如何處理春節效應——若干券商研究團隊的經驗

時間 2019-12-04

標籤如何處理春節效應若干券商研究團隊經驗简体版

原文原文鏈接

目錄框架

如何處理春節效應——若干券商研究團隊的經驗

如何處理春節效應——若干券商研究團隊的經驗

不按期增長其餘券商研究團隊的方法。函數

海通

調整方法一：以春節爲基準日，以節前一段時間爲週期，計算同比增速。這至關於將公曆週期的統計值從新組合爲農曆週期的數據，這種方法的好處是，比直接用公曆月份更好地刻畫春節前的經濟狀況，而且計算增速的可比性也更強，避免了去年春節放假停工而拉低基數帶來的干擾，但這種調整對數據的頻率有要求，適合比月度更高頻的數據。spa

調整方法二：將 1 月數據按工做日折算成去年同期可比的口徑。長假使春節所在月份工做日減小，例如 18 年 1 月的工做日比 17 年多了 4 天，按比例算是 21%，直接作同比的結果與工做日長短關係更大，而非經濟的實際變化。所以能夠先將月度數據按實際工做天數「日度化」再進行同比，來加強和去年同期的可比性，這種調整彌補了第一種方法對數據頻率要求的不足，但需注意的是，這種方法創建在對春節先後生產、銷售等方面變化趨勢的假設上，例如實際的停工可能早於法定節假日，所以能夠經過給春節前夕若干個工做日設定影響係數的方法來調節。it

招商

目前國內大部分對春節季調的方法來自於 X-12-ARIMA 的復活節模型，就是根據所設定的假日影響天數在跨越的全部月份中的分配比例來構造迴歸變量，而後把迴歸變量與原序列進行迴歸，獲得春節效應，從原序列中剔除春節效應就獲得春節因素修正後的序列。class

該模型假定：從春節前的第 \(W - N\) 天開始經濟活動就產生了變化，一致延續到春節後的 \(N\) 天恢復至春節前情況。其中所有影響天數是 \(W\) 天，在春節前有 \(W - N\) 天，在春節後又 \(N\) 天。變量

\[ p(\omega, j) = \frac 1\omega \times (\text{處在 } j \text{ 月份的天數}) \]程序

\(p(\omega, j)\) 是指春節期間天數處於第 \(j\) 月的比例，\(\omega\) 就是春節期間全部天數，而 \(j\) 在中國通常就是 1 月和 2 月。除了 1 月和 2 月，其餘月份 \(p(\omega, j) =0\)。在計算完全部月份的季節迴歸變量以後，還須要中心化處理以消除其季節性，保證所獲得的迴歸變量年度總和大體等於調整以前的原序列年度總和，不然調整後的序列會對原序列產生偏移。中心化處理的過程很簡單，計算出全部年份的 \(p(\omega, j)\) 以後，計算其均值 \(\bar p(\omega, j)\)，而後每一個年份的 \(p_i(\omega, j) - \bar p(\omega, j)\)，獲得新的序列 \(x_i(\omega, j)\) 就是中心化處理後的序列。方法

不一樣的經濟活動受春節的影響方式不一樣，致使 W 和 N 的選擇並不相同。im

生產類經濟活動在春節前受影響較少，通常都在農曆臘月 28 日才放假（也就是春節前兩天），而正月前一週（春節後 7 天）都是傳統節日拜年走親戚時間，這段時間生產活動幾近停滯，所以對於工業增長值、固定資產投資的指標來講 \(W = 10\)，\(N = 7\)。
對於消費類經濟指標來講，春節前是購物熱季，消費增長較爲明顯，而過了春節隨着走親戚以及工廠的開工，消費逐漸迴歸日常。所以對於社會消費品零售總額、M0 的指標來講 \(W = 20\)，\(N = 7\)。

X-12-ARIMA 與 Tramo/Seats 都沒有直接能夠進行春節效應季調的程序，可是容許用戶設置迴歸變量來自主調整，這就須要設置春節因子虛擬變量。統計

如何計算春節效應

RegARIMA（ARIMAX）在與外部變量之間的關係是經過最小二乘法擬合原數值與外部變量之間的相關關係，計算出外部變量對原數值帶來的效應，而後從原數值中剔除該效應。

對於加法分解模型來講，原序列和季節因子之間是線性相關關係可被寫做 \(Y = \beta X + \mu\)。
對於乘法分解模型來講，須要對原序列進行對數處理，轉換爲加法模型以後再經過上述過程進行擬合。

中金

對於（日度或周度）高頻指標，能夠將春節設定爲參照日（即 T = 0），將不一樣年份的數據從新平移至同一參照系下，而後計算同比變化。該調整方法至關於將公曆週期數據的「時間軸」平移，從而以農曆日曆爲基準。這種調整方式剔除了春節假期先後的擾動、使數據更具備可比性。

對於月度統計數據，能夠根據每一年春節先後長假落在一、2 月的「總天數」，對一、2 月的生產 / 需求水平進行相應的「折算」，從而「還原」數據的可比性。而後，將「還原」後的 1-2 月單月序列進行同比增加的計算。該方法能夠用於調整進出口、CPI、貨幣信貸、以及部分行業層面的數據。

使用標準統計手段（如 Census X-12 方法）進行季節性調整後的數據，在每一年一、2 月一般會較趨勢出現異常大的偏離，而一、2 月的偏離方向相反。這些沒法消除的異常偏離稱爲由春節引發的「殘餘季節性」，或「春節擾動」。數據調整方法經過如下三個步驟來識別，並剔除春節擾動：

首先使用標準統計手段（如 Census X-12 方法）對數據進行季節性調整，進而計算曆年一、2 月的「殘餘季節性」、或簡稱爲「春節因素」。
經過計量方法來量化春節移位形成的一、2 月宏觀指標與趨勢的偏離度。通常而言，春節離 1 月 31 日越遠，一、2 月受春節影響天數之差就越大。計量分析結果將給出每一個春節日期對應的估算趨勢偏離度，稱之爲該春節日期的「春節調整因子」——「春節調整因子」能夠爲正值、也能夠爲負。
爲了計算剔除春節擾動後的一、2 月同比增速，首先將每一個一、2 月的數據點除以對應的（1 + 春節調整因子 %），取得經春節效應調整後的時間序列，而後計算同比變化。

西南

調節春節因素的方法

對同比和環比數據使用不一樣的春節因素調整方法，用春節晚於 1 月 31 日天數來定位春節位置。

對同比數據，用 1 月數據對 1-2 月均值的偏離來度量春節因素。這兒的隱含假定是趨勢值在 1 月和 2 月之間沒有發生顯著變化，於是這種度量誤差不會很大。利用經驗數據，獲得春節位置與春節因素之間的經驗迴歸方程，樣本覆蓋 1995 年至 2018 年。而後根據經驗迴歸方程，能夠獲得每一年春節因素對 1 月數據影響的估計值。利用一樣方法，也能夠獲得春節因素對 2 月數據影響的估計值。

對環比數據，直接使用春節位置對 1 月環比數據進行迴歸，估算春節因素對經濟和金融指標的影響。

春節因素對各宏觀金融指標影響狀況

物價數據方面，春節延後對 1 月 CPI 有顯著負向影響，但對 PPI 影響有限。

用春節晚於 1 月 31 日天數做爲春節位置度量指標，以此爲自變量，以 1 月 CPI 同比對 1-2 月平均增速偏離來做爲春節因素對 1 月 CPI 影響的度量指標，利用 1995 年以來經驗數據進行迴歸。迴歸方程顯示，春節晚於 1 月 31 日 5.6 天左右時，春節效應對 1 月數據影響爲零，即春節因素不會致使 1 月數據偏離於 1-2 月均值。春節因素每晚於 1 月 31 日 1 天，將帶來 1 月 CPI 同比較 1-2 月均值降低 0.05 個百分點，即春節因素致使 1 月 CPI 降低 0.05 個百分點。迴歸 \(R^2\) 達 0.5，顯示春節因素對 CPI 同比增速在 1-2 月之間的波動具備很好解釋力。今年春節爲 2 月 5 日，根據這個方程，今年春節推高 1 月 CPI 同比增速 0.03 個百分點，影響可忽略。而春節因素對 PPI 影響很是有限，春節每晚 1 天，1 月 PPI 同比增速僅多低於 1-2 月均值 0.01 個百分點，且關係並不顯著，\(R^2\) 僅 0.02。顯示工業品價格並不受春節因素影響。

貿易數據方面，春節位置與春節對 1 月出口增速影響呈現拋物線關係，對 1 月出口推升做用最明顯的位置爲晚於 1 月 31 日 5 天左右。

從春節位置和 1 月出口對 1-2 月均值偏離的經驗數據關係來看，二者呈現很好的二次函數關係，春節因素對出口增速在 1-2 月之間的波動解釋度高達 57.6%。即春節晚於 1 月 31 日 5 日左右時，對 1 月出口推進做用最爲明顯，春節過晚或過早，對 1 月出口推升做用都將減弱。這與直觀相符，由於春節期間農民工返鄉，部分出口企業停工或減產，於是出口企業會在春節前提早出口。春節位置略晚於 1 月末，意味着大部分提早出口效應都落在 1 月份，於是對 1 月出口推進做用最爲明顯。19 年春節恰好晚於春節 5 天，是春節效應最爲明顯是位置。於是咱們估算 19 年春節因素推高了 1 月出口增速 10.0 個百分點，剔除春節因素後，1 月出口同比爲 -0.9%，依然延續弱勢。

春節位置與春節對 1 月進口增速影響一樣呈現拋物線關係，進口推升最明顯的位置爲晚於 1 月 31 日 13 天左右。

從進口數據來看，春節位置一樣和 1 月進口對 1-2 月均值偏離呈現很是好的拋物線關係，春節因素對進口增速在 1-2 月之間波動的解釋度高達 74.6%。春節晚於 1 月 31 日 13 天左右，這是對 1 月進口推升做用最大。這主要是由於春節是集中消費時期，春節以前進口辦年貨需求顯著增長，推升進口需求。這對進口的影響在春節前 10 多天體現的最爲明顯。19 年春節位置大體推升進口增速 6.8 個百分點，剔除春節因素影響後 1 月進口同比增加 -8.3%，增速基本與上月持平，延續疲弱態勢。

貨幣數據方面，春節位置與 M0 存在顯著拋物線關係，而春節延後將現行推升 1 月 M1 增速。

M0 數據顯示，春節位置與 1 月 M0 增速對 1-2 月均值呈現出很是明顯的拋物線關係，即在春節晚於 1 月 31 日 2 天左右時，1 月 M0 增速最高，這也最符合節前你們集中提現的直觀理解。拋物線擬合優度高達 80%，顯示春節因素能解釋絕大部分 M0 在 1 月和 2 月之間的波動。19 年春季因素大體推升 M0 增速 8.5 個百分點，剔除春節因素後 1 月 M0 增速爲 10.7 個百分點。

春節因素對 M2 的影響一樣呈現顯著的拋物線關係。

經驗數據顯示，春節晚於 1 月 31 日 4 天左右時，1 月 M2 同比增速最高。迴歸結果顯示，春節位置對 1 月 M2 同比增速較前兩月均值偏離的解釋度爲 59%，春節因素對 M2 同比增速在 1-2 月之間的波動一樣具備很好解釋力。19 年春節因素大體推升 1 月 M2 增速 0.6 個百分點，剔除春節因素後 1 月 M2 同比增速降低到 7.8%。顯示 1 月貨幣的回升可否持續有待繼續觀察。

春節因素對M1的影響呈現線性關係，春節晚於1月31日3天左右時對1月M1影響能夠忽略。

經驗數據顯示，春節位置與春節對 1 月 M1 同比增速影響呈現線性正相關性，解釋度達 54.7%。春節位置每晚 1 天，1 月 M1 同比增速將較 1-2 月均值提高 0.17 個百分點左右。根據此方程，咱們估算春節因素推升了 19 年 1 月 M1 同比增速月 0.4 個百分點，剔除春節因素影響後的 1 月 M1 同比增速約爲 0%，顯示企業盈利下滑和房地產企業銷售增速放緩對當月 M1 影響更爲顯著。

春節因素對信貸和社融影響均不顯著。

新增信貸和新增社融均是環比數據，因此咱們直接用春節位置與 1 月信貸和社融數據關係來估算春節效應對 1 月信貸和社融的影響。經驗數據顯示，春節因素對信貸影響很是有限。春節每晚 1 天，1 月新增信貸僅增長 93.8 億元，並且關係並不顯著，春節因素對 1 月信貸解釋度僅有 1%，幾乎能夠忽略。顯示信貸投放更多依賴貨幣政策和銀行信貸投放節奏，受季節性因素影響有限。一樣，春節因素對社融影響也較爲微弱。迴歸結果顯示，春節每晚 1 天，1 月社會融資總量僅增長 85.3 億元，並且關係並不顯著，解釋度幾乎爲零。所以，今年 1 月信貸和社融加速投放，創下同期歷史高值，並不是春節因素緣由，而是寬鬆政策下，穩增加政策發力的體現。將來幾個月實體融資將繼續改善。

春節因素對 PMI 影響一樣不顯著。

PMI 一樣爲環比數據，於是須要經過春節效應與 1 月 PMI 關係來估算春節效應對 PMI 的影響。經驗數據顯示，春節因素對中採製造業 PMI 的影響很是有限。春節每晚 1 天，1 月 PMI 將提高 0.06 個百分點，並且關係並不顯著。顯示企業情緒面更可能是對真實狀況的反映，受季節性因素影響有限。

中信建投

春節錯位因素對經濟數據的影響不該當只看春節當天或春節假期的錯位，而是要跟「節前」、「節中」與「節後」影響的錯位結合起來看。

春節因素的衡量

春節因素的影響須要定量化，可以使用春運天數做爲參照標準。要研究春節因素的影響，首先須要將春節因素定量化。從目前的研究看，主要是兩種思路：

一是相似於 X-12 的季節性調整方法，
二是構建「節前」、「節中」與「節後」因子並歸入分析框架。

從實踐看，「節後」的天數要長於「節前」。例如，在北方許多地方，臘月二十三（「小年」）被視爲過年開始，而正月十五才被視爲春節的結束；又如，春運一般是春節前 15 天春節後 25 天、春節假期是從除夕到正月初六，均是春節後天數要超過春節前。參考春運期限，這裏將春節前 15 天到假期前一天視爲「節前」，共計 14 天；春節假期爲「節中」，共計 7 天；從春節假期結束到春節後 25 天視爲「節後」，共計 19 天。這種處理方法除了更符合現實外，另一個好處是客觀性，避免了每一個階段天數選擇時的主觀性。

分別計算落在各月的「節前」、「節中」與「節後」天數，與「節前」、「節中」與「節後」天數（分別是 1四、7 與 19 天）相除，可獲得各月份的「節前」、「節中」與「節後」因子。