工业增加值实际上是广发工业GDP 的产业一部分，因此是宏观我们追踪经济形势可盯紧的最重要指标之一。市场里已经有三类方法预测分析工业增加值同比增长率。增加值样方法一是预测根据关键工业产品产量乘于相对应领域权重值开展权重计算生成；方法二是利用工业化生产领域内的单一或多种高频率指标做线性回归分析，如用用煤量、广发工业运输量等；方法三是宏观立即利用指标本身的变化规律性开展外推，比如比较常见的增加值样ARIMA 实体模型等。

    方法一可以概括为“领域生产量数据信息”合成法，预测是广发工业以工业增加值最核心的计算方法考虑，根据各子行业生产量数据信息，宏观权重计算生成总体工业增加值。增加值样这一方法精确性比较高，预测条理清晰，广发工业可以观查各个行业工增构造转变。宏观

    方法二能够概括为简易“高频率指标”回归法，增加值样是可以直接利用工业化生产领域内的单一或多种高频率指标做线性回归分析，如用用煤量、运输量等。这种高频率指标简单地生成与工增在发展趋势上有着一致性。

    方法三能够概括为“本身发展趋势外推法”，是可以直接利用指标本身的变化规律性开展外推，比如比较常见的ARIMA 实体模型等。这种预测分析立足点都是基于工业增加值很强的周期性和规律性，无需任何高频率信息内容。实质上，这是一种单纯自回归预测分析构思，有着“历史时间会重归、会反复”的假定。在我国经济运行平稳或是仅有一些小变动的阶段，这种方法同样也有一定预测力。

    以上方法都有它的价值，但缺陷也非常明显，例如或只适用于表述以往；或只有预测分析中后期（1 个季度之上）的态势，而难以较精确实时追踪工业增加值的单月起伏；亦或预测分析结论自身不确定性比较大，粒度比较粗。尤其是疫情过后，工业增加值起伏增大，“本身发展趋势外推法”的假定前提条件（历史时间会反复）一定程度打破，预测分析效果显著打折。怎么看待“见微”不一定能“知著”问题？这里我们期待详细介绍一套一个新的方法。大家解决方案可以将其概括为“用同歩扩散指数辨方位、用ARDL 实体模型做预测分析、用混频（MIDAS）重归玩辅助。”“领域生产量数据信息”合成法缺点就是只有表述以往，观查构造，不可以预知未来，由于各个行业生产量数据信息发布的时段迟于工业增加值发布。简易“高频率指标”回归法会出现错判，由于就算关联性极强的高频率指标，也经常在单月变化内与工增相反的方向。中趋势性还行捕获，但近月预测分析效果一般。“本身发展趋势外推法”有着“历史时间会反复”的假定前提条件。当重要冲击性来临的时候，例如新冠疫情，预测分析效果也打折。一是在冲击性来临前，没法体现高频率信息内容里的“新息”，小看起伏，转折点分辨落后，二是在冲击性出现后，过多体现历史时间刚所发生的“异象”，虚高起伏，预测分析粒度比较粗。

    我们自己的策略是“用同歩扩散指数辨方位、用ARDL 实体模型做预测分析、用混频（MIDAS）重归玩辅助”。最先，我们只是集中在重点产业工业化生产强关联的诸多高频率指标，即不可循四十多个细分领域，也不依附某一指标。大家获取多种高频率指标变化信息内容，用工业增加值组成里的领域增长值占有率开展配权，生成同歩扩散指数，以此过虑高频数据噪音。进一步地，将结构的同歩扩散指数与工业增加值同期相比开展ARDL 重归，自回归一部分融进工业增加值历史时间变动的规律性，遍布落后一部分融进高频率指标所带来的“新息”。借助实体模型指数和设置，我们能滚动预测近月工业增加值同期相比。为了能可以直接利用全面的高频率信息内容，大家也直接把周度或日多度高频数据与月度工业增加值开展混频（MIDAS）重归。但预测分析结论单月起伏很有可能比较大，预测分析区段比较宽，更适合用于预测分析辅助。

    怎样找到能预测分析工业增加值的高效高频率指标？简单的说要先归类，再寻强相关，后再看转折点变化。我们将要高频率 指标归到六大类——总体发电能力、对工业化生产有显著要求拉 动领域，及其四个领域增长值占有率排名前列重点产业（车辆、化工厂、钢材、煤碳）。有关关联性，我们不仅展开了真正意义上的相关系数r计算；又从转折点变化的视角，观查高频率指标是不是和工业增加值同期相比具备一致的转折点转变。最后，大家挑选获得了19 项高频率指标，除开理论汽车销售量和挖掘机销量是在于工业增加值发布的月度数据信息之外，其他17 个指标均是周度或日度指标。大家进一步注意到三点信息内容：

    第一，总体上，自2010 年以来149 个样本中（去除1 月），各种高频数据均值有四成时长（57 个月，占有率38%）与工业增加值增长速度的变化方位保持一致。疫情发生以来，这一比例提高了14 ％至52%，反映了疫情过后工业增加值起伏增大，“历史时间不会再反复”，根据高频数据预测更具必需。

    第二，相关系数r视角，与工业增加值同期相比关联性相对较高的高频率指标分别是，理论汽车生产量同期相比（0.67）、PTA全产业链负荷（0.61）、粗钢产量同期相比（0.58）、半钢胎产销率同期相比（0.58）、PTA 产销率（0.55）、全钢胎产销率同期相比（0.51）、十大城市商住楼交易量总面积（0.46）、改性沥青装置开工率（0.44）、6 大发电集团用煤量同期相比（相关系数r为0.4）。而大多数指标在疫后与工业增加值同期相比关联性提高比较快，例如挖机销量疫后提升到0.76。

    第三，转折点变化视角，与工业增加值相关系数r相对较高的指标都有近50%的时间也转折点变化也和工业增加值同期相比一致。而且，疫后房地产、基建类指标预测赢率提升显著，改性沥青动工（提高26 ％）、钢材库存（提高22 ％）、山东地炼动工（提高22 ％）、十大城市商住楼交易量总面积（提高20 ％）。

    同歩扩散指数如何建立？赢率几何图形？有什么提醒？简单的说，大家搭建的同歩扩散指数实际上就是生产端重点产业高频率指标每月同比增长率靠前系数的变化值大于零的比重，提醒的要当月工业增加值同期相比可能性的变化方位。单这一点针对预测分析工业增加值已有一定实际意义。我们自己的数据信息回朔表明，同歩扩散指数能够很好的捕获工业增加值同期相比的变化，2010 年至今赢率达到65.1%，疫后（2020 年至今）提升到74.4%。

    大家利用投入产出表中低频指标涉及到的重点产业的领域增长值占有率做为权重值。配权环节中，针对上中下游普遍的基础原材料领域，如化工厂、钢材，我们不仅考虑到本身行业增长值占有率，还归纳上中下游行业增长值占有率做为权重值。生成的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标示工业增加值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工业增加值同期相比的变化，2010 年至今赢率达到65.1%，疫后提升到74.4%。权重计算处理过的同歩扩散指数对比不顾及权重指数值赢率提升了5.2 ％。在疫后10 次误差中，5 次误差都出现了在年终或是今年初，3 次出现在了10 月，剩下2次分别为2020 年8 月及其2023 年6 月。去除年末岁尾以后，预测分析赢率进一步提升至87.2%。

    怎样进行工业增加值读值的短期预测？大家打造了同歩扩散指数II 与工业增加值同期相比的ARDL 实体模型。“AR”为自回归一部分，融进了工业增加值早期值，表现历史时间周期性；“DL”为遍布落后一部分，融进了高频率指标及其高频率指标早期值，表现时下和最近高频率信息内容所带来的“新息”。简单的说，这类方法是不仅有预测分析方法优点和缺点的一个结合，我们不仅利用了多种高频率指标信息内容，也通过“获取同比变动、配权、生成同歩扩散指数”来过虑噪声，又兼具了工业增加值本身早期变动的危害，是任何一种现有的单一方法更综合性，预测准确性也更准。例如这一实体模型下样版外预测分析7 月工业增加值同期相比区段为3.69%~4.04%，最后7 月具体工业增加值同期相比为3.70%。

    在2010 年1 月至2014 年12 月期内，只用工业增加值本身规律性演练就可以得到非常好预测实际效果。2015 年之后，同歩扩散指数II 的滞后期对工业增加值产生的影响大幅度提升。疫后，同歩扩散指数II 的当期值主导了工业增加值同期相比的变化。通过指数换算出增长率，我们能更明显看到这一特点，2010-2014 期内，99%模型解释力中，工业增加值以往值奉献了73%，高频率信息内容奉献了26%；2015-2019 期内，99%模型解释力中，工业增加值以往值奉献了33%，而高频率信息内容奉献了66%；2020 年至今，一共75%模型解释力中，工业增加值以往值奉献了3%，而高频率信息内容奉献了72%。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，前面一种起伏区段为3.69%~4.04%，后面一种起伏区段为4.00%~4.65%。

    以上全过程实际上已经完成预测分析。但是，根据ARDL 模型预测工业增加值同期相比的方法，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，即并非所有高频率指标高起伏全是噪声。是否有别的方法能够避免这一点？混频MIDAS 实体模型能直接利用高频数据对低频率信息进行模型，尽管受高频率指标高变动的影响，造成预测分析过程的区段比较宽，但是同样可以帮助我们开展协助分辨。

    利用同歩扩散指数初判方位，再以此作为自变量，根据ARDL 模型预测工业增加值同期相比的方法，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。而且，搭建同歩扩散指数的第一步就是将高频率指标开展降帧解决，环节中流失了高频率指标月内详尽的起伏信息内容。

    混频MIDAS 实体模型数据显示：第一，2020 年开始混频MIDAS 拟合程度度达0.98，远远高于ARDL 模型0.75，表明针对疫后工业增加值预测而言，高频率指标的信息至关重要，融进变化幅度的信息以后预测准确性提升，这一特征和ARDL 得到的结果一致。第二，观查各阶段的偏差尺寸，混频MIDAS 回测结论更加波动。例如在2020 年到2021 年一季度期内工业增加值增长速度的读值大部分光滑升高，但MIDAS 线性拟合最终却波动上涨的，增长的趋势中有多处不断点，说明了尽管混频MIDAS 预测分析更有效的利用了高频数据，却也遭受高频数据变化较大的影响。因此在使用过程中，不一样方法能够相互印证和借鉴。

    风险防范：一是高频数据挑选或出现误差；二是同歩蔓延是各种高频数据方位变化的结合，处理方法较简易，若当月经济发展真正生产端情况变化较大，可能遗失高频数据在变化幅度里的关键信息；三是与ARDL 模型反过来，当混频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。