如果你对该问题感兴趣的话，推荐你看看《股市流动性预测指标构建》这篇报告，下面是部分摘录的内容，具体请以原报告为准。
股市流动性始于狭义流动性，从央行“放水”到货币信用派生，再到投融资活动， 最后到达股市的过程中具有非常复杂的传导机制。随着经济的发展，货币政策和财政政 策经历时代的变革，呈现不同的目的和影响，市场和政策之间的相互作用在发展过程中 日新月异，因此流动性的传导机制不是一成不变的，我们需构造自适应滚动学习系统来 研究股市流动性。
流动性的传导链条由基础货币起，经由信用扩张后，传至企业和居民的投资融资活 动，投资融资活动直接影响股市流动性。因此，我们从基础货币、信用扩张、投资融资 角度三个角度收集整理宏观指标。
从基础货币和影响因素角度，我们收集央行资产负债表、货币供应量、公开市场操 作模块的宏观指标。
从信用扩张角度，我们收集存款准备金率与货币乘数、银行间拆借利率、银行间回 购利率、银行间利率互换、转贴现利率模块的宏观指标。
从投资融资角度，我们收集社会融资规模、贷款价量、投资收益率模块的宏观指标。
典型相关分析（CCA，Canonical Correlation Analysis）用于研究两组高维数据之间的 相关关系情况，属于“偏最小二乘法回归”家族。它是借助主成分分析思想，从两组变 量中提取出一个或少数几个综合变量（即典型变量），从而将对两组变量关系集中到少数 几对典型变量间的关系之上。
典型相关分析和主成分回归有一定的相似之处，均有数据降维处理，且用降维后的 因变量来预测自变量。但主成分回归的数据降维是无监督的，可能丢失重要变量。典型 相关分析则将目标变量纳入降维处理的监督中。
股市流动性预测系统，即为前文提到的自适应滚动学习系统，是一个滚动式自动更 新的监督学习体系。我们设置系统每隔半年更新窗口训练模型，从两千多项指标特征中 运用 CCA 模型筛选出少数指标特征，筛选原则是对训练窗口（2 年）的股市流动性代理 指标敏感度高于阈值的指标特征，再将训练好的模型用以预测测试窗口的股市流动性指 标，预测的结果即为股市流动性预测指标。目标预测值，即股市流动性代理指标，为万 得全 A 未来 60 交易日期间成交额和期末流通市值的比值。
数据处理：自变量包括央行资产负债表、货币供应量、公开市场操作、派生货币扩 张、投融资等大类下的细分宏观指标及其特征提取，宏观细分指标共计 218 项，各个宏观细分指标包含特征及原值共计 10 项，总计指标特征为 2180 项自变量。
我们运用上述滚动预测系统，按半年一个轮次滚动预测股市流动性的走势。将预测 值和实际值作对比，如下图所示。预测值和实际值长期趋势走向较为一致。
