如何处理春节效应——若干券商研究团队的经验

如何处理春节效应——若干券商研究团队的经验

不定期增加其他券商研究团队的方法。

海通

调整方法一：以春节为基准日，以节前一段时间为周期，计算同比增速。这相当于将公历周期的统计值重新组合为农历周期的数据，这种方法的好处是，比直接用公历月份更好地刻画春节前的经济情况，并且计算增速的可比性也更强，避免了去年春节放假停工而拉低基数带来的干扰，但这种调整对数据的频率有要求，适合比月度更高频的数据。

调整方法二：将 1 月数据按工作日折算成去年同期可比的口径。长假使春节所在月份工作日减少，例如 18 年 1 月的工作日比 17 年多了 4 天，按比例算是 21%，直接做同比的结果与工作日长短关系更大，而非经济的实际变化。因此可以先将月度数据按实际工作天数“日度化”再进行同比，来增强和去年同期的可比性，这种调整弥补了第一种方法对数据频率要求的不足，但需注意的是，这种方法建立在对春节前后生产、销售等方面变化趋势的假设上，例如实际的停工可能早于法定节假日，因此可以通过给春节前夕若干个工作日设定影响系数的方法来调节。

招商

目前国内大部分对春节季调的方法来自于 X-12-ARIMA 的复活节模型，就是根据所设定的假日影响天数在跨越的所有月份中的分配比例来构造回归变量，然后把回归变量与原序列进行回归，得到春节效应，从原序列中剔除春节效应就得到春节因素修正后的序列。

该模型假定：从春节前的第 $W - N$ 天开始经济活动就产生了变化，一致延续到春节后的 $N$ 天恢复至春节前状况。其中全部影响天数是 $W$ 天，在春节前有 $W - N$ 天，在春节后又 $N$ 天。

\[p(\omega, j) = \frac 1\omega \times (\text{处在 } j \text{ 月份的天数})\]

$p(\omega, j)$ 是指春节期间天数处于第 $j$ 月的比例，$\omega$ 就是春节期间所有天数，而 $j$ 在中国一般就是 1 月和 2 月。除了 1 月和 2 月，其他月份 $p(\omega, j) =0$。在计算完所有月份的季节回归变量之后，还需要中心化处理以消除其季节性，保证所得到的回归变量年度总和大致等于调整之前的原序列年度总和，否则调整后的序列会对原序列产生偏移。中心化处理的过程很简单，计算出所有年份的 $p(\omega, j)$ 之后，计算其均值 $\bar p(\omega, j)$，然后每个年份的 $p_i(\omega, j) - \bar p(\omega, j)$，得到新的序列 $x_i(\omega, j)$ 就是中心化处理后的序列。

不同的经济活动受春节的影响方式不同，导致 W 和 N 的选择并不相同。

• 生产类经济活动在春节前受影响较少，一般都在农历腊月 28 日才放假（也就是春节前两天），而正月前一周（春节后 7 天）都是传统节日拜年走亲戚时间，这段时间生产活动几近停滞，因此对于工业增加值、固定资产投资的指标来说 $W = 10$，$N = 7$。
• 对于消费类经济指标来说，春节前是购物热季，消费增加较为明显，而过了春节随着走亲戚以及工厂的开工，消费逐渐回归平常。因此对于社会消费品零售总额、M0 的指标来说 $W = 20$，$N = 7$。

X-12-ARIMA 与 Tramo/Seats 都没有直接可以进行春节效应季调的程序，但是允许用户设置回归变量来自主调整，这就需要设置春节因子虚拟变量。

如何计算春节效应

RegARIMA（ARIMAX）在与外部变量之间的关系是通过最小二乘法拟合原数值与外部变量之间的相关关系，计算出外部变量对原数值带来的效应，然后从原数值中剔除该效应。

• 对于加法分解模型来说，原序列和季节因子之间是线性相关关系可被写作 $Y = \beta X + \mu$。
• 对于乘法分解模型来说，需要对原序列进行对数处理，转换为加法模型之后再通过上述过程进行拟合。

中金

对于（日度或周度）高频指标，可以将春节设定为参照日（即 T = 0），将不同年份的数据重新平移至同一参照系下，然后计算同比变化。该调整方法相当于将公历周期数据的“时间轴”平移，从而以农历日历为基准。这种调整方式剔除了春节假期前后的扰动、使数据更具有可比性。

对于月度统计数据，可以根据每年春节前后长假落在 1、2 月的“总天数”，对 1、2 月的生产 / 需求水平进行相应的“折算”，从而“还原”数据的可比性。然后，将“还原”后的 1-2 月单月序列进行同比增长的计算。该方法可以用于调整进出口、CPI、货币信贷、以及部分行业层面的数据。

使用标准统计手段（如 Census X-12 方法）进行季节性调整后的数据，在每年 1、2 月通常会较趋势出现异常大的偏离，而 1、2 月的偏离方向相反。这些无法消除的异常偏离称为由春节引起的“残余季节性”，或“春节扰动”。数据调整方法通过以下三个步骤来识别，并剔除春节扰动：

1. 首先使用标准统计手段（如 Census X-12 方法）对数据进行季节性调整，进而计算历年 1、2 月的“残余季节性”、或简称为“春节因素”。
2. 通过计量方法来量化春节移位造成的 1、2 月宏观指标与趋势的偏离度。一般而言，春节离 1 月 31 日越远，1、2 月受春节影响天数之差就越大。计量分析结果将给出每个春节日期对应的估算趋势偏离度，称之为该春节日期的“春节调整因子”——“春节调整因子”可以为正值、也可以为负。
3. 为了计算剔除春节扰动后的 1、2 月同比增速，首先将每个 1、2 月的数据点除以对应的（1 + 春节调整因子 %），取得经春节效应调整后的时间序列，然后计算同比变化。

西南

调节春节因素的方法

对同比和环比数据使用不同的春节因素调整方法，用春节晚于 1 月 31 日天数来定位春节位置。

对同比数据，用 1 月数据对 1-2 月均值的偏离来度量春节因素。这儿的隐含假定是趋势值在 1 月和 2 月之间没有发生显著变化，因而这种度量偏差不会很大。利用经验数据，得到春节位置与春节因素之间的经验回归方程，样本覆盖 1995 年至 2018 年。然后根据经验回归方程，可以得到每年春节因素对 1 月数据影响的估计值。利用同样方法，也可以得到春节因素对 2 月数据影响的估计值。

对环比数据，直接使用春节位置对 1 月环比数据进行回归，估算春节因素对经济和金融指标的影响。

春节因素对各宏观金融指标影响情况

• 物价数据方面，春节延后对 1 月 CPI 有显著负向影响，但对 PPI 影响有限。

用春节晚于 1 月 31 日天数作为春节位置度量指标，以此为自变量，以 1 月 CPI 同比对 1-2 月平均增速偏离来作为春节因素对 1 月 CPI 影响的度量指标，利用 1995 年以来经验数据进行回归。回归方程显示，春节晚于 1 月 31 日 5.6 天左右时，春节效应对 1 月数据影响为零，即春节因素不会导致 1 月数据偏离于 1-2 月均值。春节因素每晚于 1 月 31 日 1 天，将带来 1 月 CPI 同比较 1-2 月均值下降 0.05 个百分点，即春节因素导致 1 月 CPI 下降 0.05 个百分点。回归 $R^2$ 达 0.5，显示春节因素对 CPI 同比增速在 1-2 月之间的波动具有很好解释力。今年春节为 2 月 5 日，根据这个方程，今年春节推高 1 月 CPI 同比增速 0.03 个百分点，影响可忽略。而春节因素对 PPI 影响非常有限，春节每晚 1 天，1 月 PPI 同比增速仅多低于 1-2 月均值 0.01 个百分点，且关系并不显著，$R^2$ 仅 0.02。显示工业品价格并不受春节因素影响。

• 贸易数据方面，春节位置与春节对 1 月出口增速影响呈现抛物线关系，对 1 月出口推升作用最明显的位置为晚于 1 月 31 日 5 天左右。

从春节位置和 1 月出口对 1-2 月均值偏离的经验数据关系来看，两者呈现很好的二次函数关系，春节因素对出口增速在 1-2 月之间的波动解释度高达 57.6%。即春节晚于 1 月 31 日 5 日左右时，对 1 月出口推动作用最为明显，春节过晚或过早，对 1 月出口推升作用都将减弱。这与直观相符，因为春节期间农民工返乡，部分出口企业停工或减产，因而出口企业会在春节前提前出口。春节位置略晚于 1 月末，意味着大部分提前出口效应都落在 1 月份，因而对 1 月出口推动作用最为明显。19 年春节刚好晚于春节 5 天，是春节效应最为明显是位置。因而我们估算 19 年春节因素推高了 1 月出口增速 10.0 个百分点，剔除春节因素后，1 月出口同比为 -0.9%，依然延续弱势。

• 春节位置与春节对 1 月进口增速影响同样呈现抛物线关系，进口推升最明显的位置为晚于 1 月 31 日 13 天左右。

从进口数据来看，春节位置同样和 1 月进口对 1-2 月均值偏离呈现非常好的抛物线关系，春节因素对进口增速在 1-2 月之间波动的解释度高达 74.6%。春节晚于 1 月 31 日 13 天左右，这是对 1 月进口推升作用最大。这主要是因为春节是集中消费时期，春节之前进口办年货需求显著增加，推升进口需求。这对进口的影响在春节前 10 多天体现的最为明显。19 年春节位置大致推升进口增速 6.8 个百分点，剔除春节因素影响后 1 月进口同比增长 -8.3%，增速基本与上月持平，延续疲弱态势。

• 货币数据方面，春节位置与 M0 存在显著抛物线关系，而春节延后将现行推升 1 月 M1 增速。

M0 数据显示，春节位置与 1 月 M0 增速对 1-2 月均值呈现出非常明显的抛物线关系，即在春节晚于 1 月 31 日 2 天左右时，1 月 M0 增速最高，这也最符合节前大家集中提现的直观理解。抛物线拟合优度高达 80%，显示春节因素能解释绝大部分 M0 在 1 月和 2 月之间的波动。19 年春季因素大致推升 M0 增速 8.5 个百分点，剔除春节因素后 1 月 M0 增速为 10.7 个百分点。

• 春节因素对 M2 的影响同样呈现显著的抛物线关系。

经验数据显示，春节晚于 1 月 31 日 4 天左右时，1 月 M2 同比增速最高。回归结果显示，春节位置对 1 月 M2 同比增速较前两月均值偏离的解释度为 59%，春节因素对 M2 同比增速在 1-2 月之间的波动同样具有很好解释力。19 年春节因素大致推升 1 月 M2 增速 0.6 个百分点，剔除春节因素后 1 月 M2 同比增速下降到 7.8%。显示 1 月货币的回升能否持续有待继续观察。

• 春节因素对M1的影响呈现线性关系，春节晚于1月31日3天左右时对1月M1影响可以忽略。

经验数据显示，春节位置与春节对 1 月 M1 同比增速影响呈现线性正相关性，解释度达 54.7%。春节位置每晚 1 天，1 月 M1 同比增速将较 1-2 月均值提升 0.17 个百分点左右。根据此方程，我们估算春节因素推升了 19 年 1 月 M1 同比增速月 0.4 个百分点，剔除春节因素影响后的 1 月 M1 同比增速约为 0%，显示企业盈利下滑和房地产企业销售增速放缓对当月 M1 影响更为显著。

• 春节因素对信贷和社融影响均不显著。

新增信贷和新增社融均是环比数据，所以我们直接用春节位置与 1 月信贷和社融数据关系来估算春节效应对 1 月信贷和社融的影响。经验数据显示，春节因素对信贷影响非常有限。春节每晚 1 天，1 月新增信贷仅增加 93.8 亿元，而且关系并不显著，春节因素对 1 月信贷解释度仅有 1%，几乎可以忽略。显示信贷投放更多依赖货币政策和银行信贷投放节奏，受季节性因素影响有限。同样，春节因素对社融影响也较为微弱。回归结果显示，春节每晚 1 天，1 月社会融资总量仅增加 85.3 亿元，而且关系并不显著，解释度几乎为零。因此，今年 1 月信贷和社融加速投放，创下同期历史高值，并非春节因素原因，而是宽松政策下，稳增长政策发力的体现。未来几个月实体融资将继续改善。

• 春节因素对 PMI 影响同样不显著。

PMI 同样为环比数据，因而需要通过春节效应与 1 月 PMI 关系来估算春节效应对 PMI 的影响。经验数据显示，春节因素对中采制造业 PMI 的影响非常有限。春节每晚 1 天，1 月 PMI 将提升 0.06 个百分点，而且关系并不显著。显示企业情绪面更多是对真实情况的反映，受季节性因素影响有限。

中信建投

春节错位因素对经济数据的影响不应当只看春节当天或春节假期的错位，而是要跟“节前”、“节中”与“节后”影响的错位结合起来看。

春节因素的衡量

春节因素的影响需要定量化，可使用春运天数作为参照标准。要研究春节因素的影响，首先需要将春节因素定量化。从目前的研究看，主要是两种思路：

• 一是类似于 X-12 的季节性调整方法，
• 二是构建“节前”、“节中”与“节后”因子并纳入分析框架。

从实践看，“节后”的天数要长于“节前”。例如，在北方许多地方，腊月二十三（“小年”）被视为过年开始，而正月十五才被视为春节的结束；又如，春运通常是春节前 15 天春节后 25 天、春节假期是从除夕到正月初六，均是春节后天数要超过春节前。参考春运期限，这里将春节前 15 天到假期前一天视为“节前”，共计 14 天；春节假期为“节中”，共计 7 天；从春节假期结束到春节后 25 天视为“节后”，共计 19 天。这种处理方法除了更符合现实外，另外一个好处是客观性，避免了每个阶段天数选择时的主观性。

分别计算落在各月的“节前”、“节中”与“节后”天数，与“节前”、“节中”与“节后”天数（分别是 14、7 与 19 天）相除，可得到各月份的“节前”、“节中”与“节后”因子。

参考研报

• 海通《“春节效应”下的经济真相》
• 招商《季调方法：理论和实践》
• 中金《解析“春节效应”对 1-2 月宏观数据的扰动》
• 西南《穿过春节影响的迷雾看经济数据》
• 中信建投《经济分析中的春节因素：衡量、影响与运用》