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]。

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** [7][10] * **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，分别对每个子项进行预测，最后汇总得到社融总量预测，以实现对总量和结构的准确预测[7][10]。 * **模型具体构建过程**：该框架并非单一模型，而是针对社融的不同子项采用多种预测方法的集合[11]。 1. **人民币贷款（企业贷款+居民短贷）预测**：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[11]。 2. **居民中长期贷款预测**：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[11]。 3. **企业票据融资预测**：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[11]。 4. **政府债券净融资预测**：通过将月末新发政府债券计入下月，对政府债券发行到期高频跟踪数据进行口径调整[11]。 5. **企业债券净融资预测**：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[11]。 6. **外币贷款预测**：使用过去3个月均值作为预测[11]。 7. **信托贷款预测**：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[11]。 8. **委托贷款预测**：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[11]。 9. **未贴现银行承兑汇票预测**：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[11]。 10. **非金融企业境内股票融资预测**：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[11]。 11. **贷款核销预测**：使用去年同期值作为预测[11]。 12. **存款类金融机构资产支持证券预测**：使用信贷ABS净融资高频跟踪[11]。 * **模型评价**：该框架能够较为准确地预测社融总量，同时提供对社融结构信息的预测[10]。 模型的回测效果 *注：本报告未提供模型在历史回测中的具体量化指标（如IR、胜率、最大回撤等），仅展示了近期预测值与实际值的对比。* 1. **社融自下而上拆分预测框架** * 2026年1月新增社融预测值：74432亿元，实际值：72208亿元[20]。 * 2026年2月新增社融预测值：23417亿元[1][7][11]。 *注：报告未提供独立的量化因子及其构建过程与测试结果。*

报告核心信息 - 报告标题为“社融预测月报”，发布日期为2026年02月01日 [1][3] - 报告预测2026年1月新增社会融资规模约为7.44万亿元 [1][7][11][12] 核心预测观点 - **总量预测**：预计2026年1月新增社融约为7.44万亿元，同比增加0.39万亿元，社融存量同比增速约为8.28% [7][12] - **信贷结构**：新增人民币信贷约为5.31万亿元，同比增加0.09万亿元 [7][12] - 其中，居民中长期贷款新增0.18万亿元 [7][12] - 企业贷款和居民短期贷款合计增加5.66万亿元 [7][12] - **债券融资**：政府债券净融资约0.98万亿元，同比增加0.28万亿元；企业债券净融资约0.56万亿元，同比增加0.11万亿元 [7][12] 预测方法与框架 - 报告采用自下而上的社融拆分预测框架，依据各子项的经济逻辑、高频数据和季节性特征分别进行预测 [7][11][12] - 预测框架覆盖人民币贷款、企业票据融资、政府债券、企业债券、外币贷款、信托贷款、委托贷款、未贴现银行承兑汇票、非金融企业境内股票融资、贷款核销及存款类金融机构资产支持证券等子项 [12] - 具体预测方式包括：使用PMI与唐山钢厂产能利用率对信贷进行滚动回归预测；根据商品房销售数据预测居民中长贷；以转贴现利率预测企业票据融资；高频跟踪政府与企业债券发行到期数据等 [12] 结构分析与驱动因素 - **信贷方面**：企业贷款表现预计回暖，主要依据是1月PMI为49.3%虽有所回落，但转贴现利率月末未有大幅下降 [7][13] - **居民贷款**：由于大中城市新房成交量回落且不及去年同期，新增居民中长期贷款预计增长有限 [7][13] - **债券融资**：高频数据显示政府债券与企业债券净融资同比均多增，政府债券继续发力 [7][13] - **潜在偏差**：当前预测模型未考虑化债因素影响，1月地方政府再融资债券净融资3720亿元，可能导致企业信贷净融资低于预期 [7][13] 历史数据对比 - 根据预测数据表，2026年1月新增社融预测值（74432亿元）高于2025年1月实际值（70567亿元）和2025年12月实际值（22075亿元） [18] - 社融TTM环比预测为1.09%，低于2025年1月的1.72% [18] - 人民币贷款中，企业贷款+居民短贷预测值（56632亿元）显著高于去年同期（51503亿元），而居民中长贷预测值（1806亿元）显著低于去年同期（4935亿元） [18] - 政府债券净融资预测值（9771亿元）同比大幅增加，企业债券净融资（5557亿元）和非金融企业境内股票融资（1285亿元）也同比多增 [18]

量化模型与构建方式 1. 社融自下而上预测框架 **模型名称**：社融自下而上预测框架[8][9] **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，分别对各子项进行预测，再汇总得到社融总量预测，以更准确地预测总量和结构信息[8][9] **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进行预测[9] - **政府债券**：通过将月末新发政府债券计入下月，对政府债券发行到期高频跟踪数据进行口径调整[9] - **企业债券**：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[9] - **外币贷款**：使用过去3个月均值作为预测[9] - **信托贷款**：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[9] - **委托贷款**：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[9] - **未贴现银行承兑汇票**：使用过去三年同期平均值作近似估计[9] - **非金融企业境内股票融资**：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[9] - **贷款核销**：使用去年同期值作为预测[9] - **存款类金融机构资产支持证券**：信贷ABS净融资高频跟踪[9] 模型的回测效果 1. 社融自下而上预测框架 **2025年8月预测结果**： - 新增社融：26928亿元[9][17] - 同比变化：-0.34万亿元[9][17] - 社融TTM环比：-0.91%[9][17] - 社融存量同比增速：8.88%[9][17] - 新增人民币信贷：9435亿元[17] - 政府债券净融资：13606亿元[17] - 企业债券净融资：984亿元[17] **2025年7月预测结果**： - 新增社融预测值：15316亿元[17] - 实际值：11320亿元[17] - 预测误差：3996亿元[17] **历史预测效果**：自2023年以来各月社融预测结果见研报图2[12][14]

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）