2023年固定收益专题：基本面高频数据，债市投资占先手的有效工具

一、高频经济指标的优点

首先，高频数据有助于更早的获取宏观基本面信息，经验数据显示早获得信息会有稳 定超额收益。从短期的机会看，如果能较早的获悉宏观基本面数据的信息，找到其中的 预期差，将大幅增厚投资收益，高频指标由于其公布频率为日频或周频，如果选用合适 的高频数据来跟踪宏观经济，其表现大幅好于低频指标的月度和季度数据。 以工业增加值增速数据为例，可以构建简单的利率债多空策略，如果工业增加值数据好 于预期则做空利率债，如果数据弱于预期则做空利率债：通过对 2019 年 2 月-2023 年 7 月的工业增加值数据和 Wind 预测值进行回溯，如果实际值大于 Wind 预测值，则做多 1 张 10 年期国债期货主力合约，并持有一周，反之则做空 1 张 10 年期国债期货主力合约 并持有一周。策略的逻辑相同，但获悉工业增加值数据的时间上存在差异，同样的策略 的投资结果大不一样。如果在当月月底获悉工业增加值数据，并与 Wind 预测值代表的 市场预期作比较，该策略累计收益是 8.8 元，持续做多的基准收益为 2.7 元；而如果在 次月月中即统计局公布工业增加值数据后，再利用该数据与 Wind 预测做比较来做出投 资决策，该策略累计收益为-7.8 元，而持续做多的基准收益为 0.9 元。

其次，高频数据能增加投资决策的灵活度。赔率、胜率和频率决定了投资的收益，交 易频率其实直接影响投资者的收益和风险。由于基本面数据多为月频数据，基于宏观基 本面交易的投资者每年做决策的次数仅为 12 次，剔除赔率和胜率不好的交易机会，最 后可供投注的决策次数较少和间隔期过长，存在机会成本损失、无法及时调整仓位、风 险控制不足等缺点。频率是中性的，频率的本质是杠杆，如果存在赔率和胜率较高的交 易模式，适当增加交易次数将大幅增厚投资收益。利率债投资，市场普遍认为宏观基本 面是驱动利率走势的最重要的变量，长期利率决定于资本回报率，而短期利率决定于资 金，而资本回报率和资金均内生于宏观基本面，如果利用宏观基本面数据来交易利率债 的胜率很高，那么增加交易频率是更好的选择。周度跟踪的高频数据，将宏观经济数据 有月频和季频拓展至周频，大幅增加了投资决策的频率。

最后，从中长期视角看，当经济状态切换较快时，高频指标的跟踪可以辅助低频指标 进行判断。传统的月频和季频的经济增长和通货膨胀指标，一般为月频的，月中才公布 上个月的数据。正常情况下足够判断经济的走势，但当受宏观冲击后，宏观经济状态切 换较快时，传统的低频的跟踪难以应对。例如在 2020 年，新冠大流行的意外冲击下， 我国宏观经济从衰退到复苏仅花费了一个季度的时间，跟踪出行指标显著要好于跟踪传 统经济指标。 但与低频的月度和季度的经济数据的公布不同，高频数据的种类繁多，统计的规范性同 官方公布的经济数据相比也存在差距，本文希望从种类繁多的高频数据中，筛选出重要 的高频数据，并通过高频数据对经济金融数据做出周度的预测，以跟踪当下的经济走势。

二、高频指标的选取标准

证券研究中什么是好的预测，《主动投资组合管理》一书中，对此做出了精辟的总结： 无条件预测是一致预期收益率，条件预测依赖于信息，原始形式的信息被称为原始预测， 该预测不对超常收益率直接预测，而预测基本公式将原始预测转换为精炼预测，精炼预 测具有“波动率×信息系数×标准分值”的形式。 标准分值。信息本身偏离自身的均值越大，则信息强度越高，且不同的信息应该不受量 纲的影响，因而对原始预测变量进行标准化（减去其均值，除以其标准差），即表达式 中的标准分值。

能力水平。信息与需要预测的收益率的相关性越高，则价值越大，即表达式中的信息系 数。如果信息系数 IC=0，原始预测不包含任何有用信息，那么超常收益率的精炼收益 率自然为 0。 波动率。精炼预测和原始预测应该有相同的量纲，如果资产自身波动越大，则越容易受 新信息的影响，而信息系数和标准分值均为无量纲的，因而引入资产本身的波动率以确 保精炼收益和收益率具有相同的量纲，即表达式中的波动率。任给一个能力水平和具有 同样标准分值的资产，波动率较高的资产较高的资产将获得更高的阿尔法。 在此启发下，我们要找到市场中对宏观经济好的跟踪和预测的高频数据，然后在国民 经济体现体系的框架之下，以波动较大的低频统计数据为依据，找到与各类低频数据 相关性较高的高频数据，再对高频数据进行标准化的处理，以建立高频和低频数据之 间的映射，从而构建高频数据观测体系。

2.1 确立重要的低频数据

在选取低频数据时，可以将经济运行指标分为经济增长、通货膨胀、金融数据分为三大 类。 与经济增长相关的数据。GDP核算有生产法、支出法和收入法，一般从生产端和需求端 来确定对应的经济指标。从生产端看，生产可以按照行业划分为第一产业、第二产业和 第三产业，考虑数据的可得性，我们主要跟踪第二产业的工业生产和代表出行的交通运 输业情况，选取的低频指标为工业增加值和交通运输仓储邮政业GDP。从需求端来看， 需求可以划分为投资、消费和净出口三大类，我们选取固定资产投资、社会消费品零售 以及出口金额作为体现经济总需求的指标。

与通货膨胀相关的数据。通胀数据我们主要跟踪 CPI 和 PPI。CPI 衡量的主要是与居民 生活消费密切相关的商品和服务的价格的变化，主要包含食品烟酒、衣着、居住、生活 用品及服务、交通通信、教育文化娱乐、医疗保健、其他用品及服务等 8 大类。PPI 即 工业生产者出厂价格指数，包括生产资料和生活资料两大类，能较好体现工业产品的价 格波动。由于通胀数据月度的同比为月度环比的累积结果，本文仅考察通胀的环比变化。 与融资相关的数据。融资数据我们主要跟踪社融存量增速。社会融资规模衡量的是社会 主体的融资数据，主要包含表内贷款（人民币信贷、外币信贷）、表外贷款（委托贷款、 信托贷款、未贴现承兑汇票）、直接融资（企业债券融资、股票融资、政府债券融资）、 资产支持证券和贷款核销等，能较好反应经济体的融资情况。

2.2 数据筛选及数据处理

高频数据的种类繁多，在对高频数据的筛选上，在低频数据作为响应变量，高频数据作 为解释变量的基础上，我们参照以下原则： 重视逻辑上的联系。比如跟踪工业生产数据，我们选择跟踪工业品产量和主要产业链的 开工率等，而跟踪 CPI 数据，我们选择跟踪 CPI 的直接构成的分项数据。 选用当月变化作为响应变量。根据前述的精炼预测的经验，响应变量的波动越大，信息 预测的超额价值越大，对此我们使用累计数据的当月同比而非累计同比。 选取相关性更高的高频数据作为观测指标。无论是增长指标还是价格指标，可供选择 的相关的高频数据较多，在挑选合适的高频数据时，我们先计算变频后的高频指标与低 频指标之间的相关性和时差相关性，然后选择和逻辑上的相关性方向一致且相关性高的。 例如，从经济规律上看，实物产量应该和工业增加值增速呈正相关，而数据统计上，二 者的时差相关系数可能为负，对于二者的负的时差相关系数我们不予考虑。同时在高相 关系数的高频指标中，同一类指标我们予以排除，例如对消费进行预测时，乘用车厂家 零售和乘用车厂家批发的相关系数均较高，而二者属于同一类高频数据，我们仅选择乘 用车厂家零售，而对乘用车厂家批发予以排除。我们尽量选择同频或者略微领先的高频 指标，对证券投资而言，好的预测性要好于高相关性，滞后变量可能也存在高相关性， 在筛选中需要加以甄别。

数据处理主要包括频率转换、对数差分、数据标准化、调补空缺和数据平滑。频率转 换，本文选取的高频指标多为日频或者周频指标。在构建对低频经济指标的跟踪时，我 们将高频数据转换为周度数据，一般采取周度均值法。在计算高频数据和低频数据的相 关系数时，我们将高频数据转换为与低频数据同频的月度和季度数据，一般也采取周度 均值法。对数差分，本文在对数据进行标准化之前，取对数差分，近似得到数据的同比 变化，既能消除季节性，又能去除不同数据之间的量纲的差异。部分数据为开工率数据， 假设产能不变，开工率数据的同比增速近似于产量增速，逻辑上合理。同时，为避免春 节等农历节假日对宏观数据的季节性影响，在对数同比之前，取 4 周的移动平均值作为 本期数值的替代。填补空缺，如果存在空缺，本文采取前后期数据线性插值的方法填补 空缺。高炉开工率等部分高频数据缺少 2018年的数据和部分 2019年的数据，无法进行 数据标准化的操作，本文以 2020-2022 年同期的均值作为该项数据的填充。数据标准化，利用滚动 52 周的对数差分值的均值和方差，将对数同比的时间序列数据转换为均 值为 0，方差为 1 的时间序列。数据平滑，对拟合值结果的处理上，利用滚动 4 周和滚 动 13 周的均值，作为为月频和季频经济指标的可比数据。

在对增长数据和融资数据的拟合上，我们将名义值转换为实际值，同时更关注方向上 的正确，而非预测的精确度。由于不过分关注预测数字的精确性，因而我们未使用低频 数据的上期数据来构建适应性的预测。除去通货膨胀数据之外，经济增长和金融数据， 我们很难获取指标的构成的高频数据，因而通过高频数据来准确获取低频数据的精确数 值较难。需求端的固定资产投资增速、社零增速等均为名义值，我们通过 PPI 和 CPI 等 价格指标，将名义增速转换为实际增速，然后用高频指标去拟合。在对社融数据进行预 测时，从逻辑上看，周度的信用债和地方债融资作为社融的直接过程，相关性应该很高， 但实际中，我们发现相关性一般，社融受信贷的影响更大，因而在选取融资预测的高频 指标时，我们并未将周度的信用债和地方债融资纳入。对 CPI 和 PPI 的月度环比预测中， 由于可以找到相应的细分构成，因而我们务求更精准的预测 CPI 和 PPI 的环比增速。

2.3 构建高频数据和低频数据间的勾稽关系

在找到合适的低频指标和高频指标后，我们对高频指标进行上述的数据处理，得到一 个加权的综合指标，从而对宏观经济的各项有趋势上的较好的跟踪。然后利用该指标 对宏观指标进行OLS回归，调整综合指标的量纲，从而对宏观指标进行的周度预测，并 用 4 周的平均值和 13 周的平均值作为最终的月频和季频数据的预测值。 通过上述方法，我们构建了生产、商品房销售、基建投资、出口、消费、库存、融资、 交运指数，并对指数进行加总得到国盛固收基本面高频指数，以拟合季度实际 GDP 增 速，以及 CPI 和 PPI 的周度环比的预测。从而得到上述经济增长、通货膨胀、融资的周 度的预测值。

同时，我们用高频数据构建利率债的多空信号指数。以商品房成交面积、水泥发运率、 乘用车厂家零售、日均电影票房、电炉开工率、聚酯开工率、全胎开工率、一线城市地 铁客运量等 8 个指标，经过上述数据处理后的等权指数的月频指标，对工业增加值增速 进行拟合，并对拟合值取移动平均，得到利率债的多空信号指数。 同时，我们将定期对各类高频指标的效果进行梳理，在高频指标失效、发布频率下降等 事件发生后，定期对高频指标予以替换。

三、高频指标的筛选

3.1 与工业生产相关的高频指标

我国工业门类较为分散，因而需要选取重点行业以确定核心高频指标。根据 2018 年统 计局公布的投入产出表，我们计算工业细分行业的工业增加值的占比，从结果看，化学 产品、金属冶炼、食品和烟草、非金属矿物制品、电力热力生产、交通运输设备、通信 设备、电气机械器材、煤炭采选和金属制品这 10 个行业的增加值较高，合计占比超过 69%。 考虑行业增加值占比和数据可得性，我们选择钢铁、汽车、化工、煤炭日耗作为工业生 产数据的主要跟踪指标。

黑色金属行业相关指标。钢铁作为黑色金属的代表，在工业中有着广泛的应用，螺纹、 线材等对应下游建筑行业，而板材对应机械、汽车等多个制造业。钢铁行业相关的高频 指标有电炉开工率、高炉开工率、主要钢厂螺纹钢产量等，我们将高频指标进行前述的 数据处理后，再将指标同工业增加值增速的相关系数和时差相关系数进行比对（2019 年 2 月-2023 年 7 月），电炉开工率指标的相关性系数更高，达到 0.55，因而我们选取 电炉开工率作为观测钢铁行业生产状况的核心指标。从生产品种来看，电炉生产建筑钢 材的占比较高，而生产特钢的电炉占比较低，叠加高炉长流程炼钢的高点火成本，电炉 开工率对经济周期更为敏感。因而钢铁行业，我们选取电炉开工率作为跟踪工业增加值 的核心指标。

化学原料及化学制品行业相关指标。化学原料及化学制品行业，在工业链条中具有极其 重要的地位，产业链上游是原油、天然气、煤炭等能源的开采与冶炼，中游是中间产业 及衍生产品的生产制造，下游的终端需求包括服装、农业、建筑材料等。从数据的可得 性和广泛性来看，我们筛选出聚酯开工率、PX 开工率（PX 指对二甲苯，主要用于生产 苯二甲酸 PTA）、PTA 开工率（PTA 指精对苯二甲酸，用于生产聚酯纤维的重要材料）， 分别对应产业链的下游、上游、中游，上游为石化产业，下游为纺织产业。计算相关系 数和时差相关系数进行比对，聚酯开工率指标与工业增加值的相关性更高，达到0.58， 高于 PX 和 PTA 的 0.22 和 0.25。因而化工行业中，我们选取聚酯开工率作为跟踪工业 增加值的核心指标。

汽车行业相关指标。轮胎作为汽车的重要零部件，一般用全钢胎开工率和半钢胎开工率 来作为汽车生产链条的高频跟踪指标。半钢胎轮胎指仅胎面含有钢丝层的轮胎，配置在 轿车、皮卡车、商务车等车型；全钢胎轮胎指胎面及胎侧均含有钢丝层的轮胎，一般配 置在载重较大的车型，例如货车、客车和公交车等。半胎开工率与工业增加值的相关系 数略高于全胎开工率，达到 0.635，因而汽车行业中，我们选取半胎开工率作为跟踪工 业增加值的核心指标。

电力热力生产行业相关指标。六大电厂耗煤量曾经是观察工业增加值的主要高频指标， 但由于清洁能源对火电的替代，六大电厂耗煤量指标的经济意义在下滑，同时日均耗煤 数据在 2020 年 7 月-2022 年 1 月出现中断，2022 年 1 月之后，南方 8 省电厂日均耗煤 指标才重新公布。考虑到日均耗煤指标的历史上的高相关性和代表性，电力热力生产行 业，我们仍选取日均耗煤作为跟踪工业增加值的核心指标。 更广泛的代表性指标。房地产行业涉及工业生产的多个行业，诸如中上游的钢铁、有色 金属、机械设备、化工等，因而我们考虑将房地产相关的高频指标加入工业增加值的观 测指标库。计算 30 城二手房成交面积与工业增加值的相关系数，相关系数达到 0.62， 符合要求。

自此，我们基于电炉开工率、聚酯开工率、半胎开工率、日均耗煤、二手房成交面积 构建工业增加值的跟踪指标。在对数据进行空缺补齐、对数差分、标准化后，相比纽约 联储构建 WEI 所用的提取主成分因子法，由于我们在指标筛选过程中已经剔除了同类 指标，使用PCA方法来提取主成分因子和直接做加权平均的差异不大，为了简便计算， 我们对上述 5 个高频指标采取等权重相加的方式得到高频指数，然后利用该高频指数对 工业增加值增速进行OLS回归，得到尺度变换后的工业生产指数（下文的数据处理流程 类似，不做赘述）。 工业生产指数的准确率在 62%。我们的目标是跟踪趋势，而非对工业增加值增速做准 确预测，如果工业生产指数相比上月的方向变化，同工业增加值增速的方向变化一致， 则我们认为工业生产指数有效。从结果来看，2019 年 2 月-2023 年 7 月（下午简称“样 本区间”）的历史走势来看，工业生产指数有 62%的概率与工业增加值增速的方向变化 一致，二者的相关系数为 0.52。

3.2 固定资产投资相关的高频指标

固定资产投资增速指标的数据处理。在选取固定资产投资类指标时，当月同比较累计同 比增速的波动更大，因而我们将累计增速转换为同比增速，同时考虑到前后口径的差异， 我们用累计同比增速对上一年的统计口径进行调整，然后得到当月增速。由于统计局不 公布 1 月的固定资产投资完成额的数据，而是直接公布 1-2 月的累计同比，因而我们选 择将该数据作为 2 月的同比增速，而用上年 12 月和当年 1-2 月累计同比来对 1 月的增 速进行插值。同时，由于固定资产投资增速为名义值，而高频指标多为工业品产量和开 工率等，我们利用 PPI 同比数据（近 3 月的均值），将固定资产投资增速的名义值转换 为实际值。 通过分析固定资产投资的具体项目来挑选跟踪指标。从 2020-2022 年固定资产的投资 情况来看，固定资产投资中最主要的是制造业投资、基础设施投资、房地产投资三项， 占固定资产投资的比重分别为 44%、36%、26%。同时考虑到制造业投资的范围更广 泛，根据统计局的数据我国制造业共有 31 个大类、179 个中类、609 个小类，对应的高 频指标较少且分散，因而对制造业投资的观测，我们更依赖于月频的工业企业利润、制 造业投资增速和季频的制造业产能利用率数据等。基建和房地产对应的高频数据相对较 多，本文主要针对房地产和基建投资来选取高频指标。

基建投资相关指标。传统基建投资相关领域为交通运输、水利、电力及市政工程等，而 新基建主要为 5G、特高压、城际高速铁路、大数据中心等，因而我们考虑选取相关的 高频指标作为基建投资的跟踪指标。我们选取石油沥青装置开工率、水泥发运率作为 跟踪指标。石油沥青是原油加工过程中制得得一种沥青产品，广泛应用于道路工程、建 筑工程、水利水电工程等领域，其中公路建设投资中道路沥青得使用量最为广泛。水泥 发运率，指由磨机生产后得水泥从水泥长输送到建筑企业的比率，由于水泥球磨机运转 率指标与水泥发运率指标为同类指标，因而我们仅考虑使用水泥发运率作为跟踪指标。 日均铁水产量，钢材的冶炼大致经历“矿石冶炼-铁水-转炉炼钢-精炼-连铸生产-轧材” 的过程，日均铁水产量较螺纹钢日均产量更具有代表性，因而使用日均铁水产量作为跟 踪指标。统计期间，三者的月频指标与基建投资增速（实际值）的相关系数分别为0.70、 0.76、0.64，相关性较好，但日均铁水数据在 2023 年 9 月后不再更新，因而不纳入指 标。

基建投资指数的准确率在 67%。在选取上述石油沥青装置开工率、水泥发运率等两个 个指标后，进行同样的数据处理后得到基建投资指数。从结果来看，样本区间内，基建 投资指数有 67%的概率与基建投资增速（实际值）的方向变化一致，二者的相关系数 为 0.77。

地产销售相关指标。从房地产行业各阶段的工业品使用来看，新开工阶段主要使用水泥、 钢材、管材等，而在主体结构封顶后，大量使用石膏板、防水涂料、管材等，在外墙装 饰阶段大量使用涂料和玻璃，在毛坯房交付后的装修阶段大量使用涂料、管材、石膏板、家电等。直接使用水泥和钢材产量对房地产投资进行跟踪并不准确，同时叠加房地产销 售中枢下行，房地产新开工下行，且产业链的债务问题和民企地产的陆续退出，使得商 品房的交付周期大幅延长，传统对房地产投资的跟踪的经验规律被打破。我们转而跟踪 商品房销售相关数据。市场主流的对房地产销售的跟踪指标有 30 大中城市商品房成交 面积、100 大中城市成交土地溢价率、供应土地规划建筑面积等，样本区间内，上述指 标同房地产销售增速的相关系数分别为 0.41、0.07、0.07，同房地产销售面积增速的时 差相关系数为 0.41、0.25、-0.26，因而我们仅考虑将 30 大中城市商品房面积作为核心 观测指标，而土地成交溢价率、供应土地规划建筑面积仅作为辅助指标。同时，一线城 市地铁客流量作为衡量一线城市人流移动的重要观测指标，而地产销售又涉及销售场景， 因而我们尝试将该指标纳入观测体系，一线城市地铁客流量和地产销售面积增速的相关 系数达到 0.5，相关性较好。

地产销售指数的准确率在 56%。在选取上述 30 大中城市商品房成交面积、一线城市 地铁客流量等两个个指标后，进行同样的数据处理后得到地产销售指数。从结果来看， 样本区间内，地产销售指数有 56%的概率与地产销售面积增速的方向变化一致，二者 的相关系数为 0.48。

3.3 消费相关的高频指标

按照消费类型来看，社会消费品零售总额包含商品零售和餐饮收入，但需要看到，社零 消费的范围不包括大多数服务，例如教育服务、医疗卫生服务、文化娱乐服务等。从主 体来看，社零总额既包括出售给个人用于生活消费的商品，也包括出售给社会集团用于 非生产非经营的商品，例如企业购买自用的办公用品计入社零总额，但 GDP 核算中仅 纳入该企业的中间投入。以 2020 年投入产出表为例，居民最终消费支出中，与社零总 额口径相近的商品与餐饮消费规模为 18.3 万亿元，占 2020 年社零总额 39.2 万亿元的 47%。因而，居民购买和社会团体购买，大约各占社零总额的一半。从统计口径来看， 社零分为限额以下和限额以上的统计，“限额以上”指主营业务收入超过一定规模的企 业，统计局对限额以上单位进行全数调查，并公布细分项目的零售额，而对“限额以下” 单位则实施抽样调查。 限额以上商品零售额公布 17 类细分项目，在构建消费高频指标观测体系时，我们需要 找到社零的波动项。从各类商品零售额的占比看（2020-2022 年均值），汽车类消费大 幅领先，占比 29%；其次是石油制品类消费，占比达到 14%。粮油食品和服装鞋帽类 消费分别占第三和第四位，但由于二者为必需消费品，波动性（2019-2022 年当月同比 增速的标准差）相比汽车和石油制品消费而言并不高，因而并非社零消费波动的主要矛 盾。

数据处理上，我们利用 CPI 同比和生活资料同比增速的月均值（MA3），将名义社零同 比增速转换为实际社零同比增速。 汽车类消费相关指标。一般采用乘联会公布的乘用车厂家零售和厂家批发跟踪汽车销量。 尽管二者在数据口径上存在差异，统计局口径较乘联会口径更广，包含了进口车零售和 商用车（重卡等）零售。乘用车厂家零售和乘用车厂家批发数据，同实际社零同比增速 的相关性达到 0.58 和 0.50。因而汽车中，我们选取乘用车厂家零售作为跟踪社零增速 的核心指标。 石油制品类消费相关指标。石油制品相关的指标主要有原油和成品油价格，我们选取布 伦特原油价格同比增速、柴油（0#）价格同比增速、汽油（95#）价格同比增速来作为原油制品类消费备选项。三者同实际社零同比增速的相关性达到 0.42、0.41、0.43， 滞后 1 期的时差相关系数分别为 0.52、0.60、0.55，因而社零消费中，我们选取柴油价 格同比增速作为社零增速的核心指标之一。

服装类消费相关指标。柯桥纺织价格指数由中国轻纺城编制，每周发布一次，由坯布指 数、服装面料指数、家纺指数和服饰辅料指数构成，较好反映市场纺织品的价格变化情 况。柯桥纺织价格指数同比增速同实际社零同比增速的相关系数达到 0.69。

服务类消费相关指标。社零对服务类消费的统计较少，观影消费等娱乐消费并直接纳入 社零消费的统计，但考虑到服务类消费占消费比例越来越高，我们使用日均电影票房同 比增速来跟踪服务类消费。不失一般性，日均电影票房同比增速同实际社零增速的相关 系数达到 0.79，相关性仍较好。 同时，一线城市地铁客流量作为衡量一线城市人流移动的重要观测指标，而社零销售涉 及销售场景，因而我们尝试将该指标纳入观测体系，一线城市地铁客流量和实际社零同 比增速的相关系数达到 0.82，相关性较好。

消费指数的准确率在 67%。在选取上述乘用车厂家零售、柴油（0#）市场价、柯桥价 格指数、日均电影票房、一线城市地铁客流量等 5 个指标后，对上述指标进行同样的数 据处理后得到消费指数。从结果看，样本区间内，消费指数有 67%的概率与实际社零 增速的方向变化一致，二者的相关系数为 0.84。

3.4 出口相关的高频指标

由于跟踪出口的高频指标均为名义量，因而在做对出口同比增速的跟踪时，我们选择直 接使用名义出口增速来作为低频指标跟踪。 相比生产、基建和消费等高频指标，由于我国出口商品的门类众多，且机电产品等大类 出口项目缺少易得的高频观测指标，因而我们对出口的跟踪，主要是价的跟踪，而缺少 实际的实物量的跟踪。 海运价格相关指标。海运方式主要可分为干散货运输、集装箱运输、油轮运输等三类， 干散货船主要运输大宗干散货，如铁矿石、煤炭、粮食等，代表性指标有波罗的海干散 货指数（BDI 指数），衡量国际干散货海运市场运价；油轮主要是原油或成品油的运输， 代表性指标有 Fearnleys 新船价格 VLCC；集装箱运输主要运送机械设备、纺织服装、家 电和玩具等制成品，代表性指标有中国出口集装箱运价指数（CCFI）和上海出口集装 箱运价指数（SCFI），相较 CCFI，SCFI 的波动性更大。BDI 指数、VLCC 新船价格、 CCFI 和 SCFI 与实际出口同比增速的相关系数为 0.02、-0.26、0.39、0.51，时差相关系 数分别为 0.44（滞后 5 期）、0.51（滞后 9 期）、0.51（领先 4 期）、0.51（同期）。同经 济逻辑一致，我国出口以制造业产品为主而非资源品出口，集运指数兑出口增速的指示 意义更好。因而海运价格指数方面，我们选取 CCFI 指数作为实际出口同比增速的观测 指标。

需求相关指标。缺少代表出口实物量的指标，我们用代表性的全球贸易需求相关的价 格指标来作为替代。我们筛选出义务中国小商品指数出口价格指数、RJ/CRB 商品价格 指数、美元指数，义乌小商品出口价格指数可用于衡量义务小商品出口的景气程度，而 RJ/CRB 商品价格指数则衡量全球大宗商品的景气程度，而美元指数则同全球的贸易周 期呈负相关关系。三者同实际出口同比增速的相关性系数分别为 0.14、0.43、-0.11， 时差相关性系数分别为 0.28（领先 5 期）、0.52（滞后 1 期）、-0.42（领先 6 期）。在海 外需求方面，我们筛选出美国红皮书商业零售销售同比和韩国旬度出口同比增速，二者 与出口增速的相关性较高，但在回溯的过程中，利用二者来判断出口增速的方向的效果 并不好，因而未将二者加入指数拟合。需求价格指数方面，我们选取 RJ/CRB 商品价格 指数作为实际出口同比增速的观测指标。

出口指数的准确率在 46%。在选取上述 CCFI 指数、RJ/CRB 商品价格指数等 2 个指标 后，对上述指标进行同样的数据处理后得到出口指数。从结果看，样本区间内，出口指 数有 46%的概率与实际出口同比增速的方向变化一致，二者的相关系数为 0.56。

3.5 通胀相关相关的高频指标

与增长类指标不同，价格类的 CPI 和 PPI 指标均能从市场上找到高度相关的高频数据， 因而相比增长类指标对方向的预判，对 CPI 和 PPI 变动有可能做出更精准的预测。 事实上，由于商务部使用农产品价格指数和生产资料价格指数的周度数据统计口径较为 宽泛，与 CPI 和 PPI 的统计口径更为接近，因而这两者是 CPI 和 PPI 最有效的预测高频 指标。

3.5.1 PPI 的高频预测

对 PPI 的跟踪，我们同样可以通过对 PPI 的分项的高频数据来跟踪，也可以选取与 PPI 高度相关的整个指数来对 PPI 进行跟踪。 PPI 全称为生产者出厂价格指数，衡量工业企业产品出厂价格变动趋势和变动程度，包 含生产资料（采掘、原材料、加工）和生活资料（食品、衣着、一般日用品、耐用品消 费）两大类。 整体指数层面，市场上反映工业品价格走势的指标有生产资料价格指数、南华工业品指 数、大宗商品价格总指数、CRB 现货指数，统计区间内，上述指数同 PPI 的相关性分别 为 0.93、0.64、0.50、0.48，由商务部每周发布的生产资料价格指数与 PPI 的相关性最 高。

因而，整体指数层面，我们选取商务部发布的生产资料价格指数作为 PPI 的高频观测指 标进行回归拟合。用生产资料价格指数对 PPI 进行拟合时，使用滞后一期的生产价格指 数的拟合效果更好，但使用滞后的数据无法用于跟踪和预测，我们仍使用当期的生产资 料价格指数用于 PPI 的跟踪预测。样本区间内，该方法得到的 PPI 环比预测与 PPI 环比 增速的相关系数为 0.75，方向上的准确率为 64%。 分项指标预测。除了利用整体指数进行回归之外，可以利用分项指标进行 PPI 的跟踪。 根据《工业生产者价格统计报表制度（2021）》中的说明，PPI 统计调查了 41 个工业行 业大类，207 个工业行业中类，666 个工业行业小类的工业产品。根据统计局编制 PPI的计算方法，工业行业按照销售产值来确定各自权重，而工业销售产值数据在 2016 年 滞后不再更新，我们以主营业务收入来近似替代销售产值。利用工业各行业分项的标准 差乘以各自的权重，得到各行业对 PPI 的影响程度，影响 PPI 走势较大的主要是黑色金 属、石化、煤炭、有色等四个行业。因而，我们选用 HRB400 螺纹钢市场价、布伦特原 油现货价、动力煤现货价、LME 铜结算价等作为 PPI 的高频跟踪数据。样本区间内，该 方法得到的 PPI 环比预测与 PPI环比增速的相关系数为 0.78，方向上的准确度为 71%。

PPI 环比预测的准确率在 78%。对 PPI 环比的跟踪，主要有高频数据和整体指数两种 方法，其中高频数据选取黑色金属、石化、煤炭、有色等四个行业的价格变化，而整体 指数选取商务部发布的生产资料价格指数作为跟踪指标，最后我们选取高频数据作为环 比预测的预测。从结果看，样本区间内，月度 PPI 环比预测有 71%的概率与实际 PPI 环 比变动的方向变化一致，二者的相关系数为 0.78。

3.5.2 CPI 的高频预测

CPI 作为消费者价格指数，统计部门会抽选一组一定时期内居民经常消费、对居民生活 影响相对较大的有代表性的商品和服务作为“商品篮子”，从而来衡量 CPI 的变化。从 构成上看，CPI 大致可以分为食品项和非食品项两大类，进一步可以细分为食品烟酒、 衣着、居住、生活用品及服务、交通和通信、教育文化娱乐、医疗保健、其他用品和服 务等 8 大类。其中食品项的权重大，波动高，基本主导了 CPI 的走势，非食品项对 CPI 的影响相对不大。 对近月 CPI 的预测通常有两类方法。第一类方法，根据 CPI 的具体组成，分别来寻找对 应的高频数据。第二类方法，寻找一个和 CPI 含义接近的高频指数，通过对高频指数来 拟合 CPI。 根据统计局披露的口径，CPI 食品项主要由粮食、食用油、鲜菜、畜肉、水产品、蛋类、 奶类、鲜果等 8 大类食品构成。我们在市场上挑选相关性较高的高频数据来与食品项分 项对应，例如 7 种重点监测水果、28 种重点监测蔬菜等对鲜果和鲜菜的跟踪，相关性 系数达到 0.83 和 0.95，从高频指标来看，除了利用产区生鲜乳来跟踪 CPI 奶制品外， 其余的高频指标的相关性均较高。

对 CPI 食品项的拟合。同 PPI 的预测，对 CPI 食品项的预测，既可以选取高频数据，也 可以跟踪整体指数。整体指数方面，我们选取商务部公布的食用农产品价格指数，该数 据经过月频处理后，与实际 CPI 环比的相关系数为 0.82，样本区间内方向上的准确性为 65%。高频指数方面，我们选定对应的高频数据后，我们将不同频率的高频数据通过 取周度均值的方式转化为周频，并计算环比走势。权重的选取，统计局并未直接公布各 项指标的权重，目前较为可行的方法主要有以下几种：1、根据环比拉动和环比测算。 该数据为月度公布，统计局会会公布重要项目对 CPI 的拉动及对应项目的同比变化，从 而得到对应的权重，但由于统计局仅公布小数点后一位数，该方法存在一定的误差。2、 根据居民收入和消费支出测算。该数据为季度公布，根据 8 大类消费支出的占比，来得 到一揽子商品的权重。3、线性回归法测算。对 CPI 交通和通信项下的细分项交通工具 用燃料，可以利用 CPI 交通和通信的 CPI 环比，以及主要细分项的 CPI 环比，来做线性 回归得到其系数。4、第三方数据。例如 Wind 数据库有公布年度的 CPI 分项的权重。5、 滚动回归。不对 CPI 分项设置固定的权重系数，利用 CPI 食品项的环比变动和高频数据 的环比变动，通过最小二乘法来拟合数据得到 CPI 食品项的环比变动。本文的权重系数， 采用第三方数据和线性回归法结合的方法。

对 CPI 非食品项的拟合。我们仅利用汽油和柴油等成品油价格变动，来对 CPI 交通工 具用燃料来做跟踪，对其他分项我们均使用季节性数据来作为替代。权重系数的计算方 法同 CPI 食品项。

CPI 环比预测的准确率在 69%。本文选取跟踪高频数据，通过对食品项和交通工具用 燃料的高频数据的跟踪，以及其他分项的季节性数据的跟踪，我们可以拟合得到周度的 CPI 的环比变动值。从结果看，样本区间内，月度 CPI 环比预测有 68%的概率与实际 CPI 环比变动的方向一致，二者的相关系数为 0.89。

3.6 交通运输相关的高频指标

出行数据是整体宏观景气程度的重要指标，我们使用季度发布的交通运输 GDP 实际增 速来作为表征交运指标的响应变量。 考虑到数据的可得性，我们使用整车货运流量指数、国内航班执行数、一线城市地铁 客流量来作为跟踪出行的高频指标，其中整车货运流量指数、国内航班执行数自 2022 年才开始公布数据，因而目前对交通运输 GDP 的指示效果如何有待检验。

交运指数的准确率在 88%。在选取上述整车货运流量指数、国内航班执行数、一线城 市地铁客流量等 3 个指标后，对上述指标进行同样的数据处理后得到交运指数。从结果 看，样本区间内，消费指数有 88%的概率与季度交通运输 GDP 同比增速的方向变化一 致，二者的相关系数为 0.89。

3.7 库存相关的高频指标

库存是指企业为预防市场需求冲击或者生产成本的冲击，实现平滑生产而储备的产品， 库存是一个存量的概念，是企业流动资产的重要组成部分，而库存的波动即库存投资， 是一个流量概念，支出法 GDP 核算下，存货变动和固定资本形成总额共同构成了 GDP 资本形成总额。 对工业品库存的衡量，市场可以跟踪的低频指标为月度公布的工业企业产成品库存、 PMI 产成品库存和 PMI 月度库存，但由于 PMI 为景气度调查，这里我们使用是工业企业 产成品库存增速。考虑到该数据为名义值，我们使用 PPI 来将名义产成品库存同比增速 转换为实际产成品库存同比增速。同时在行业筛选方面，对工业品库存的细分行业筛选， 我们参照工业增加值的细分行业筛选。 黑色金属行业相关库存指标。黑色金属行业库存相关的高频指标有螺纹钢库存、钢厂炼 焦煤库存、焦化厂炼焦煤库存、铁矿石港口库存、建筑钢材企业厂库、主要品种钢材库 存等，统计区间内，其与实际产成品库存同比增速的相关性系数分别为 0.26、0.01、- 0.17、-0.41、0.21、0.21，时差相关性系数相关度也一般。 有色金属行业相关库存指标。有色金属行业库存相关的高频指标有阴极铜库存、电解铝 库存等，统计区间内，其与实际产成品库存同比增速的相关性系数分别为 0.15、-0.11， 相关性一般。

化学原料及化学制品行业库存相关指标。化工行业库存相关的高频指标有江浙织机涤 纶长丝库存、纯碱库存、PVC 库存、PTA 库存、聚酯切片库存等其与实际产成品库存同 比增速的相关性系数分别为 0.15、0.10、0.23、0.50、-0.04，时差相关系数分别为 0.47（领先 3 期）、0.59（领先 5 期）、0.39（领先 3 期）、0.58（领先 2 期）、-0.13（领 先 7 期），化工行业，我们选取纯碱库存和 PTA 库存作为工业产成品库存的跟踪指标。 电力热力生产行业库存相关指标。电力热力行业库存的高频指标，有秦皇岛港口煤炭库 存和 CCTD 主流港口煤炭库存，二者与实际产成品库存同比增速的相关性系数分别为 0.07 和-0.04，相关性一般。

库存指数的准确率在 79%。在选取纯碱库存和 PTA 库存作为工业产成品库存的跟踪指 标后，进行同样的数据处理后得到库存指数。从结果来看，样本区间内，库存指数由 79%的概率与实际产成品库存同比增速的方向变化一致，二者的相关系数为 0.52。

3.8 融资相关的高频指标

社融由表内贷款、表外贷款、直接融资和其他等四类构成，我们对社融增速的高频跟踪 也从这四大类出发，同时考虑数据的可得性，我们考虑利用信贷增速和债券融资相关的 高频指标来跟踪社融增速。 信贷相关高频指标。我们使用票据利率、票据利率与存单利率的利差作为信贷相关的跟 踪指标。票据的支付直接反映经济体之间贸易往来，而票据的融资功能使得票据成为实 体经济重要的融资渠道，票据连接企业、金融市场和银行机构，具有预测信贷需求的可 能。相较一般信贷，由于票据贴现基于基础贸易，而非单纯依靠企业的信用和抵押品， 银行进行信贷决策更快，企业进行票据贴现更快捷。日频公布的票据利率较好的反映了 实体经济信贷需求状况。票据与货币市场关系密切，票据利率作为银行信贷部门的重要 观测利率，而存单利率作为银行资金部门补充流动性改善流动性指标的重要资金来源， 二者通过银行内部的 FTP 定价联系，票据利率与存单利率的利差对信贷需求理论上也存 在一定的指示性。从历史数据看，统计区间内票据利率、票据利率与存单利率的利差与 社融增速的相关系数为0.54、0.68，时差相关系数分别为0.54、0.68，相关性较好。但 在对指标进行回测时，我们发现票据-存单利差指标对社融增速的指示效果一般，这可 能由于该指标存在一定的滞后性，从而出现高相关性和较低的预测准确率，由于我们旨 在跟踪方向的变化，因而我们仅使用票据利率作为信贷相关高频指标。

债券融资相关指标。逻辑上，地方债融资和信用债融资作为社融的直接构成部分，对社 融增速的跟踪预测应该有一定的效果。从历史数据看，统计区间内地方债融资、信用债 融资与社融增速的相关系数为 0.08、-0.19，时差相关系数分别为 0.23（领先 5 期）、 0.37（领先 6 期），实际的相关性一般。

融资指数的准确率在 58%。我们使用票据利率来作为社融增速的跟踪指标，进行同样 的数据处理后得到融资指数。从结果来看，样本区间内，融资指数有 58%的概率与社 融同比增速的方向变化一致，二者的相关系数为 0.53。

四.高频指标的实际效果验证

构建国盛固收基本面高频指数。在构建了生产、地产销售、基建投资、出口、消费、交 运、库存、融资等高频指数后，我们利用该高频指数，加权得到合成的需求指数。权重 按照其为各部分对 GDP 的比重来分配，最终利用 2018-2022 年的数据，我们得到其权 重，利用该权重我们计算得到高频的需求指数。然后利用该指数对季度实际 GDP 同比 增速，通过线性回归得到线性变换的系数，从而得到周度的需求指数，同时取该需求指 数的 13 周均值作为国盛固收基本面高频指数。

构建利率债多空信号指数。该周度的高频指标体系下，我们筛选出 30 大中城市商品房 成交面积、水泥发运率、乘用车厂家零售、日均电影票房、电炉开工率、聚酯开工率、 半胎开工率、一线城市地铁客运量等 8 个相关性较高的高频指标作为宏观景气度指标， 经过前文同样的处理后得到合成的等权指数，然后将该等权指数对工业增加值同比增速 进行回归，得到线性变换后的周度的高频指数，然后将该指数做 13 周的移动平均，我 们将该移动平均后的指数命名为利率债多空信号指数，该指数对利率有较好的领先效果。 我们构建策略，如果该信号指数大于上周的信号指数，则做空一张 10 年期国债期货主 力合约，反之则做多一张 10 年期国债期货主力合约，策略的持有期为一周，每周一开 仓和平仓。该策略的基准收益为每周一持续持有一张 10 年期国债期货主力合约的多单。 测试期间（2019 年 4 月 7 日-2023 年 8 月 20 日），该信号策略的累计收益为 15.3 元， 基准收益为 4.8 元，该信号策略的超额收益较高。同时，在第一部分我们提到，在月末 获悉当月的工业增加值数据，利用该数据的预期差来交易，测试期间（2019 年 4 月2023 年 8 月）的收益为 8.04 元，次月月中利用该数据的预期差来交易，测试期间的收 益为-7.65 元，高频数据产生的信号策略的收益，同样大幅跑赢月频经济数据下的利率 债策略。利用生产指数，构建相同的信号策略，测试期间的收益为 12.7 元，同样大幅 跑赢基准收益。

我们通过建立一套基本面数据的高频观测体系，将月频和季频的基本面数据的跟踪推 广到了周频，其中大部分周频指标对月频的基本面数据具有较好的预测性和较高的相关 性。在此基础上，我们构建了国盛固收基本面高频指数和利率多空信号指数，其中国盛 固收基本面高频指数对季度 GDP 增速具有较好的预测作用，而利率多空信号指数对 10 年国债利率具有较好的预测性，周频跟踪的方法在准确性、预测性、增加投资频率上进 一步拓展了宏观数据研究对利率债投资的作用。本文在数据处理上，均采用的一般化的 线性模型，将线性模型推广至非线性模型、并采用更有效的高频指标将进一步提升高频 指数对宏观经济数据的跟踪的效果和利率债的投资业绩。

编辑：火腿肠