宏观量化的周期拐点和PPI领先指数设计 - 期货帮

本文基于周期拐点的视角提出了宏观量化的研究思路，主要包括以下几步：变量选取、数据处理、合成方法、拐点识别、拐点匹配、效果评价，并通过PPI领先指数的设计对这一流程进行实践。

宏观变量的选取和处理部分，对常用的数据归纳为价格、金融条件、工业、进出口、消费、投资、财政7个大类及其细分的28个小类，后续可以继续进行扩展补充。根据数据的不同特点设置不同的处理步骤，举例分析其中较为重要的步骤：季节调整（X13）、去除噪音（HP滤波、EMD分解、LLT滤波）。周期拐点的识别与匹配部分，介绍了B-B算法步骤和通用的匹配规则，以及效果评价指标。合成方法部分介绍了指数合成法（OECD）、主成分分析法（PCA）、动态因子模型（DFM）三种方法的原理和优劣势。

PPI领先指数设计部分，使用PPI全部工业品当月同比作为基准指标，处理之后进行拐点识别发现：PPI周期的数值规律明显，极值点的持续时间很短，周期长度并不稳定最短为5个月最长为39个月其余大部分在15个月附近。宏观变量主要选用两类：一类是与PPI相关性较高的价格类指标；另一类为工业企业盈利、货运量、进出口等反映经济景气的指标。

对比三种合成方法，从领先效果来看，OECD平均值为4中位数为2.5，PCA平均值为4.7中位数为3，DFM平均值为3.6中位数为3.5；时差相关性方面OECD和PCA分别为0.86和0.92，DFM略差为0.66。整体而言，使用这一宏观量化流程合成得到的领先指数对PPI的预测能取得较好效果存在明显的相关性，基本保持在一个季度左右的领先期数，对于提前预判PPI走势具有重要意义。

宏观量化中的数据、模型、方法种类繁多没有固定的范式可循，这套基于周期拐点的流程通用性强可应用领域广，我们将继续围绕周期分析、经济领先指数、行业领先指数等角度进行研究实践。