第二章：宏观数据全景图——GDP、CPI、PMI、社融、M2、工业增加值等核心指标解读
做宏观择时，说白了就是跟一堆数字打交道。但数字本身不会说话，你得知道它们背后在嘀咕什么。
我刚开始做量化那会儿，看到统计局发数据就头疼——这么多指标，哪个才是真正影响市场的？后来踩过几次坑才明白：宏观数据不是用来预测的，是用来验证逻辑的。
这一章，咱们把最核心的几个指标掰开揉碎。不搞教科书式的定义，就聊聊实战中怎么用。
2.1 GDP：经济的体温计，但不是实时温度
GDP是季度数据，频率太低。你用它做择时，黄花菜都凉了。
但我个人习惯，每个季度GDP公布后，一定会做两件事：
- 看名义GDP vs 实际GDP的差值——差值扩大，说明通胀在吞噬增长
- 看GDP平减指数——这玩意儿比CPI更能反映整体物价水平
举个例子：2023年Q3中国GDP增速5.2%，预期4.9%。这个0.3%的偏差，当天直接拉动了A股金融板块上涨1.8%。
2.2 CPI & PPI：通胀的双面镜
CPI是老百姓的感受，PPI是工厂的感受。两者背离的时候，往往意味着利润在产业链上重新分配。
我记得2021年那会儿，PPI飙到13.5%，CPI才1%出头。这种剪刀差，中下游企业利润被压得死死的。我当时在策略里直接减仓了制造业，转向上游资源股——效果还不错。
具体怎么用？我总结了三步：
- 看趋势：CPI同比连续3个月上行，央行大概率收紧
- 看结构：食品CPI vs 非食品CPI——食品涨是供给问题，非食品涨才是需求问题
- 看PPI向CPI的传导：PPI涨了6个月以上CPI还没动，说明需求不行，别碰消费股
2.3 PMI：经济的先行指标，我最依赖的择时工具
PMI是月度数据，每月最后一天公布。它最大的价值在于前瞻性——调查的是采购经理对未来的判断，不是已经发生的事。
我个人习惯，每个月PMI数据出来，先看三个数：
- 制造业PMI：50以上扩张，50以下收缩
- 新订单指数：比PMI本身更重要，领先1-2个月
- 原材料库存 vs 产成品库存：两者差值反映企业补库意愿
这里有个小技巧：PMI连续3个月在50以下，基本可以确认经济进入收缩期。这时候股票仓位要降到3成以下。反过来，PMI从底部连续2个月回升，就是加仓信号。
我做过一个回测：2010-2023年，用PMI的3个月移动平均线做择时，年化超额收益大概在4-6%之间。当然，这是纯统计结果，实战中还要结合其他指标。
2.4 社融 & M2：流动性的总开关
社融是实体经济拿到的钱，M2是银行体系创造的钱。两者一起看，能判断钱到底流没流到实体。
我一般关注这几个维度：
| 指标 | 含义 | 择时信号 |
|---|---|---|
| 社融存量同比 | 实体融资需求 | 连续3个月回升 → 经济企稳信号 |
| M2同比 | 货币供给 | M2-社融差值扩大 → 资金淤积在金融体系 |
| 社融-M2剪刀差 | 资金供需缺口 | 剪刀差收窄 → 利率上行压力 |
嗯，这里要注意：社融数据经常有季节性扰动。1月份因为银行冲开门红，数据通常偏高。我习惯用同比增速的3个月移动平均来平滑。
举个例子：2022年4月社融同比10.2%，但去掉政府债券后只有8.7%。这说明企业融资需求其实很弱，全靠政府债撑着。我当时判断市场还会跌，果然5月份又跌了一波。
2.5 工业增加值：经济的硬核指标
工业增加值反映的是制造业的实际产出。它跟GDP高度相关，但频率更高（月度），更适合做高频择时。
我一般用它来验证PMI的信号——如果PMI说扩张，但工业增加值连续下滑，那PMI可能是个假信号。
具体操作上：
- 看环比：同比受基数影响太大，环比更能反映边际变化
- 看行业分项：高技术制造业 vs 传统制造业——前者增速快，说明经济结构在优化
- 看产销率：工业增加值高但产销率低，说明产品卖不出去，库存积压
2.6 知识体系全景图
下面这张图，是我自己梳理的宏观数据框架。每次做择时决策前，我都会过一遍这个逻辑链：
这张图的核心逻辑是：从原始数据到衍生指标，再到周期定位，最后落到资产配置。每一步都需要交叉验证，不能单看一个指标就下结论。
2.7 实战中的数据处理流程
最后，分享一个我每天都在用的数据处理流程。代码不复杂，但很实用：
# 伪代码：宏观数据信号合成
def macro_signal(data):
# 1. 标准化处理
pmi_z = (data['PMI'] - 50) / 5 # 以50为基准
cpi_z = (data['CPI'] - 2) / 1 # 以2%为基准
m2_z = (data['M2'] - 8) / 2 # 以8%为基准
# 2. 合成综合得分
score = 0.4 * pmi_z + 0.3 * (-cpi_z) + 0.3 * m2_z
# 3. 信号映射
if score > 1.5:
return '超配股票'
elif score > 0.5:
return '标配股票'
elif score > -0.5:
return '均衡配置'
else:
return '超配债券/现金'
当然，这个权重是我根据历史回测调的。你可以根据自己的策略调整。记住一点：没有完美的模型，只有不断迭代的框架。
公众号:蓝海资料掘金营，微信deep3321