量化社融指標全解析與預測框架構建

社會融資規(guī)模全解析社會融資規(guī)模指標刻畫了金融體系對實體經(jīng)濟的支持力度，對經(jīng)濟與市場判斷具有重要意義。本報告采用自上而下和自下而上兩種方法構建了社會融資規(guī)模指標的預測框架，能夠提前發(fā)布期較為準確的預測指標變化。圖：社融預測框架圖解 繪制社融的念解析3年經(jīng)濟復蘇是強是弱復蘇的路徑又是如何成為了市場重點關注的問題。而社會融資規(guī)模作為經(jīng)濟的先行指標，自然也成為了焦點。本篇報告著重于對社融領先判斷的研究，采用高頻數(shù)據(jù)在央行發(fā)布社融數(shù)據(jù)前對其進行合理有效的估計。在對社融進行預測之前，我們首先對社融的基本概念以及社融與經(jīng)濟之間的關系進行梳理。圖：信貸脈沖對A股景氣度有拐點領先特點 社會融資規(guī)模是指實體經(jīng)濟從金融體系獲得的資金量，反映的是金融與經(jīng)濟之間的關系包含了直接融資與間接融資社融的誕生源自貨幣政策調控的需要隨著金融業(yè)的發(fā)展以及金融工具的不斷創(chuàng)新，信貸無法完全反映金融體系對實體經(jīng)濟的支持，以信貸作為貨幣政策的中間目標的調控效力有所下降，在這一背景下，2011年中國人民銀行編制了社會融資規(guī)模指標。央行通常會在每月0日公布上月的社融數(shù)據(jù)公布的數(shù)據(jù)有存量和增量兩口徑。社會融資規(guī)模存量是反映了實體經(jīng)濟負債情況的總量概念，隨著經(jīng)濟規(guī)模的擴張長期趨勢向上；社會融資規(guī)模增量，即社融的當月新增規(guī)模，它是新增減去到期后得到的凈融資概念，相較存量數(shù)據(jù)而言能夠更好地反映近期實體經(jīng)濟地融資意愿。圖：社會融資規(guī)模存量與增量在實際的分析應用中，我們較為關心的是社融增量數(shù)據(jù)，因其能夠較好的反映實體經(jīng)濟的邊際融資意愿與需求，但需要注意社會融資規(guī)模增量具有顯著的季節(jié)性特征。從圖4可以看出，社融增量在1月、3月、6月、9月、11月有較為明顯的季節(jié)性擴張?zhí)卣?，主要受到銀行信貸投放的季節(jié)性規(guī)律影響。因此在分析地過程中我們要先過濾掉季節(jié)性波動，比如說使用社融增量同比而非社融增量環(huán)比，避免出現(xiàn)將季節(jié)性的波動當作趨勢的問題。圖：6年-222年各月份社會融資規(guī)模增量（單位：億元）在本報告中我們采用滾動一年社會融資規(guī)模環(huán)（簡稱社融TTM環(huán)比作為我們剔除季節(jié)性后的主要研究對象。除了能有效過濾掉社融增量的季節(jié)性波動外，該指標對于我們的宏觀經(jīng)濟研究與投資也有著較好的指導意義，這一點我們將在報告的1.3小節(jié)中詳細展開。圖：社會融資規(guī)模TM環(huán)比 社融的項解析社會融資規(guī)模是國內反映實體經(jīng)濟從金融體系中所獲得資金總額的重要統(tǒng)計指標目前由四個部分十個子項構成分別為.表內融資人民幣貸款外幣貸款2.表外融資委托貸款信托貸款未貼現(xiàn)銀行承兌匯票.直接融資企債券政府債券非金融企業(yè)境內股票融資.其他融資存款類金融機構資產(chǎn)支持證券，貸款核銷。圖：社融構成子項 大類 子項 占）表內融資人民幣貸款61.72%外幣貸款0.53%表外融資委托貸款3.27%信托貸款1.09%未貼現(xiàn)銀行承兌匯票0.77%直接融資企業(yè)債券9.01%政府債券17.49%非金融企業(yè)境內股票融資3.09%其他融資存款類金融機構資產(chǎn)支持證券0.58%貸款核銷2.13%社融指標基于國內的應用實踐處于不斷改進的過程中，其口徑隨著金融工具的發(fā)展進行調整而非完全恒定不變歷史上主要的口徑調整如下2018年7月起，“存款類金融機構資產(chǎn)支持證券”和“貸款核銷”納入社會融資規(guī)模統(tǒng)計。2018年9月起，“地方政府專項債券”納入社會融資規(guī)模統(tǒng)計。2019年12月起，“國債”和“地方政府一般債券”納入社會融資規(guī)模統(tǒng)計與原有“地方政府專項債券”合并“政府債券”指標2023年1月起消費金融公司理財公司和金融資產(chǎn)投資公司等三類銀行業(yè)非存款類金融機構納入金融統(tǒng)計范圍，由此對社會融資規(guī)模中“實體經(jīng)濟發(fā)放的人民幣貸款”和“貸款核銷”數(shù)據(jù)進行調整。間 2018年7月2018年9月2019間 2018年7月2018年9月2019年12月“債和地政一債”入會資模計與有地政府2023年1月資料來源：中國人民銀行，從社融的存量結構（2022年）來看，人民幣貸款占比61.72%，為社融的主要部分政府債券和企業(yè)債券分別占比17.49%和9.01%其他子項的占比則相對較低，共計10%左右。從存量結構變動的層面來說，隨著2017年資管新規(guī)的出臺監(jiān)管趨嚴可以看到2022年社融存量中的委托貸款與信托貸款占比大幅縮減另一方面，隨著地方債規(guī)模的不斷擴大，政府債券的占比也出現(xiàn)了較大幅度的增長。圖：社融存量結構 社融對經(jīng)濟先判斷社融是經(jīng)濟的領先指標，那么其具體表現(xiàn)如何？其內在邏輯又如何？本節(jié)我們便去詳細探討社融與經(jīng)濟之間的關系。信貸脈沖（社融TM名義GDP）對于工業(yè)企業(yè)利潤表現(xiàn)出明顯的領先性。信貸脈沖含義為新增社融占名義GDP的比重相當于對新增社融進行標準“，方便在可比口徑下對新增社融進行分析。從圖9可以看到，信貸脈沖拐點明顯領先工業(yè)企業(yè)利潤總額同比M12的拐點，這可以有效幫助我們對未來經(jīng)濟走勢做出合理判斷。圖：信貸脈沖對工業(yè)企業(yè)利潤表現(xiàn)出領先性從經(jīng)濟周期的角度來講，信貸的擴張是領先于經(jīng)濟的復蘇的，社融的變化能夠有效表征實體經(jīng)濟金融擴表以擴張生產(chǎn)的意愿“高社融增速信號的出現(xiàn)往往是市場預期反轉的象征。經(jīng)濟增長實質上是企業(yè)擴大再生產(chǎn)的過程，從庫存周期的角度來說，當庫存周期從主動去庫存階段進入被動去庫存階段時，隨著市場的供需格局逐漸扭轉，企業(yè)基于對未來市場的樂觀情緒，通過金融擴表融資獲取資金，進而購置生產(chǎn)資料實現(xiàn)擴大再生產(chǎn)，最終在宏觀層面表現(xiàn)為經(jīng)濟增長，而社融的變化恰能很好地揭示這一過程的進展。圖：庫存周期示意圖資料來源：繪制政府政策的宏觀調控會傾向于維持社融增速與名義GDP同比的相對一致維持宏觀杠桿率相對穩(wěn)定防范金融風險自2019年以來政府工作報告中多次出現(xiàn)了這一調控目標如2023年政府工作報告中就明確指“保持廣義貨幣供量和社會融資規(guī)模增速同名義經(jīng)濟增速基本匹配支持實體經(jīng)濟發(fā)展政府政策的宏觀調控進一步強化了社融與經(jīng)濟二者之間的聯(lián)系。圖：實體經(jīng)濟宏觀杠桿率 市場與社融同為經(jīng)濟的領先指標，那么三者之間是否存在一定的規(guī)律性關聯(lián)呢？我們以民生金工A股景氣度指數(shù)（上證指數(shù)歸母凈利潤同比的高頻Nowcating作為經(jīng)濟的代理變量通過歷史復盤發(fā)現(xiàn)市場底一般在特別強政信號，或者有持續(xù)政策配合具有信號意義的“高社融增速”發(fā)生點附近形成，而經(jīng)濟底則在社融的持續(xù)擴張中形成。圖：上證指數(shù)、A股景氣度及社融TM環(huán)比變化 行業(yè)的層面上，社融是同樣是行業(yè)利潤水平變化的領先指標。以信貸脈沖對中信一級行業(yè)歸母凈利潤同比進行擇時檢驗，我們發(fā)現(xiàn)信貸脈沖領先不同行業(yè)利潤變化的時間存在差異。信貸脈沖領先輕工制造、家電等行業(yè)的利潤變化約一個季度，領先汽車、機械等行業(yè)的利潤變化約2個季度。圖：信貸脈沖與輕工制造行業(yè)歸母凈利潤同比 圖：信貸脈沖與家電行業(yè)歸母凈利潤同比 圖：信貸脈沖與汽車行業(yè)歸母凈利潤同比 圖：信貸脈沖與機械行業(yè)歸母凈利潤同比 自上而下：社融的整體預測astng框架社融為月頻數(shù)據(jù)且由央行于每月0日公布上月的社融數(shù)據(jù)存在一定的延遲性與異步性，因此構建高頻社融指標對于我們研究分析經(jīng)濟預期與融資需求具有重要意義。當前國內主流的預測社融的方法是基于社融的季節(jié)性規(guī)律，通過市場調研、信貸數(shù)據(jù)監(jiān)測等手段對社融各個子項的走向做出判斷?？紤]到社融與金融和實體經(jīng)濟的密切相關性，本報告采用量化方法，使用高頻的宏觀以及中觀指標對于社融TTM環(huán)比進行自上而下Nowcatig預測以作為對于現(xiàn)有方法的補充。在經(jīng)濟學中，owcasing是對經(jīng)濟指標當前，不久的將來以及最近的過去狀態(tài)的預測Nowcating方法主要為各國央行所采用以支持貨幣政策的制定因為諸多評估經(jīng)濟狀態(tài)的重要指（如GDP等存在著低頻滯后等特征這導致決策者難以對當前節(jié)點的經(jīng)濟狀態(tài)有一個較為明確的認知。而Nowcating模能夠處理大量不同頻率和不同發(fā)布時滯的數(shù)據(jù)，從這些信息中提取所需經(jīng)濟指標變化方向的信號，從而在經(jīng)濟指標正式數(shù)據(jù)發(fā)布前，領先于市場對當前時間節(jié)點的狀態(tài)做出估計。基于這些優(yōu)點，包括美聯(lián)儲在內的許多儲備銀行都會發(fā)布“即時宏觀經(jīng)濟預測（coeconomicNowcat在本報告中我們采用的owcasing框架基本步驟為指標篩選→數(shù)據(jù)降頻→數(shù)據(jù)降維→擬合配權→高頻預測。指標篩選部分我們通過檢驗1500+個宏觀及中觀指標數(shù)據(jù)的擇時效果并結合經(jīng)濟學邏輯的考量篩選出5大類共計44個指標；由于篩選出的指標為混頻數(shù)據(jù)，我們先將數(shù)據(jù)統(tǒng)一整理為月頻數(shù)據(jù)以便進行下一步處理；PCA方法和DM方法本質都是對數(shù)據(jù)進行降維，由于宏觀數(shù)樣本量通常較少，為了避免高維數(shù)據(jù)帶來的過擬合、噪音、共線性等問題，進行必要的降維是必不可少的再將社融TTM環(huán)比對公共因子進行回歸擬合得到權重；最后將混頻數(shù)據(jù)重新升頻為日頻，并依據(jù)權重進行高頻預測。圖：owcasing方法框架 資料來源：繪制由于各項指標頻率不同且發(fā)布日期不一，我們將采用信息流的模式進行指數(shù)的跟蹤，即只要數(shù)據(jù)有更新，我們就及時把數(shù)據(jù)反映的信息加入到高頻社融指標當中，使得指標的時效性更強。成分指的篩選宏觀中觀指標篩選主要從擇時效果和邏輯相關兩個維度進行考察擇時效果即以社融TTM環(huán)比為目標進行擇時檢驗選取其中擇時表現(xiàn)最好的一系列指標；該維度更偏向于對實戰(zhàn)效果的考量，具有簡單易行且適合量化處理大量數(shù)據(jù)的優(yōu)點。邏輯相關，即從經(jīng)濟學邏輯的角度出發(fā)對擇時效果好的指標進行二次篩選；擇時效果好并不總是意味著二者存在內在關聯(lián)，無關數(shù)據(jù)的加入則易導致模型樣本外擬合失真。我們最終篩選出5大類宏觀中觀指標，并在保證擇時效果與經(jīng)濟學邏輯的礎上，每一類中選取盡可能多的相關指標，以達到相互驗證去噪，提升信噪比的目的5大類宏觀指標分別為工業(yè)利（7個工業(yè)產(chǎn)（8個貨（7個、商品（18個、投資（4個。圖：高頻社融指標部分成分指標 DFM方法與CA方法動態(tài)因子模（DFDynamicactorodl是分析處理大量宏觀變量之間關系的有效方法。該模型假設大量宏觀變量的變化是由少數(shù)公共因子所驅動的，而這些公共因子服從一個向量自回歸過程，通過這種方法，我們可以有效減少估計參數(shù)量，解決維度詛咒的問題。動態(tài)因子模型的形式為：??=????)??+??,1)??=ΨL)???1+????,2)??(????)=0,????≠??(3)其中??為??×1維向量表示??個宏觀指標的觀測值；??為??×1維向量，示??個公共因子；????)為??×??維滯后矩陣，稱作輸出矩陣（outptmatrx；Ψ(??為??×??維滯后矩陣稱作轉移矩（trannmatrix??為??×1維向量表示宏觀變量不能被公共因子所解釋的部分????為??×1維向量為噪音項方（1稱作觀測方程它表現(xiàn)了公共因子是如何作用于宏觀變量的方（2被稱作態(tài)轉移方程它描述公共因子所服從的向量自回歸過程方（3為動態(tài)因子模型的基本假設，要求異質性干擾在前后步的過程中互不相關。圖：DM方法和PA方法示意圖 資料來源：繪制對于動態(tài)因子模型的估計，一種方法是使用卡爾曼濾波進行時域極大似然估（Te-domainmaximumldvatheKalmanfilr但是由于參數(shù)的數(shù)量正比于樣本數(shù)據(jù)量，我們實際應用的時候發(fā)現(xiàn)參數(shù)估計難以得到收斂結果。選取2006年6月至2017年6月數(shù)據(jù)為訓練集2017年7月至2022年12月數(shù)據(jù)為測試集，最大迭代次數(shù)為2000次，并設定公共因子服從滯后期為2向量自回歸過程使用DFM方法提取公共因子進行回歸擬合訓練集月度方向率為63.3%測試集月度方向勝率為62.7%全樣本區(qū)間月度方向勝率為63.2。加） 圖：DM方法擬合結果 圖：DFM方法對社融TTM環(huán)比方向擇時效果加） 從上述結果可以看到DM模型提取出來公共因子的擬合效果較為一般其因我們分析是進行參數(shù)估計時迭代未能收斂。由于指標集相對較多，少數(shù)的公共因子難以解釋宏觀指標的全部變動，而未被解釋的部分被納入了噪音項，導致異質性部分出現(xiàn)截面相關問題，違背了動態(tài)因子模型的基本假設。接下來我們采用主成分分析法（PA，Princileomonentsnalysis）對宏觀變量降維然后進行回歸預測我們分別對5個大類指標集進行PCA提取主成分得到主成分因子并對社融TTM環(huán)比進行回歸擬合選取2006年6月至2017年6月數(shù)據(jù)為訓練集，2017年7月至2022年12月數(shù)據(jù)為測試集，結果顯示訓練集月度方向勝率為78.0%，測試集月度方向勝率為66.7%，全樣本區(qū)間月度方向勝率為73.9%。對比可以發(fā)現(xiàn)，相較于DM方法，PCA方法擬合預測效果從方向判斷與累計擇時效果兩個層面都有了較大的提升。圖：PA方法擬合結果 圖：PA方法對社融TM環(huán)比方向擇時效（累加）首先我們固定下來月頻下PCA方法提取主成分因子的矩陣以及回歸方程中主成分因子的系數(shù)，將宏觀變量升頻為日頻后，利用固定下的矩陣計算得到日頻的主成分因子，通過固定下的系數(shù)計算得到日頻的社融TTM環(huán)比預測。圖：PA方法日頻擬合結果 觀察到207年社融TTM環(huán)比擬合值與實際值出現(xiàn)較大偏差我們認為這是由于社融統(tǒng)計技術性問題導致的，事實上我們可以看到2017年社融增速與名GDP增速同樣有著明顯的背離現(xiàn)象。這一異?，F(xiàn)象可以從兩個方面進行解釋：一是由地方債置換引發(fā)的技術性調整2016年為解決地方政府隱形債務問題而大發(fā)行的地方置換債，將原本地方融資平臺計入社融的部分融資轉變?yōu)榱瞬挥嬋肷缛诘牡胤絺?，致?016年的社融基數(shù)被低估。由于基數(shù)效應，2017年的社融增量出現(xiàn)一定程度上的高估隨著2018年地方債置換基本完成該因素影響逐消除，重回常態(tài)。二是社融口徑的變更，當社融統(tǒng)計口徑變更時，會對歷史數(shù)據(jù)進行追溯調整但是需注意最早只追溯調整到2017年1月2017年以前的社融數(shù)據(jù)中并未包含政府債券部分，這會導致2017年社融增速在一定程度上被高估。這兩個因素的共同作用下出現(xiàn)了2017年全年社融增速存在顯著的增長但是義GDP相對平穩(wěn)的現(xiàn)象。圖：7年社融增速與名義GDP增速出現(xiàn)背離（灰色區(qū)域） 借助宏觀變量預測得到的社融TM環(huán)比與經(jīng)濟狀態(tài)有著更好地匹配關系不易受到口徑調整等技術性因素的影響，有著相對較好的預測能力。我們發(fā)現(xiàn)擬合值幾乎未受到技術性高估的影響表現(xiàn)出低位震蕩的特征這也恰與2017年經(jīng)相對平穩(wěn)運行的現(xiàn)象所對應。使用2016年的社融口徑重新計算2017年的社融TTM環(huán)比以消除口徑變更的影響可以看到2017年的社融TTM環(huán)比是存在明顯高估的?？紤]到地方債置換引發(fā)的低基數(shù)效應，雖然難以計算其具體數(shù)值，但是可以判斷調整后的社融TTM環(huán)比仍然是偏高的，這將使得調整后的社融TTM比與擬合值更為接近。因此我們認為相較于實際值，擬合值可以更好地反映當年的實體經(jīng)濟融資狀況。圖：口徑調整后的社融TM環(huán)比從各公共因子對于預測的貢獻角度而言，我們可以看到貨幣因子始終是驅動社融的主要因素。工業(yè)產(chǎn)量因子與商品因子對社融也有著較大的影響，而工業(yè)利潤因子與投資因子對于社融預測的影響則較小2022年以來貨幣因子的影響相對而言有所降低，而商品因子和工業(yè)產(chǎn)量因子的影響力有所增加。對應到宏觀表現(xiàn)上，2021年以來，央行進行了多次降息降準，整體貨幣層面流動性較為寬裕，但是實體經(jīng)濟的融資意愿未因資金成本下降而提升，社融并未出現(xiàn)回暖跡象，可能仍需更多經(jīng)濟向好因素的共振以完成對市場信心的提振。圖：各公共因子對于預測的貢獻自下而上：社融的拆分預測基于我們上述的討論，我們通過自上而下的方法對于社融的預測在方向勝率層面已有較好的結果，但是這個方法仍存在一定的不足：預測的絕對精度仍有改進空間僅僅是方向上的判斷對于宏觀研究而言仍有不事實上由于社融的各個構成子項的邏輯與投放節(jié)奏存在細節(jié)差異，自上而下的整體預測難以刻畫這些細節(jié)，因此難以進一步提升精度除了社融總量數(shù)值外市場也會關心社融結構組成哪些部分是當前社的支撐哪些部分對社融整體產(chǎn)生拖累這些信息同樣重要但是將社作為一個整體進行預測的話，這部分結構信息實際上是缺失的。相較于整體預測，對社融進行自下而上的拆分預測能夠有效解決上述預測精度和結構預測的問題。一方面，社融的政府債券、企業(yè)債券等子項有著相對高頻的數(shù)據(jù)可以獲得，引入這方面的信息可以有效改善社融的預測精度；另一方面，相較于整體而言，子項有著更加細分的邏輯，將社融拆解后我們便可以用相關性更強的少數(shù)指標預測單一子項。人民幣款部分人民幣貸款口徑及分項拆解人民幣貸款是指金融機構向非金融企業(yè)個人機關團體以貸款票據(jù)貼現(xiàn)墊款等方式提供的人民幣貸款。需要注意的是，社融是對于境內金融體系對實體經(jīng)濟融資支持的度量，因此和金融機構人民幣信貸收支表中的人民幣貸款相比，社融中的人民幣信貸部分不包含非銀行業(yè)金融機構貸款（非對實體經(jīng)濟的支持）以及境外貸款（非境內。圖：人民幣貸款口徑對比（單位：億元） 人民幣貸款從期限結構來看，可以分為中長期貸款、短期貸款和票據(jù)融資；從貸款對象來看，可以分為居民部門貸款和企（事）業(yè)部門貸款。在我們的分項拆解預測過程中，我們主要對居民短貸、居民中長貸、企業(yè)短貸、企業(yè)中長貸、企業(yè)票據(jù)融資這五部分進行預測，其他的融資租賃以及各項墊款部分因其規(guī)模較小可以近似忽略。圖：境內人民幣貸款各分項占比（202-） 企業(yè)貸款和居民短貸企業(yè)貸款和居民短貸很大程度都受到對未來經(jīng)濟預期的影響，因此我們將其作為一個整體進行預測居民短貸由居民短期消費（境內人民幣貸款中占比4和居民短期經(jīng)營（4.3%構成其規(guī)模與消費者的收入預期有著較高的相關性，可以看到居民短貸與消費者信心指數(shù)走勢基本一致。企業(yè)貸款則可以按期限分為企業(yè)中長貸（40.3%）和企業(yè)短貸（16.9%，其規(guī)模一方面取決于企業(yè)對于經(jīng)濟的預期，另一方面也會受到基建的拉動作用影響。圖：居民短貸與消費者信心指數(shù)走勢基本一致 圖：PI與企業(yè)貸款居民貸款同（離群值處理后）我們將PMI作為經(jīng)濟預期的代理指標，滯后一個月的消費者信心指數(shù)作為入預期的代理指標，石油瀝青裝置開工率、唐山鋼廠產(chǎn)能利用率、水泥發(fā)運率等指標作為基建相關的高頻指標以企業(yè)貸款+居民短貸同比為預測目標進行回歸析。實證發(fā)現(xiàn)以PMI和唐山鋼廠產(chǎn)能利用率為自變量可以有效解釋企業(yè)貸款+民短貸同比的變動，若加入更多變量則可能因多重共線性使得回歸系數(shù)不顯著。通過組間差異分析，我們發(fā)現(xiàn)信貸大月（1、3、6、、2月）和信貸小月回歸系數(shù)存在較為顯著的差異。由于信貸小月的基較小，其同比增長更容易出現(xiàn)較大數(shù)值，而信貸大月則由于基數(shù)大同比增長相對穩(wěn)定?；谶@一特征，我們將數(shù)據(jù)分為了信貸大月和信貸小月兩組，并進行鄒氏檢驗（判斷組間的差異是否顯著，得到的p值為0.023，因此在5%顯著性水平下，我們能夠拒絕原假設并推斷組間存在顯著差異。最終我們將數(shù)據(jù)分為信貸大月和小月兩組，分別采用5年窗口期進行滾動歸預測。圖：企業(yè)貸款居民短貸的預測（單位：億元） 居民中長貸我國的居民中長貸以住房按揭貸款為主，其增量數(shù)據(jù)與商品房的銷售數(shù)據(jù)有著很強的相關性。觀察居民中長貸與商品房銷售代理指標（30大中城市成交面×百城樣本住宅平均價格）之間的關系，我們可以看到其不光在趨勢上極為接近，還有著明顯的三階段特征。三階段特征的來源，是貸款比例、存量貸款償還量、一二三線城市商品房銷售情況在各階段內的相對穩(wěn)定。圖：居民中長貸與商品房銷售關系（單位：億元）第一階段（2010年-2015年，居民中長貸與商品房銷售代理指標的絕對水平基本保持一致，商品房銷售代理指標可以直接作為居民中長貸增量的預測。第二階段（2016年2021年，一方面隨著棚改貨幣化安置的推進，三四線城市商品房銷售的占比迅速上升，另一方面居民購房的杠桿率也有提高，兩個因素共同作用使得居民中長貸約為商品房銷售代理指標的兩倍第三階（202年年2月由于房地產(chǎn)市場低迷和存量房貸利率偏高居民提前償還房貸的現(xiàn)象明顯增多，而居民中長貸增量為凈融資概念，償還的顯著增加使得其出現(xiàn)了明顯的中樞下移現(xiàn)象。依據(jù)以上三個階段居民中長貸的特點，我們在商品房銷售代理指標的基礎上進行調整以得到對于居民中長貸的預測。圖：居民中長貸的預測（單位：億元）企業(yè)票據(jù)融資企業(yè)的票據(jù)融資是指企業(yè)將票據(jù)轉讓給銀行，銀行按票面金額扣除貼現(xiàn)利息后將余額支付給企業(yè)的一種融資方式。企業(yè)票據(jù)融資的規(guī)模與轉貼現(xiàn)利率有著較高的相關性，較低的轉貼現(xiàn)利率反映了銀行對于票據(jù)配置的較高意愿，相應的當月票據(jù)融資規(guī)模也會較高反之亦然觀察圖5中票據(jù)融資與轉貼現(xiàn)利率月度變化的關系，我們可以看到二者基本呈反向變動（圖中右軸逆序處理。圖：票據(jù)融資與轉貼現(xiàn)利率票據(jù)融資還有著較顯著的自相關性，因此我們以轉貼現(xiàn)利率的月度變化為外生變量對票據(jù)融資使用5年窗口的滾動自回歸進行分析擬合票據(jù)融資當期值圖：票據(jù)融資預測（單位：億元）非人民貸款分政府債券社會融資規(guī)模中的政府債券部分包含國債和地方債。最開始社融的口徑中是不包含政府債券的，但是隨著政府在經(jīng)濟建設中發(fā)揮越來越重要的作用，政府債券對銀行貸款、企業(yè)債券等表現(xiàn)出明顯的接替效應，地方政府專項債券、國債、地方政府一般債券相繼納入社融的統(tǒng)計中并合并為政府債券指標從2017年的12.3%，到如今2022年底的17.5%，可以看到政府債券在社會融資規(guī)模存量中的占比迅速上升。對于社融中的政府債券部分的預測，我們參考發(fā)布的國債以及地方政府債的日度發(fā)行和到期數(shù)據(jù)，匯總計算得到月度的政府債券凈融資數(shù)據(jù)。但是我們注意到，社融口徑下的政府債券是依據(jù)托管機構的托管面值口徑計算得到的，這與新發(fā)到期口徑下得到的政府債券凈融資數(shù)據(jù)實際上是存在差異的。圖：社融口徑與新發(fā)到期口徑下的政府債券對比（單位：億元） 雖然多數(shù)情況下兩種口徑差異相對較小但是部分月份也有著超過2000億的差異。對此，我們試圖對發(fā)行到期口徑下的政府債券進行調整，提高其與社融口徑的匹配度。由于官方并沒有對這兩種口徑差異與具體的統(tǒng)計方法進行解釋說明，以下的調整均是基于觀察數(shù)據(jù)特點后提出猜想，并對猜想進行歷史檢驗得到的，不能確保完全正確。圖：政府債券社融口徑與新發(fā)到期口徑差異（單位：億元）通過對政府債券社融口徑與新發(fā)到期口徑差異的觀察，我們發(fā)現(xiàn)其存在以下幾個特點：口徑的差異并不存在長期的高估或是低估，而是高估與低估交錯出現(xiàn)。相鄰月份高估低估的絕對數(shù)值通常是接近的。許多時候口徑的差異，月末的凈融資數(shù)值較為接近?；谏鲜鎏攸c我們猜想托管口徑下，月末幾日的凈融資額并未計入當月，而是納入了下個月的范疇。基于這個假設，我們對于凈融資口徑重新進行了調整，將月末的部分數(shù)據(jù)納入下個月計算。圖：政府債券調整凈融資后的口徑差異（單位：億元）可以看到調整月末凈融資得到的口徑與社融口徑的差異有著顯著的減少，這說明我們猜想的方向應該是正確的。但是我們也注意到，這一處理對于2022年10月、11月的調整效果比較一般，對此我們進行了進一步的觀察與假設。圖：政府債券222年0月末發(fā)行到期數(shù)據(jù)（單位：億元） 日期發(fā)行償還凈融資20221024862.40684.77177.20221025885.8620221026596.45126.1020221027359.82391.01202210281637.05120221029202210302022103181202211120221122022進一步觀察2022年10月底的發(fā)行到期數(shù)據(jù)，可以看到10月底并沒有較大的凈融資流入因此無論我們如何對月底數(shù)據(jù)進行調整都無法解決2200億的大口徑差異。但是我們注意到，這段數(shù)據(jù)比較特殊的是發(fā)行與償還面值均較大，二者相抵導致凈融資較低，于是我們進一步提出下述猜想：到期始終計入當前月份，而月末發(fā)行則是計入下一月份。圖：政府債券調整發(fā)行后的口徑差異（單位：億元） 基于該猜想，我們再次對口徑進行了調整。從結果我們可以看到，通過對月末發(fā)行數(shù)據(jù)進行口徑調整，不僅解決了之前出現(xiàn)的2022年10月、11月的異常情況，其他時間節(jié)點的匹配程度也有了顯著的提升。對于最新2023年2月社融中政府債券部分的預測，央行公布數(shù)值為8138億元，原始發(fā)行到期口徑下為6608億元誤差為1530億元而經(jīng)過我們調整后的預測值為8132億元誤差僅為6億元，預測效果有著巨大的提升。圖：社融口徑與新發(fā)到期調整后口徑下的政府債券對比（單位：億元）企業(yè)債券社融中企業(yè)債券部分是指非金融企業(yè)發(fā)行的各類債券包括企業(yè)債公司債中期票據(jù)、短期融資券、超短期融資券、中小企業(yè)集合票據(jù)、非公開定向融資工具、資產(chǎn)支持票據(jù)、可轉債、可分離可轉債、中小企業(yè)私募債等。企業(yè)債券是社會融資規(guī)模的重要組成部分，當前企業(yè)債券存量約占社會融資規(guī)模存量的9%。也有發(fā)布社融所包含的各類債券的日度發(fā)行和到期數(shù)據(jù)，當我們試圖通過每月的發(fā)行減去到期去擬合社融企業(yè)債券部分，我們發(fā)現(xiàn)雖然整體趨勢相近，但是依舊存在著一定差異。圖：社融口徑與新發(fā)到期口徑下的企業(yè)債券對比（單位：億元）我們發(fā)現(xiàn)這個企業(yè)債券的社融口徑與的新發(fā)到期口徑之間的差異并不像政府債券一樣有高估低估交錯出現(xiàn)的特征，而是在一段時期里出現(xiàn)長期高估或是低估，因此采用類似政府債券的處理方式無法有效消除這個差異。鑒于高估或是低估現(xiàn)象多是集中出現(xiàn)的，我們認為口徑差異的來源可能也是在不斷變化，直接進行線性回歸對各分項進行配權并不能有效刻畫這一特征，最終我們選取了5年窗口的線性回歸去擬合社融口徑下的企業(yè)債券。圖：企業(yè)債券社融口徑與新發(fā)到期口徑差異（單位：億元）經(jīng)過滾動回歸的方式對于各子項進行動態(tài)配權，整體的匹配度有了較明顯的提升。2017年后的調整過的口徑差異（絕對值）相較于原始差異降低了約33%，而從2021年開始計算的話則差異降低了約56%，該調整對于擬合精度的提升有著顯著的作用。圖：企業(yè)債券調整后口徑差異（單位：億元）圖：社融口徑與滾動回歸調整口徑下的企業(yè)債券對比（單位：億元）外幣貸款外幣貸款是指金融機構向非金融企業(yè)、個人、機關團體以貸款、票據(jù)貼現(xiàn)、墊款押匯福費廷等方式提供的外幣貸款社融中外幣貸款的規(guī)模較小自2015年以來在社融中的占比也在持續(xù)下行，當前約為0.5%左右。圖：外幣貸款月度值及存量占比平滑處理后的外幣貸款與人民幣匯率以及中美國債利差有著較高的相關性，但是很難利用該特性去預測外幣貸款的月度值。平滑后的外幣貸款與中美1年國債利差表現(xiàn)出明顯的正相關，而與美元兌人民幣匯率（月均值）有著顯著的負相關性。但是當我們試圖使用這些變量去預測外幣貸款時，發(fā)現(xiàn)由于外幣貸款自身的高波動性盡管我們能夠相對準確地預測外幣貸款的12個月移動平均值但是難以直接對外幣貸款當月新增值做出準確的預測。圖：外幣貸款與中美1年期國債利差 圖：外幣貸款與人民幣匯率 我們最終選擇使用外幣貸款過去三個月的平均值作為對其當月值的預測。鑒于外幣貸款本身規(guī)模較小，使用該方法進行預測并不會產(chǎn)生較大程度的偏離。圖：外幣貸款預測（單位：億元） 信托貸款信托貸款是指信托投資公司在國家規(guī)定的范圍內，運用信托投資計劃吸收資金，對信托投資計劃規(guī)定的單位和項目發(fā)放的貸款。信托貸款是資金信托（即單一信托和集合信托，不包括財產(chǎn)權信托）資金運用中的貸款部分，我們以中國信托業(yè)協(xié)會發(fā)布資金信托貸款余額的季頻變動與社融中信托貸款的當季增加值相比較，可以發(fā)現(xiàn)二者口徑基本吻合。社融存量中信托貸款的占比近年來明顯縮水，2017年底約為4.1%，到2022年底僅剩1.1%左右。圖：信托貸款口徑（單位：億元）信托貸款的規(guī)模整體來看先升后降，大致可以分為兩個階段。我國信托業(yè)在2008-2017年間高速發(fā)展，其主要業(yè)務為通道類信托與融資類信托，這部分業(yè)務在促進信托業(yè)發(fā)展的同時，也帶來了巨大的風險隱患。隨著資管新規(guī)和“兩壓一降（壓降信托通道業(yè)務違規(guī)融資類業(yè)務規(guī)模降低金融同業(yè)通道業(yè)務加大風險處置力度的出臺信托業(yè)從2018年開始進入轉型調整時期資金信托的規(guī)模明顯下滑。從圖52我們可以看到2018年之前單一信托與集合信托的體量均迅速擴張但是從2018年開始金融監(jiān)管強化，走勢出現(xiàn)明顯分歧。集合信托受到一定沖擊，雖然整體規(guī)模仍有上行趨勢，但是增速明顯放緩；而作為通道類業(yè)務的單一信托的規(guī)模則在監(jiān)管具體量化指標的要求下迅速走低。圖：單一信托和集合信托的余額變化（單位：萬億元）我們通過兩類資金信托的凈融資量結合信托貸款在資金信托中的比重來對社融中信托貸款部分進行預測其中資金信托的到期數(shù)據(jù)可從中國信托業(yè)協(xié)會得到集合信托的發(fā)行數(shù)據(jù)可以從用益信托網(wǎng)得到；雖然單一信托的發(fā)行信息并不對外披露此項無法得到直接數(shù)據(jù)但是根據(jù)我們上述對于單一信托的復盤2018年后強監(jiān)管使得單一信托的發(fā)行量迅速下滑我們近似認為單一信托的發(fā)行量為零直接使用單一信托的到期數(shù)據(jù)作為其凈融資數(shù)據(jù)。我們假設每月集合信托凈融資中信托貸款比例與上季度的信托貸款余額在資金信托中的比例相同，單一信托凈融資全部均為信托貸款（單一信托以通道類貸款業(yè)務為主，二者加總得到對社融中新增信托貸款的預測。可以看到該方法從2020年下半年開始有著較好的預測效果這是因為2020年6月銀保監(jiān)會下《關于信托公司風險置相工作的通知，加強對于融資類與通道類業(yè)務的監(jiān)管，使得我們直接使用單一信托的到期數(shù)據(jù)作為單一信托的貸款凈融資數(shù)據(jù)這一處理帶來的誤差進一步縮小。圖：信托貸款的預測（單位：億元） ，用益信托網(wǎng)，委托貸款委托貸款，是指委托人提供資金，由商業(yè)銀行（受托人）根據(jù)委托人確定的借款人、用途、金額、幣種、期限、利率等代為發(fā)放、協(xié)助監(jiān)督使用、協(xié)助收回的貸款我國法律規(guī)定下只有銀行信托小額貸款公司等具有放貸資格而他企業(yè)之間的借貸則需要借助銀行委托貸款的形式進行自2017年以來委托款余額在社會融資規(guī)模存量中的占比逐年下降，目前約為3%。3年至207年資管新規(guī)之前委托貸款由于監(jiān)管的缺乏成為通道業(yè)務的一種形式，規(guī)模迅速擴張。一方面，銀行通過將信貸資金多重嵌套，以委托貸款的形式以規(guī)避監(jiān)管指標的限制；另一方面，券商資管、基金子公司等沒有放貸資格的資管計劃通過委托貸款通道間接實現(xiàn)貸款的發(fā)放。圖：委托貸款階段變化（單位：億元）2017年資管新規(guī)去通道去嵌套的強監(jiān)管下委托貸款的新增規(guī)模顯著下降；2018年1《商業(yè)銀行委托貸款管理辦法發(fā)布對于委托貸款的來源和投向行進一步明確限制。考慮到委托貸款在遭遇嚴監(jiān)管后規(guī)模相對穩(wěn)定，我們使用過去2個月的平均值作為當前委托貸款的預測。圖：委托貸款預測（單位：億元）值得注意的是2022年8月和9月委托貸款部分出現(xiàn)較大的增量，其來源為基建配套的委托貸款增（基礎設施投資基金主要以委托貸款形式投放對于部分增量貸款，由于缺少可以長期跟蹤的指標，暫無較好的處理方式，需要根據(jù)每月相關政策動向進行額外判斷。未貼現(xiàn)銀行承兌匯票未貼現(xiàn)銀行承兌匯票是指企業(yè)簽發(fā)的銀行承兌匯票未到金融機構進行貼現(xiàn)融資的部分，統(tǒng)計上體現(xiàn)為企業(yè)簽發(fā)的全部銀行承兌匯票扣減已在銀行表內貼現(xiàn)的部分自2017年以來社會融資規(guī)模存量中未貼現(xiàn)銀行承兌匯票的占比逐年下降目前約為0.8%。一種有效預測新增未貼現(xiàn)銀行承兌匯票的方法是利用上海票據(jù)交易所公布的高頻票據(jù)數(shù)據(jù)但是由于票交所于2022年6月24日開始不再對外公布相關數(shù)據(jù)，無法繼續(xù)使用，這里僅記錄以供參考。銀行承兌匯票的期限較短，紙票期限一般不超過6個月電票期限不超過12個月我們考慮用6月前的承兌減去貼現(xiàn)作為當前票據(jù)到期量的估計值，那么當月新增未貼現(xiàn)銀行承兌匯票便可以用承兌減貼現(xiàn)再減到期去計算。票據(jù)到期t

=票據(jù)承兌t?6

?票據(jù)貼現(xiàn)t?6未貼現(xiàn)銀行承兌匯票t

=票據(jù)承兌t

票據(jù)貼現(xiàn)t

票據(jù)到期t圖：未貼現(xiàn)銀行承兌匯票高頻票據(jù)預測（單位：億元） 從圖57中我們可以觀察到未貼現(xiàn)銀行承兌匯票較為明顯的季節(jié)性特征各份相同月份的數(shù)值相對穩(wěn)定，且整體規(guī)模不大，我們采用過去三年同期數(shù)值的平均值作為當前新增未貼現(xiàn)銀行承兌匯票的預測。圖：未貼現(xiàn)銀行承兌匯票的季節(jié)性特征（單位：億元）可以看到，在高頻數(shù)據(jù)缺失的情形下，使用季節(jié)性均值作為替代手段依舊有著不錯的效果，整體誤差處于可接受的范圍。圖：未貼現(xiàn)銀行承兌匯票季節(jié)性均值預測（單位：億元）非金融企業(yè)境內股票融資非金融企業(yè)境內股票融資是指非金融企業(yè)通過正規(guī)金融市場進行的股票融資，是非金融企業(yè)重要的直接融資方式。目前非金融企業(yè)境內股票融資存量約占社會融資規(guī)模存量的3%并且近年來隨著股票注冊制的推進其占比也有著逐步向上的趨勢。對于非金融企業(yè)境內股票融資的預測，我們采用高頻數(shù)據(jù)跟蹤的形式。利用數(shù)據(jù)庫中對于股權融資（包含IPO、增發(fā)、配股、優(yōu)先股）的月頻凈融資數(shù)據(jù)統(tǒng)計，從中扣除金融企業(yè)部分（二級行業(yè)：銀行、多元金融、保險Ⅱ），得到對社融中股票融資部分的預測。圖：非金融企業(yè)境內股票融資預測（單位：億元） 通過高頻數(shù)據(jù)擬合得到的預測值整體來說是存在一定程度上的高估的。根據(jù)我們的觀察，較大誤差的出現(xiàn)往往當月會有大額定向增發(fā)的發(fā)行，據(jù)此推斷誤差源自于這部分定向增發(fā)計入社融的方式。雖然由于無法明確社融中非金融企業(yè)境內股票融資的具體統(tǒng)計方法與口徑，導致難以通過進一步調整對預測進行修正，但是2020年后該預測方法仍有較好的穩(wěn)健性，誤差處于可控范圍之內。貸款核銷貸款銷銀按定呆賬款貸損予核銷一制核銷不良貸款會導致信貸規(guī)模的減少，但是該部分資金已經(jīng)流入實體經(jīng)濟且未收回，因此貸款核銷也是社融的組成部分之一。目前貸款核銷存量約占社會融資規(guī)模存量的2%由于銀行通常于季末尤其是年末集中進行貸款核銷其有著顯著的季節(jié)效應。圖：貸款核銷的季節(jié)效應（單位：億元）對于貸款核銷部分的預測由于缺少相關信息并且考慮到其整體規(guī)模較小季節(jié)性顯著且不同年份間變化不大，我們不做過多假設，直接采用貸款核銷去年同期值作為對當前的預測。歷史數(shù)據(jù)表明該預測方法雖然簡單但是預測的誤差并不大。圖：貸款核銷預測（單位：億元）存款類金融機構資產(chǎn)支持證券存款類金融機構資產(chǎn)支持證券是指存款類的金融機構將信貸資產(chǎn)信托給受托機構，由受托機構以資產(chǎn)支持證券的形式向投資機構發(fā)行的受益證券。存款類金融機構資產(chǎn)支持證券的發(fā)行會使得信貸規(guī)模減少，但是這一過程中實體經(jīng)濟的融資并不會因此變化，將這部分納入社融的統(tǒng)計中可以避免低估金融體系對于實體經(jīng)濟的提供的資金量。存款類金融機構資產(chǎn)支持證券在社融存量中的比重較小，目前約為0.5%。圖：存款類金融機構資產(chǎn)支持證券當月值及存量占比考慮到存款類金融機構資產(chǎn)支持證券的相關披露信息較少，增量規(guī)模不大且不同年度之間存在較明顯差異我們采用過去三月的平均值作為當前月份的估計由于其本身基數(shù)較小，使用該方法預測的誤差對社融整體的影響并不大。圖：存款類金融機構資產(chǎn)支持證券預測（單位：億元）拆分預的匯總我們將人民幣貸款部分和非人民幣貸款部分各子項預測結果分別合并，得到對社融整體的預測。從結果來看，自下而上的預測方法能夠有效的捕捉社融的季節(jié)性特征以及變化趨勢2019年1月至2023年1月的社融增量同比方向勝率為71.43%。圖：自下而上社融預測（單位：億元） 圖：社融中人民幣貸款的預測（單位：億元） 圖：社融中非人民幣貸款部分合計預（單位億元）社融中人民幣貸款部分的預測誤差主要來源于企業(yè)貸款居民短貸的預測社融其他部分預測誤差主要源自于未貼現(xiàn)銀行承兌匯票和信托貸款兩項的預測。復盤發(fā)現(xiàn)企業(yè)貸款+居民短貸預測誤差主要來自政策對信貸的引導此時景氣和開工等高頻數(shù)據(jù)往往還沒反映，但是政策性融資支持工具已經(jīng)發(fā)力，使得我們難以捕捉這樣的信號。未貼現(xiàn)銀行承兌匯票的預測由于票交所不再公布票據(jù)的高頻數(shù)據(jù)，只能根據(jù)其季節(jié)性進行推斷，導致預測精度不盡人意，如果后續(xù)能夠獲取的相關的高頻數(shù)據(jù)這部分誤差有望得到修正2020年6月前信托貸款的預誤差主要源自于我們將單一信托到期數(shù)據(jù)作為其貸款凈融資的處理方法，事實上隨著監(jiān)管趨嚴，單一信托的規(guī)模萎縮，這一處理方法愈加貼近現(xiàn)實，誤差顯著減少。圖：人民幣貸款預測誤差來源（單位：億元） 圖：非人民幣貸款部分預測誤差來源（單位：億元）總結本報告從量化的角度出發(fā)，使用了自上而下和自下而上兩種方式對社融進行owcasing預測，并對兩種方法進行了分析與對比。自上而下的預測是將社融作為一個整體，以社融與其他經(jīng)濟變量在宏觀層面的交互關系為出發(fā)點，建立了從指標篩選到數(shù)據(jù)降維再到擬合配權、高頻預測的完整owcasing框架。而自下而上的預測則是將社融拆分為子項，從各個子項的高頻數(shù)據(jù)監(jiān)測或經(jīng)濟邏輯的角度出發(fā)，有著準確度高、誤差溯源以及模型修正容易等特點。圖：兩種預測方法結果對比 兩種預測方法的的主要差異如下：兩種方法的預測頻率存在差異。自上而下的方法可以較好地處理混頻數(shù)據(jù)能夠對社融TTM環(huán)比進行日頻的預測自下而上的方法則是于每月月末得到對于當月的社融預測值，領先社融數(shù)據(jù)的正式發(fā)布日期約10天。兩種方法的有效適用時長存在差異。自上而下的方法從宏觀的層面出發(fā)有著較好邏輯穩(wěn)定性，能夠在相對較長的區(qū)間進行相對穩(wěn)健地預測；而自下而上的方法從子項的細分邏輯出發(fā)有著更高的準確度，但是由于細分子項的邏輯可能并非長期穩(wěn)定，比如信托貸款和委托貸款受到強監(jiān)管后整體的走向與預測邏輯出現(xiàn)明顯變化，這時就需要對模型進行修正。當前模型仍有優(yōu)化改善的空間，我們將進一步從以下方向進行嘗試對模型進一步修正：嘗試對貨幣財政政策進行量化以修正模型。復盤預測誤差較大的月份，我們發(fā)現(xiàn)政策是較為關鍵的影響因素如2022年9月和12月信貸的超預期，主要是由于政策性金融工具對信貸產(chǎn)生了較大的拉動作用，而這樣的政策性影響是率先作用于信貸的因此從PMI等其他指標的角度難以反映這部分變化，需要想辦法對這類的政策性工具進行合理量化納入到模型中以修正預測。嘗試使用DM的一些擴展模型，如層級動態(tài)因子模型（irachicalDynamicactorodl，對自上而下的預測方法進行修正。相較于傳統(tǒng)的動態(tài)因子模型，層級動態(tài)因子模型可以利用分層的數(shù)據(jù)結構，使得因子的經(jīng)濟學意義更易于解釋，同時可以提取出僅影響部分變量的局部因子，避免出現(xiàn)因子的估計量失去有效性的問題。風險提示1）量化結論基于歷史統(tǒng)計，如若未來市場環(huán)境發(fā)生變化不排除失效可能。插圖目錄圖1：社融預測框架圖解 3圖2：信貸脈沖對A股景氣度有拐點領先特點 4圖3：社會融資規(guī)模存量與增量 5圖4：2016-2022年各月份社會融資規(guī)模增量（單位：億元） 5圖5：社會融資規(guī)模TTM環(huán)比 6圖6：社融構成子項 6圖7：社會融資規(guī)模歷史口徑調整梳理 7圖8：社融存量結構 7圖9：信貸脈沖對工業(yè)企業(yè)利潤表現(xiàn)出領先性 8圖10：庫存周期示意圖 8圖11：實體經(jīng)濟宏觀杠桿率 9圖12：上證指數(shù)、A股景氣度及社融TTM環(huán)比變化 9圖13：信貸沖與輕工制造行業(yè)歸母凈利潤同比 10圖14：信貸脈沖與家電行業(yè)歸母凈利潤同比 10圖15：信貸脈沖與汽車行業(yè)歸母凈利潤同比 10圖16：信貸脈沖與機械行業(yè)歸母凈利潤同比 10圖17：Nowcating方法框架 12圖18：高頻社融指標部分成分指標 13圖19：DM方法和PCA方法示意圖 14圖20：DM方法擬合結果 14圖21：DM方法對社融TTM環(huán)比方向擇時效果（累加） 14圖22：PCA方法擬合結果 15圖23：PCA方法對社融TTM環(huán)比方向擇時效果（累加） 15圖24：PCA方法日頻擬合結果 15圖25：2017年社融增速與名義GDP增速出現(xiàn)背離（灰色區(qū)域） 16圖26：口徑調整后的社融TTM環(huán)比 17圖27：各公共因子對于預測的貢獻 17圖28：人民幣貸款口徑對比（單位：億元） 18圖29：境內人民幣貸款各分項占比（2022-12） 19圖30：居民短貸與消費者信心指數(shù)走勢基本一致 19圖31：PMI與企業(yè)貸款+居民貸款同比（離群值處理后） 19圖32：企業(yè)貸+居