新闻中心

【中信证券明明:杠学的贫困】

时间:2019-02-08 19:59:01 来源:诺亚娱乐官网 作者:匿名



回到杠杆/债务理论,在讨论杠杆问题时,当人们经常脱离数据源时,他们只探索数据所代表的经济概念的抽象运动,并将不同的经济概念分配给数据。相同的统计来源。研究这些概念的相互关系。当然,使用具有强共线性的大量因素会对香蕉和香蕉皮进行伪回归。这个理论只能用来解释世界,实际商业预测的实施必然会产生很小的影响。

那么我们必须放弃杠杆和债务分析框架吗?当然不是。但这唤醒了我们:从数据的基本来源来区分,统计引起的错误是什么,经济逻辑的变化是什么;进一步区分统计数据和统计实践的表面含义;更详细地讨论债务和GDP子项目拆分和通信,例如,为每个行业建立一个增值 - 债务矩阵,以尽量减少粗粮研究引起的“辛普森”悖论的可能性。

报告亮点

对金融周期和债务周期的研究充满了热情,许多周期理论为去杠杆化提供了理论基础。但经过两年的实践,似乎相关理论在解释原始去杠杆化的三个基本问题时仍然略显混乱。更重要的是,对于商业研究而言,框架的第一个性质是预测而不是解释。虽然杠杆和债务周期的解释接近日常生活的直觉,但预测稍微弱,那么研究的深度和广度是不够的,还是它的研究方式?我们希望使用此报告来探讨该主题。

预测是分析师工作的源头和结束,所有分析师的预测都是通过处理信号或信号集。在技??术投资者眼中,它被称为观看线;在经济学家看来,它被称为过滤。单个经济数据信号的数据处理将在最终分析中回归平滑性,均值回归和动量效应的直觉特征。从这个角度来看,经济学的处理方式和对K线股票市场的纯粹参考之间没有本质区别。因此,单个信号的处理通常返回循环外推和循环参数。

杠杆周期,债务周期和金融周期是一种重言式。没有必要在三者之间做出很大的区分。最早,金融周期研究是六组共线性和强数据的拟合。数据序列的几个因素很常见,因此很多人只研究了最重要的主要成分 - 债务。过去,债务数据的可用性很差,但国际清算银行在2013年之后在不同的国家和子行业推出了非金融部门数据库,使许多研究人员更容易做“转移人”。对金融周期的研究逐渐转向纯债。研究。因此,债务理论中使用的解释也可以放在金融周期理论的解释上。房地产现象中使用的解释仍可用于金融周期。金融周期研究中的隐藏股票着眼于线路思维。最初,为了区分传统债务周期和商业周期的差异,特别添加了各种信号以便组合在一起。后来发现股票价格波动,资产价格指数和其他频域与总复合信号不匹配,对金融周期的研究追溯到“债务 - 房地产”的来源是最强的主要成分。 BP过滤器参数设置为10?20年的先验时间窗口,并计算过滤后的数据。离下一个高峰或低谷多少年实际上是一个循环论证。同时,HP过滤具有非常明显的时间隧道效应,即只有回溯的统计显着性,没有预测意义,可能不如库存中的N日移动平均数。

粗粮下的形而上学问题:债务不清晰,GDP不明确。非金融部门债务的总体统计数据不是一个直接的统计指标,因此需要通过直接统计指标来计算。事实上,数据的基本来源仍然是大量的交通数据,它是M2和贷款的数据在财务数据统计中。趋势,即杠杆趋势,已经回归到判断社会融资规模和新信贷规模。因此,通过观察债务/杠杆来区分良好债务和坏账是不可能的。无法区分内生债务下降与外生去杠杆效应。我们推测GDP在理论上似乎是一个数据总量,但在统计实践方面更接近于规模以上的数据。如果分母的GDP很大,合成误差后的数据自然难以成为坚实的基础。

建立子行业和子行业的增值 - 债务矩阵分析。债务增加值与不同部门和行业的贡献之间的关系更加复杂。如果你只看分子和分母之间的大关系,那么粒度将太粗糙,不能落入更经典的“辛普森”悖论,比如减少高附加值部门的债务。适得其反。以房地产业为例,房地产业是一个利用大量债务的行业,但从增值的角度来看,大量的房地产投资并没有形成最终的GDP,主要是因为土地增加购置费不包括在内。 GDP支出方法的最终统计数据,如果房地产行业被提升为拉动GDP,那么杠杆率是一个非常糟糕的选择。因此,我们可以创建一个行业/部门债务/GDP的联合矩阵,更多地关注子行业,甚至子行业的债务与GDP之间的联系,而不是分子 - 分母的形而上学策略。文本

对金融周期和债务周期的研究充满了热情,许多周期理论为去杠杆化提供了理论依据。但经过两年的实践,似乎相关理论在解释原始去杠杆化的三个基本问题时仍然略显混乱:(1)理想的杠杆率是多少? (2)是通过杠杆还是去杠杆? (3)如何区分内生债务衰退与外生去杠杆化效应?

更重要的是,对于商业研究而言,框架的第一个性质是预测而不是解释。虽然杠杆率和债务周期的解释非常接近日常生活的本能,但对金融市场和经济基本面的预测略显疲软。那么,研究的深度和广度是否不足,还是研究方法?我们希望用这份报告来激励他人。

关于商业研究的方法:向上拟合或向下拆解

线和滤波器;线性外推和均值回归

预测是分析师工作的源头和结束,所有分析师的预测都是通过处理信号或信号集。这在不同领域有多种形式,在技术投资者的眼中被称为;在经济学家看来,它被称为过滤。单个经济数据信号的处理将回归平滑性,均值回归和动量效应的直觉特征。从这个角度来看,经济学的处理方式和对K线股票市场的纯粹参考之间没有本质区别。

对单个信号的处理将返回循环外推循环参数。如何证明您是指平均回归还是动量,取决于外源的其他条件,您必须向模型添加其他信号。在经济学中,它可以被称为多元回归。在技??术投资者中,它可能被称为——。批量价格分析,或者您愿意添加政策分析。

贫穷

自上而下,并行处理,自下而上

同时,商业研究有三种分析模型,一种是自上而下,另一种是并行处理,第二种是自下而上。从上到下,信号被分成多个信号,并且同时对多个信号进行平滑和滤波,这可以类似于傅里叶变换。以CPI研究为例,短期CPI预测是根据体重将CPI分解为食品和非食品,然后将大件物品拆解成小件物品,如猪,新鲜蔬菜等。猪和新鲜蔬菜。当单个信号的外推重新组合时,当然你可能会发现猪价的单一信号已经回到原来的问题,即如何拆解猪肉,通常取决于研究人员知道的粒度。世界,这是能力的范围。如果广度和深度足够,甚至可以将其拆解成饲料价格和猪肉的供需。相反,它只能返回到一个新的水平。贫穷

并行处理涉及回归将信号拟合到其他数据并通过外生经济关系校准信号。我们以CPI为例。典型的例子是从货币主义开始就建立货币发行与通货膨胀之间的稳定关系,这样当我们研究货币政策时,我们将通过增长和价格这两个信号进行分析。但是,随着时间的推移,货币计量已发生变化。货币发行不再仅仅反映在实物上,而是通过资产价格反映,甚至是内生创造的金融闲置货币。 CPI与货币增长之间的平行关系被认为是稳定的。它将无效。

贫穷

从下到上,多个信号组合成一个信号然后安装。通常构建各种指数。例如,通过各种行业相关数据将各种行业情绪指数的构建拟合到指数,然后,例如,基金面部情绪指数被加权并且通过各种基金价格拟合到基金面部情绪指数中。事实上,自上而下和自下而上是统一的。以CPI为例,统计方法实际上是自下而上的,但在市场上的商业研究中,有必要重新拆解它。研究。

金融周期和债务周期的研究方法

如何研究金融周期和债务周期

金融周期研究的激增反映了上述解构的研究方法。最早,金融研究是多个共线强数据的拟合。回到数据层面,用什么数据来表示金融周期意味着我们分析了金融周期的起点。在早期研究中,BIS将六个指标纳入金融周期指数。六个基本数据是信用指数。 ,信贷/GDP,房地产价格指数,实际股票价格指数,实际GDP增长率,以及包括房地产和股票在内的综合资产价格指数。最终成分是信用,信贷/GDP三大指标,实际房价指数接近理想的金融周期时间窗口(15?20年),波动趋势接近。

然而,信贷数据与房地产数据之间的共线性很强,这源于大多数国家经济体的重要抵押品与房地产相关的事实。房地产作为一个巨大的资本占领产业,往往是中国内生货币创造的最重要的部门。以中国为例。 2018年9月,房地产开发投资81865.5亿元,总投资484.44亿元。房地产开发投资占18.34。 %,包括水泥和建筑材料的消耗和投资;新增人民币贷款的大部分贷款是房地产贷款;对于企业贷款,房地产贷款有5220亿元。根据实证数据,有非标准融资。近三分之一的流向房地产公司,另一个是向城市投资公司,而城市投资公司和房地产公司在土地转让和开发建设中是彼此的一部分。典型房地产企业的信贷创造是:土地转让后,较大的资产进入房地产公司。土地被收购后,房地产公司去银行取得贷款来开发房地产,同时存在资金。房地产公司的存款账户增加了新的存款。该存款必须支付其他土地价格,建筑成本等,以完成货币创建,因此信用数据与房地产相关数据具有强共线性。

贫穷

因此,由于金融周期数据序列的几个因素很常见,许多人只研究最重要的主要组成部分,即债务数据。过去,国家债务数据在水平方向上相对困难,但国际清算银行在2013年之后启动了非金融部门债务数据库和信贷 - 国内生产总值差距数据库,因此许多人不需要重新拟合金融周期指数进行比较国家和国家横向。子行业的债务杠杆。新数据的出现往往是研究爆炸的前因素。无论是研究桥梁水或其他人的国债问题,都可以说它是基于国际清算银行提供的“图书馆”,增加了基本面。修改。对后期金融周期的研究逐渐转向仅仅考虑债务,债务/GDP或信贷 - GDP差距。

贫穷

解包数据表明杠杆周期,债务周期和金融周期是同义词,没有必要区分这三者。因此,债务理论中使用的解释也可以放在金融周期理论的解释上。房地产现象中使用的解释仍可用于金融周期。

金融周期研究中的思维方式

综上所述,我们可以看出,金融周期的概念意味着各种经济学或股市的经典思想从发动到尘埃。首先是信号处理,即如何查看线路。

(1)自下而上的综合指数。我们看到金融周期是一个综合概念。最初,为了区分传统债务周期和商业周期的差异,特别添加了各种信号以便组合在一起。后来发现股票价格波动和资产价格指数等价格范围与总复合信号不匹配,后者更接近一般商业周期。因此,对金融周期的研究可以追溯到债务 - 房地产最强大的主要组成部分。经过一轮自下而上的指数综合和自上而下的拆解。(2)过滤和移动平均值。合成的原始金融周期数据波动很大,周期性不明显。对于金融周期的定义,应该有15 - 20年的时间窗口,该参数用于校准BP过滤和HP过滤。从金融周期的时间窗口和波浪的数量来看,距离下一波或低谷多少年的参数实际上是一个循环论证。模拟股票的平均思维相当于你承担了一个主要的上涨波和二次波的多长时间。查看当前10年移动平均线和5年移动平均线的位置,以确定信号是上升还是断开。思维没有本质的区别。另外,从数据处理方法来看,简单的绘图平均值和HP滤波实际上各有优势。 HP滤波的统计性能更好且相对无偏,但拟合后的每个时间点将取决于后续点,将有明显的“时间”。隧道效应,所谓回测的效果不是真实磁盘的结果,往往可以使用时间隧道功能,不如股票市场的N日均线,虽然统计特征是不好,它是一个非常粗略和原始的过滤方法,但至少不会有使用未来函数来预测未来的循环参数。

(3)并行处理。单纯的金融周期和债务国家的可比性不高,即会出现不同的趋势项目,因此债务除以GDP作为横向比较数据。另一方面,不同国家的经济和财务成果差异很大。事实上,差异在于数据统计的差异,这导致了债务/GDP序列的无法比较。因此,国际清算银行引入了信贷/GDP差距的二次处理数据。让信用/GDP减去HP过滤值作为差距,并返回到我们原来的讨论,但无法预测具有良好统计特征的“回测”。

粗粮下的形而上学问题:债务不明确,GDP不明确

为了简化和简化,债务内部结构的拆除和GDP的结构远比抽象的国际债务/GDP更重要。

无法区分好债务和坏账

非金融部门债务的总体统计数据不是一个直接的统计指标,因此需要通过其他统计指标来计算。统计方法一般是以某年的基期库存为基础,然后通过每年的相关流量数据进行累计,最后计算年度时间序列。最重要的交通数据包括资金流动,金融机构资产负债表,金融机构的信贷余额等。数据发布时间超过一年,但BIS非金融企业债务数据库的更新频率为半年。如果数据丢失,通常通过推断差异或其他数据来获得BIS。所以债务数据似乎被用作股票数据。实际上,数据的基本来源仍然是大量的流量数据,而且它是M2和贷款中的数据在财务数据统计中。最后,可以发现,判断债务趋势,即杠杆趋势,可以追溯到判断社会融资规模和新信贷规模。如果假设去杠杆化是好的,它必须在相当程度上降低社会和M2的增长率,并降低社会和M2的增长率,这自然意味着缺乏经济内生力量。

贫穷

因此,只要看看债务数据,就无法区分什么是好债或坏债。我们从2016年10月起开始了一轮去杠杆化过程。尽管我们已经看到数据的杠杆率下降,但伴随着今年各个领域出现的风险:信用违约最具违约性的一年,股票质押最强的一年,P2P集中暴力雷霆,城市投资平台频繁发生信贷事件,民营企业的主要债务风险都可以作为经济衰退的注脚,或社会融合和M2收缩。

我们可以从各种经济解释中解释M2,社会福利和非金融部门债务的不同含义和概念,但基本数据统计确实存在大量重合的部分。因此,我们可能确实必须反思单一债务指数的这种“综合思维”。

无法区分GDP的质量

在分析债务周期和杠杆率时,除了拆除债务外,还应拆除国内生产总值。但是,在拆除GDP时,首先要关注中国GDP的现状和统计方法的一些特点。

让我们看一下经常暴露的GDP统计问题。在计算杠杆率,信贷和GDP的比率时,这个问题导致我们的值不准确。例如,2017年初,辽宁等城市暴露于GDP水,内蒙古公开承认2016年经济工作会议2016年2016年公共预算总收入减少530亿元,占26.3占总数的百分比;规模以上工业企业增加值2900亿元,占工业增加值总量的40%,但国内生产总值似乎仍然稳定。

我们推测GDP在理论上似乎是一个综合的综合数据,但就统计实践而言,更接近于规模以上的数据。根据《哲学的贫困》,中国目前的GDP数据分为季度计算和年度计算。季度会计与年度会计有两个主要差异:一是会计行业细分程度不同,基本会计数据较少,只能细分为17个行业,年度会计可细分为94个。行业,但最后一年的会计数据与季度会计数据基本相同。可以说,GDP统计主要依次是以下主要产业。其次,具体的会计方法不同。季度会计使用相关的专业统计指标间接估计行业的附加值。例如,为了判断一个地区的房地产销售增长率和建筑增长率,年度值是根据基期的绝对值来计算的。会计是指充分利用企业财务信息和其他专业统计数据直接进行核算。但回到第一个问题,年度会计数据通常与本季度公布的初步数据相同。我们认为这是维护统计逻辑自我一致性的妥协。因此,如果我们首先假设基期,并通过间接速度增加来衡量增加值,就不可避免地会造成年度误差的累积效应。最后,多年来每年多次误差可能会带来腰围的总价值。内蒙古,天津和辽宁也是如此。因此,如果GDP更像统计实践中的规模数据,那么就不难理解为什么去产能可以带来GDP的名义增长。目前,关于中国GDP减产政策是否影响GDP的主要观点有两个:

(1)产能已经打击了煤矿,粗钢和其他产品的生产,这相当于经济总量的收缩。如果没有产能,那么去年的经济表现会更好;

(2)钢铁和煤炭的减产将有助于提高产能利用率,推高PPI,提高企业利润,从而提高各实体的运营效率,提高GDP绩效。

如果你转向国内生产总值,统计基因也是规模以上的经济实体,那么上述两种观点有些片面,只是问题的两个方面。

通过子行业和子行业建立增值债务矩阵分析

债务与金融风险的比率,如杠杆率,信贷与GDP之比,是非常模糊的。它们之间可能存在链接,但它们必须是非线性的。负债增加值与不同部门和行业的贡献之间的关系更加复杂。如果你只看分子和分母的大关系,那么粒度将会过于粗糙,而且会变得更加经典。例如,辛普森的悖论将减少高增值部门的债务,这会适得其反。

以房地产业为例,房地产业是一个使用大量债务的行业。无论是房地产企业,下游建筑企业,还是居民用于抵押贷款,其占总债务的比例都很高。但从增值的角度来看,大量的房地产投资并没有成为最终的GDP。让我们以年度固定资产投资和固定资本形成为例。 2015年之前,固定资产投资完成和GDP支出法中的固定资本形成差别不大。近年来,差异越来越大,截至2017年,固定资产投资和固定资本形成分别为64万亿和35万亿,这意味着至少有一半的固定资产投资没有形成。主要原因是固定资产投资的土地购置成本比例增加,土地收购不包括在GDP支出法的最终统计中。

因此,就杠杆而言,推动房地产行业拉动GDP是一个非常糟糕的选择。如果我们推高债务并推动房地产行业推动GDP模式,那么通过推高土地价格带来的房地产周期的增加仍将更多,这只会推高固定资产投资,而且最终GDP的资本。产生的拉力将变得越来越小。贫穷

这激励我们在行业/部门创建债务/GDP的联合矩阵,更多地关注子行业,甚至更详细的子行业债务 - GDP联系,而不是总分子 - 分母粗粮战略。 。

中信证券明明研究团队

贫穷