杠学的贫困

关于金融周期与债务周期的研究汗牛充栋，诸多的周期理论对去杠杆操作提供了一定理论基础。但经过两年实践，似乎相关理论对于解释原初的去杠杆三大基本问题仍然略显困惑：（1）合意的杠杆率是多少？（2）是通过紧缩去杠杆还是通过宽松去杠杆？（3）如何区分内生的债务衰退与外生的去杠杆效果？

更重要的是，对于商业研究来说，一个框架的第一性是预测而非解释，杠杆与债务周期的解释虽然很贴近日常生活的直觉，但是对于金融市场与经济基本面的预测略显乏力，那么究竟是研究的深度与广度不够，还是研究方法的南辕北辙？我们希望借此报告抛砖引玉。

看线与滤波；线性外推与均值回归

预测是分析师工作的源头和结束，分析师所有的预测，都是通过对信号或者信号集合的处理。这在不同领域里有多重化身，在技术投资者眼中叫做看线；在经济学家眼中叫做滤波。对单一经济数据信号的处理，归根结底都会回到平滑、均值回归、动量效应这些直觉的特性，从这点来说，经济学的处理方式，与单纯参考K线进行炒股，并无本质区别。

对于单一信号的处理会回到线性外推的循环论证。如何证明你所说的究竟是均值回归还是动量，取决于外生的其他条件，就要在你的模型里面加入其他信号，在经济学中可能叫做多元回归，在技术投资人中可能会叫做——量价分析，或者你愿意可以添加政策分析。

自上而下、平行处理、自下而上

同时，商业研究存在三种分析模式，一是自上而下，二是平行处理，二是自下而上。自上而下是将一条信号拆解成多条信号，同时对多条信号进行平滑、滤波，可以类比傅里叶变换。以CPI研究为例，短周期的CPI预测是将CPI按照权重拆解成食品、非食品，再将大项分别向下拆解成小项，如生猪、鲜菜等等，根据生猪、鲜菜等单一信号的外推在重新组回来，当然你可能发现，对猪价这一单一信号又回到了最初的问题，就是如何拆解猪肉，一般来说取决于研究人员认识世界的颗粒度，也就是能力范畴，如果广度和深度足够甚至可以拆解到饲料价格与猪肉的供需，反之只能回到更上一层。

平行处理就是将一条信号与其他数据进行回归拟合，通过外生的经济学关系来校准信号。我们再以CPI为例，典型的就是从货币主义开始将货币发行与通货膨胀建立了一条稳定的关系，以至于我们在研究货币政策时，也会通过增长与价格这两条信号来进行分析。但是随着时间的推移，货币计量口径发生变化，货币发行不再仅仅通过实物来体现而是通过资产价格，乃至金融空转的内生创造货币，CPI与货币增速这一条曾经认为稳定的平行关系，就失效了。

自下而上是将多条信号组成一条信号再进行拟合，常见的有构建各种指数。比如构造各种行业景气指数，是通过各种行业相关数据拟合成指数，再比如资金面情绪指数，通过各种资金价格进行加权拟合成一条资金面情绪指数。实际上自上而下与自下而上是统一的，再以CPI为例子，统计的方式其实是自下而上的，但是市场上的商业研究中，要重新将其向下拆解分项进行研究。

金融周期与债务周期研究如何滥觞

金融周期研究的泛滥体现了上述解构的研究方法，最早的时候金融研究便是多条共线性较强数据的拟合。回到数据层面，用什么数据来表达金融周期，意味着我们分析金融周期的起点，BIS在曾经的早期研究中将六大指标拟合成一个金融周期指数，这六个基础数据分别为信贷指数、信贷/GDP，实际房价指数、实际股价指数、实际GDP增速，和一个包含了地产与股票的综合资产价格指数，最终确定的主成分是前三大指数，也就是信贷、信贷/GDP、实际房价指数，与理想的金融周期的时间窗口（15~20年）接近，波动趋势接近。

但是，信贷数据与房地产数据内生的共线性很强，而这源于大部分国家经济中重要的抵押物都为房地产有关。房地产作为资金占用巨大的行业，在我国往往是货币内生创造的最重要的部门，以我国为例，2018年9月份房地产开发投资88655亿，总投资483442亿，房地产开发投资占总投资规模18.34%，其中还有连带着水泥、建材等消费与投资；新增人民币贷款中的居民贷款大部分为房地产贷款；企业贷款中，房地产企业贷款有52100亿元，经验数据看，非标融资中有接近三分之一流向房地产企业，另外三分之一是流向城投公司，而城投公司与房地产公司在土地出让和开发建设中是互为对手方的一环。

一个典型的房地产企业内生的信用创造就是：土地出让后，一笔较大的资产进入房地产公司，拿到土地后，房地产公司去银行获得一笔贷款来开发楼盘，而这笔钱同时存在了房地产公司的存款账户，又新增了存款，这笔存款又去支付其他土地价款、建筑成本等，完成一次货币创造，所以信贷数据天然的与房地产相关数据有较强的共线性。

所以既然金融周期数据序列的几个因子共性较强，所以很多人便只研究其中最重要的主成分，也就是债务数据。在过去国别的债务数据横向比较不易，但BIS在2013年后推出了非金融部门债务数据库与信贷-GDP缺口数据库，让很多人不需要重新拟合金融周期指数来横向比较国别、与国内分部门的债务杠杆情况。新数据的出现往往是研究爆炸的前置因子，无论是后面桥水还是其他等人的国别债务问题研究，可以说都是建立在对BIS提供的“库”的调包，添加了基本面的修饰。后面金融周期的研究逐步的转向了单纯的只看债务、债务/GDP或者信贷-GDP缺口等。

拆开数据发觉，杠杆周期、债务周期、金融周期是一种同义反复，并无必要将三者加以较大区分。所以用在债务理论的解释，也可以放在金融周期理论解释上，用在房地产现象的解释，依然也可以用在金融周期上。

金融周期研究中的思维方式

总结下来，我们看到金融周期概念从推出到甚嚣尘上中隐含着多种经济学或者炒股的经典思维方式，首当其中的便是信号的处理，也就是如何看线。

（1）自下而上的合成指数。我们看到金融周期是一个合成概念。最初为了区分与传统的债务周期、商业周期的区别，特意加入了多种信号来共同拟合，后面发现股票价格波动、资产价格指数等频域与总的合成信号不符，更接近一般的商业周期，所以对金融周期的研究又追本溯源回到了债务-地产这一最强的主成分中。经历了一轮自下而上的指数合成与自上而下的拆解。

（2）滤波与均线。合成后的原始金融周期数据波动较大，而且体现的周期性并不明显，出于金融周期的定义认为应该会存在15~20年的时间窗口，便通过此参数来校准BP滤波和HP滤波的参数，由此得出金融周期的时间窗口，并进行数浪，看我们离下一个波峰或者波谷还有多少年的距离，其实是有点循环论证的意味。类比股票中的均线思维，相当于你假设了一个主升浪和次浪有多久，看目前10年均线与5年均线的离差在什么位置来判断这一信号是上升还是突破，两者并无本质的思维差异。另外从数据处理方式上，单纯的画均线与HP滤波其实各有千秋，HP滤波的统计性能更好，相对无偏，但是拟合后的每个时间点都会依赖后续的点，会存在明显的“时间隧道”效应，正所谓回测的效果并非实盘的结果，往往你可能用了时间隧道函数，还不如炒股中的N日均线，均线虽然统计特性不好，是一种非常粗糙和原始的滤波方法，但至少不会出现利用未来函数来预测未来的循环论证。

（3）平行处理。单纯的金融周期和债务国别的可比性不高，也就是会出现不同的趋势项，所以会将债务与GDP相除作为横向比较的数据。另外一方面，各个国家的经济金融结果差别很大，其实归根结底是数据统计方式的区别，带来了债务/GDP序列的不可比性，所以BIS又推出了信贷/GDP缺口这个二次处理数据，让信贷/GDP减掉HP滤波后的值作为缺口，回到我们最初的讨论，只是统计特性较好的“回测”而无法进行预测。

化繁为简，分别拆解债务内在的结构、与GDP结构，远远比抽象的国际比较的债务/GDP更加重要。

无法区分好的债务与坏的债务

非金融部门债务的总体统计，并非是一个即时的统计指标，所以需要通过其他统计指标倒算。统计方式一般是找到某一年的基期存量作为依据，再通过每一年相关的流量数据进行累加，最终计算出年度的时间序列。其中流量数据比较重要的是资金流量表、金融机构资产负债表、金融机构信贷收支表等等。其中有相当的数据公布周期在一年以上，但是BIS的非金融企业债务数据库的更新频率为半年，其中如果涉及到数据缺失，BIS一般是通过差值或者其他数据外推获得。所以看起来债务数据作为存量数据，其实数据的基础来源仍然是诸多流量数据，并且就是金融数据统计中的M2、贷款等数据。

最后可能会发现，判断债务走势，也就是杠杆的走势，就回到了判断社会融资规模、新增信贷规模。如果假设去杠杆是好的，那必须要从相当程度上降低社融与M2增速，而降低社融与M2增速，自然是意味着经济内生动力的不足。

所以只看债务这个数据，无法区分到底什么是好的债务还是坏的债务。我们从2016年10月份开启了一轮去杠杆进程，行进目前虽然从数据上看到了杠杆率的降低，伴随着便是今年各领域涌现的风险：信用债历史上违约主体最多的年份、有史以来股票质押强平数量最多的年份、P2P集中暴雷、城投平台信用事件频发、民企债务风险凸显等等，皆可以作为经济下行、亦或是社融与M2收缩的一个注脚。

我们可以从各种添加的经济学解释上，解释M2、社融、非金融部门债务三者是多么不同的含义与概念，但是从基础数据统计上是确实存在大量重合的部分。所以我们可能确实要反思看单一债务指数的这种“合成思维”。

无法区分GDP的质量

在对债务周期、杠杆率进行分析时，除了对债务进行拆解，还要对GDP进行拆解。但是对GDP进行拆解时首先要注意我国的GDP的现状和统计方法上的一些特点。

我们来看一个现象，就是频繁暴露的GDP统计水分的问题，这个问题导致我们在计算杠杆率、信贷与GDP之比的时候出现数值不准确等情况。举例来说，2017年初年辽宁等城市被曝出GDP掺水，内蒙古则在2018年的经济工作会议上公开承认调减2016年一般公共预算收入530亿元人民币，占总量26.3%；核减2016年规模以上工业增加值2900亿元，占全部工业增加值40%，但是全国的GDP似乎仍然表现平稳。

我们推测，GDP在理论上看起来是一个综合的总量数据，但是在统计实践上更接近一个规模以上数据。根据《中国主要统计指标诠释》，中国目前对外公布的GDP数据在核算上来看分为季度计算和年度计算。季度核算和年度核算主要有两点不同：一是核算的行业细分程度不同，季度核算基础资料较少所以仅能够细分至17个行业，而年度核算则能够细分至94个行业，但是最终年度的核算数据与季度核算数据都基本一样。可以说GDP统计主要是跟随者这几个大行业走的。二是具体的核算方法不同，季度核算多用相关的专业统计指标间接地推算该行业的增加值，比如判断一个地区的房地产销售增速和建造增速，在通过基期的绝对值进行套算，年度核算则充分利用企业财务资料和其他专业统计资料直接进行核算。但是回到第一个问题，就是年度核算数据与季度初步公布数据往往一样，我们认为这是为了保持统计逻辑的自洽而带来的一种妥协。所以如果是先假设基期，在通过间接增速来拍增加值的办法，那么势必会造成年度误差的累计效应，最终多年的每年几个点的误差，就可能会带来总量值的腰斩，也就是内蒙、天津、辽宁的案例。

所以如果GDP在统计实践中更像是规模以上数据，那么就不难理解，为什么去产能可以带来GDP的名义增速的提高。目前关于我国GDP去产能政策对GDP是否造成了影响主要有两种观点：

（1）去产能由于打击了煤矿、粗钢等产品的生产，相当于经济总量的收缩，如果没有去产能，那么去年的经济表现要更好；

（2）钢铁和煤炭的去产能有助于改善产能利用率，推高PPI，改善企业利润，从而改善各个主体的运营效率，提高了GDP表现。

如果切换到，GDP的统计基因也是规模以上的经济主体，那么上述两种观点就都显得有些片面，只是一个问题的两个侧面。

建立分部门、分行业的增加值-债务矩阵分析

诸如杠杆率、信贷与GDP之比等衡量债务的比率与金融风险的界限是相当模糊的。他们之间或许存在联系但一定是非线性的，不同部门、行业的负债与贡献的增加值关系是比较复杂的，如果只看分子、分母这种大关系，颗粒度过于粗糙会陷入较为经典的“辛普森”悖论，比如会出现降低了高增加值部门的债务，适得其反。

以房地产行业为例，房地产行业是一个运用大量负债的行业，无论是房地产企业、下游的建筑企业、还是居民用来按揭的贷款，在债务总量上占比非常高。但是从增加值的角度上讲，大量的房地产投资并未成为最终的GDP。我们以每年的固定资产投资与固定资本形成为例，在2015年前，固定资产投资完成额与GDP支出法中的固定资本形成差别不大，而近年来差别愈来愈大，截止2017年，固定资产投资与固定资本形成分别为64万亿与35万亿，也就是说其中至少有一半的固定资产投资并未形成。主要原因在于土地购置费用在固定资产投资的比例愈来愈大，而土地购置并不计入GDP支出法的最终统计。

所以从杠杆率上来说，如果推动地产行业来拉动GDP是一个非常差的选项。如果以推升负债，推动房地产行业带动GDP模式来看，更多的仍然是通过推动地价带来的地产周期的上升，将只会推升固定资产投资额，而对最终的GDP中的固定资本形成的拉动会愈来愈小。

由此启发我们可以制作行业/部门的债务-GDP的联立矩阵，更加关注分部门，乃至更加细节的分行业的债务与GDP的联立关系，而非总量的分子-分母的粗颗粒策略。