核心觀點

降息歷來受市場高度關注。但長期以來，預測降息一直是宏觀研究的“老大難”問題。在本篇報告中，我們探討構建降息的“拇指法則”（ruleofthumb）：一個較客觀、可量化、易理解的降息預測框架。

降息量化框架的難點，可能來自以下兩種思維定勢：

(資料圖)

一是“唯結果論”。結果導向、缺乏理論基礎的“黑箱模型”，可能導致“過度擬合”：對已發生結果解釋很好，但外延能力偏弱。

二是“過于具象”。在大數據模型成為趨勢的今天，建模時容易陷入變量越多、算法越復雜越好的思維定勢。然而，過于精細的“具象”模型可能導致其“抽象”能力不足。

據此，我們提出兩點原則：一是思路上，遵循自上而下原則，從央行最根本的思維邏輯出發選取指標和算法，避免因果倒置。二是算法上，參考“集合學習”的精神。簡單地說，“集合學習”回答了“一個諸葛亮和三個臭皮匠誰更厲害”的問題。與傳統單一高精度模型不同，“集合學習”更強調集體的力量：精準度源自簡單模型的多維度“集合決策”。

為驗證上述思路的有效性，我們從央行“四大目標”（幣值穩定、經濟增長、內外平衡、金融穩定）出發，構建了一個由8個子模型構成的8因子模型。

即便未對模型做大幅逆向優化，其表現已經超出預期。在回溯期內：

單次預警（提示后2個月內有降息）命中率60%；連續兩次提示（提示后1個月內有降息）75%；連續三次提示（提示后當月有降息）100%。

此外，無預警降息（降息當月及此前2個月無提示）未出現。換言之，若模型未作提示，則未來3個月降息概率較低。

7月模型構建完成后，做出了降息預警。按過往經驗，8、9月份降息概率上升至60%。8月15日降息超預期落地，驗證了模型的判斷，也將單次預警的精準度提升至62.5%。

總體而言，模型表現基本達到預想目標。其力量來自于“橫向”與“縱向”的雙重加強。“橫向”指的是前述“集合學習”中多個子模型并行決策；“縱向”指模型的預警具有明顯的累積效應，即連續預警后，盡管觀察窗口未改變，但命中率明顯提升。

更為重要的是，模型驗證了開篇提出的策略的有效性，進而構建了一個較客觀、可量化、易理解的降息分析框架。在這個思路下，模型仍有巨大的優化和拓展（如運用至降準判斷）潛力，值得進一步探索。

風險提示：央行操作框架調整；模型外變量主導。