2、经济周期与股市：基钦周期、朱格拉周期、库存周期对大盘走势的驱动机制，以及如何通过数据定位当前周期位置

聊到经济周期，很多人第一反应是「这东西太宏观了，跟我炒股有什么关系？」

其实关系大了去了。我做了十几年量化，见过太多人盯着分时图追涨杀跌，结果被市场反复打脸。说白了，大盘的转向从来不是随机游走，背后是经济周期在推着走。你如果能看懂周期，就像拿到了股市的「天气预报」。

2.1 三个核心周期：谁在驱动大盘？

宏观经济学里周期很多，但跟A股最相关的，我总结下来就三个：基钦周期、朱格拉周期、库存周期。嗯，这里要注意，库存周期其实跟基钦周期高度重合，但分析视角略有不同。

2.1.1 基钦周期（短周期，约40个月）

基钦周期也叫「库存周期」，是约瑟夫·基钦在1923年发现的。他观察英美两国数据，发现企业补库存和去库存的行为，会引发大约3.5年的经济波动。

我个人习惯把基钦周期拆成四个阶段：

• 被动去库存：需求回暖，但企业还没反应过来，库存被动下降。对应股市底部区域。
• 主动补库存：企业确认需求好转，开始扩大生产。对应股市主升浪。
• 被动补库存：需求见顶，但生产惯性还在，库存被动堆积。对应股市顶部区域。
• 主动去库存：需求下滑，企业砍单减产。对应股市主跌浪。

我在2019年做过一个回测，用工业企业的「产成品库存同比」和「营业收入同比」来划分这四个阶段。结果很有意思：主动补库存阶段，沪深300的年化收益超过20%；而主动去库存阶段，年化收益是负的。你想想看，如果你能提前判断当前在哪个阶段，是不是就能避开大坑？

2.1.2 朱格拉周期（中周期，约8-10年）

朱格拉周期关注的是设备更新和资本开支。说白了，就是企业什么时候愿意花钱买新机器、建新厂房。

这个周期对股市的影响更「钝」一些，但一旦启动，力度很大。我记得2016-2017年那波「供给侧改革」行情，本质上就是朱格拉周期叠加了政策驱动。当时工程机械、重卡这些板块涨得让人看不懂，其实就是企业开始大规模更新设备了。

判断朱格拉周期位置，我主要看两个指标：

• 制造业固定资产投资完成额同比：这个数据每月公布，能直接反映企业扩产的意愿。
• 工业机器人产量同比：这个指标更灵敏，企业如果开始大量采购机器人，说明对未来的信心很足。

2.1.3 库存周期（实战视角）

刚才说了，库存周期跟基钦周期基本是一回事。但在实战中，我更喜欢用「工业企业产成品存货同比」和「工业企业主营业务收入同比」这两个数据来定位。

为什么？因为数据频率高（月度），而且统计局公布得比较及时。我一般会在每月中旬蹲守国家统计局网站，拿到数据后第一时间更新模型。

2.2 如何通过数据定位当前周期位置？

理论说完了，咱们来点干的。怎么用数据判断现在处于哪个阶段？

我自己的做法是建一个「周期定位仪表盘」。说白了，就是把几个关键指标放在一起看，综合打分。

2.2.1 核心指标清单

指标名称	数据来源	频率	滞后性
工业企业产成品存货同比	国家统计局	月度	约1个月
工业企业主营业务收入同比	国家统计局	月度	约1个月
制造业PMI	国家统计局	月度	当月
工业增加值同比	国家统计局	月度	约1个月
中长期贷款余额同比	中国人民银行	月度	约1个月

这里有个避坑指南：我曾经犯过一个错误，只看「产成品存货同比」一个指标。结果2020年初数据显示库存很高，我以为要进入主动去库存了，赶紧减仓。后来才发现，那是因为疫情导致物流中断，库存被动积压，并不是需求不行。所以，一定要结合收入同比和PMI一起看，交叉验证。

2.2.2 实战判断流程

我一般按以下步骤操作：

1. 看方向：先看「产成品存货同比」是向上还是向下。向上说明企业在补库存，向下说明在去库存。
2. 看强弱：再看「主营业务收入同比」是向上还是向下。向上说明需求好，向下说明需求差。
3. 定阶段：根据两个指标的相对位置，判断当前处于哪个阶段。

举个例子：假设当前产成品存货同比在上升，主营业务收入同比也在上升。那大概率是「主动补库存」阶段。这时候股市通常表现不错，可以适当加仓周期股。

反过来，如果存货同比在上升，但收入同比在下降，那就是「被动补库存」阶段。这时候要小心了，大盘可能随时见顶。

2.3 周期定位的量化模型（代码示例）

光看图表还不够，我更喜欢用量化模型来辅助判断。下面是一个简单的Python示例，用移动平均线来识别周期拐点。

import pandas as pd
import numpy as np

# 假设df包含两列：'inventory'（产成品存货同比），'revenue'（主营业务收入同比）
def identify_cycle_phase(df):
    # 计算12个月移动平均，平滑噪音
    df['inv_ma'] = df['inventory'].rolling(12).mean()
    df['rev_ma'] = df['revenue'].rolling(12).mean()
    
    # 判断方向
    df['inv_direction'] = np.where(df['inv_ma'] > df['inv_ma'].shift(1), 'up', 'down')
    df['rev_direction'] = np.where(df['rev_ma'] > df['rev_ma'].shift(1), 'up', 'down')
    
    # 定位阶段
    conditions = [
        (df['inv_direction'] == 'down') & (df['rev_direction'] == 'up'),   # 被动去库存
        (df['inv_direction'] == 'up') & (df['rev_direction'] == 'up'),     # 主动补库存
        (df['inv_direction'] == 'up') & (df['rev_direction'] == 'down'),   # 被动补库存
        (df['inv_direction'] == 'down') & (df['rev_direction'] == 'down')  # 主动去库存
    ]
    choices = ['被动去库存', '主动补库存', '被动补库存', '主动去库存']
    df['phase'] = np.select(conditions, choices, default='未知')
    
    return df

# 使用示例
# result = identify_cycle_phase(your_data)
# print(result[['date', 'phase']].tail(12))

这个模型很简单，但很实用。我自己的实盘组合里，会根据这个模型输出的阶段，动态调整仓位。比如在「主动补库存」阶段，我会把股票仓位加到80%以上；在「主动去库存」阶段，降到30%以下。

2.4 知识体系框架图

下面这张图是我自己画的，把三个周期的关系、关键指标、以及如何定位当前阶段，都串在了一起。你可以把它当成一张「作战地图」。

这张图的核心逻辑是：从三个周期中提取关键指标，然后通过「方向-强弱-阶段-仓位」的四步流程，把宏观数据转化为可执行的交易决策。

嗯，最后说一句。我刚开始研究周期的时候，也觉得这东西太复杂，不如看K线来得直接。但后来发现，K线是「果」，周期是「因」。你如果只盯着果，永远慢人一步。把周期搞懂了，至少能让你在别人恐慌的时候，多一份从容。