根据提供的研报内容，以下是关于量化模型与因子的详细总结： 量化模型与构建方式 1. 模型名称：社融自下而上预测框架 模型构建思路：从社融各子项的经济逻辑、高频数据、季节性特征等角度出发，分别预测各子项后汇总得到社融总量预测[8] 模型具体构建过程： - 企业贷款+居民短贷：以PMI与唐山钢厂产能利用率为自变量，对信贷大月和小月分别进行滚动回归预测[9] - 居民中长贷：根据商品房销售代理指标与居民中长贷的三阶段特点进行预测[9] - 企业票据融资：以转贴现利率为外生变量，使用5年窗口的滚动自回归预测 $\text{票据融资} = f(\text{转贴现利率})$ - 政府债券：通过调整高频发行到期数据的口径（将月末新发债券计入下月）[9] - 企业债券：使用5年窗口的滚动回归重新配权以降低口径差异[9] - 外币贷款：采用过去3个月均值作为预测[9] - 信托贷款：跟踪集合信托及单一信托的发行到期披露数据近似预测[9] - 委托贷款：使用过去12个月均值预测，基建相关增量额外判断[9] - 未贴现银行承兑汇票：采用过去三年同期平均值估计（因高频数据停更）[9] - 非金融企业股票融资：扣除金融企业部分后汇总股权融资数据[9] - 贷款核销：直接采用去年同期值[9] - 存款类金融机构ABS：改用信贷ABS净融资高频跟踪（2023年12月起）[9] 模型评价：该框架通过细分逻辑刻画细节，能够同时预测总量和结构信息，历史表现较为准确[8] 2. 衍生模型：社融TTM环比与存量同比增速模型 构建思路：基于社融预测结果计算滚动12个月总和（TTM）及同比增速[9] 具体构建过程： $\text{社融TTM环比} = \frac{\text{最新TTM值}}{\text{前一期TTM值}} - 1$ $\text{社融存量同比} = \frac{\text{当期存量}}{\text{去年同期存量}} - 1$ 模型的回测效果 1. 社融自下而上预测框架： - 2025年7月预测新增社融1.53万亿元（实际待公布），同比多增0.76万亿元[9] - 社融TTM环比预测2.05%，存量同比增速预测9.11%[9] - 历史预测误差（示例）：2025年6月预测值42157亿元 vs 实际值41993亿元（偏差0.39%）[18] 2. 子项预测效果： - 政府债券：7月预测净融资1.18万亿元（同比+0.49万亿元），高频跟踪显示发行节奏延续[9][10] - 企业债券：7月预测净融资0.39万亿元（同比+0.19万亿元），高频数据支持增长[9][10] - 人民币贷款：7月预测新增362亿元（结构较弱，企业贷款+居民短贷减少0.51万亿元）[18] 关键因子说明 1. 因子名称：PMI-信贷关联因子 构建思路：捕捉制造业PMI对企业信贷需求的领先关系[9] 具体构建：在滚动回归中作为企业贷款预测的自变量 2. 因子名称：商品房销售-居民中长贷因子 构建思路：利用商品房销售数据与居民中长贷的滞后相关性[9] 具体构建：分三阶段（领先、同步、滞后）映射销售数据至贷款增量 3. 因子名称：转贴现利率-票据融资因子 构建思路：利率下行时银行票据贴现意愿增强[9] 具体构建：通过负相关关系建模 $\text{票据融资量} = \alpha - \beta \times \text{转贴现利率}$ 因子回测效果 1. PMI-信贷关联因子：7月PMI 49.3%回落，对应企业贷款预测减少[10] 2. 商品房销售-居民中长贷因子：7月大中城市新房销售同比环比均降，预测居民中长贷仅新增47亿元[10][18] 3. 转贴现利率-票据融资因子：7月末利率大幅下行，预测票据融资新增5444亿元[10][18] （注：报告中未明确提及因子的独立测试指标如IC或IR，故未列出）