Python数据分析案例83——宏观经济指标与沪深指数实证研究分析

背景

本文以沪深300指数为例，探讨了宏观经济指标与股市表现的关联性。通过文献梳理确定了关键影响因素，并选取2015-2024年的数据进行实证分析。研究采用多元回归方法，考察了利率（LPR）、经济增长（GDP）、价格指数（CPI、PPI）、货币供应量（M0、M1、M2）、景气指标（PMI）、融资规模（TSF）、国际因素（STY、DXY）及市场情绪（SEN）等变量对股指的作用。实证结果显示，市场情绪、美国利率、美元汇率、狭义货币供应和消费价格指数对沪深300指数具有显著解释力，而其他经济基本面指标的影响不显著。这表明股市短期走势更易受资金流动、投资者心理和外部金融条件等因素驱动。后续研究可考虑纳入更多变量，并尝试建立非线性模型以深化相关认识。

数据介绍

数据就是一个表格，从Tushare上获取的，我之前有博文介绍怎么获取，数据就是一个表：

数据是日度的，后续要转为月度的。

其中的close是沪深300每天的收盘价，是作为因变量的y，其他都是一些宏观经济指标，是自变量x，具体含义如下：

当然， 需要本文的全部数据和代码的同学还是可以参考：宏观经济

代码实现

导入包

import numpy as pd 
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import statsmodels.api as sm
import statsmodels.formula.api as smf
plt.rcParams['font.sans-serif'] = ['KaiTi']  #指定默认字体 SimHei黑体
plt.rcParams['axes.unicode_minus'] = False   #解决保存图像是负号'

读取数据

df=pd.read_excel('指数数据.xlsx',sheet_name='000300.SH',parse_dates=['trade_date']).set_index('trade_date').drop(columns='ts_code')
df.head()

利率，GDP,CPI,PPI,PMI,M0，M1，M2，社融。

然后将数据进行月度重采样，取每个月最后的数据作为这个月的取值，然后进行向前填充。

df=df.resample('M').last().ffill().bfill()

描述性统计

df.describe().T.round(3)

还画出每个变量的箱线图进行可视化

column = x_cols # 列表头
fig = plt.figure(figsize=(6,6), dpi=128)  # 指定绘图对象宽度和高度
for i in range(len(x_cols)):
    plt.subplot(4,3,i + 1)  # 2行3列子图
    sns.boxplot(data=df.iloc[:,i].to_numpy(), orient="v",width=0.5)  # 箱式图
    plt.ylabel(column[i], fontsize=12)
    plt.xticks([])
plt.tight_layout()
#plt.savefig('箱线图.jpg',dpi=128)
plt.show()

从数据统计结果来看，2015-2024年间各变量均呈现不同程度的波动。沪深300指数（Close）均值为3909.67点，但波动幅度较大，最低值与最高值相差近一倍，反映出市场在此期间经历了显著震荡。货币政策方面，LPR利率均值4.034%，波动区间3.1%-5.51%，显示央行根据经济形势进行了相应调整。

宏观经济数据显示，GDP后期增长较快，CPI和PPI均值相近，但PPI波动更为明显。货币供应方面，M2规模显著高于M1，符合中国以银行存款为主的金融结构特点。社会融资规模（TSF）曾出现负值，可能与2017年金融去杠杆等政策有关。国际方面，美国短期利率（STY）波动幅度大于国内LPR，表明美联储政策调整更为频繁。投资者情绪指数（SEN）多数时间保持稳定，但个别时点出现明显回落，反映市场阶段性悲观情绪。这些统计特征为后续研究提供了重要参考。

相关性分析

画出每个X变量和y的相关性关系，画散点图：

y = df['Close']
x_cols = ['LPR', 'GDP', 'CPI', 'PPI', 'M0', 'M1','M2', 'PMI', 'TSF' ,'STY', 'DXY', 'SEN']
x = df[x_cols]
fig = plt.figure(figsize=(8,8), dpi=128)  
for i in range(len(x_cols)):
    plt.subplot(4,3,i + 1)  # 2行3列子图
    sns.scatterplot(x=x.iloc[:, i], y=y)
    #plt.ylabel(column[i], fontsize=12)
    #plt.xticks([])
plt.tight_layout()
#plt.savefig('散点图.jpg',dpi=128)
plt.show()

还需要计算相关系数矩阵

df.corr()

进行可视化

import matplotlib.colors as mcolors
plt.figure(figsize=(8,6),dpi=128)
colors = ['#ffffd9', '#edf8b1', '#c7e9b4', '#7fcdbb', '#41b6c4', '#1d91c0']
my_cmap = mcolors.LinearSegmentedColormap.from_list('my_colormap', colors)
sns.heatmap(df.corr().round(3), cmap=my_cmap, annot=True, annot_kws={"size": 8})
#plt.savefig('相关系数.jpg')
plt.show()

从数据来看，不同宏观经济指标与股市的关联性存在明显差异。M2与股市呈现正相关趋势，表明货币供应量增加可能推动股市上涨，这与流动性影响市场的理论相符。PMI数据则显示，当经济景气度较高时，股市表现往往较好，反映市场对企业经营预期的敏感性。

相比之下，CPI、GDP等指标与股市的短期关联较弱，可能需要引入滞后效应或其他变量进行更深入分析。值得注意的是，美国短期利率（STY）与A股呈负相关，可能由于高利率环境导致资本外流，进而抑制股市表现。

相关性分析

• 投资者情绪（SEN）与股市的相关性最高（0.74），说明市场情绪对短期走势影响显著。

• 货币供应量（M1、M2、M0）与股市呈正相关，其中M1的影响相对较强（0.29），反映流动性对市场的支撑作用。

• 利率因素方面，LPR与股市呈弱负相关（-0.17），而美国短期利率（STY）的负相关性更强（-0.37），显示外部金融环境对A股的潜在影响。

• 美元指数（DXY）与股市负相关（-0.36），可能因美元走强引发资本外流压力。

• GDP和CPI的相关性较低，表明短期股市波动更易受流动性和市场情绪驱动，而非纯粹的经济基本面。

综上，股市短期表现受流动性、投资者情绪及外部金融环境影响较大，而经济增长和通胀等长期因素的作用相对间接。后续可通过回归分析进一步验证各变量的显著性

回归分析

本章节将构建回归模型进行实证分析研究。选择的自变量为贷款市场报价利率（LPR）、国内生产总值（GDP）、消费者价格指数（CPI）、生产者价格指数（PPI）、流通中现金（M0）、狭义货币供应量（M1）、广义货币供应量（M2）、采购经理人指数（PMI）、社会融资规模（TSF）、美国短期利率（STY）、美元指数（DXY）以及投资者情绪指数（SEN）作为解释变量。选择的因变量是沪深300每日收盘价（Close）。

构建回归公式

formula = f"{'Close'} ~ {'+'.join(x_cols)}"
formula

进行回归

model = smf.ols(formula, data=df)
model = model.fit() 
model.summary()

实证结果显示，M2的回归系数为0.0012且高度显著（p=0.000），验证了货币供应量扩张对股市的提振作用，符合流动性驱动资产价格的理论预期。LPR在5%显著性水平下呈现正向影响，表明降息政策有助于改善市场预期。然而，GDP、CPI等传统宏观经济指标均未通过显著性检验，暗示这些变量对短期股市波动的解释力有限，可能需要考虑时滞效应或非线性传导机制。

值得注意的是，投资者情绪和外部金融环境变量表现出较强的解释力，而M0和M1等货币指标虽未显著但符号方向存在差异，提示可能存在多重共线性问题。后续通过VIF检验进一步验证模型的稳健性。研究结果表明，在制定市场策略时，应更关注流动性状况、市场情绪和全球金融环境等即时性因素，而非单纯依赖传统经济基本面指标。

def VIF_calculate(df_all,y_name):
    x_cols=df_all.columns.to_list()
    x_cols.remove(y_name)
    
    def vif(df_exog,exog_name):
        exog_use = list(df_exog.columns)
        exog_use.remove(exog_name)
        model=smf.ols(f"{exog_name}~{'+'.join(list(exog_use))}",data=df_exog).fit()
        return 1./(1.-model.rsquared)
 
    df_vif=pd.DataFrame()
    for x in x_cols:
        df_vif.loc['VIF',x]=vif(df_all[x_cols],x)
        
    df_vif.loc['tolerance']=1/df_vif.loc['VIF']
    df_vif=df_vif.T.sort_values('VIF',ascending=False)
    df_vif.loc['mean_vif']=df_vif.mean()
    return df_vif

我们对模型里面的变量进行VIF的计算,结果如下

VIF_calculate(df,'Close')

一般认为方差膨胀因子大于10的变量就具有多重共线性，其中M2和M0两个货币供应量，都是大于20以上，说明这两个指标和其他的解释变量有严重的多重共线性，此时需要进一步的优化模型来处理。因此在下一步回归中，我们剔除M2和M0两个货币供应量因素，使用其他的10个变量再次进行模型回归，

model = smf.ols('Close ~ LPR+GDP+CPI+M1+PPI+PMI+TSF+DXY+STY+SEN', data=df)
model = model.fit() 
model.summary()

其回归结果如上表。

模型优化后，多重共线性问题得到有效改善。调整后的回归结果显示：
1）模型解释力保持稳定（调整R²=0.812），F检验显著；
2）核心变量影响突出：

• 投资者情绪指数（SEN）保持最强解释力（系数5864.79）

• 外部金融变量（DXY、STY）持续显著负向影响

• CPI的负向效应增强（系数-117.17）

• M1的解释作用显现（p<0.05）

3）经济基本面指标（GDP、PPI等）仍不显著，反映市场反应机制存在时滞或非线性特征。LPR系数方向反转，暗示政策传导具有复杂性。

研究结果表明，沪深300指数走势主要受三大因素驱动：
① 投资者情绪波动
② 全球金融环境变化
③ 通胀预期调整
这一发现印证了市场定价过程中存在的非理性特征，为理解A股运行规律提供了新的实证依据。

再次计算VIF

VIF_calculate(df.drop(columns=['M0','M2']),'Close')

VIF还比较合理，不存在严重的多重共线性了。

模型检验

回归完成后需要对模型进行残差的检验，画出残差和拟合值的图，还有残差的正态图，

x=model.fittedvalues;y=model.resid
 
plt.subplots(1,2,figsize=(8,3),dpi=128)
plt.subplot(121)
plt.scatter(model.fittedvalues,model.resid)
plt.xlabel('拟合值')
plt.ylabel('残差')
plt.title('(a)残差值与拟合值图',fontsize=15)
plt.axhline(0,ls='--')
 
ax2=plt.subplot(122)
pplot=sm.ProbPlot(model.resid,fit=True)
pplot.qqplot(line='r',ax=ax2,xlabel='期望正态值',ylabel='标准化的观测值')
ax2.set_title('(b)残差正态Q-Q图',fontsize=15)
plt.show()

模型诊断结果显示回归假设基本满足：
1）残差图显示误差项随机分布，无明显趋势，符合同方差性要求；
2）Q-Q图中数据点基本沿参考线分布，仅尾部略有偏离，满足正态性假设；
3）检验结果支持模型设定的合理性，为参数估计的有效性提供了统计基础。

这些诊断表明模型构建恰当，能够可靠地支持前文得出的研究结论。

总结

本研究基于2015-2024年数据，采用多元回归方法分析了12个宏观经济变量对沪深300指数的影响。在解决多重共线性问题（剔除M0和M2）后，研究发现：

1. 显著影响因素：

• 投资者情绪指数（SEN）影响最大（系数5864.79**）

• 外部金融环境（STY系数-165.08*，DXY系数-429.85*）

• 狭义货币供应量（M1系数0.0012*）

• 通胀指标（CPI系数-117.17**）

1. 非显著因素：
   GDP、PPI、PMI等传统经济指标未通过显著性检验

研究结论表明，沪深300指数的短期波动主要受三大因素驱动：
① 市场情绪变化
② 国际金融环境变动
③ 国内流动性状况
而传统经济基本面指标的短期解释力相对有限，这反映了新兴市场股市受预期和非理性因素影响较大的特征。