原标题：战略重点| 从外到内集中精力，基本面已准备好打破局面
概括
[CITIC Securities Research: Using Dongfeng to use consensus expectations to improve macro factor forecasting]本报告以动态因素模型为基础，使用模型外推法和共识期望外推法两种方法来探讨增长，通货膨胀和流动性这三个因素。 预测问题。 简单的模型推论依赖于历史统计法，并且很难反映诸如已宣布的未来政策变更之类的信息。 引入一致的预期数据可以弥补模型缺陷并改善预测效果。
基于宏观因素的组合分配策略，难以避免宏观因素的预测问题。 在动态因素模型的基础上，本报告使用模型外推法和共识期望外推法两种方法来讨论对增长，通胀和流动性这三个因素的预测。 简单的模型外推依赖于历史统计法，因此很难反映诸如已宣布的未来政策变更之类的信息。 引入一致的预期数据可以弥补模型缺陷并提高预测效果。
基于宏观因素的投资组合分配策略无法避免宏观因素的预测测试问题：
在基于宏观因素的证券投资中，我们实际面临的是尚未开始的宏观因素的变化。 合理的因素预测通常是一个不可避免的问题。 由于底层宏指数数据的广泛发布，因此宏因子的预测实际上包括两部分：实时预测和前景预测：
1）实时预测是估计已经结束但尚未公布基础数据的统计期间的因子值。
2）Outlook预测用于估计正在进行或尚未发生的统计期间的因子值。
从宏观指标到宏观因素，使用动态因素模型探索经济波动的核心驱动力：
在上一份报告的基础上，我们整理了构建宏观因素的核心步骤，如下所示：
1）澄清宏观指标的分组和筛选，以覆盖基础数据； 根据指标领域合理分组，并与模型参数设置配合，以帮助弄清宏观因素的经济意义； 从实际应用中选择具有代表性的，易于跟踪的并具有高度实用的核心指标。
2）利用动态因子模型寻找宏观指标的共振趋势，完成宏观因子的提取； 模型参数设置遵循之前的报告，每个索引组中的隐藏因子数设置为1，隐藏因子的自回归滞后阶数设置为3。
借助一致的预期数据，提高宏观因素的预测效果：
我们使用模型外推法和共识期望外推法专注于增长，通胀和流动性这三个宏观因素的预测。
1）动态因子模型中包含的向量自回归过程为我们提供了模型外推的预测方法，但是预测结果完全基于历史数据的统计定律，难以有效地反映已知未来信息的影响，例如宣布的政策变更等。
2）一致的预期数据包含研究人员从逻辑推论的角度对宏观领域的判断，并可以相对及时地反映这些信息。 结合历史数据拟合的模型参数，可以获得一致的宏观因素预期预测值。
3）我们根据预期数据对最低的10个宏观指标建立了共识预期。 从2010年至今的数据来看，随着相应的报告期和出版日期的临近，共识期望与真实价值之间的误差趋于减少。
回到过去十年的历史预测数据，单变量回归评估了预测效果：
我们使用真实的历史数据作为基准预测，并使用无截距的单变量回归来观察预测效果。
1）增长因子：一致期望外推的预测效果更好，与模型外推的主要区别在2012年左右；
2）通货膨胀因子：与模型外推相比，共识预测没有明显改善；
3）流动性因素：两种方法的表现均是公平的，共识预期是预测效果会更好。
主要结论：
1）引入一致的预期数据有助于改善基于动态因素模型的宏观因素预测；
2）一致的预期数据的最终效果取决于可用的预期数据集；
3）根据2021年3月15日的历史数据和2021年3月16日的共识预期数据，计算下一年的共识预期值。 增长因子有望在4月份达到顶峰后下降。 首先是通货膨胀因素9月份的涨跌达到了阶段性高点； 流动性系数先下降然后上升，并在10月份达到阶段低点。
风险警告：
模型结论基于历史数据来估计存在故障风险。
（文章来源：中信证券研究）
（负责人：DF064）
郑重声明：Oriental Fortune.com发布此信息的目的是传播更多信息，而与该立场无关。