【国君金工】GDPNOW:精细化宏观实时预测体系

（以下内容从国泰君安《【国君金工】GDPNOW:精细化宏观实时预测体系》研报附件原文摘录）
　　点击上方“辰奥临君” ，关注我们 陈奥林 从业证书编号 S0880516100001 徐忠亚 从业证书编号 S0880519090002 摘要 l 经济研究中，存在无法实时掌握历史区间经济状态的问题。因此，对频率相对较低、更新相对滞后的重要经济指标进行实时预测，具有重要的价值。 l GDPNOW：模型框架的核心是：一，从GDP核算视角，拆分到各生产部门，进行预测合成；二，综合使用季度和月度两类模型，提高数据使用效率。 l 中国宏观经济预测框架：从生产法视角，将GDP拆分到工业、房地产和建筑等11个行业，分别对其量和价进行预测： 季度模型：使用贝叶斯向量自回归模型，对11个行业名义值进行预测；使用动态因子模型，对行业同比价格指数进行预测，综合给出行业实际增速观点值； 月度模型：为各行业筛选了最直接相关的月度变量。首先对未发布月度数据进行预测，然后回归拟合得到对应行业增速观点值； 观点加权：动态调整权重，将季度和月度模型观点加权，得到综合预测；构建权重，加权平均得到整体GDP增速预测值。 研究展望：GDPNOW框架下，对于未发布月度数据，使用滞后期时序模型进行预测，本质还是量化趋势外推。在经济处于正常运转状态时，这种方法不会存在较大的偏差。我们认为更合适的方法是，使用更高频的数据对月度未发布数据进行预测，如日度和周度，此时需要考虑新的模型框架。 01 Nowcasting框架存在的不足 经济指标实时预测的关键是混频模型，同时还需要解决数据发布时点不规则及新信息及时纳入的问题。在前期报告中，我们以动态因子模型为框架，搭建了基于我国宏观数据的Nowcasting实时预测体系。 Nowcasting的基本思路是利用高频经济指标，对低频关键变量进行预测。以动态因子模型为基础构建状态空间模型，借助卡尔曼滤波/平滑算法，解决混频数据和数据更新时点不规则的问题。最后给出的预测值本质是如下线性模型（简化处理，仅考虑3个因子，且不考虑各滞后项）： 模型外因素（金融危机、疫情、战争等）会扭转因子趋势，进而对预测准确度产生较大负面影响。模型预测值是当期及过去N个滞后期的因子值线性组合，发生突变时，预测值调整速度会受到影响；同时随着时间推移，后续报告期预测会受制于突变时点的异常值，对其预测精度产生影响。 总结来说，Nowcasting的核心是寻找与目标变量相关的高频数据，据此构建潜在因子，搭建与其之间的模型关系，从高频数据的更新中获取增量信息。通过分析和实际应用，我们认为上述框架存在如下不足： 1. 逻辑链传导较长，相关性或出现偏误 以使用到的社会消费品零售总额为例，其与GDP增速为正相关。从经济含义看，其首先作用于批发与零售行业，然后再合成GDP增速。直接使用社零对GDP进行预测，缺乏关联的桥梁，保持相关性方向的同时，程度会出现偏误，且相对不可控。我们希望预测发生在最直接相关的变量组合之间。 2. 未能最高效使用可得数据信息 Nowcasting框架下，预测值调整仅基于高频数据的更新，现有均为月度数据。然而，季初月度数据均未发布或发布很少，我们需要对未来3个月数据进行预测。量化模型预测的本质是趋势外推或中枢回复，预测期数越多，其越接近历史均值，实际价值也越小。正如相关文献的研究结论，Nowcasting对未来1期的预测效果是最好的，否则其与简单的季度模型相比并无明显优势。 基于此，我们认为应将季度和月度两类数据模型进行综合使用。具体来说，季初月度数据缺失较多，季度模型权重更高；随着时间推移，月度模型权重逐渐抬升。同时，预测期实际GDP发布时，仍有区间内月度数据未发布，因此季度模型权重最后一期仍是大于0的。 在本报告中，我们搭建了基于我国宏观数据的GDPNOW模型框架，以更精细化对宏观经济状态进行预测。与Nowcasting相比，核心差别是如下两点：一，从GDP核算视角，对每个细分项单独进行预测，自下而上合成得到GDP增速数据；二，分别构建季度和月度预测模型，随时间调整权重进行加权平均。 02 如何构建更精细化的预测模型 为预测经济指标，我们需要对其核算过程进行分析，据此进行模型构建和计算。此部分我们对GDPNOW模型框架进行介绍，并分析其与Nowcasting框架的差异。 2.1.需要解决的问题 GDP核算方法可划分为生产法、收入法、支出法，理论上其给出的结果应一致，实际受限于数据资料的可得和完整性，会存在一些差异。不过相同点是，基于经济含义将整体划分为不同部门，分别核算然后进行汇总，得到所需数值。 在这个过程中我们需要解决如下问题：一，使用何种方法进行GDP核算；二，如何进行部门划分；三，针对各部门，如何分别构建预测模型；四，得到部门数据后，如何合成得到整体数据。下面我们对GDPNOW框架进行介绍，并回答上述问题。 2.2.GDPNOW模型框架介绍 GDPNOW框架的核心是：自下而上预测合成，综合使用季度和月度两类数据。模型框架示意见图1。 首先，从生产法/支出法/收入法视角，对GDP分项进行预测。具体来说，需要对行业产值的量（实际值）和价格分别进行预测，合并得到GDP增速值；其次，在预测量和价时，分别构建季度和月度数据模型，加权得到模型综合预测值。框架中给出的合成方法是链式法则，这需要各分项实际值序列和可比的链式价格指数序列。 月度模型的关键是，为每一个部门找到与其最为直接相关或直接构成整体的高频数据。与季度模型不同的是，每次有新的信息更新时，月度模型预测值都可能出现调整。月度模型变量筛选的原则是，基于GDP 核算手册，分析各行业细分构成，从统计局发布的变量中进行寻找匹配。举例来说，支出法视角需要考虑投资、消费和进出口，消费包括居民和政府分项。在这个过程中，需要对较多数据进行测试。 2.3.模型应用流程 基于上述模型框架，我们按以下流程对GDP增速进行预测：一，季度模型；二，月度模型；三，模型加权合成。下面我们首先对模型应用框架进行说明，然后对各项细节展开论述。 设 为目标变量历史序列值（季度），基于季度模型我们可以得到其下一期预测值： 设 为 与存在经济逻辑联系的月度数据，假设当季第一和第二个月的数据已发布，则可对第三个月数据进行预测： 基于月度数据，对 进行预测： 综合 和 ，得到最终预测值： 2.3.1. 季度模型-贝叶斯向量自回归 传统向量自回归模型存在如下问题：变量增多、滞后期增加后，模型参数数量大幅提高，模型稳健性和样本外预测能力受到影响。为缓解这一问题，我们使用贝叶斯向量自回归模型（BVAR）进行季度数据预测。 设模型所涉变量为： ，滞后阶数为P： ， 。 为提高参数估计稳健性和模型样本外预测能力，我们对模型参数施加先验约束，其原则是：一，时间越临近，其相关性越高；二，自身滞后期指标预测能力强于其他指标。据此可施加如下约束（The Minnesota prior）： 其中 为非0参数； 为先验信息的整体影响程度，若其为0则后验估计值即为先验信息，若其趋于无穷则先验影响越小； 为参数对应的滞后阶数； ，反映其他变量滞后期的影响程度调整； 和 分别为对应模型的残差方差。 上述先验信息的含义是，除自身滞后1期参数非0之外，其余参数先验值均为0；参数标准差越大，其可取值范围也越大。 Minnesota prior含义明确，操作简单，但其假定 已知且是对角阵具有一定的不合理性。Normal Inverted Wishart prior假定参数和方差矩阵均是未知的。首先将模型重新表述为： ， ， ， ， 。 其对应的先验约束为： 通过对 、 、 和 的选取，使得的预期均值和标准差与Minnesota prior保持一致。 2.3.2. 月度模型-桥联模型 月度模型包括两步：对未发布的数据进行预测；基于发布值和预测值，得到合成的季频预测值。以工业增加值为例，截至2021/3/31，其1月和2月当月同比数据均已公布，分别为25.40%和52.34%，假设3月预测值为20.00%。使用简单平均的方法，可得工业项Q1同比增速预测值为25.91%。 对于月度模型，核心是：一，寻找与目标变量最为直接相关的高频数据；二，搭建较为准确的月度预测模型；三，将月度同比增速合成季频增速的拟合框架。后文中，我们会对基于我国的预测框架进行详细说明。 2.3.3. 模型增速合成 通过前面两步，我们可以得到各个部门的季频和月度模型预测值。在此基础上，我们需要将二者合成得到综合预测值，然后计算整体GDP预测值。对于第一步，我们基于如下逻辑原则：即时预测的本质是部分逐渐发布，整体预测的准确性也得以提高。因此，季初月度数据发布较少，需要进行多期预测，可靠性相对较低；季末，月度数据基本发布完毕，月度模型权重相应大幅提高；权重会随时间进行调整。 在得到各部门预测值后，使用链式法则可以得到更为合理准确的GDP增速估计值，即： 其中Q和P分别为各部门量和价数据。我国目前没有发布相关可用指标，本文会使用其他方法进行GDP增速合成计算。 03 中国宏观经济指标实时预测 前文我们对GDPNOW模型框架进行了较为详细的说明，下面我们依此展开，对该框架在我国的应用进行阐述。具体来说，我们着重对GDP核算细节和使用到的指标进行分析说明，然后对模型应用细节进行阐述。 3.1. 行业增加值视角的GDP核算 我国整体从生产法视角进行GDP核算，即首先对各行业分析增加值进行核算，然后汇总得到整体GDP数值。下面对所涉产业/行业进行说明。 第一产业是指农、林、牧、渔业（不含农、林、牧、渔专业及辅助性活动）；第二产业是指采矿业（不含开采专业及辅助性活动），制造业（不含金属制品、机械和设备修理业），电力、热力、燃气及水生产和供应业，建筑业；第三产业即服务业，是指除第一产业、第二产业以外的其他行业。 2015年之前各季度，其他行业包含信息传输、软件和信息技术服务业，租赁和商务服务业，科学研究和技术服务业，水利、环境和公共设施管理业，居民服务、修理和其他服务业，教育，卫生和社会工作，文化、体育和娱乐业，公共管理、社会保障和社会组织共9个门类行业；2015年及之后各季度，不再包含信息传输、软件和信息技术服务业，租赁和商务服务业。 3.1.1. GDP行业分项数据基本情况 下图和下表给出的是各行业对GDP累计同比拉动的贡献值。从区间来看，工业和其他服务业贡献最高，住宿和餐饮业贡献相对较小。从趋势来看，信息传输、软件和信息技术服务业近年来贡献增加。 GDP累计同比拉动计算包括两项：行业增加值占比和行业增速。工业项贡献高，一方面是其占比高，另一方面增速也保持较为稳定的水平；虽然信息传输、软件和信息技术服务业占比低，但其远高于GDP的增速水平，使其成为不可忽视的增速来源。 以2020年Q1为例，整体GDP增速为-6.8%，其中工业项贡献为-2.70%；金融业，信息传输、软件和信息技术服务业分别贡献了0.53%和0.52%。全年来看，后两个行业保持了正常的增速水平，即疫情对其影响相对较小。由此我们可以发现，分部门来看，所得结果和结论可解释性于与可靠性相对整体分析更高。 3.1.2. GDP行业分项核算方法 GDP核算首先得到行业现价增加值，然后基于价格指数得到不变价增加值。下表给出了我国不变价GDP生成核算中涉及的方法和价量指数。我们以农林牧渔为例进行简要说明，其余行业计算方法与此类似。 农林牧渔业增加值按照生产法和收入法两种方法计算，以生产法计算结果为准。增加值＝总产出－中间投入，总产出＝产品产量×产品价格，产品产量为当期实际收获的产量，产品价格按生产者第一手出售农产品的价格或集市交易价格或生产成本计算。中间投入包括物质消耗和生产服务支出。 不变价增加值＝不变价总产出－不变价中间投入。不变价总产出采用缩减法计算，缩减指数为农产品生产价格缩减指数，计算公式为： 不变价总产出＝现价总产出÷农产品生产价格缩减指数 不变价中间投入采用缩减法计算，缩减指数为各类中间投入的价格指数，计算公式为： 不变价中间投入＝现价中间投入÷中间投入价格指数 农林牧渔服务业不变价增加值采用单缩法计算，计算公式为： 不变价增加值＝现价增加值÷缩减指数 缩减指数采用农村居民消费价格指数中的服务项目价格指数。 后文我们会基于GDP核算手册，对核心高频数据和价格指数进行筛选，以对各行业量和价分别进行预测。 3.2. 中国GDPNOW模型设定 通过前文模型准备和GDP核算方法梳理，此部分我们就GDPNOW框架在我国的应用展开说明。 除前文所述BVAR模型外，与Nowcasting一样，还需借助动态因子模型框架[1]：设 ， ，为标准化的月频平稳时间序列向量，其可由如下因子模型表述： 其中， ， 为不可观测因子向量， 为与因子不相关的特质因素。设 满足如下VAR模型： 在本报告中，使用动态因子模型完成如下任务：BVAR得到的是名义值，需预测得到各行业价格指数；对未发布月度数据进行预测时，需使用全局因子。 [1] 模型细节可参考《宏观量化之Nowcasting实时预测》。 3.2.1. 季度：GDP行业分项名义值和价格指数预测 此部分我们对季度预测模型进行说明，具体来说包括各分项名义值和同比价格指数进行预测。 对于行业名义值，我们使用BVAR模型进行预测。在此之前，我们还需对数据进行处理。由下图可以看出，工业项存在一定的季节效应，因此我们使用X13-ARIMA方法对数据进行季调，然后将调整之后的数据纳入预测模型。站在当前时点（2021/3/31），我们的预测目标是2021Q1数据。得到预测值后，可以得到同比名义增速值（基期数据也是季调之后的数值）。 因为我国没有发布分项季频实际值，我们还需要对各行业同比价格指数进行预测。 设 为行业 在 期的名义值， 为其实际值， 为同期价格指数。我国实际披露的是 ，则同比价格增速为： 据此可以得到各行业同比价格指数历史序列[2]。 各行业涉及的价格指数种类和复杂程度不同，我们将11个行业划分为两类，分别对应3个（模型一）和8个行业（模型二）。批发和零售业、信息传输、软件和信息技术服务业，租赁和商务服务业，仅使用到居民消费价格和商品零售价格指数（模型一），另外8个行业还涉及PPI和房地产价格（模型二）。 与Nowcasting中潜在因子的设定相似，模型一设定了全局、CPI和RPI等3个潜在因子；模型二设定了全局、CPI、RPI、PPI和House等5个因子。基于数据更新，得到各期最新同比价格指数预测值。 在得到各行业季调名义预测值和同比价格指数后，可得到实际增速预测值： 。季度名义值预测在一个季度内不会发生变化，实际增速观点会随价格指数变动而发生调整。 [2]信息传输、软件和信息技术服务业，租赁和商务服务业，2015年之后从其他服务业中拆分出来。在此之前的同比价格使用对应行业的平均工资同比增速替代。 3.2.2. 月度：GDP行业分项值预测 月度模型最为核心的是寻找到与行业分项最直接相关、逻辑关联最紧密的高频数据。基于GDP核算手册和数据可得性，我们为每一个行业筛选了相应的高频数据，见下表。 下面我们对具体预测流程进行说明。对于月度数据，使用如下拓展因子模型进行预测： 其中 为月度同比增速， 为全局因子。上述模型即是以指标滞后期和全局因子滞后期作为解释变量的时间序列预测模型。 上述预测模型在某些情况下存在问题，即无法较好解决基数效应问题。以2021年3月份为例，在1月和2月数据发布的情况下，对3月数据进行预测，给出的预测值区间为28%-31%，这是趋势外推下可预期的结果。考虑2020年1-3月同比数据，2月基数效应最强，1月次之，最后是3月份。为获取更为准确的预测值，对于这种情况我们使用环比数据对同比增速进行简单推算。 假设T季度公布了第一和第二个月的高频指标值，即 和 ，然后预测得到第三个月的高频指标值 。 最简单的，我们可以将这3个月度数据简单平均得到季度增速。不过各月体量存在差别，我们通过如下回归对季度GDP行业分项进行预测： 得到估计参数后，将 、 和 代入，即可得到对该行业分项的实际增速预测值。 依此，便可得工业，建筑业，批发和零售业，交通运输、仓储和邮政业，住宿和餐饮业，金融业，房地产业，信息传输、软件和信息技术服务业等8个行业的行业分项的增速预测值。 对于租赁和商务服务业，因为缺少有实际价值的高频数据，且历史序列较短，我们使用如下回归模型对其增速进行预测。 对于全局因子，基于卡尔曼滤波方法可得到后续各期的预测值。将 、 和 代入即可得到对应的分项预测值。 对于农林牧渔业和其他行业，我们使用动态因子模型框架进行预测，给出月频观点值（Nowcasting框架）。 月度模型预测值变动来源于两方面：所涉高频数据的发布，全局因子相关变量发布对未发布数据预测值带来影响。因此，与Nowcasting框架一样，模型也会将经济指标的发布值实时纳入预测变量调整中。 3.2.3. GDP预测值合成 现在我们已经有了季度和月度模型分别给出的行业实际增速观点，下面对二者的加权方式进行说明，然后给出GDP增速值计算方法。 以工业项为例，截至2021/3/31，1月和2月工业增加值数据已经发布，全局因子构建模型中有75.93%的数据已经发布，则月度模型权重为91.98%。假设季度和月度工业增速预测值分别为13.97%和29.24%，则综合预测值为28.02%。 因为我国没有发布行业分项季频实际值和可比的链式价格指数，因此我们无法使用链式法则进行GDP增速计算。为解决这一问题，我们考虑使用如下方法进行估计： 估计模型一： 即以各行业分析名义GDP占比作为权重进行加权平均。 估计模型二： 即计算相对上一期名义值，实际增长之后的产值，将其作为权重进行加权平均。 估计模型三： 为验证这三种估计方法的可靠性，我们将据此合成的GDP增速与实际发布值进行了对比，估计值和模型误差绝对值结果见下图。模型一、二和三的平均偏误绝对值分别为0.13%、0.12%和0.05%，模型三相对更为稳健。因此，我们使用模型三对各行业GDP增速进行加权平均，合成得到最终所需的GDP增速值。 3.3. 2021第一季度预测结果分析 基于截至2021/4/15数据，对于2021Q1实际GDP同比增速，模型预测值为18.87%，实际值为18.30%，高估了0.57%。分行业看，住宿和餐饮业，交通运输、仓储和邮政业显著低于模型预测值；建筑业、其他行业和金融业模型预测略高于实际值；工业实际值与预测值基本一致。从行业贡献[3]看，工业贡献最高，为7.26%，略低于实际值；其次是批发与零售业，其他行业，实际值小幅低于模型预测值。整体来看，服务业实际值略低于模型预测值。 上述偏差来源是什么？表6中给出了部分行业月度明细结果。可以发现，建筑业高频数据3月预测值为17.48%，高于实际值-5.06%；房地产行业指标3月实际值为38.07%，预测值为54.11%。假设3月数据预测相对准确或者偏差没这么大，则模型预测值偏误会显著降低。后文我们会对模型预测误差来源进行更为精细的分析。 [3] 行业贡献值=行业增量/GDP增量×GDP增速。 3.4. 模型回测检验 宏观数据披露日是其重要维度，我们从2020年9月份开始存储该指标。为对GDPNOW框架进行检验，我们对2020Q2和2020Q4进行预测，数据披露日分别截至2020/6/30和2021/1/15。下图给出了GDP当季同比拉动行业贡献值，以及行业预测值与实际值的对比。 从整体结果来看，2020Q2和2020Q4预测值分别为2.89%和6.35%，实际值分别为3.20%和6.50%，工业和金融业贡献较高。从分行业预测来看，2020Q2整体准确度相对较差，2020Q4整体准确性较高。部分行业，如住宿和餐饮业，租赁和商务服务业，或因缺乏合适的高频数据，或因选取的月频指标拟合能力低于预期，导致其预测出现一定偏差。 04 模型应用总结 GDPNOW框架的核心是：一，自下而上拆分合成；二，综合利用季度和月度数据提供的信息。与单一预测GDP增速的Nowcasting框架相比，我们认为GDPNOW的可解释性和可靠性相对更高。下面我们对该框架的优缺点进行总结。 4.1.模型优势与不足 GDPNOW采取的是自下而上合成的思路，下表给出的是2020Q4部分行业预测明细。整个流程概括如下：对未发布的月度数据进行预测，结合已发布月度数据，得到拟合的行业季度增速预测值。下面我们以2020Q4部分行业模型预测细节进行分析。 工业增加值12月预测值高于实际值，拟合值低于实际值，主要由以下原因导致：工业增加值为规模以上企业，工业项是全部企业，口径存在差别；因为没有实际值，仅有同比增速，拟合时存在残差偏误。不过整体看，以工业增加值预测工业项增速，其准确性是较高的。 对于住宿和餐饮业，因为没有合适的住宿分项数据，所以模型拟合度会相对较差。即使12月两个指标均预测准确，整体预测值也仅为1.58%。在能获取新的信息来源之前，这一情况无法有效改变。不过因为住宿和餐饮业占比较低，预测偏差对其贡献影响较小。 12月股市成交额预测值偏高较大程度拉高了行业预测值，当前使用的是证监会发布的存在滞后期的成交额数据，后续会修改为直接从行情数据中获取。不过假设股市成交额预测是准确的，金融业增速预测值为8.92%，仍然偏高，还需对偏差来源进一步分析。 信息传输、软件和信息技术服务业整体存在低估的情况，虽然大的趋势是没有问题的。目前没有发现合适的计算机服务业高频数据指标，在一定程度上引致了整体增速的低估。虽然在GDP中整体占比并不高，但其远高于GDP的增速导致其贡献较高，会引致一定的偏差。 GDPNOW框架的优势是什么？我们认为可解释性是较为核心的。以上述分析为例，整体偏误可以拆分到各个细分项，进而对误差来源有更明确的认知：变量选取，月度到季度的增速拟合，在此基础上我们能够进行相应的优化。当然，这也需要一定区间的样本外检验和进一步的调整优化。与之相比，Nowcasting框架下，我们无法直接对误差来源进行有效分析。除此之外，GDPNOW中各行业增速变动可作为其景气度指标进行使用，后续我们也会进行这方面的研究。 GDPNOW框架的不足与其优势是共存的。自下而上拆分是其优势，但其中涉及的变量较多，方法也更加复杂。以月度模型为例，需要为每个行业选择合适的高频数据，同时需要对未发布的高频数据进行较为准确的预测。执行环节和流程越多、越复杂，其出现偏差的可能性也会越高。目前我们搭建的模型框架样本外时间较短，变量和参数也未进行充分优化，后续还需进一步进行调整。 4.2.研究展望 宏观状态预测的关键是混频预测，即选取合适的高频数据，模型化其与目标变量之间的对应关系。在这个过程中，从大的方向看有两种思路：一，整体预测；二，自下而上拆分合成，这里我们均已尝试。从模型细节看，有如下处理方法：一，低频数据近似化表示为高频数据的线性加权；二，直接搭建低频和高频数据的精确模型关系。目前我们使用的主要是第一种处理方法。 GDPNOW框架中，对于未发布月度数据，使用滞后期时序模型进行预测，本质还是趋势外推。以2021Q1为例，对3月份固定资产投资的预测出现了较大的偏差。在经济处于正常运转状态时，这种方法不会存在较大偏差。我们认为更合适的方法是，使用更高频的数据对月度未发布数据进行预测，如日度和周度，此时我们便需要考虑新的模型框架，这也是我们正在开展的研究。 05 总结 在本报告中，我们从自下而上的视角搭建了基于我国宏观数据的GDPNOW模型框架。 GDPNOW的核心是两点：一，GDP核算视角，拆分到各个部门，分别进行预测；二，综合使用季度和月度两类模型观点。从生产法视角，我们分别对工业、房地产等11个行业的量和价进行预测，然后合成得到整体GDP预测值。 GDPNOW框架的优势是，模型可解释性更强，能够较好地对预测误差进行溯源。整体来看，影响模型准确性的因素包括高频指标的选取和未发布指标的预测。对于后者，我们会尝试使用日度或周度数据对其进行预测。 详细报告请查看20210426发布的国泰君安金融工程专题报告《GDPNOW：精细化宏观实时预测体系》 特别声明： 本订阅号发布内容仅代表作者个人看法，并不代表作者所属机构观点。涉及证券投资相关内容应以所属机构正规发布的研究报告内容为准。 市场有风险，投资需谨慎。在任何情况下，本订阅号中的信息或所表述的意见均不构成对任何人的投资建议。在决定投资前，如有需要，投资者务必向专业人士咨询并谨慎决策。 本订阅号内容均为原创，未经书面授权，任何媒体、机构和个人不得以任何形式转载、发表或引用。

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）