宋唯实、周萧潇等

本篇报告借鉴美国亚特兰大联储GDPNOW模型的框架与思路，尝试构建了用于国内GDP预测的中国版GDPNOW模型，以实现对于国内GDP的实时预测。从结果看，模型对于2019年至今的国内GDP同比具有较好的预测效果。

摘要

模型原理与构建思路

一方面，当经济环境整体平稳时，GDP具有一定延续性，即当期GDP与过往短期GDP正相关；另一方面，作为反映经济增长的季频指标，GDP与一些反映经济增长的月频指标在变化方向上具有一定同步性。基于此，我们可以得到对GDP进行预测的两个思路：

1）使用历史GDP外推下期GDP（季度模型）。在GDP具有延续性的情况下，我们可以根据最近几期GDP的取值来拟合GDP的短期变化趋势，进而外推出下一期GDP的预测值。

2）使用月频经济指标预测下期GDP（月度模型）。在两次GDP公布之间，会有一些反映经济增长的月频指标公布。如果能够找到与GDP相关性较高的月频指标，便可根据这些月频指标的最新发布值，预测将要公布的下期GDP取值。

上述两模型均可得到对下一期GDP的预测，我们需要将两个预测结果加权，得到最终对于下一期GDP的预测：

3）两模型结果加权合成（桥梁模型）。在不同时点，我们需要给予两个模型结果不同的加权权重，在上一个GDP刚公布完时，给予季度模型最高的权重，随着月度数据逐渐发布，月度模型的权重逐渐上升，季度模型的权重逐渐下降。

季度模型

1）模型准备。从三大产业的角度入手展开GDP预测。优先考虑GDP不变价的初步核算数。GDP当季值比当季同环比更适合用于季度模型。GDP当季值需进行季调处理。

2）模型构建。我们使用BVAR模型来构建季度模型，从结果看：季度模型对GDP具有较好预测效果；季度模型对于整体GDP和第二产业GDP的预测效果相对最好，第三产业GDP也有一定效果，相对较差的为第一产业GDP；分时段看，2020全年的预测效果较差，其他时段相对较好，原因在于受新冠疫情影响，2020年GDP出现较大波动，趋势外推有效性减弱。

月度模型

1）模型准备。相比于当季值，GDP当季同比更适合用于月度模型。使用动态因子模型来解决建模时的混频问题。对月频指标进行滚动复合来解决各指标信息量不一致的问题。

2）模型构建。我们分别构建了用于第一、二、三产业GDP预测的月度模型，并汇总得到整体GDP预测的月度模型。

[gf]25ba[/gf]第一产业模型：2020年之前预测结果和实际公布值较为接近，2020年1季度第一产业GDP的大幅下跌模型未能捕捉，但之后模型均能把握到第一产业GDP的变化趋势。

[gf]25ba[/gf]第二产业模型：基本能够贴合第二产业GDP从2019年至今的变化情况。

[gf]25ba[/gf]第三产业模型：除2020年一季度和2021年一季度因疫情导致的GDP大幅波动外，其余时间基本能够贴合第三产业GDP从2019年至今的变化情况。

[gf]25ba[/gf]整体GDP模型：绝大多数季度，模型对GDP同比有较为精准的预测，在波动较大的两个季度（2020Q1和2021Q1），模型稍稍低估GDP变化幅度，但对于GDP当时的大幅波动方向具有良好捕捉。

桥梁模型复合得到最终预测

通过桥梁模型将季度和月度模型的结果进行合成，对2023Q2GDP的最新预测为5.81%。桥梁模型可以在不同时点，给季度模型和月度模型不同的加权权重，从而将两模型预测结果进行线性加权，得到最终对于GDP的预测。

风险

预测结果由模型根据数据计算得出，可能与中金宏观团队的预测结果有小幅差异，中金正式对外口径请以宏观团队为准。模型历史回测结果不代表模型未来预测具有相同有效性。

本文源自：券商研报精选

相关标签：