量化模型与构建方式 1. 模型名称：社融自下而上拆分预测框架[11] * 模型构建思路：依据社融各子项的经济逻辑、高频数据、季节性特征等特点，分别构建子项预测模型，再汇总得到社融总量预测，旨在提高总量预测准确性的同时，提供结构信息预测[11]。 * 模型具体构建过程：该框架是一个复合模型，由针对不同社融子项的多个预测方法组合而成。具体子项预测方式如下[12]： * 人民币贷款（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[12]。 * 人民币贷款（居民中长贷）：以住房按揭贷款为主，与商品房销售数据强相关。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[12]。 * 企业票据融资：与转贴现利率呈明显负相关。以转贴现利率为外生变量，使用5年窗口的滚动自回归进行预测[12]。 * 政府债券：可跟踪高频的发行到期数据，但存在口径差异。通过将月末新发政府债券计入下月，对高频跟踪数据进行口径调整[12]。 * 企业债券：可跟踪高频的发行到期数据，但存在口径差异。使用5年窗口的滚动回归对企业债券子项重新配权，以降低口径差异[12]。 * 外币贷款：平滑后与人民币汇率和中美国债利差相关性强，但月度间波动大。使用过去3个月均值作为预测[12]。 * 信托贷款：资管新规后规模下降。通过跟踪集合信托以及单一信托发行到期的披露情况进行近似预测[12]。 * 委托贷款：资管新规后规模压降且相对稳定。使用过去12个月均值作为预测，部分基建相关增量额外进行判断[12]。 * 未贴现银行承兑汇票：鉴于票交所高频数据停止对外公布，使用过去三年同期平均值作近似估计[12]。 * 非金融企业境内股票融资：可跟踪高频股权融资数据，但存在口径差异。将股权融资（包括IPO、增发、配股、优先股）的月频净融资数据扣除金融企业部分得到预测[12]。 * 贷款核销：集中于季末特别是年末，季节效应显著。使用去年同期值作为预测[12]。 * 存款类金融机构资产支持证券：信息披露少，增量规模不大。使用信贷ABS净融资高频跟踪进行预测[12]。 模型的回测效果 * 本报告未提供模型历史回测的具体绩效指标（如预测误差、决定系数R²等）[7][11][12][16][17][20]。报告通过展示2023年以来各月社融预测结果与实际值的对比图，以及2026年3月社融结构预测与去年同期的对比，来定性说明预测框架的准确性[16][18][20]。