亲爱的朋友们大家好，考虑到前期量化小课堂分析文章大多聚焦于公司个股层面的特征性研究，缺少对行业选择的研究，种庄稼都得看行情，分析个股亦该分析行业。因此，接下来这篇文章将给大家换换口味，从宏观角度对行业基本面进行分析。本篇为基本面量化研究系列文章之一，主要逻辑点是从宏观基本面数据出发，找出对行业具有指标性特征的变量，进而对所关心行业的核心变量进行分析预测，为今后深入研究行业轮动与择时打下基础。
嘿嘿，近期走势最亮眼的莫过于周期钢铁了，因此我们将钢铁行业作为分析标的，钢铁行业作为典型的周期行业，整个行业与经济周期的变动密切相关，同时上下游产业链的走势也影响着钢铁行业的变动，这也决定了钢铁行业的三个属性特征：
1.投资相关性
受到投资拉动作用大，需求受基建、房地产、机械、造船行业等影响
2.周期性
与宏观经济和固定资产投资增速相关
3.区域性
经营环境的差异以及作用方式的不同，导致了钢铁行业区域化特征明显。
钢铁市场同时受到国内外需求、生产供给、市场博弈等多重因素影响，但核心来看，供需两端的压力变化主导了钢材价格的变动，本篇分析截取一角，主要分析钢铁行业需求的变动，从影响钢铁需求的因素分析，进而构建钢铁行业景气度的预测指标。
具体来说，钢铁需求主要有两个来源，投资需求与消费需求：
投资需求： 主要来自房地产与固定资产投资等
消费需求： 主要来自汽车、机械等
分析钢铁需求，我们就得找一个指标来衡量钢铁需求量。在这里，我们以钢材表观消费量作为钢铁需求的代理变量，将钢材表观消费量与需求影响变量进行不同滞后阶的回归分析，通过比较不同滞后阶回归结果的优劣，我们就能得出表观消费量与其影响指标的领先滞后关系。
需求影响变量取：
房屋新开工面积、商品房销售面积、房屋竣工面积、固定资产投资完成额、基础设施建设投资完成额、房地产投资完成额、汽车产量、M2同比增速。
上图中，左图为商品房销售面积TTM环比对不同滞后领先期的钢材表观消费量TTM环比做回归得到的系数表，右图为两者数据的时序作图。
左图中，领先期为1，表示商品房销售面积领先1个月的数值与钢材消费量做回归（也就是t-1月的商品房销售面积与t月钢材消费量回归），领先期为-1，表示商品房销售面积滞后1个月的数值与钢材消费量做回归（即t月的商品房销售面积与t-1月钢材消费量做回归，也可以表示为钢材消费量领先商品房销售面积1个月）。
通过比较不同期的R方的大小，判断两者最恰当的领先滞后关系。如上表，在领先期为1、2时回归方程R方达到最大，也就表示商品房销售面积领先钢材消费量1-2个月。
可以看出，房屋新开工面积并不是钢材表观消费量的领先指标，更确切的说滞后于钢材表观消费量。可能原因为地产商新开工并不是
一个主动的行为，而且根据经济景气度来定的。 当经济景气度提升，钢铁需求敏感，优先开始提升，而地产商更倾向于当看到经济起来之后才会加大新开工面积。
从回归的R方我们可以看出，在不同的滞后期，房屋竣工面积对钢材表观消费量的解释能力都不强。从直观逻辑上来讲，房屋竣工面积是事后状态的统计，跟钢材消费量并没有很强的直观逻辑。因此，房屋竣工面积并不是预测钢材消费量的恰当指标。
可见，固定投资完成额与钢材表观消费量指标基本同步，因此固定资产投资完成额也不是预测钢材消费量的恰当指标
检验发现，基础设施建设投资对于钢材表观消费量有较好的领先性，领先期为3-5个月。
房地产投资对钢材消费是一个很关键的变量，普遍认为钢材消费量受到房地产投资影响较大，但检验发现，房地产投资完成额并不是钢材消费量的领先指标，其表现滞后于钢材消费量，因此房地产投资完成额也不是预测钢材消费量的恰当指标，其原因与房屋新开工面积滞后的理由一致。
汽车是钢铁下游的一个重要机械产业，可以看出，汽车产量同钢材表观消费量表现出较强的同步性特征，回归R方在领先期为零时达到最大值，但并没有明显的领先滞后关系。
M2同比增速是反应央行货币供给量的指标，在一定程度上衡量市场流动性的松紧。货币政策的变化可以对经济基本面产生指导性作用，但整个传导需要一个过程，因此传导至钢铁行业基本面具有时滞性。检验发现其为钢材表观消费量的一个较好的领先指标，领先期为1-2个月。
通过上面的分析我们可以得出：
1.新开工房面积、房地产投资完成额都是钢材表观消费量的滞后指标
2.固定资产投资完成额、汽车产量与钢材表观消费量基本同步
3.商品房销售面积，基础设施建设投资、M2为钢材表观消费量的领先指标，领先期分别为1~2个月，3~5个月，1~2个月
要想对钢材需求进行预测，得是用在当期可以获得的数据，来预测未来一段时间的钢材需求。因此，滞后与同步的指标不能选，得选取上述领先指标。通过将三个领先指标与表观消费量进行回归分析，我们可以往前预测两个月的钢材表观消费量TTM环比与钢铁行业营业收入TTM环比（这里的营业收入是指大中型钢铁企业营业收入）
我们拿前一年的滚动样本作回归来衡量系数，以此预测后两个月的钢材表观消费量TTM环比与钢铁行业营业收入TTM环比
例如：
当前为2017年5月，则样本数据为2016年5月至2017年5月，预测值为2017年7月数据。
钢材表观消费量TTM环比预测结果如下：
钢材表观消费量TTM环比T=β1?商品房销售面积TTM环比T?2 β2?基础设施建设投资TTM环比T?4 β3?M2同比T?2 ε钢材表观消费量TTM环比T=β1?商品房销售面积TTM环比T?2β2?基础设施建设投资TTM环比T?4β3?M2同比T?2ε
钢材表观消费量\text{TTM}环比T = \beta_1\cdot 商品房销售面积\text{TTM}环比{T-2} \beta2\cdot 基础设施建设投资\text{TTM}环比{T-4} \beta3\cdot \text{M2}同比{T-2} \varepsilon钢铁行业营业收入TTM环比预测结果如下：
钢铁行业营业收入TTM环比T=β1?商品房销售面积TTM环比T?2 β2?基础设施建设投资TTM环比T?4 β3?M2同比T?2 β4?钢铁价格综合指数T?2 β5?钢铁价格综合指数T?14 ε钢铁行业营业收入TTM环比T=β1?商品房销售面积TTM环比T?2β2?基础设施建设投资TTM环比T?4β3?M2同比T?2β4?钢铁价格综合指数T?2β5?钢铁价格综合指数T?14ε
\begin{align}通过上述模型，我们可以较为有效的预测：
1.钢材表观消费量TTM环比增速（预测期为往后2个月）
2.钢铁行业营业收入TTM环比增速（预测期为往后2个月)
本篇为行业量化基本面的基础性分析，提供基本面量化分析的一种框架，可以将其作为投资股票时行业选择一种思路。对于基于基本面量化的策略性研究，后续我们将继续更新。
注：以上使用数据均来自wind数据库，如需要可以通过链接下载
参考文章：中信建投基本面量化系列研究之八：周期行业基本面量化之钢铁篇
本文由JoinQuant量化课堂推出，版权归JoinQuant所有，商业转载请联系我们获得授权，非商业转载请注明出处。
import pandas as pdimport numpy as npfrom jqdata import gtaimport matplotlib.pyplot as pltimport datetime import statsmodels.api as sm
（包括钢材表观消费量、M2、房屋新开工面积、房屋竣工面积、固定资产投资完成额、商品房销售面积、基础设施建设投资、房地产开发投资完成额、钢铁产量等的月度数据）
steel_fd_data = pd.read_excel('钢铁基本面数据.xls',index_col=0)###由于数据是wind直接下来的，所以不太干净，先预处理一下、去掉一些注释行steel_fd_data = steel_fd_data[1:-2]##数据钢材表观消费量为主，截断此数据开始之前的日期，此数据从2004年1月开始steel_fd_data = steel_fd_data[steel_fd_data.index>=datetime.datetime(2004,1,1)]因为有些数据是当年累计值（比如房屋新开工面积），为了方便之后做TTM环比比较，先将其处理为当月数据
由于一月份大多属于过年春节期间，因此不少数据在一月份为缺失值
need_adjust_columns = ['房屋新开工面积:累计值','房屋竣工面积:累计值','商品房销售面积:累计值','固定资产投资完成额:累计值', '固定资产投资完成额:基础设施建设投资:累计值','房地产开发投资完成额:累计值']steel_fd_data['month'] = steel_fd_data.index.map(lambda x:x.month)#这些列都是一月份缺失数据的for column in need_adjust_columns:if column != '固定资产投资完成额:基础设施建设投资:累计值':steel_fd_data[column.split(':')[0]] = steel_fd_data[column] - steel_fd_data[column].shift(1)steel_fd_data.ix[steel_fd_data['month']<=2,column.split(':')[0]] = steel_fd_data[steel_fd_data['month']<=2][column]else:steel_fd_data[column.split(':')[1]] = steel_fd_data[column] - steel_fd_data[column].shift(1)steel_fd_data.ix[steel_fd_data['month']<=2,column.split(':')[0]] = steel_fd_data[steel_fd_data['month']<=2][column]###钢铁行业收入一月份没有缺失column_ = '钢铁行业:大中型企业:销售收入:累计值'steel_fd_data['钢铁行业销售收入'] = steel_fd_data[column_] - steel_fd_data[column_].shift(1)steel_fd_data.ix[steel_fd_data['month'] == 1,'钢铁行业销售收入'] = steel_fd_data[steel_fd_data['month']==1][column_]#取出接下来需要用的主要数据data_columns_list = steel_fd_data.columns.tolist()clean_data = steel_fd_data[data_columns_list[:2]+data_columns_list[-7:]+['产量:汽车:当月值']]#去除第一行clean_data = clean_data[1:]clean_data.fillna(0,inplace=True)TTM_columns = ['表观消费量:钢材:当月值','房屋新开工面积','房屋竣工面积','固定资产投资完成额','基础设施建设投资',\ '商品房销售面积','房地产开发投资完成额','钢铁行业销售收入','产量:汽车:当月值']for column in TTM_columns:clean_data[column+'TTM'] = pd.rolling_sum(clean_data[column],12)clean_data[column+'TTM_环比'] = clean_data[column+'TTM']/clean_data[column+'TTM'].shift(1)-1
这里要对钢材表观消费量数据做一下调整：原因是其数据的不规整性：
其数据在15年及之前在1、2月份都是有的，但是16年之后1、2月份都缺失，如果这时候直接TTM环比的话，16年年初的时候将会有一个大幅的下降， 但这其实是由数据的不规整带来的。因此，在这里将16、17年1、2月的TTM环比数据都改为0
同样，汽车产量从14年之后1、2月的TTM环比数据都改为0
截取整段数据从2006年开始
clean_data['year'] = clean_data.index.map(lambda x:x.year)clean_data['month'] = clean_data.index.map(lambda x:x.month)clean_data.ix[(clean_data['year'].isin([2016,2017]))&(clean_data['month'].isin([1,2])),'表观消费量:钢材:当月值TTM_环比'] = 0clean_data.ix[(clean_data['year'].isin([2014,2015,2016,2017]))&(clean_data['month'].isin([1,2])),'产量:汽车:当月值TTM_环比'] = 0clean_data = clean_data[clean_data['year']>=2006]clean_data.ix[(clean_data['year'] == 2006)&(clean_data['month']==8),'商品房销售面积TTM_环比'] = 0
/opt/conda/lib/python3.4/site-packages/pandas/core/indexing.py:415: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame. Try using .loc[row_indexer,col_indexer] = value instead See the the c*eats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy self.obj[item] = s
use_columns = [i+'TTM_环比' for i in TTM_columns]+['M2:同比']use_data = clean_data[use_columns]use_data.dropna(inplace=True)###由于列名太长，这里做一个简写,但其值是表示的为TTM_环比值(但M2为同比值)use_data.columns = ['钢材消费量TTM环比','新开工房TTM环比','竣工房TTM环比','固投TTM环比',\'基建TTM环比','房销售面积TTM环比','房地产投资TTM环比','钢铁行业收入TTM环比','汽车产量TTM环比','M2']
/opt/conda/lib/python3.4/site-packages/ipykernel/__main__.py:3: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame See the the c*eats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy app.launch_new_instance()
def plot_line_chart(x_axis,y1_axis,y2_axis,label1,label2):Fig = plt.figure(figsize(10,8))Ax = Fig.add_subplot(111)lines = Ax.plot(x_axis,y1_axis,'r-',x_axis,y2_axis,'b-')lines[0].set_label(label1)lines[1].set_label(label2)Ax.legend(loc = 0)def plot_line_chart_double_yaxis(x_axis,y1_axis,y2_axis,label1,label2):Fig = plt.figure(figsize(10,8))Ax = Fig.add_subplot(111)Ax.plot(x_axis,y1_axis,'r-')Ax.set_ylabel(label1)Ax_ = Ax.twinx()Ax_.plot(x_axis,y2_axis,'b-')Ax_.set_ylabel(label2)def calculate_lag(data,column1,column2):regre_results=[]for i in range(-5,6):reg_data = pd.concat([data[column1].shift(i),data[column2]],axis =1)reg_data.dropna(inplace=True)y=reg_data[column1]x=reg_data[column2]x=sm.add_constant(x) est=sm.OLS(y,x)results=est.fit()r2 = results.rsquared coef = results.params[1]p = results.pvalues[1]corr = reg_data[column1].corr(reg_data[column2])regre_results.append([i,corr,coef,p,r2])regre_df = pd.DataFrame(regre_results,columns=['领先期','相关系数','回归系数','P值','R方'])return regre_df
plot_line_chart(use_data.index,use_data['钢材消费量TTM环比'],use_data['新开工房TTM环比'],'钢材表观消费量:TTM环比','房屋新开工面积:TTM环比')chart_xkg_gxf = calculate_lag(use_data,'新开工房TTM环比','钢材消费量TTM环比') chart_xkg_gxf
| 领先期 | 相关系数 | 回归系数 | P值 | R方 | |
|---|---|---|---|---|---|
| 0 | -5 | 0.494652 | 1.210657 | 8.057526e-10 | 0.244680 |
| 1 | -4 | 0.511898 | 1.250358 | 1.389922e-10 | 0.262039 |
| 2 | -3 | 0.493004 | 1.204668 | 7.025351e-10 | 0.243053 |
| 3 | -2 | 0.500122 | 1.220213 | 3.145176e-10 | 0.250122 |
| 4 | -1 | 0.514065 | 1.256256 | 7.041873e-11 | 0.264262 |
| 5 | 0 | 0.470194 | 1.142141 | 3.548642e-09 | 0.221082 |
| 6 | 1 | 0.393328 | 0.957595 | 1.401036e-06 | 0.154707 |
| 7 | 2 | 0.343459 | 0.838657 | 3.259667e-05 | 0.117964 |
| 8 | 3 | 0.188918 | 0.463060 | 2.592787e-02 | 0.035690 |
| 9 | 4 | 0.140227 | 0.345719 | 1.009161e-01 | 0.019664 |
| 10 | 5 | 0.108444 | 0.268907 | 2.071656e-01 | 0.011760 |
plot_line_chart(use_data.index,use_data['新开工房TTM环比'],use_data['房销售面积TTM环比'],'房屋新开工面积:TTM环比','商品房销售面积:TTM环比')chart_xkg_fxs = calculate_lag(use_data,'新开工房TTM环比','房销售面积TTM环比') chart_xkg_fxs
| 领先期 | 相关系数 | 回归系数 | P值 | R方 | |
|---|---|---|---|---|---|
| 0 | -5 | 0.439651 | 0.523825 | 7.653033e-08 | 0.193293 |
| 1 | -4 | 0.430737 | 0.512420 | 1.338582e-07 | 0.185534 |
| 2 | -3 | 0.420003 | 0.499698 | 2.645205e-07 | 0.176403 |
| 3 | -2 | 0.309651 | 0.368403 | 1.969272e-04 | 0.095884 |
| 4 | -1 | 0.253768 | 0.303059 | 2.394450e-03 | 0.064398 |
| 5 | 0 | 0.369778 | 0.440596 | 5.924863e-06 | 0.136736 |
| 6 | 1 | 0.147222 | 0.175434 | 8.149016e-02 | 0.021674 |
| 7 | 2 | 0.070530 | 0.085811 | 4.076314e-01 | 0.004974 |
| 8 | 3 | 0.058054 | 0.070915 | 4.972431e-01 | 0.003370 |
| 9 | 4 | -0.070280 | -0.086537 | 4.127221e-01 | 0.004939 |
| 10 | 5 | -0.101976 | -0.126894 | 2.357181e-01 | 0.010399 |
plot_line_chart_double_yaxis(use_data.index,use_data['房销售面积TTM环比'],use_data['钢材消费量TTM环比'],'商品房销售面积:TTM环比','钢材消费量:TTM环比')chart_fxs_gxf = calculate_lag(use_data,'房销售面积TTM环比','钢材消费量TTM环比') chart_fxs_gxf
| 领先期 | 相关系数 | 回归系数 | P值 | R方 | |
|---|---|---|---|---|---|
| 0 | -5 | 0.036177 | 0.071470 | 6.747085e-01 | 0.001309 |
| 1 | -4 | 0.156861 | 0.312623 | 6.616168e-02 | 0.024605 |
| 2 | -3 | 0.273446 | 0.549670 | 1.125678e-03 | 0.074773 |
| 3 | -2 | 0.374056 | 0.753450 | 5.298867e-06 | 0.139918 |
| 4 | -1 | 0.514016 | 1.053551 | 7.075580e-11 | 0.264213 |
| 5 | 0 | 0.600553 | 1.224321 | 2.788067e-15 | 0.360664 |
| 6 | 1 | 0.631484 | 1.288070 | 4.655938e-17 | 0.398772 |
| 7 | 2 | 0.610734 | 1.247909 | 1.127121e-15 | 0.372995 |
| 8 | 3 | 0.573210 | 1.175172 | 1.651489e-13 | 0.328570 |
| 9 | 4 | 0.496066 | 1.023276 | 6.133997e-10 | 0.246081 |
| 10 | 5 | 0.440559 | 0.912868 | 7.143625e-08 | 0.194092 |
plot_line_chart_double_yaxis(use_data.index,use_data['竣工房TTM环比'],use_data['钢材消费量TTM环比'],'房屋竣工面积:TTM环比','钢材消费量:TTM环比')chart_jgf_gxf = calculate_lag(use_data,'竣工房TTM环比','钢材消费量TTM环比') chart_jgf_gxf
| 领先期 | 相关系数 | 回归系数 | P值 | R方 | |
|---|---|---|---|---|---|
| 0 | -5 | 0.039678 | 0.064767 | 0.645266 | 0.001574 |
| 1 | -4 | -0.019928 | -0.032464 | 0.816546 | 0.000397 |
| 2 | -3 | -0.007979 | -0.012993 | 0.925729 | 0.000064 |
| 3 | -2 | -0.038046 | -0.061846 | 0.655386 | 0.001447 |
| 4 | -1 | 0.008400 | 0.013662 | 0.921246 | 0.000071 |
| 5 | 0 | 0.104532 | 0.168999 | 0.215708 | 0.010927 |
| 6 | 1 | 0.079987 | 0.129620 | 0.345758 | 0.006398 |
| 7 | 2 | 0.164041 | 0.265412 | 0.052782 | 0.026910 |
| 8 | 3 | 0.145610 | 0.236506 | 0.087202 | 0.021202 |
| 9 | 4 | 0.173375 | 0.282578 | 0.041992 | 0.030059 |
| 10 | 5 | 0.174423 | 0.285966 | 0.041499 | 0.030423 |
plot_line_chart(use_data.index,use_data['固投TTM环比'],use_data['钢材消费量TTM环比'],'固定投资完成额:TTM环比','钢材消费量:TTM环比')chart_gt_gxf = calculate_lag(use_data,'固投TTM环比','钢材消费量TTM环比') chart_gt_gxf
| 领先期 | 相关系数 | 回归系数 | P值 | R方 | |
|---|---|---|---|---|---|
| 0 | -5 | 0.244045 | 0.274462 | 0.004055 | 0.059558 |
| 1 | -4 | 0.261286 | 0.293987 | 0.001965 | 0.068270 |
| 2 | -3 | 0.314153 | 0.353506 | 0.000166 | 0.098692 |
| 3 | -2 | 0.347938 | 0.391230 | 0.000025 | 0.121061 |
| 4 | -1 | 0.361147 | 0.406961 | 0.000011 | 0.130427 |
| 5 | 0 | 0.384918 | 0.435056 | 0.000002 | 0.148162 |
| 6 | 1 | 0.369019 | 0.415936 | 0.000007 | 0.136175 |
| 7 | 2 | 0.338102 | 0.381084 | 0.000044 | 0.114313 |
| 8 | 3 | 0.320925 | 0.361044 | 0.000117 | 0.102993 |
| 9 | 4 | 0.301903 | 0.340731 | 0.000320 | 0.091145 |
| 10 | 5 | 0.311078 | 0.352965 | 0.000216 | 0.096770 |
plot_line_chart(use_data.index,use_data['基建TTM环比'],use_data['钢材消费量TTM环比'],'基础设施建设投资:TTM环比','钢材消费量:TTM环比')chart_gt_gxf = calculate_lag(use_data,'基建TTM环比','钢材消费量TTM环比') chart_gt_gxf
| 领先期 | 相关系数 | 回归系数 | P值 | R方 | |
|---|---|---|---|---|---|
| 0 | -5 | -0.008419 | -0.011117 | 0.922218 | 0.000071 |
| 1 | -4 | 0.043222 | 0.057071 | 0.614712 | 0.001868 |
| 2 | -3 | 0.088951 | 0.117406 | 0.297732 | 0.007912 |
| 3 | -2 | 0.133310 | 0.175617 | 0.116363 | 0.017772 |
| 4 | -1 | 0.180527 | 0.238504 | 0.032179 | 0.032590 |
| 5 | 0 | 0.248761 | 0.328629 | 0.002834 | 0.061882 |
| 6 | 1 | 0.292400 | 0.387371 | 0.000434 | 0.085498 |
| 7 | 2 | 0.288777 | 0.383791 | 0.000540 | 0.083392 |
| 8 | 3 | 0.292671 | 0.390291 | 0.000472 | 0.085657 |
| 9 | 4 | 0.298607 | 0.400987 | 0.000374 | 0.089166 |
| 10 | 5 | 0.316240 | 0.426768 | 0.000167 | 0.100007 |
plot_line_chart(use_data.index,use_data['房地产投资TTM环比'],use_data['钢材消费量TTM环比'],'房地产投资完成额:TTM环比','钢材消费量:TTM环比')chart_gt_gxf = calculate_lag(use_data,'房地产投资TTM环比','钢材消费量TTM环比') chart_gt_gxf
| 领先期 | 相关系数 | 回归系数 | P值 | R方 | |
|---|---|---|---|---|---|
| 0 | -5 | 0.521876 | 0.627477 | 6.164546e-11 | 0.272354 |
| 1 | -4 | 0.486885 | 0.584353 | 1.402242e-09 | 0.237057 |
| 2 | -3 | 0.488694 | 0.586285 | 1.037837e-09 | 0.238821 |
| 3 | -2 | 0.484789 | 0.580433 | 1.282120e-09 | 0.235020 |
| 4 | -1 | 0.477737 | 0.569918 | 2.093674e-09 | 0.228233 |
| 5 | 0 | 0.455423 | 0.543601 | 1.236175e-08 | 0.207410 |
| 6 | 1 | 0.395263 | 0.471935 | 1.230126e-06 | 0.156233 |
| 7 | 2 | 0.330166 | 0.395118 | 6.780456e-05 | 0.109010 |
| 8 | 3 | 0.227008 | 0.272194 | 7.201134e-03 | 0.051533 |
| 9 | 4 | 0.170021 | 0.204532 | 4.618849e-02 | 0.028907 |
| 10 | 5 | 0.121208 | 0.146595 | 1.582706e-01 | 0.014691 |
plot_line_chart_double_yaxis(use_data.index,use_data['汽车产量TTM环比'],use_data['钢材消费量TTM环比'],'汽车产量:TTM环比','钢材消费量:TTM环比')chart_gt_gxf = calculate_lag(use_data,'汽车产量TTM环比','钢材消费量TTM环比') chart_gt_gxf
| 领先期 | 相关系数 | 回归系数 | P值 | R方 | |
|---|---|---|---|---|---|
| 0 | -5 | 0.427195 | 0.748433 | 1.928531e-07 | 0.182495 |
| 1 | -4 | 0.525598 | 0.920078 | 3.611841e-11 | 0.276253 |
| 2 | -3 | 0.634736 | 1.111433 | 4.846082e-17 | 0.402890 |
| 3 | -2 | 0.724027 | 1.272897 | 5.128554e-24 | 0.524216 |
| 4 | -1 | 0.736949 | 1.303056 | 2.077786e-25 | 0.543094 |
| 5 | 0 | 0.785624 | 1.382278 | 5.478489e-31 | 0.617205 |
| 6 | 1 | 0.690908 | 1.219318 | 2.525497e-21 | 0.477354 |
| 7 | 2 | 0.648352 | 1.147791 | 4.710913e-18 | 0.420361 |
| 8 | 3 | 0.545613 | 0.968759 | 3.766158e-12 | 0.297693 |
| 9 | 4 | 0.461471 | 0.824318 | 1.222477e-08 | 0.212955 |
| 10 | 5 | 0.346763 | 0.622978 | 3.308526e-05 | 0.120245 |
plot_line_chart_double_yaxis(use_data.index,use_data['M2'],use_data['钢材消费量TTM环比'],'M2','钢材消费量:TTM环比')chart_gt_gxf = calculate_lag(use_data,'M2','钢材消费量TTM环比') chart_gt_gxf
| 领先期 | 相关系数 | 回归系数 | P值 | R方 | |
|---|---|---|---|---|---|
| 0 | -5 | 0.439704 | 246.609769 | 7.622284e-08 | 0.193339 |
| 1 | -4 | 0.531815 | 298.147224 | 1.920301e-11 | 0.282828 |
| 2 | -3 | 0.606799 | 340.547427 | 2.420984e-15 | 0.368205 |
| 3 | -2 | 0.674200 | 378.166519 | 6.840686e-20 | 0.454546 |
| 4 | -1 | 0.728889 | 407.935127 | 1.238320e-24 | 0.531279 |
| 5 | 0 | 0.761632 | 424.306728 | 3.678241e-28 | 0.580083 |
| 6 | 1 | 0.770310 | 426.816460 | 6.021124e-29 | 0.593378 |
| 7 | 2 | 0.769847 | 424.547981 | 1.069960e-28 | 0.592665 |
| 8 | 3 | 0.749096 | 411.007586 | 2.849955e-26 | 0.561145 |
| 9 | 4 | 0.720866 | 394.912805 | 2.087951e-23 | 0.519648 |
| 10 | 5 | 0.669588 | 366.094684 | 3.704375e-19 | 0.448349 |
经过前面的一番检验：
1.新开工房面积、房地产投资完成额都是钢材表观消费量的滞后指标
2.固定资产投资完成额、汽车产量与钢材表观消费量基本同步
3.商品房销售面积，基础设施建设投资、M2为钢材表观消费量的领先指标，领先期分别为1~2个月，3~5个月，1~2个月
因此，对于钢铁表观消费量的预测，可以使用商品房销售面积、基础设施建设投资、M2为使用变量
###以前一年数据作为样本进行滚动回归，得到回归系数，以此系数预测下一个月钢材表观消费量TTM环比增速###商品房销售面积、基础设施建设投资、M2的领先期分别选为2个月、4个月、2个月testdata = use_data[['钢材消费量TTM环比','房销售面积TTM环比','基建TTM环比','M2']]
def predict_TTM_growth(testdata,y_var,x_var,x_lag,regre_period = 12):x_var_lag = []for x,lag in zip(x_var,x_lag):testdata[x+'_lag'+str(lag)] = testdata[x].shift(lag)x_var_lag.append(x+'_lag'+str(lag))use_testdata = testdata[[y_var] + x_var_lag]use_testdata.dropna(inplace=True) use_testdata[y_var+'_预测'] = np.NaNcorr_chart = use_testdata[x_var_lag].corr()print (corr_chart)for i in range(regre_period,len(use_testdata)):train_data = use_testdata[i-regre_period:i]y = train_data[y_var]x = train_data[x_var_lag]x = sm.add_constant(x)est = sm.OLS(y,x)results = est.fit()predict_data = use_testdata[i:i+1]predict_x = predict_data[x_var_lag]predict_x = sm.add_constant(predict_x)use_testdata.iloc[i,-1] = results.predict(predict_x)return use_testdata
predict_data = predict_TTM_growth(testdata,'钢材消费量TTM环比',['房销售面积TTM环比','基建TTM环比','M2'],[2,4,2])plot_line_chart(predict_data.index,predict_data['钢材消费量TTM环比'],predict_data['钢材消费量TTM环比_预测'],'钢材消费量TTM环比','钢材消费量TTM环比预测')
/opt/conda/lib/python3.4/site-packages/ipykernel/__main__.py:5: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame. Try using .loc[row_indexer,col_indexer] = value instead See the the c*eats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy /opt/conda/lib/python3.4/site-packages/ipykernel/__main__.py:8: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame See the the c*eats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy /opt/conda/lib/python3.4/site-packages/ipykernel/__main__.py:9: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame. Try using .loc[row_indexer,col_indexer] = value instead See the the c*eats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy /opt/conda/lib/python3.4/site-packages/pandas/core/indexing.py:115: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame See the the c*eats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy self._setitem_with_indexer(indexer, value)
房销售面积TTM环比_lag2 基建TTM环比_lag4 M2_lag2 房销售面积TTM环比_lag2 1.000000 0.198354 0.455816 基建TTM环比_lag4 0.198354 1.000000 0.419496 M2_lag2 0.455816 0.419496 1.000000
/opt/conda/lib/python3.4/site-packages/ipykernel/__main__.py:27: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame See the the c*eats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
steel_price = steel_fd_data[['钢材价格综合指数']]steel_price.fillna(method='ffill',inplace = True)steel_price['钢材价格综合指数_lag2'] = steel_price['钢材价格综合指数'].shift(2)steel_price['钢材价格综合指数_lag14'] = steel_price['钢材价格综合指数'].shift(14)tdata = use_data[['钢材消费量TTM环比','房销售面积TTM环比','基建TTM环比','M2']]###以前一年数据作为样本进行滚动回归，得到回归系数，以此系数预测下一个月钢材表观消费量TTM环比增速testdata = pd.concat([tdata[['房销售面积TTM环比','基建TTM环比','M2']],\ steel_price[['钢材价格综合指数']],\ clean_data[['钢铁行业销售收入TTM_环比']][:-3]],axis=1)predict_data_ = predict_TTM_growth(testdata,'钢铁行业销售收入TTM_环比',\ ['房销售面积TTM环比','基建TTM环比','钢材价格综合指数','钢材价格综合指数','M2'],[2,4,2,14,2])plot_line_chart(predict_data_.index,predict_data_['钢铁行业销售收入TTM_环比'],predict_data_['钢铁行业销售收入TTM_环比_预测'],\'钢铁行业销售收入TTM_环比','钢铁行业销售收入TTM_环比_预测')
/opt/conda/lib/python3.4/site-packages/pandas/core/frame.py:2532: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame See the the c*eats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy **kwargs) /opt/conda/lib/python3.4/site-packages/ipykernel/__main__.py:3: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame. Try using .loc[row_indexer,col_indexer] = value instead See the the c*eats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy app.launch_new_instance() /opt/conda/lib/python3.4/site-packages/ipykernel/__main__.py:4: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame. Try using .loc[row_indexer,col_indexer] = value instead See the the c*eats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy /opt/conda/lib/python3.4/site-packages/ipykernel/__main__.py:8: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame See the the c*eats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy /opt/conda/lib/python3.4/site-packages/ipykernel/__main__.py:9: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame. Try using .loc[row_indexer,col_indexer] = value instead See the the c*eats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy /opt/conda/lib/python3.4/site-packages/pandas/core/indexing.py:115: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame See the the c*eats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy self._setitem_with_indexer(indexer, value)
房销售面积TTM环比_lag2 基建TTM环比_lag4 钢材价格综合指数_lag2 钢材价格综合指数_lag14 \ 房销售面积TTM环比_lag2 1.000000 -0.082437 -0.004757 -0.185949 基建TTM环比_lag4 -0.082437 1.000000 0.029752 0.170184 钢材价格综合指数_lag2 -0.004757 0.029752 1.000000 0.514030 钢材价格综合指数_lag14 -0.185949 0.170184 0.514030 1.000000 M2_lag2 0.083721 0.225676 0.328398 0.690747 M2_lag2 房销售面积TTM环比_lag2 0.083721 基建TTM环比_lag4 0.225676 钢材价格综合指数_lag2 0.328398 钢材价格综合指数_lag14 0.690747 M2_lag2 1.000000
/opt/conda/lib/python3.4/site-packages/ipykernel/__main__.py:27: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame See the the c*eats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
本社区仅针对特定人员开放
查看需注册登录并通过风险意识测评
5秒后跳转登录页面...
移动端课程
