关于宏观经济指标监测的浅析

发布时间:2017-07-03 浏览量:【字体:

对于企业投融资、经营决策来说,洞察政治上层建筑意志,抓住市场这张无形的手,捕捉资本市场先机显得尤为重要。为实现“三去一降一补”、“人民币汇率保持基本稳定”等一系列宏观经济目标,中央政府及人民银行必须借助于一些可计量、可监控的中介指标,通过国家宏观经济管理两大政策(即财政政策与货币政策)的双重宏观调控,直接或间接传导影响中介指标的走势,最终实现既定的经济、货币政策目标。

在宏观调控传导过程中(如下图),财政政策是政府干预经济运行的主要控制手段和间接工具,它通过税收手段、支出手段和公债手段来影响经济主体的经济活动,同时作为内在稳定器调节经济波动、社会供需关系;货币政策是通过银行的存款创造、货币乘数等效益,采用公开市场操作和设置银行最低准备金(最低储备金)等方式,控制货币供给以及调控利率的各项措施。


作为宏观政策传导机制的末端,我们也许会思考如下三大问题:

(一)雾里看花:宏观经济指标作为经济运行的风向标,看似独立的多条曲线其内在联系是什么(相关性分析)?是否存在周期性?我们选择性观察哪些指标作为参照?

(二)殊途同归:总体经济运行向好、资金面趋紧依据是什么?宏观政策调控如何传导?

(三)未雨绸缪:在资本市场价格波动中,我们如何把控最佳时点顺势而为?

对于上述问题的研究是长期而复杂的,本文先就宏观经济数据分析基本方法进行浅析。

在宏观经济运行状况监测中,我国较为常用的中介指标有GDP、CPI、M2、PPI等。以中国国内生产总值(GDP)为例,基于现有的历史数据,我们需依据科学合理的方法预判未来趋势,挖掘繁杂海量数字背后隐藏的信息作为决策依据,形成我们自己独立的分析与判断。

鉴于GDP数据是按照时间顺序统计,描述和呈现序列的波动,1960年-2015年构成了序列长度为56的观察值序列,根据时间序列的统计性质,以及对序列的平稳性特征进行识别(时序图),因为其上升的趋势表明,观察值序列为非平稳序列,故采用差分运算进行修正,再通过自回归移动平均模型拟合。在上述案例中,我们基于R语言实现时间序列分析:

1.利用世界银行应用程序(World Bank API)下载部分国家在1961-2015年的GDP数据。

require(WDI)

gdp <- WDI(country = c("US","CA","GB","DE","CN","JP","SG","IL"),

indicator=c("NY.GDP.PCAP.CD","NY.GDP.MKTP.CD"),start = 1960,end = 2015)

names(gdp)<-c("iso2c","country","year","percapgdp","gdp")<>

head(gdp)

2.绘制各个国家人均GDP曲线图

require(ggplot2)

require(scales)

ggplot(gdp,aes(Year,PerCapGDP,color=Country, linetype=Country)) +

geom_line() +

scale_y_continuous(label = dollar)

3.绘制各个国家GDP绝对值曲线图

require(useful)

ggplot(gdp,aes(Year,GDP,color = Country, linetype = Country)) +

geom_line() +

scale_y_continuous(label=multiple_format(extra=dollar, multiple="M"))


根据平稳时间序列均值、方差为常数的性质,平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动,从上述图例对比中,我们可以观察到中国的GDP在过去的年度中有很大的增幅,但与此同时其人均GDP却增幅不大。现在我们仅提取中国的人均GDP的时间序列数据来加以深入分析。

cn <- gdp$PerCapGDP[gdp$Country == "China"]

cn <- ts(cn,start = min(gdp$Year), end = max(gdp$Year))

cn

plot(cn,ylab="Per Capita GDP", xlab = "Year")


4.查看其自相关函数(ACF)和偏自相关函数(PACF)。

acf(cn)

pacf(cn)

中国人均GDP序列的ACF和PACF。这些图表明时间序列是不平稳的(平稳性要求时间序列的均值和方差不随时间变化)。我们通过差分的变换方式进行修正,但找出适合的差分次数是比较繁琐的过程,我们可以利用forecast包确定最优差分次数。

require(forecast)

ndiffs(x = cn)

plot(diff(cn, 2))

5.利用auto.arima自动确定模型结构。

cnBest <- auto.arima(x = cn)

cnBest

Series:

ARIMA(2,2,1)

Coefficients:

ar1ar2ma1

-0.8203-0.52590.7049

ARIMA的系数有AR模型和MA模型的系数组成。

s.e.0.14430.12360.1313

sigma^2 estimated as 10615:log likelihood=-325.83

AIC=659.65AICc=660.47BIC=667.61


acf(cnBest$residuals)

pacf(cnBest$residuals)


上图为根据auto.arima函数拟合模型后残差的ACF和PACF。

coef(cnBest)

6.基于以前年度历史数据,我们来预测中国未来5年内 GDP数值:

predict(cnBest,n.ahead = 5, se.fit = TRUE)

$pred

Time Series:

Start = 2016

End = 2020

Frequency = 1

[1]8613.6279143.5569601.912 10126.596 10634.508


$se

Time Series:

Start = 2016

End = 2020

Frequency = 1

[1] 103.0295 219.8125 326.1037 464.1536 618.0120

theForecast <- forecast(object = cnBest, h=5)

plot(theForecast)


通过使用forecast函数可视化,我们可从上图得出实线为点预测,阴影部分为预测的置信区间,即中国未来GDP仍保持增长趋势。(文/曾冠军)

长沙市轨道交通集团官网

Copyright@2001-2017 长沙轨道交通 All RIGHTS RESERVED

湘ICP备14000339号-1湘公网安备 43011102000432号

总访问量: 更新文章数: