比季節性推算每月社零同比增速，誤差最大也在2個百分點以內。而20、22年疫情年統啟示。傳統方法建立在經濟運行平穩的前提下，即消費作為經濟中的慢變量，波動較小，歷史上的年內波動將接打破了這一方法前提假設，因而這種預測方式出現了階段性失靈。我們思考社零預測中可能面臨的三個問題：二是領先指標缺失。無論是PMI分項、消費者信心指數，還是金融數據，都與社零更多體現為同步性或滯后 發現價值發現價值/39?在這樣的背景下如何預測社零？我們選擇著眼于高頻數據，因為相比環比季節性推演，基于高頻數據的預測更能捕捉疫后社零的高波動；但我們又不希望被高頻數據的高波動反噬，預測中融入甚至放大太多噪音。在這樣的考量下，我們繼續沿用前期報告《工業增加值如何預測》中的方法論，通過提取高頻指標變動信息，合成同步擴散指數的方式來過濾高頻數據。然后再利用過濾完噪音的同步擴散指數進行建模，最終得到對短步擴散指數實質上是各類別消費的高頻指標每月同比增速較前值的變動值為正的占比，提示的是當月社零同混頻(MIDAS)回歸直接利用高頻數據建模，盡可能利用高頻信息，但預測結果單月波動可能較大，更適合作為預測的輔助。?如何尋找能預測社零的“有效高頻數據”？我們的思路是先分類，再尋強相關，后看拐點變動。我們將高頻指標分類歸入餐飲收入、必需品、可選消費-汽車、可選消費-石油制品、可選消費-住房類，及其他可選消費(服裝、日用品等)五類。高頻指標池構建也遵循兩點原則，一要與社零相關，二要公布時點早于社零。關于相關性，我們不僅進行了較常見的相關系數測算；還從拐點變動的角度，觀察高頻指標是否與社零具有一致的拐點變化。在我們看來，這兩類相關性不分軒輊。如果單純看統計上的相關系數，容易會被高頻數據的提示社零變動方向的高頻指標。I變動同步性提升至56%。分項中，疫后，與社零拐點變動同步性明顯提高的指標是十大城市地鐵客運量、百?相關系數角度，與社零同比相關度較高的高頻指標包括十大城市地鐵客運量、30城地產成交面積、乘用車銷量、電影票房、百城擁堵指數、柯橋紡織指數、生豬價格等；而有些指標，從序列相關角度看與社零的統計相關性一般，但其拐點變動的同步性卻不低，比如布倫特油價。相關系數角度，與社零同比相關性較高的高頻指標依次是，乘用車當月銷量(相關系數為0.542)、乘用車廠家零售銷量(0.485)、30大中城市商品房成交面積(0.583)、十大主要城市的地鐵客運量(0.724)，百城擁堵指數(0.433)、當日電影票房(0.454)、柯橋紡織價格指數(0.433)、生豬價格同比(0.434)。拐點變動角度，與社零相關系數較高的指標均有近50%的時間拐點變動也與社零同比一致。此外，由于自身?我們利用高頻指標對應社零科目占社零整體的比重進行了配權，合成了同步擴散指數。社零同步擴散指數勝發現價值發現價值39我們認為高頻數據的高波動和間接性特征決定了它們在判斷方向上是有效的，而在預測同比讀數上會放大誤上變動。余發生在年中附近。II構建了基于高頻信息的ARDL預測模型。模型中的“AR”為自回歸部分，融入了社零同比的各期前期值，考慮的是經濟DL數據影響7好。為2.37%~3.77%，與實際公布的7月社零同比數據2.數據進行建模，給了我們一個更有效利用高頻信息的途徑。但同時該模型也受到高頻數據高波動的反噬，模型單月的誤差可能較大，預測區間較寬。不過這不失為一種輔助判斷。?通過ARDL模型預測本質上只單純使用了高頻數據的變動方向，而不是變動幅度。優點是簡潔方便地擇取了高頻數據的有效信息，過濾了高頻數據的高波動噪音，缺點是折損了部分有用高頻信息。對于預測要求較高優度更高，走勢更為貼合；但回測結果更為震蕩，上升趨勢中有多處反復點，月際之間波動更多。這兩點印單，若當月經濟真實消費狀態波動較大，可能會丟失高頻數據在變動幅度上的有效信息；三是混頻MIDAS回歸對高頻信息的改進效果低于被其高波動的反噬干擾，則預測結果將打折扣。發現價值發現價值4/39 10方法可能面臨的挑戰 11 預測勝率 14 收入消費 18 零同步擴散指數的方法論 24 發現價值發現價值39表索引 圖15：社零中占比前三的項目分別是汽車消費、必需消費以及服裝等其他可選消 發現價值發現價值39 表2：2015年以來各類高頻數據平均有四成時間與社零增速的變動方向保持一致 表3：疫后同步擴散指數預測勝率達到71.8%，偏差大都出現在年末、一季度末 發現價值發現價值39社會消費品零售總額不能反映消費全貌，它主要反映實物商品消費，以及餐飲等少部分服務類消費；GDP口徑下的消費要涵蓋更全。但我們可以把社會消費品零售總額視為消費的一個“大樣本”，對于衡量消費變動來說，社零是一個重要的觀測2022年底，最終消費支出占GDP比重約53%，無疑是國民經濟中重要的組成部分。特別地，在外需趨弱、地產回落的背景下，消費這一內需最重要的部分對整體經濟動能的影響和支撐尤為重要。支出，同樣僅有季頻數據；三是社會消費品零售總額(以下簡稱“社零”)，按月服務消費和虛擬消費均不包括在內，也并不包含任何生產資料消費支出。而現今服務消費占居民消費支出的比重已經將近半壁江山，也由此，國家統計局將在23年8GDP重約53%，是重要組成部分億元500,000450,000400,000350,000300,000250,000200,000150,000100,00050,0000GDP:最終消費支出:政府GDP:最終消費支出GDP:最終消費支出:政府消費占GDP比重(%)2010201120122013201420152016201720182019202020212022%58565452504846在這三類觀察消費的口徑中，雖然社會零售總額口徑最窄，只包含商品流通最終環節的實物商品消費以及少部分餐飲服務消費，并不包含任何生產資料消費支出。但這一指標一勝在高頻，二勝在涵蓋的消費主體仍然非常廣泛，相當于7成多的最終發現價值發現價值3920002001200220032004200520062007200820092010201120122013201420152016201720182019202020002001200220032004200520062007200820092010201120122013201420152016201720182019202020212022200120042007201020132016201920220454050252050社會消費品零售總額/最終消費支出(右軸)900747573757677777776757470707169706062636465656766600400200社零是一個合格的“大樣本”，占最終消費支出比重穩定在70~80%%GDP:最終消費支出:居民 (%)GDP:最終消費支出:政府GDP支出同比增速與社零同比增速歷史波動一致(%)GDP:最終消費支出:同比(%)40.00社會消費品零售總額:名義同比30.0020.00.00-10.00-20.00發現價值發現價值39二、社會消費品零售總額如何預測？(一)社零具有強季節性而傳統預測視角主要基于社零數據自身的歷史規律性，利用“環比季節性”進行推演。這種方式背后的依據是社零數據在經濟運行平穩時期具有較強的季節性，而直在年內的變化較為穩定，均是三四季度處于旺季，并且每年的增長具有明顯的規律性。而2020年、2022年兩年疫情干擾下，社零總額當月變化的規律性被打破，而在2021年以及2023年隨著生產生活修復，社零原本的年內波動規律性均得到了一社零總額當月值億元20132017億元2013201714 2018201620204500001940000350003000025000200000顯的規律性，其中每年的10月因假期效應環比值均位于10%以上，17-19年三年平規律性都被打亂，而修復之年，2021年、2023年這一歷史規律性均有所恢復，個別月份低于或高于季節性。發現價值發現價值內的環比值具有明顯規律性1~2月3月4月5月6月7月8月9月10月11月12月 數據來源：Wind，廣發證券發展研究中心(二)常規方式“環比季節性”推演具有合理性測方式。我們用這種方式分別推演歷年的每月社零同比值，即站在預測年份的前一年，僅依托環比季節性規律推演下一年的社零月同比。我們發現，除了2020年、2022年兩年疫情干擾較大的年份之外，其余年份均有一定的預測效果。雖然疫后修復之年，圖7：2018-2019年，用歷史環比季節性逐年預測的社零同比與當年實際同比增速8.06.04.02.0%%2018年2018年1-2月合計2018-032018-042018-052018-062018-072018-082018-0918-10018-1118-122019年1-2月合計2019-032019-042019-052019-062019-072019-082019-0919-1019-1119-12數據來源：Wind，廣發證券發展研究中心社零同比與當年實際同比增速2019-032019-042019-052019-062019-072019-032019-042019-052019-062019-072019-082019-092019-102019-112019-122018年1-2月合計2018-032018-042018-052018-062018-072018-082018-092018-102018-112018-122019年1-2月合計18-19年預測值6000000000000200000數據來源：Wind，廣發證券發展研究中心發現價值發現價值10.58.48.22.55.24.40.726.018.466.93.1-0.210.58.48.22.55.24.40.726.018.466.93.1-0.23.5-0.1的2020年社零同比和實際值%2020年同比預測值2020年同比預測值2020年社零實際同比值.00.0-5.0-10.0-15.0-20.0-25.0數據來源：Wind，廣發證券發展研究中心圖10：利用季節性推算的2022年社零同比和實際值%15.02022年同比預測值2022年社零實際同比值10.05.00.0-5.0-10.0-15.0數據來源：Wind，廣發證券發展研究中心年按照歷史環比季節性推算的社零預測值與實際值30.025.020.00.05.00.0%2023年同比預測值(1-7月)2023年社零實際同比值 2023年同比預測值(8-12月)-5.0雖然傳統方式的預測效果正在修復，但疫情發生年份，“環比季節性”的推演效果明顯減弱。這帶給我們新的啟示。傳統方法建立在經濟運行平穩的前提下，即消費作為經濟中的慢變量，波動較小，歷史上的年內波動將會不斷“復現”。而疫情類突發沖擊則直接打破了這一方法前提假設，因而這種預測方式出現了階段性失靈。我們思考社零預測中可能面臨的三個問題：一是疫后社零環比季節性被打亂，二是發現價值發現價值2017-032017-072018-032018-072019-032019-072020-032020-072021-032021-072022-032022-072023-032023-072017-032017-07017-112018-032018-07018-112019-032019-02017-032017-072018-032018-072019-032019-072020-032020-072021-032021-072022-032022-072023-032023-072017-032017-07017-112018-032018-07018-112019-032019-07019-112020-032020-07020-112021-032021-07021-112022-032022-07022-112023-032023-07環比數據出現較大波動%中國:社會消費品零售總額:環比:季調2.000.500.00-0.50-1.00疫后被打亂2.00數、居民企業貸款類數據還是PMI分項，都更多體現同步性或者滯后性。看到社零最終的樣貌。即“用同步擴散指數辨方向、用ARDL模型做預測、用混頻(MIDAS)回歸打輔的權重，構造一掉高頻指標的高波動，只提取發現價值發現價值對社零下月變動方向具有指示意義的信息。進一步地，我們將擴散指數直接與社零同比進行回歸分析，通過ARDL(自回歸分布滯后)模型將“社零滯后期對當期的影響”、“高頻指標以及其滯后期對社零當得到預測數值。進行了高頻數據與社零同比的混頻(MIDAS)回歸。然而，我們僅將這一回歸結果作為預測過程中的輔助參零增速我們的思路著眼于高頻數據，而不是簡單的環比季節性推演。同時，又通過提取高頻變動信息的方式過濾高頻數據的高波動性。最終，通過ARDL模型以及混頻MIDAS指引。解決思路發現價值發現價值三、如何尋找能預測社零的“有效高頻數據”？(一)配權及單一指標預測勝率否公布時點在社零數據之前，即可以用于每月預測。按照統計局的分類，我們以2023年7月累計值計算，將社會消費品零售總額分成餐飲收入、限額以上商品零售們將13項消費類高頻數據按照社零的細分類別進行歸類。具體分為五個方向——餐飲收入、必需品、可選消費中的汽車、可選消費中的石油制品、可選消費中的住房%、25.6%、13%、6.5%、21.3%。圖15：社零中占比前三的項目分別是汽車消費、必需消費以及服裝等其他可選消餐飲收入關于時效性，除了乘用車銷量、CPI同比數據是先于社零公布的月度數據外，其余數據先進行均值月度化處理，計算月同比值。發現價值發現價值分類權重指標公布頻率社會消費品零售總額當月同比每月15日左右汽車類乘用車廠家零售月同比度:乘用車當月同比22個省市生豬平均價月同比度農產品指數月同比CPI同比右其他可選(服裝、日用品等)柯橋紡織價格指數月同比度義烏中國小商品指數月同比度郵政快遞投遞量月同比度可選-石油制品、餐飲收入十大城市地鐵客運量月同比百城擁堵延時指數月同比度度原油:英國布倫特Dtd月同比住房類30大中城市商品房成交面積月同比：廣發證券發展研究中心關于相關性，我們同樣從兩個角度考察。一是觀察序列之間相關性大小，二是觀察高頻指標序列與社零同比是否具有相同的拐點。在我們看來，這兩類相關性，不分軒輊。如果單純看統計上的相關系數，容易會被高頻數據的高波動性干擾，忽略某均有40%的時間與社零同比增速變動方向保持一致。疫情發生以來，這一比例提升了9個百分點至49%，說明疫后社零同比波動更加容易被高頻指標捕捉，也似乎說明我們基于高頻數據的預測思路可能更適用于疫情后波動較大的社零數據。這其中還包含了數據較短的“郵政快遞投遞量”以及在2019年后與社零增速出現背離的CPI比數據。如果不考慮這兩項，2020年以來平均方向一致的時間占56%。在分項中，我們觀察到占社零比重較大的汽車消費類(以乘用車銷量為代表)與社零同比的變動一致性最高，變動一致的月份占比分別達61%(2015年以來)、67%(2020年以來)。其次是波動較大的房地產類消費(以30大中城市商品房成交面積為代表)，變動一致的月份占比分別達55%、70%(2020年以來)。疫情之后，變動一致的月份占比提升較大的是十大地鐵客運量、百城擁堵指數以及30大中城市下的出行消費波動較大有關。發現價值發現價值社零增速的變動方向保持一致分類權重指標2015年以來與社零同比變動方向一致占比(分母為103個月)2020年以來與社零同比變動方向一致占比(分母為43個可選-汽車類25.6%乘用車廠家零售月同比4746%660%中國:銷量:乘用車當月同比361%967%必需品22.8%22個省市生豬平均價月同比49%149%南華農產品指數月同比4544%558%CPI同比726%6其他可選(服裝、日用品等)21.3%柯橋紡織價格指數月同比4645%047%義烏中國小商品指數月同比32%37%郵政快遞投遞量月同比112%可選-石油制品、餐飲收入十大城市地鐵客運量月同比38%967%百城擁堵延時指數月同比4039%456%電影票房月同比35%149%原油:英國布倫特Dtd月同比53%456%可選-住房類6.5%30大中城市商品房成交面積月同比55%0%平均4140%2149%：廣發證券發展研究中心(二)汽車類消費社零中占90%的是商品消費，而限額以上商品零售中占近三分之一的又是汽車類商品消費，因此，汽車一項波動對社零整體的走勢有著非常重要的影響，統計局甚至時會單獨公布除汽車外的零售額。以2017年Q2至2018年為例，期間社零總額增速呈現趨勢性下行。事實上，這種下行在剔除汽車之后就不存在。剔月銷量作為汽車類消費的代理指標。從相關性看，兩者月同比與社零的相關系數分別為0.542、0.485。從拐點變動來看，兩者自2015年以來分別有47個月(占比46%)、63個月(占比61%)與社零同比增速變動方向完全一致。同時，觀察汽車兩者呈現出較一致的強季節性特征。發現價值發現價值當月同比%%2012-072013-012013-072014-012014-072015-012015-072016-012016-072017-012017-072018-012018-072019-012019-072020-012020-072021-012021-072022-012022-072023-012023-07%%2012-072013-012013-072014-012014-072015-012015-072016-012016-072017-012017-072018-012018-072019-012019-072020-012020-072021-012021-072022-012022-072023-012023-0760.040.020.0 圖17：乘用車銷量與社零總額02012-072012-122013-052013-102014-032014-082015-012015-02012-072012-122013-052013-102014-032014-082015-012015-062015-112016-042016-092017-022017-072017-122018-052018-102019-032019-082020-012020-062020-112021-042021-092022-022022-072022-122023-050(三)地產類消費度頻率的30大中城市商品房成交面積作為地產鏈上商品消費的影子指標。比的相關系數達到0.583。疫情以來(2020年后)，兩者相關性更是提升至0.71。。在的樣本中，兩者同時變動的時間段更是達到了70%。發現價值發現價值2018-08112019-022019-052019-08112020-022020-052020-08112021-022021-052021-081122018-08112019-022019-052019-08112020-022020-052020-08112021-022021-052021-08112022-022022-052022-08112023-022023-0560.0040.0020.00 %010：廣發證券發展研究中心(四)石油制品、餐飲收入消費明顯大于整體消費。在正常的經濟周期中，餐飲收入當月同比與社零同比之差穩定在[-2，+2]之間，而在2020年1月以來兩者之差在[-61.7,34.8]之間波動。以序列標準差衡量，2015年1月至2019年12月期間，兩者之差的波動率僅有0.74，而2020年1月至2023年6月達到了18.9。換句話說，餐飲收入的波動是疫后不容忽視的社高頻數據中并沒有直接反映餐飲收入的數據，但由于餐飲消費需要依賴一定的消費從居民的娛樂活動中體現。我們用地鐵客運量、百城擁堵指數以及電影票房三個指發現價值發現價值2015-062016-022016-062017-022017-062015-062016-022016-062017-022017-062018-022018-062019-022019-062020-022020-062021-022021-062022-022022-062023-022023-06.0080.0060.0040.0020.00 0.00-20.00-40.00-60.00%中國:社會消費品零售總額:商品零售:當月同比中國:社會消費品零售總額:餐飲收入:當月同比出行活躍程度，前者反映居民通過公共交通出行，后者指向的更多是自駕出行。由于數據的起始時間較晚，我們能拿到較穩定的數據是北京、上海、廣州、成都、南京、武漢、西安、蘇州、鄭州、重慶這十大城市的地鐵客運量。我們加總之后計算月度同比，數據自2018年8月起始。從相關性看，十大城市地鐵客運量同比與社零同比高度相關，整個時間序列上相關系數達到0.724，兩者整個歷史上有38%的月?？瓦\量同比與社零當月同比200050-100-150-200十大城市地鐵客運量月同比十大城市地鐵客運量月同比00-102030中中國:社會消費品零售總額:當月同比(右)2018-092019-032019-062019-092020-032020-062020-092021-032021-062021-092022-032022-062022-092023-032023-06圖21：十大城市地鐵客運量與社零總額200000180000160000140000120000100000800006000040000200000億元人次億元450002018-088-112019-022019-052019-08450002018-088-112019-022019-052019-089-112020-022020-052020-080-112021-022021-052021-081-112022-022022-052022-082-112023-022023-0543000410003900037000350003300031000290002700025000發現價值發現價值0/39百城擁堵指數是高德利用數據平臺編制的實際所用時間與自由狀態下所用時間的比值，指標數值越大，意味著相同距離所用時間越長，即越堵。我們同樣匯總后計算同比，該指標從2016年11月起始。從相關性看，百城擁堵指數月同比與社零同比在整個歷史上相關系數達到0.433，疫后達到0.615。從月度變動方向看，兩者在整疫后有56%的月份變動完全一致。指數同比與社零當月同比%%2018-082018-112019-02%2018-082018-112019-022019-052019-082019-112020-022020-052020-082020-112021-022021-052021-082021-112022-022022-052022-082022-112023-022023-050數據來源：Wind，廣發證券發展研究中心圖23：百城擁堵延時指數與社零總額百城擁堵延時指數45000中國:社會消費品零售總額:當月值(右)2018-082018-2018-082018-112019-022019-052019-082019-112020-022020-052020-082020-112021-022021-052021-082021-112022-022022-052022-082022-112023-022023-05數據來源：Wind，廣發證券發展研究中心接意味著文娛相關的周邊商品消費需求也在上升。因此電影票房類高頻數據從邏輯月同比與社零同比的相關系數達到0.454，疫后上升至0.579。從月度變動方向看，兩者共35%的時間變動完全一致，疫后這一比例上升至49%。發現價值發現價值1/39080205-08020508020508080205-080205080205080205080205%250.00200.00150.00100.00 00000%%中國:社會消費品零售總額:當月同比(右)50-10-15價與社零中石油制品類零售額同比的相關性較高，達到了0.69，并且兩者拐點變動變動方向完全一致，2020年后進一步提升到了56%。502015-02015-0722015-112016-02016-032016-02016-0722016-112017-02017-032017-02017-0722017-112018-02018-032018-02018-0722018-112019-02019-032019-02019-0722019-112020-02020-032020-02020-0722020-112021-02021-032021-02021-0722021-112022-02022-032022-02022-0722022-112023-02023-032023-02023-07數據來源：Wind，廣發證券發展研究中心圖26：百城擁堵延時指數與社零總額%25.00020.00015.00010.000 %2015-072015-112016-032016-072016-112017-032017-072017-112018-032018-072018-112019-032019-072019-%2015-072015-112016-032016-072016-112017-032017-072017-112018-032018-072018-112019-032019-072019-112020-032020-072020-112021-032021-072021-112022-032022-072022-112023-032023-07數據來源：Wind，廣發證券發展研究中心(五)其他可選消費除了汽車、地產以及石油制品以外，我們將限額以上零售中的其他6個項目匯總考發現價值發現價值2/39類、通訊器材類。對應服裝鞋帽類的高頻數據是柯橋紡織價格指數，對應日用品類等項目可以找到義烏小商品價格指數和快遞投遞量數據。柯橋紡織價格指數在2019年前與社零同比相關性較高，但在疫情以后有所減弱，相關系數為0.447。自2015年以來的歷史上與社零同比有46個月變動方向一致，占比約45%。義烏小商品總價32%的時間變動方向與社零一致。指數月同比與社零當月同比2018-072018-102019-012019-042019-072019-102020-012020-042020-072020-102021-012021-042018-072018-102019-012019-042019-072019-102020-012020-042020-072020-102021-012021-042021-072021-102022-012022-042022-072022-102023-012023-042023-0725.020.015.010.025.020.015.010.0 數據來源：Wind，廣發證券發展研究中心圖28：義烏小商品總價格指數月同比與社零當月同比50%%%%2015-072015-2015-072016-032016-072016-112017-032017-072017-112018-032018-072018-112019-032019-072019-112020-032020-072020-112021-032021-072021-112022-032022-072022-112023-032023-07數據來源：Wind，廣發證券發展研究中心不高頻，無法用于社零的短期預測。我們選擇郵政快遞投遞量這一周度數據進行觀與社零當月同比20.0018.0016.0014.0012.0010.008.006.004.002.000.00%%郵政快遞投遞量:當周值:月:平均值:同比%%中國:社會消費品零售總額:當月同比(右)14.0.0.08.06.04.02.00.02023-052023-062023-052023-062023-07發現價值發現價值3/392016-072016-112017-032017-072017-112018-032018-072018-112019-032016-072016-112017-032017-072017-112018-032018-072018-112019-032019-072019-112020-032020-072020-112021-032021-072021-112022-032022-072022-112023-032023-07最后，我們將社零商品消費中有關必需消費的5項——糧油食品類、飲料類、煙酒類、日用品類、中西藥品類匯總計算比重，23年7月大約占比10.8%。我們選取了有0.289的相關性。生豬價格同比與社零同比的相關系數為0.434。兩者在歷史上均。比0%%2018-082018-112019-022019-052019-082019-112020-022020-052020-082020-112021-022021-052021-082021-112022-022022-052022-082022-112023-022023-0586420數據來源：Wind，廣發證券發展研究中心%%10.0 %%10.0 0.78，而在2019年豬價驅動的CPI上漲和2020年疫情沖擊中，CPI走勢與社零同比的相關性有所減弱。從邏輯上講，CPI反映了社零波動的價格驅動部分，理論上與社零同比具有強相關性。我們認為，在經濟逐漸修復回歸正常狀態的過程中，CPI與社零的同步性將會再度回歸，也由此，我們在高頻指標池中將CPI同比加入。圖32：CPI同比與社零當月同比(2019年前)9.08.07.0%%22016-072016-092016-112017-012017-032017-052017-072017-092017-112018-012018-032018-052018-072018-092018-112019-012019-032019-052019-072019-092019-11數據來源：Wind，廣發證券發展研究中心圖33：CPI同比與社零當月同比(2020年后)0002020-012020-012020-032020-052020-072020-092020-112021-012021-032021-052021-072021-092021-112022-012022-032022-052022-072022-092022-112023-012023-032023-052023-07數據來源：Wind，廣發證券發展研究中心發現價值發現價值4/39四、疫后，同步擴散指數的方向判斷勝率達72%(一)構建社零同步擴散指數的方法論系。這種間接性與高頻數據的高波動性會放大數據本身的噪音，降低模型的預測效從2018年8月之后獲得。而高頻數據變量多，縱向上時間短，而橫向上自變量多，就會造成過度擬合、虛假擬合等問題；頻指標代表的社零細分項在社零中有既定的權重。步擴散指數實質上是關鍵消費高頻指標每月同比變動值為正的占比，決定了它們在判斷方向上是有效的，而在預測同比讀數上會放大誤差。這點從高頻指標與社零同比的相關性系數、以及兩者拐點變動的對比中可以看到。諸如油價這類波動較大的高頻指標，在相關系數上，它與社零同比只有0.29，而在拐點變動的同步上，兩者的同步性達到了53%。因此，可以理解我們的同步擴散指數是提取高頻指標變動信息的一種降維方式。頻指標對應社零科目占社零整體的比重進行了配權。結果顯示，如果我們將超過一半2015年以來的勝率達到了61.3%，情發生之后進一步提升至71.8%。具體的構建步驟分為三步：標的正向或負向信息進行加權處理，權重為高頻指標所對應的社零科目占社零整體產類消費的同比變動信息則被賦予更低的權重。發現價值發現價值5/39部高頻指標個數，即得到加權處理后的每月高頻指標綜合的正向變動信息。我們將正向變動占比超過50%定義為同步擴散指數提示社零將正向變動，反之，定義為負變動。值得注意的是，我們進行的是滾動迭代計算，這樣可以解決全樣本面板時間序列較短的問題。因為13項高頻指標在2015年以來數據并不齊全。滾動迭算會根據各個時間段有數據的高頻數據調整分母。比如，在2015年2月，我們能拿到的高頻數據只有7項，其中2項正向變動，5項負向變動。而在2023年7月，我們拿到高頻數據有12項(當乘用車銷量和乘用車廠家零售數據同時可得時，我們優先利用相關性更(二)同步擴散指數預測社零同比的勝率如何？我們進一步定義50%為同步擴散指數的“枯榮線”。因為同步擴散指數本質上是當月高頻數據同比變動為正的占比，因此如果這一比重大于50%即說明當月經過加權后有超過半數的高頻指標指示社零同比將向上變動。在下圖中，當我們將同步擴散指數的50%枯榮線與右軸社零同比變動為0相重合進一是，同步擴散指數位于50以上時正好對應著大量的社會零售總額增速月度變動值明利用高頻變動信息判斷社零變動效果在疫后更好。這一點同樣符合先前判斷，疫演同比的方式誤差增大。明我們構建的同步擴散指數能夠很好地捕捉社零同比的變動、變動幅度，發現價值發現價值6/39圖34：疫情前同步擴散指數與社零同比的變動有一定0.02015-032015-052015-072015-092015-112016-012016-032016-052016-072016-092016-112017-012017-032017-052017-072017-092017-112018-012018-032018-052018-072018-092018-112019-012019-032019-052019-072019-092019-11數據來源：Wind，廣發證券發展研究中心提高%%2019-112020-012020-032020-052020-072020-092020-112021-012021-032021-052021-072%%2019-112020-012020-032020-052020-072020-092020-112021-012021-032021-052021-072021-092021-112022-012022-032022-052022-072022-092022-112023-012023-032023-052023-07數據來源：Wind，廣發證券發展研究中心線50%之上提示當月社零增速將發生正向變動，高頻指標正向變動不足半數的情況均視為社零增速將發生負向變動。該假定下，同步擴散指數的勝率達到了61.3%，年以來勝率提升到了71.8%。。10發現價值發現價值7/39我們也展示了具體疫后每月的預測勝率情況?？梢钥吹?，自2020年以來的39個月(剔除1月)，僅有11個月同步擴散指數預測出現了偏差。并且其中7次偏差都出現年中附近。發現價值發現價值8/39偏差大都出現在年末、一季度末同步擴散指數(高頻指標正向變動占同步擴散指數提示變動社零實際同比變動預測勝率02033.50405063.1070809101112020304058.806070809101112028.603040506073.5080910111202031.80405064.4078.308疫情以來同步擴散指數預測社零變動的勝率零同比進行比較，我們以2015發現價值發現價值9/39現，轉化后的同步擴散指數II與社零同比具有同步性，而這種同步性在疫后進一步擴散指數II對社零同比具有同步性2.001.501.000.500.002015-012015-032015-052015-072015-092015-112016-012016-032016-052016-072016-092016-112017-012017-032017-052017-072017-092017-112018-012018-032018-052018-072018-092018-112019-012019-032019-052019-07數據來源：Wind，廣發證券發展研究中心顯%%2019-012019-032019-052019-072019-092019-112020-012020-032020-052020-072020-092020-112021-012021-032021-052021-072021-092021-112022-012022-032022-052022-072022-092022-112023-012023-032023-052023-07數據來源：Wind，廣發證券發展研究中心(一)基于高頻信息的ARDL預測模型經提取了高頻指標對當月社零變動的信息。經過人工過濾降維之后，同步擴散指數已經不向單一指標那樣高波動，在圖形走勢上也與社零同比的同步性比任何一個單一指標更高，特別是在疫情以來。這似乎提示同步擴散指數是一個能的影子變量。IIARDLARDL滯后模型，模型中既包括因變量的滯后期，還包括自變量的滯后期。因此，可以測算社零同比增速的前期值、同步擴散指數II以及同比擴散指數II的前期值對當期社零Yt=C0+C1t+piYt?i+eiXt?i+ut發現價值發現價值/39其中的∑=1iYt?i是自回歸(AR)部分，加入模型是因為經濟數據通常存在慣性，當期社零同比增速可能會受到前幾期的表現影響；∑=0eiXt?i是分布滯后(DL)部分，意味著同步擴散指數II對社零同比的影響并不僅僅體現在當期。這種影響更像(二)樣本內回測預測分兩步，先樣本內建模，后樣本外預測。我們利用2015年1月至2023年6月的數據進行建模，然后利用2023年7月、8月的高頻數據進行樣本外推測?？紤]到消在全樣本區間內(2015年1月-2023年6月)，數據自動選擇的最優模型是ARDL(1,1,0)。整體模型的擬合優度達到了0.72，意味著社零同比72%的波動已經被模型捕捉。同樣從系數的顯著性中，我們看到社零同比滯后一期、同步擴散指數II當期值以及同步擴散指數II滯后一期值都在統計上對社零當期值有顯著的解釋力。舉例來說，2023年6月社零波動可以被23年5月社零、23年6月同步擴散指數II以及23年5月同步擴散指數II聯合起來解釋72%左右。通過系數的折算，我們可以得到在這72%的解釋力中，前一期社零貢獻了31%，而同步擴散指數II貢獻41%。在分樣本建模中，我們同樣發現2020年疫情是社零波動的關鍵節點。首先，分樣本建模后，模型的整體預測力進一步提升至82%~85%。其次，在疫情前，同步擴散指數II對社零的影響并不具有統計顯著性，反而是被社零滯后期以及時間固定效應解釋，這印證了疫情前利用高頻數據預測社零同比并不優于直接利用環比季節性推算。而在疫情發生后，同步擴散指數II當期值以及前期值均對社零同比有明顯的統得到在疫后社零同比82%的波動中，前一期社零貢獻了17%，而同步擴散指數II貢獻了65%。這再次印證了利用高頻信息合成的同步擴散指數II對疫后社零同比的預測能力更強，是社零波動加大的情形下對傳統方發現價值發現價值/39ARDL模型回歸結果：樣本期(2015.01-2023.06)模型設定ARDL(1,1,0)R-方(擬合優度)0.7211MSE4.4563因變量：社零同比回歸系數T社零同比(滯后一期)0.72***11.060.00同步擴散指數II12.76***5.690.00同步擴散指數II(滯后一期)-11.8***5.320.00時間固定效應-0.05-0.250.80數項107.140.260.80ARDL模型回歸結果：樣本期(2015.01-2019.12)模型設定ARDL(3,2,3)R-方(擬合優度)0.8543MSE0.4803因變量：社零同比回歸系數T社零同比(滯后一期)0.24*0.10社零同比(滯后兩期)-0.21-1.520.14社零同比(滯后三期)0.210.14同步擴散指數II0.440.28同步擴散指數II(滯后一期)-0.12-0.200.84同步擴散指數II(滯后兩期)0.110.270.79時間固定效應-0.59***2.290.03時間固定效應(滯后一期)0.040.110.91時間固定效應(滯后兩期)0.58*0.10時間固定效應(滯后三期)-0.55**2.090.04數項1068.282***3.540.00ARDL模型回歸結果：樣本期(2020.01-2023.06)模型設定ARDL(1,1,3)R-方(擬合優度)0.8207MSE.5因變量：社零同比回歸系數T社零同比(滯后一期)0.61***6.480.00同步擴散指數II25.72***6.640.00同步擴散指數II(滯后一期)-23.39***6.190.00時間固定效應4.330.16時間固定效應(滯后一期)-1.70-0.430.67時間固定效應(滯后兩期)4.540.26時間固定效應(滯后三期)-5.54*1.830.08數項-3313.83*1.910.07發現價值發現價值/39我們分別展示了全樣本建模以及分樣本建模的社零走勢擬合圖，可以看到分樣本之后再拼接起來的擬合走勢與社零同比更為貼合。平均擬合優度也提升了12%。ARDL0)模型到的擬合效果%00-01-05-09-01-05-09-01-05-01-05-09-01-05-09-01-05-09-01-05-09-019-05-09-01-050-09-01-05-092-01-05-09-013-05R.72%50-10ARDL,3)的疫情前擬合結果%%43210-12015-0122015-012015-052015-072015-092015-112016-012016-032016-052016-072016-092016-112017-012017-032017-052017-072017-092017-112018-012018-032018-052018-072018-092018-112019-012019-032019-052019-072019-092019-11數據來源：Wind，廣發證券發展研究中心%0.00%誤差(右軸)社零當月同比社零當月擬合值(分時段建模)50發現價值發現價值/392015-012015-052015-092016-012016-052016-092017-012017-02015-012015-052015-092016-012016-052016-092017-012017-052017-092018-012018-052018-092019-012019-052019-092020-012020-052020-092021-012021-052021-092022-012022-052022-092023-012023-05%誤差(右軸)社零當月同比社零當月擬合值(分時段建模)30.0025.00平均R方=0.8420.0015.0010.005.000.00-5.00-10.00-15.00-20.00%30252050-5-10-15-20(三)樣本外預測測。首先，我們分別利用全樣本一次性建模得到的ARDL(1,1,0)與分樣本建模得到的ARDL(1,1,3)進行推算，2023年7月的社零同比原始預測值為3.67%、7.09%。顯然疫后ARDL(1,1,3)融入了疫情以來社零較高的波動性，因此預測的讀數也波動較大。我們進一步進行誤差調整，分別采用歷史7月誤差以及上月預測誤差進行調整，最終得到的社零預測值在2.37%~3.77%。而2023年7月公布的社零同比值為2.5%，如果僅基于往年季節性和去年同比基數進行推測，社零同比將達到5%左右。即便考慮到高頻數據的變動，也很難得到7月社零增速仍弱于2023年6月的結論，畢竟23年7月的PMI給出了“弱回升”的提示。而我們的同步擴散指數在構成中賦也就能將這種方向性判斷進一步量化為具體的社零讀數，預測23年7月的社零同比指數為60.7%，位于50%的枯榮線之上，小幅強于7月、6月。這提示8月的社零略有恢復。ARDL模型預測，8月社零同比的區間范圍在4.19%~4.93%。發現價值發現價值/39表5：基于ARDL模型進行的短期預測(樣本外)基于ARDL模型的樣本外預測結果模型預測原始值(%)根據歷史上該月誤差進行調整(%)根據上月誤差進行誤差調整(%)均值(%)分類標023年5月同比(%)023年6月同比 023年7月同比 2023年8月同比(%)6月較5月同比變化(%)7月較6月同比變化(%)8月較7月同比變