东方证券-宏观固收量化系列研究之（三）：宏观数据季节调整与运用-200531

《东方证券-宏观固收量化系列研究之（三）：宏观数据季节调整与运用-200531（16页）.pdf》由会员分享，可在线阅读，更多相关《东方证券-宏观固收量化系列研究之（三）：宏观数据季节调整与运用-200531（16页）.pdf（16页精品完整版）》请在悟空智库报告文库上搜索。

　　研究结论
　　宏观数据很多受经济活动季节性变化影响，而呈现明显的季节性波动，此时环比数据无法准确反映总量的变化趋势；同比数据可以部分抵消季节效应的影响，但无法完全消除，而且在反映趋势变化上会滞后于环比数据。
　　季调方法目前使用最广的是美国统计局的X-13-ARIMA-SEATS，R的seasonal工具包提供了此方法的完整功能，有便捷图形界面，推荐使用。
　　季节调整不等于降噪平滑。季节调整是剔除时间序列数据中的季节部分和日历部分，保留趋势、不规则部分；不规则部分里可能包含异常点和数据噪音。
　　季调模型有很多参数，如果投资者只做一次样本内分析，可以让模型自动化选取参数；但如果要做投资策略的历史回溯，需滚动窗口反复多次估计模型参数，那么自动化寻优的过程会增加模型参数的不稳定性，从而使得季调结果也变得不稳定。报告推荐了四个固定参数设置，可以有效剔除季节效应。
　　在国内常用宏观经济指标中，除去消费者信心指数、外汇储备外，其它指标都或多或少存在显著季节效应；春节效应对进口总额、人民币有效汇率、M0-M2、社零、工业增加值、财政支出、CPI有显著影响；财政收入、财政支出两个指标的季调效果稳定性差，策略历史回溯时建议采用原始值。
　　由于春节移动效应，同比数据受季节调整影响较大的主要是1、2、3月，其它月份季调前后差别很小。
　　报告尝试用季调后的五个经济增长指标预测2017年后的A股小盘股溢价，和原始数据比，两者样本外预测偏差月度差异大，但整体差别统计上不显著。
　　季节调整一方面消除了季节性因素带来的异常值影响，提升模型预测能力；另一方面模型参数估计受滚动窗口影响，动态变化带来不稳定性，正反作用相互抵消。不过从宏观指标逻辑、避免异常值影响角度讲，我们仍然建议投资者有必要对宏观数据进行季调。
　　报告最后尝试了十年期国债国债季度风险溢价（BRP）的预测，发现国内已公布宏观经济数据的信息完全被交易到利率曲线中，它们相对当期的利率期限结构数据没有显著的额外信息增量。
　　风险提示
　　量化模型失效风险
　　市场极端环境的冲击