报告摘要：

   社会消费品零售总额不可以体现交易全景，宏观其主要体现实物产品交易，社会售总及其餐饮等一小部分服务性交易；GDP 规格中的消费交易要包含更全。但也可以把社会消费品零售总额视作消费一个“大样本”，品零针对考量交易变化而言，额样社零是预测一个重要的观察座标。

   在三类观查消费规格中，宏观GDP 支出法计算中的社会售总最终消费支出包含消费范畴最全面，体现出53%的消费GDP 奉献来源于这一部分。但这一规格发布工作频率以年为基准，品零不利于销售市场追踪。额样社会零售总额规格最薄，预测只包括商品流转最后环节实物产品交易及其一小部分餐饮经营交易，宏观并不包括一切生产要素总支出。社会售总但这一指标值一胜在高频率，消费二赢在包含的消费主力军依然十分广泛，等同于7 成多的是最终消费支出，兼顾“大样本”和“高时效”两个特点，是市场里用以追踪消费关键座标。

   社会消费品零售总额如何预测？在历史上一种常用的是运用周期性测算。相较于其他经济指标，社零年之内起伏具备较强的周期性规律性。例如三四季度都为交易高峰期，在其中10 月因假日效用，同比平均值更高一些。我们可以使用同比周期性平均值来对社零作出预测分析。过去三年疫情防控期间，由于住户生活半径存有外生性因素的影响，周期性一定程度上打破，特别是2020 年与2022 年；2023 年做为经济发展逐渐多极化的年代，消费周期性也在逐渐修补。但客观性来说，针对手术恢复期里的经济发展而言，同比周期性方式所根据的“稳定”和“重现”在标准上能不能充分满足，仍然需要将来再进一步观察。

   社零的年之内强周期性特点表现在二点，一是社零总额当月值，在2013-19 年间，三四季度均远远高于一二一季度，而且一年以稳定的增长速度提高。20、22 年由于疫情影响，这类周期性打破。23 年至今又有一定的修复。二是，社零同比，在正常经济波动中，也呈现出着很明显的周期性规律性。除开由于疫情影响很明显的20 年、22 年之外，纯粹运用过去三年的同比周期性测算每月社零同比增长率，偏差较大还在2 ％之内。而20、22 年新冠疫情年代，偏差较大亦有-28%，人均有6.0%周边。23 年至今，社零的同比周期性规律性有一定的修复，根据这一传统的方法测算8 月的社零同比增长率坐落于4.4%周边。

   尽管传统式方法预测实际效果已经修补，但疫情爆发年代，“同比周期性”的演练效果显著变弱。这给我们带来一个新的启发。传统技术是建立在经济发展运行平稳前提下，即交易做为经济发展里的慢变量，起伏比较小，中国历史上的年之内起伏可能持续“重现”。而新冠疫情类突发性冲击性则直接打破这一方法前提假设，因此这类预测分析方法出现分阶段失效。

   大家思索社零预测分析中将面临的三个问题：

   一是疫后社零同比周期性打乱。在疫前，社零同比保持在0.7%周边，而疫情以来，同比平均值降到0.3%。

   比照新冠疫情前后左右三年时间，波动性从0.068 上升到0.4，这让传统以周期性测算为底材预测方法偏差增大。

   二是领先指标缺少。不论是PMI 分项目、消费者信心指数，或是金融大数据，都和社零大量表现为趋同性或滞后效应，难寻很明确的领先指标。

   三是消费性高频数据具有较高的不确定性，并和社零的关系逻辑上比较间接性。例如累计票房、地铁站客流量数据信息，另一方面，光看单一高频数据非常容易一叶障目不见泰山，而如何权重计算多种消费性高频数据仍然是科学研究短板。

   在这样的情况下如何预测社零？我们在选择紧紧围绕高频数据，由于对比同比周期性演练，根据高频数据预测更容易捕获疫后社零高起伏；但是我们也不想要被高频数据高起伏缠身，预测分析中融进乃至变大过多噪声。在这种考虑下，我们再延用早期报告《工业增加值如何预测》里的科学方法论，根据获取高频率指标值变化信息内容，生成同歩扩散指数的方式去过虑高频数据。然后运用过虑完噪声的同歩扩散指数开展模型，从而获得对短期内社零实时预测分析。

   同歩扩散指数实际上就是各种别交易高频指标值每月同比增长率靠前系数的变化值大于零的比重，提醒的要当月社零同期相比可能性的变化方位。这相当于一个“人力噪声过滤装置”，只获取对社零下月变化方位具备标示价值的信息内容。

   ARDL 实体模型计算了“社零滞后期对社零当期危害”、“高频率指标值以及滞后期对社零当期危害”。借助实体模型指数和设置，我们能滚动预测近月社零同期相比。

   混频（MIDAS）重归立即运用高频率大数据挖掘，尽量运用高频率信息内容，但预测分析结论单月起伏很有可能比较大，更适合用于预测分析辅助。

   怎样找到能预测分析社零的“合理高频数据”？我们自己的构思要先归类，再寻强相关，后再看转折点变化。我们将要高频率指标值归类归于餐饮收入、必须品、可选消费-车辆、可选消费-石油制品、可选消费-住宅类，及其它可选消费（服饰、日用品等）五类。高频率指标值池搭建也遵照二点标准，一要与社零有关，二要发布时段先于社零。有关关联性，我们不仅展开了较比较常见的相关系数r计算；又从转折点变化的视角，观查高频率指标值是不是和社零具备一致的转折点转变。在很多人眼里，这两种关联性不分轩轾。如果仅仅看统计分析里的相关系数r，非常容易能被高频数据高不确定性影响，忽视一些能提醒社零变化方位高频指标值。

   大家挑选获得了13 项高频率指标值，在其中除开乘用车销量、CPI 同期相比为在于社零同期相比发布的月度指标值外，其他均是周度和日度指标值。

   总体上，2015 年至今，全部高频率指标值均值有四成时间和社零起伏方向一致，疫后进一步提升至49%。如不考虑到数据样本比较短的“邮政快递快递投递量”及在2019 年之后与社零增速发生背驰的CPI 同比数据，则疫后的转折点变化趋同性提升到56%。分项目中，疫后，与社零转折点变化趋同性明显增强的指标是十大城市轨道客流量、千店拥堵指数及其30 一二线城市商住楼交易量总面积，各自提升了29 ％、17 ％及其15 ％，对应着交通出行交易与房地产类交易。而汽车市场与社零转折点变化的一致性在全球疫情前后左右均非常高，超出60%。

   相关系数r视角，与社零同期相比有关度很高高频指标值包含十大城市轨道客流量、30 城房地产交易总面积、乘用车销量、累计票房、千店拥堵指数、柯桥纺织指数值、生猪价等；而有些指标值，从序列相关角度观察与社零统计关联性一般，但是其转折点变化的趋同性却挺高，例如布伦特油价。

   相关系数r视角，与社零同期相比关联性相对较高的高频率指标值分别是，汽车当月销售量（相关系数r为0.542）、汽车生产厂家零售销售量（0.485）、30 一二线城市商住楼交易量总面积（0.583）、十大重点城市地铁客流量（0.724），千店拥堵指数（0.433）、当日累计票房（0.454）、柯桥纺织物价指数（0.433）、生猪价同期相比（0.434）。

   转折点变化视角，与社零相关系数r相对较高的指标值都有近50%的时间也转折点变化也和社零同期相比一致。除此之外，因为自身高不确定性，有一些指标值，就算从序列相关角度观察，统计分析关联性一般，但是其转折点变化的趋同性却挺高。例如布伦特油价同期相比，尽管全样本上相关系数r为0.29，但是53%的月份与社零转折点变化方位完全一致。

   我们可以利用高频率指标值相匹配社零学科占社零整体上的比例展开了配权，生成了同歩扩散指数。社零同歩扩散指数赢率几何图形？我们自己的回朔数据显示，同歩扩散指数可以很好地捕获社零同期相比的变化、变化幅度。2015 年至今预测分析赢率做到61.3%，疫后赢率做到72%。

   对于我们来说高频数据高起伏和间歇性特点取决于它在判断方向上是有用的，但在预测分析同期相比读值上面变大偏差。生成环节中，我们可以利用高频率指标值相匹配社零学科占社零整体上的比例展开了配权。由于同歩扩散指数本质上是当月高频数据同比变动大于零的比重，大家界定50%为同歩扩散指数的“枯荣线”，超过50%即表明当月通过权重计算之后有超出过半数高频指标值标示社零同期相比将往上变化。

   数据显示，同歩扩散指数能够很好的捕获社零同期相比的变化、变化幅度，尤其是在疫后。2015 年以来赢率达到61.3%，疫情爆发以后进一步提升至71.8%，而且疫后11 次误差中，7 次出现于年末或一季度，剩下产生在年中周边。

   从已有的8 月扩散指数看，权重计算后扩散指数为60.7%，小幅度高过50%，提醒8 月社零同期相比边界柔和回暖。

   人们进一步将对比社零同比变动的同歩蔓延转化为对比社零同期相比的同歩扩散指数II，并据此打造了根据高频率数据的ARDL 分析模型。实体模型里的“AR”为自回归一部分，融进了社零同期相比的历期早期值，关注的是经济发展惯性力与自身规律性；“DL”为遍布落后一部分，融进是指通过纯化、权重计算以后高频信息内容，关注的是高频数据危害存有脉冲效应。简而言之，这种方法更像多种多样预测法的大成者，因此预测准确性也有所提高。样版外预测分析7月社零同期相比区段为2.37%~3.77%，而7 月具体社会零售总额同期相比为2.5%。

   运用23 年6 月前信息进行回测，全样本拟合度做到72%，在其中早期社零奉献31%，同歩扩散指数II 奉献41%；分样版重归拟合度均值达84%，早期社零奉献17%，同歩扩散指数奉献65%。重归结论证实同歩扩散指数方向分辨，疫后运用高频数据预测效果明显。

   样版外测算7、8 月份数据信息，与同歩扩散指数提醒方向一致，7、8 月社零与6 月对比，7 月有所回落，8 月拾起回暖，但是都仍处于较弱的区段。7 月预测分析的变化区段为2.37%~3.77%，和实际发布的7 月社零同比数据2.5%比较贴近。8 月起伏区段为4.2%~4.9%。

   以上全过程实际上已经完成预测分析。但是同歩扩散指数的第一步就是将高频率指标值开展降帧解决，这一过程大家使用了简单算数平均值方法。能否最大限度的运用高频率信息内容？混频MIDAS 实体模型能直接运用高频数据对低频率信息进行模型，给我们带来了一个更高效运用高频率数据的方式。但是同时该方法也受到了高频数据高变动的缠身，实体模型单月的偏差很有可能比较大，预测分析区段比较宽。但是这不失为一种协助分辨。

   根据ARDL 模型预测实质上仅纯粹采用了高频数据的变化大方向，而非变化幅度。特点是简约容易地选择了高频数据的关键信息，过虑了高频数据高起伏噪声，主要缺点损失了一部分有效高频率信息内容。针对预测分析要求高的学者而言，大家建议使用混频MIDAS 实体模型协助分辨。相较于ARDL 实体模型而言，混频MIDAS 模型拟合度更高一些，行情更加迎合；但回测结论更加波动，增长的趋势中有多处不断点，月际中间起伏大量。这两个方面说明了混频MIDAS 预测分析更有效的运用了高频数据，并且也遭受高频数据变化较大的影响，优点和缺点都是有。实体模型样版外预测分析8 月社零同期相比为3.40%~4.43%。

   风险防范：一是高频数据挑选可能出现误差；二是同歩蔓延是各种高频数据方位变化的结合，处理方法仍较简易，若当月经济发展真正交易情况变化较大，可能遗失高频数据在变化幅度里的关键信息；三是混频MIDAS 重归对高频率数据的改善实际效果小于被其高变动的缠身影响，则预测分析结论将打折。