如何构建股市流动性预测指标？

如果你对该问题感兴趣的话，推荐你看看《股市流动性预测指标构建》这篇报告，下面是部分摘录的内容，具体请以原报告为准。

1.宏观流动性

股市流动性始于狭义流动性，从央行“放水”到货币信用派生，再到投融资活动， 最后到达股市的过程中具有非常复杂的传导机制。随着经济的发展，货币政策和财政政 策经历时代的变革，呈现不同的目的和影响，市场和政策之间的相互作用在发展过程中 日新月异，因此流动性的传导机制不是一成不变的，我们需构造自适应滚动学习系统来 研究股市流动性。

流动性的传导链条由基础货币起，经由信用扩张后，传至企业和居民的投资融资活 动，投资融资活动直接影响股市流动性。因此，我们从基础货币、信用扩张、投资融资 角度三个角度收集整理宏观指标。

从基础货币和影响因素角度，我们收集央行资产负债表、货币供应量、公开市场操 作模块的宏观指标。

从信用扩张角度，我们收集存款准备金率与货币乘数、银行间拆借利率、银行间回 购利率、银行间利率互换、转贴现利率模块的宏观指标。

从投资融资角度，我们收集社会融资规模、贷款价量、投资收益率模块的宏观指标。

2.典型相关分析

典型相关分析（CCA，Canonical Correlation Analysis）用于研究两组高维数据之间的 相关关系情况，属于“偏最小二乘法回归”家族。它是借助主成分分析思想，从两组变 量中提取出一个或少数几个综合变量（即典型变量），从而将对两组变量关系集中到少数 几对典型变量间的关系之上。

典型相关分析和主成分回归有一定的相似之处，均有数据降维处理，且用降维后的 因变量来预测自变量。但主成分回归的数据降维是无监督的，可能丢失重要变量。典型 相关分析则将目标变量纳入降维处理的监督中。

3.系统构建过程

股市流动性预测系统，即为前文提到的自适应滚动学习系统，是一个滚动式自动更 新的监督学习体系。我们设置系统每隔半年更新窗口训练模型，从两千多项指标特征中 运用 CCA 模型筛选出少数指标特征，筛选原则是对训练窗口（2 年）的股市流动性代理 指标敏感度高于阈值的指标特征，再将训练好的模型用以预测测试窗口的股市流动性指 标，预测的结果即为股市流动性预测指标。目标预测值，即股市流动性代理指标，为万 得全 A 未来 60 交易日期间成交额和期末流通市值的比值。

数据处理：自变量包括央行资产负债表、货币供应量、公开市场操作、派生货币扩 张、投融资等大类下的细分宏观指标及其特征提取，宏观细分指标共计 218 项，各个宏观细分指标包含特征及原值共计 10 项，总计指标特征为 2180 项自变量。

4.结果输出

我们运用上述滚动预测系统，按半年一个轮次滚动预测股市流动性的走势。将预测 值和实际值作对比，如下图所示。预测值和实际值长期趋势走向较为一致。