来源：文涛宏观债券研究
摘要
春节因素对年初经济数据干扰较大。年初经济数据对把握全年经济走势有很重要的参考意义，但春节错位因素通常会对1-3月份当月数据造成干扰，这会加大数据分析与预测的难度，因此，将春节因素纳入分析框架是有必要的。
春节因素需要细分化与定量化，春运期限可作为衡量标准。由于春节不同阶段对经济数据的影响可能存在差异，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。我们参考春运期限与春节假期，将春节“节前”、“节中”与“节后”因素定量化。
纳入春节因素可提高出口增速预测的准确性。通过构建回归模型，纳入“节前”、“节中”与“节后”因子，并控制其他对出口增速有影响的变量，结果显示，“节前因子”系数为正，“节中因子”与“节后因子”回归系数均为负值，符合逻辑分析。这一模型可用于出口增速预测，结果显示2、3月份预测的准确度明显提升。
纳入春节因素可提高CPI猪肉增速预测的准确性。在预测2、3月份CPI猪肉价格增速时，市场通常使用的高频数据误差较大。通过构建回归模型，纳入“节前”、“节中”与“节后”因子，可以提高预测的准确度。
正文
年初经济数据对把握全年经济走势具有很重要的参考意义。但是，春节因素通常会对1-3月份的月度数据造成干扰，这无疑会加大数据分析与预测的难度。通行观点认为，排除春节错位干扰的处理方法是1-2月份数据合在一起处理，但由于春节因素的影响时间可能持续较长，并且在不同阶段对经济数据的影响可能并非对称性的，这种处理方法可能难以完全排除春节错位因素的影响。
我们认为，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。鉴于此，我们尝试将春节因素纳入分析框架中。这首先需要将春季因素细分化与定量化，在第一部分，我们提出定量衡量春节因素的一个思路。在第二部分与第三部分，我们分别以出口增速、CPI猪肉价格增速为例，说明春节因素在数据预测与分析时的具体运用。
一、春节因素的衡量
春节因素的影响需要细分化，需要区分节前、节中与节后的影响。通行观点认为，春节假期会对经济活动存在负向影响，排除春节错位干扰的处理方法是1-2月份数据合在一起处理，最典型的是工业增加值、社会零售额、固定资产投资等指标的增速仅公布1-2月累计数据，而不再单独公布1月数据。1-2月份数据合并处理的逻辑基础是，春节因素对当月经济数据的影响是同质的，而且影响只限于春节前后的几天。但从逻辑上看，春节的影响持续时间较长，不同阶段对同一经济数据的影响可能会存在差异。例如，在春节假期来临之前，企业一般倾向于赶工，而在春节假期期间以及春节假期后，企业一般停工，因此春节因素的不利影响在春节当天其实已经提前反映，并很可能对生产与出口等数据有正向影响。而在春节假期与假期后的一段时期，企业尚未复工，影响可能偏负面。由于每年春节对应的公历日期不同，前后可能会存在数天甚至是将近20天的差异，这样，每年春节前后月份受到的影响可能就跟上年相比有些差异，这种春节“错位”因素可能会导致月度同比增速数据造成比较大的波动，仅仅将1-2份数据合并处理仍难以完全排除春节因素的影响。正如易纲行长在3月份就金融数据接受采访时所表示的，“光1月份、2月份合在一起也不行…更全面的是把1月、2月、3月的数综合起来一起看”。但将1-3月数据合并处理的做法主要适用于事后分析，难以在数据预测中使用。
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。这里主要沿用第二种思路，但与一些研究以春节为中心将每个阶段设定为相等天数（如10天、15天等）的处理方法不同，我们认为，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[1]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。
经过数据转化后，可以得到春节“节前”、“节中”与“节后”因子。表1整理了2008-2018年的春节假期及春运起始时间，从中可以得到各年度“节前”、“节中”与“节后”的具体时间。按照这一分布，可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。例如，对于2018年2月，从1日到14日为“节前”，对应的“节前因子”为1（14/14），从15日到22日为“节中”，对应的“节中因子”为1（7/7），从23日到28日为“节后”，对应的“节后因子”为0.37（6/19）；对于2018年3月，则从1日至12日为“节后”，对应的“节后因子”为0.63（12/19）。与2018年2月相比较，2019年2月的“节前因子”较低、“节中因子”持平、“节后因子”较高；与2018年3月相比较，2019年3月的“节后因子”较低。出现这种差异主要是因为，2019年的春节较2018年提前了11天。
二、春节因素运用案例之一：出口增速的预测与分析
出口数据在经济分析中较为重要。一方面，出口增速数据公布较早，海关总署一般是每月的8号前后就会公布，而工业增加值等经济数据一般要等到月中，因此，出口增速通常能比较早的反映经济走势。另一方面，年初为数据空窗期，工业增加值、社会零售、投资等数据一般是在3月中旬公布1-2月份累计值，并未单独公布1月份数据，而出口数据有1月、2月单月增速公布，因此，即便从全年角度看，出口数据也是观察经济走势的比较早的信号。
1-3月份当月出口增速波动明显较大，加大预测与分析难度。从数据表现看，1-3月出口当月同比增速的波动区间非常大，高值可以达到40%以上甚至接近50%，低值可以低于-20%甚至是接近-30%，与历史数据中枢相比明显异常，而且一般会在相邻两个月就出现大起大落。这种特征很可能是受到某种因素的干扰，这无疑加大了数据预测与分析的难度。
出口当月同比增速在1-3月份的大起大落特征很可能跟春节错位因素有关。从逻辑上看，“节前”、“节中”与“节后”因子对于出口增速的影响可能存在差异。“节前”的影响可能偏正面，原因在于，出口订单通常是提前接到，因此在春节放假之前，企业可能会提前赶工以完成订单；“节后”与“节中”因子的影响很可能偏负面，原因是企业尚未能否复工。因此，如果相邻两年的春节日期相差较大，就有可能出现出口当月同比增速在1-3月份大起大落的情况。
可建立回归模型，考察春节因素对出口的影响。被解释变量是各月度美元计价的出口同比增速，核心解释变量是春节“节前”、“节中”与“节后”因子，考虑到出口同比增速是相对于本年当月出口规模与上年同月的变化，因此对出口增速有影响的应该是春节因子的同比变化，这里纳入模型的是各因子相对于上年同月的变化值。其他的控制变量包括理论上对出口增速有影响的一些指标，例如，以CRB指数增速反映商品价格变动，以人民币有效汇率指数同比反映汇率变动的影响，以美日欧加权PMI指数反映外部需求的变化，以上年同月环比增速反映基数影响，以时间虚拟变量反映诸如美国加征关税导致的出口抢跑等贸易环境变动的影响。这里对各变量的影响逻辑简单解释。
商品价格。从历史数据看，无论是中国出口增速还是全球贸易增速，都与商品价格高度相关，但大致滞后于商品价格增速一个季度左右。贸易与商品价格走势一致的原因，推测至少有两方面。一方面，全球贸易实际增速基本跟经济增速一致，相对平稳；但商品价格波动较大，因此全球商品贸易增速更多取决于价格增速。另一方面，许多资源出口型国家通常需要通过出口获取外汇，而外汇获取能力对这些国家的进口能力有较大制约，商品价格的上涨有助于这类国家提高进口能力，进而扩大全球贸易以及对中国商品的进口需求。
人民币汇率。根据传统经济学理论，一国货币升值，会导致本国商品的出口竞争力下降，进而不利于出口，反之亦然。并且按照“J曲线”效应，从币值变化到贸易增速变化，通常有一定时滞。具体到中国出口，这一规律同样存在，从历史经验看，人民币有效汇率指数同比大致领先出口同比增速两个季度左右。
外需的边际变化。毫无疑问，外部需求的变动会对出口增速有直接影响。通常反映外部需求变动的综合指标有全球或主要经济体的经济增速、OECD领先指数、摩根大通全球综合PMI指数等等。考虑到数据可得性与预测的及时性需要，我们使用美日欧三国的加权PMI指数（权重为中国对其出口规模）作为外需变化的衡量指标。
基数的影响。近似来看，月度同比=上月同比+当月环比-上年当月环比。因此，如果要考察出口同比增速的走势，关键是比较当月环比与上年当月环比两者孰大孰小。如果当月环比高于上年当月环比，则当月同比较上月扩大；反之亦然。因此，如果上年当月环比过高，则对应基数较高，月度同比增速下行压力相对较大。反之亦然。
贸易环境变动虚拟变量。一些外生变量可能也会影响企业行为，进而影响出口增速。典型的案例是2018年的中美贸易摩擦。自美国在2018年3月对华301调查的结果公布后，中美贸易摩擦一直就是扰动市场的主要因素。但在贸易战的隐忧下，中国出口依然保持了较高增速，原因在于出口商赶在关税措施生效前提前出口。
加入春节因素后会提高出口增速的预测准确性。回归结果显示，基准模型与修正模型R2均超过0.8，所有变量均通过显著性检验且系数符号跟预期一致。具体到春节因子，“节前因子”回归系数为正，“节中因子”与“节后因子”回归系数均为负值，符合前述节前赶工有正向影响、节中与节后未复工有负向影响的逻辑分析。从拟合结果看，加入春节因素后的预测准确性明显提高。这可以从两个方面观察。一是跟市场平均预测值（以Wind收录的市场预测平均值衡量）比较，误差值显著降低。二是将未纳入春节因素的回归方程作为比照模型。可以发现，比照模型的回归效果R2明显下降，而且预测误差值明显增大。
从数据分析的角度看，考虑春节因素影响也有助于更准确的把握出口趋势。1-3月份出口同比增速的大起大落容易造成对未来出口走势预期的明显变化，加大分析难度。如果剔除春节因素的影响，则出口增速变得更为平稳，跟全年增速的中枢值也更为接近。因此，考虑春节因素影响也有助于更准确的把握出口趋势。
三、春节因素运用案例之二：CPI猪肉价格增速预测
春节因素对于CPI通常有明显的影响，把握春节因素的影响对于CPI增速预测非常重要。第一，春节期间CPI增速波动较大，把握春节因素的影响对预测非常关键。第二，把握春节因素的影响不仅对年初（通常是1-3月）月度CPI增速（可理解为“短期预测”）结果有参考意义，而且对往后各月以及全年CPI增速中枢（可理解为“长期预测”）均有参考意义。原因在于，各月CPI同比增速大致可视为是连续12个月环比的累计变动结果，因此，年初月份的CPI增速预测结果将直接影响之后各月份的CPI增速预测，进而对全年CPI增速中枢预测值都有比较大的影响。2016年与2017年是典型案例，在年初CPI增速低于预期后，市场对全年CPI增速中枢的预测相应下移，年初的CPI增速高低基本奠定了全年的增速幅度。从这些角度看，在年初预测时，无论是短期预测还是长期预测，春节因素的影响都值得关注。
对于CPI的预测，猪肉价格非常关键，但2-3月份高频数据对CPI猪肉价格增速的预测效果不是十分理想，甚至出现方向相反的现象。估测猪肉价格增速时，市场在2017年及之前普遍使用统计局50城主要食品平均价格，预测效果比较好。但2018年开始该项指标不再公布，市场转而使用商务部、农业部、22省市、发改委等其他食品高频指标，但这些高频指标的准确性较统计局50城数据有所降低。这里需要说明的是，即便是不考虑春节因素的影响，CPI猪肉价格环比增速的幅度通常要小于高频数据增幅，比如，用历史数据回归的农业部批发价格增速系数是0.66左右，这种高频数据变动低于最终实际值的情况在价格预测时普遍存在。但即便抛开这个因素不谈，在2、3月份经常会出现高频数据对CPI猪肉价格增速的预测效果较差、甚至出现方向相反的现象。以2月份的预测结果为例，2015、2018、2019年都出现CPI猪肉价格环比增速为正值、高频数据猪肉价格环比为负值的情况，误差值近4-5个百分点，以通常市场认为的猪肉在CPI中的权重2.5%-3%计算，会导致CPI增速估测误差值近1个百分点；3月份的预测结果要稍微好一些，但也出现类似2016年的CPI猪肉价格与商务部批发价格、22省市猪肉价格环比增速背离的情况，另外，2019年的CPI猪肉价格环比要大幅低于高频数据环比增速。
推测CPI猪肉价格增速与高频数据价格增速之间的误差值是跟春节因素的影响有关，逻辑可能有两点，一是公开样本点偏差，二是流通环节的利润加成。常用高频数据中，商务部与22省市猪肉价格是周度数据，按照每周一次的频率，春节假期应当有一次数据公布；农业部数据为日度数据，按照工作日公布的规律，春节假期期间也应有5个左右的数据样本点。但因为是春节假期期间，这些样本点数据并未公布。由于春节期间猪肉价格一般走高、节后回落，这样，在计算月度均值的时候，相当于高频指标数据少了高数据样本点。而统计局编制CPI时，对于与居民生活密切相关的、变动较频繁的商品（通常是食品）的采样频率通常是逢0、逢5的日期，五天一次的频率能保障春节假期有1-2个样本点。另外，高频数据通常为批发价格，而CPI是零售端价格，春节期间猪肉需求旺盛，流通环节可能利润加成较高。基于春节期间的样本点偏差以及流通环节利润加成考虑，逻辑上会导致春节通常所在的月份CPI猪肉价格环比要高于高频数据，而春节次月的情况刚好相反。
作为对这一猜测的检验，我们梳理了2016年与2017年的情况，结果支持这一判断。统计局CPI核算使用的样本点数据虽然无法获得，但2016年与2017年统计局均公布了春节假期期间样本点的50城市零售数据，尽管频率为旬度（低于核算样本点），但基本能反映春节期间的猪肉价格变化。从中可以看出，2016与2017年春节假期期间商务部、农业部、22省市和发改委等高频数据基本没有样本点公布，统计局50城零售数据仍有样本公布。从价格变化看，春节期间猪肉价格均有明显上涨。2017年1月30日（大年初三）50城猪肉价格零售价32.93元/公斤，较前后两个数据样本点（1月10日31.88元/公斤、30日分别是32.08元/公斤）明显偏高。2016年的情况类似，2月10日（大年初三）50城猪肉价格零售价32.22元/公斤，而本月其他两个数据样本点10日与30日只有30.34元/公斤与31.75元/公斤。显然，由于春节假期数据的缺失，高频数据月度价格均值可能会低估猪肉价格，这会导致春节当月猪肉价格环比预测值偏低，同时春节次月猪肉价格环比预测值偏高。
上述分析对于研究框架的启示在于，对于春节当月与次月的猪肉价格变动预测时，如果使用高频数据，需要考虑春节因素可能导致的系统性偏差。具体而言，可构建回归方程，将CPI猪肉价格环比增速作为解释变量，将农业部猪肉批发价格指数环比增速作为主要解释变量，同时加入春节“节前”因子、“节中”因子、“节后”因子的环比差值，作为基准模型。考虑到类似的逻辑在其他月份可能也存在（例如国庆假期期间），可以加入月份虚拟变量作为修正模型。用可获得的2014年7月至2019年3月数据的回归结果显示，基准模型与修正模型R2均达到0.96左右，主要解释变量回归系数显著且符合预期，修正模型中部分月份虚拟变量回归系数不显著，因此舍弃。
从结果看，猪肉价格环比增速预测值跟实际值在大部分时间非常接近，表明预测结果较为理想。“节前”因子回归系数不显著，表明节前并不存在高频数据与CPI实际猪肉价格的增速差异，或者说，高频数据基本反映了实际情况；“节后”因子回归系数为正，表明春节期间，从批发价格到零售价格需要加入一个调节因子，这个调节因子既可能来自于零售环节在春节期间利润加成（批发价格和零售价格之差）的扩大，也可能来自于假期高价格样本点的缺失；“节后”因子回归系数同样为正值，但系数要明显小于“节中”因子，原因可能在于，虽然高价格样本在春节假期缺失导致节后猪肉价格环比回落，但在“节后”零售环节的利润加成可能仍存较为明显，导致“节中”因子影响依然为正值；农业部猪肉批发价格指数环比增速回归系数大致为0.66，符合CPI猪肉价格增速低于高频数据增速的现象。
预测结果显示，2、3月份预测值与实际值的误差较高频数据明显缩窄，表明CPI预测准确度明显提升。以2月份为例，2015年、2018年、2019年CPI猪肉价格环比与高频数据方向相反，但与这里的预测结果方向一致；以3月份为例，2019年的预测值与实际值间的误差只有0.7个百分点，明显低于高频数据与实际值的误差。
注释：
[1]对于多数年份，腊月有三十，因此从腊月十五到除夕共计16天；少数年份没有腊月三十，从腊月十五到除夕为15天。这里为计算方便，统一设为16天。另外个别年份春节假期从正月初一开始，这里统一从腊月三十开始。
增长之惑系列
【增长之惑】之十八：社零增速回落，为何消费对经济增长拉动率却提升？
【增长之惑】之十七：社会集团消费：被忽视的社零回落因素
【增长之惑】之十六：春节因素对出口影响再探讨
【增长之惑】之十五：投资高估？规模与速度的分化
【增长之惑】之十四：“挤水分”如何影响全国投资增速？
【增长之惑】之十三：工业增加值的行业结构估测
【增长之惑】之十二：“僵尸企业”测度：变化趋势、行业分布与地区比较
【增长之惑】之十：动能式微：贸易修复接近尾声的四点逻辑
【增长之惑】之九：外需改善的影响有多大：估测出口对工业增加值贡献的一种方法
【增长之惑】之八：工业产能利用率的变化趋势、行业比较与隐含推论
【增长之惑】之七：一季度经济数据的三个背离与辨析
【增长之惑】之六：企稳反弹非复苏，通胀压力仍有限:对当前宏观经济形势的认识
【增长之惑】之五：人民币贬值对行业影响几何？基于行业利润率变动的分析
【增长之惑】之四：对需求与生产数据背离的一个解释——兼论“单缩法”对工业增加值核算的影响
【增长之惑】之三：内虚难顶外风寒——中国近期出口下滑的因素分析
【增长之惑】之二：消费需求升级趋势下的行业机遇
【增长之惑】之一：折断的天使之翼——民间投资下滑原因分析
拨开迷雾话外需系列
【拨开迷雾话外需】之五：抢跑？绕道？中国的出口韧性来自何处？参照海外贸易数据的验证
【拨开迷雾话外需】之四：美国的出口管制趋严对我国影响有多大？
【拨开迷雾话外需】之三：对贸易战对GDP与各行业冲击的全景估算
【拨开迷雾话外需】之二：四季度净出口改善为何未提振工业：对于支出法GDP中净出口贡献的拆解
【拨开迷雾话外需】之一：外需改善的背后是谁解放了谁
产业之思系列
【产业之思】之七：粤港澳大湾区蕴含的产业机遇
【产业之思】之六：制造业投资回暖空间剩多少？
【产业之思】之五：利润是影响行业涨跌幅的关键因素吗？
【产业之思】之四：行业利润上升能改善上市公司效益吗？
【产业之思】之三：产业政策如何推动行业发展
【产业之思】之二：一文读懂高技术制造、先进制造、高端装备、装备制造的异与同
【产业之思】之一：行业集中度提高会带来利润率上升吗
虚实之间系列
【虚实之间】之十：2019年去杠杆展望：防范“灰犀牛”与经济转型并举
【虚实之间】之九：长安居大不易：城镇化与居民潜在住房杠杆
【虚实之间】之八：以退为进的里根模式 ：拉弗曲线、李嘉图等价与里根减税
【虚实之间】之七：逆水行舟 ：金融周期约束下的基建扩张
【虚实之间】之六：周期因谁而动：金融周期拐点判断信号梳理
【虚实之间】之五：谁因周期而动：金融周期中的经济、政策与大类资产表现
【虚实之间】之四：中国金融周期波动与美林时钟的框架结合，时钟上的波浪
【虚实之间】之三：云在青天水在瓶：对近期房地产投资与相关指标背离的理解
【虚实之间】之二：纠缠的轮回：金融周期下半场的去杠杆
【虚实之间】之一：泉行天下：货币分布的区域不平衡及经济影响
汇率之变系列
【汇率之变】之九：港元走弱背后，哪些值得关注？
【汇率之变】之八：非农出股债杀通胀正改变资产运行逻辑
【汇率之变】之七：美元走弱背后的恶意、痛点和趋势
【汇率之变】之六：当滞后通胀的欧洲央行遇上前瞻通胀的美联储
【汇率之变】之五：人民币升值七问
【汇率之变】之四：8·11汇改两周年：当人民币升值不再依赖弱美元与强干预
【汇率之变】之三：中美利差因谁而动：再论人民币汇率与中美利差的关系
【汇率之变】之二：近期CFETS指数创新低是否有意为之？
【汇率之变】之一：央妈无心插柳，离岸空头哀鸿遍野
海外拾贝系列
【海外拾贝】之十：土耳其变局背后，新兴经济体的宿命与反抗
【海外拾贝】之九：莫斯科不要眼泪：俄罗斯应对经济制裁的经验教训与启示
【海外拾贝】之八：中美经贸变局起，全球市场何处去？
【海外拾贝】之七：《广场协议》与美日贸易摩擦，被误5读的历史和对我们的启示
【海外拾贝】之六：膝跳反应后，我们怎样看待贸易战的长期影响
【海外拾贝】之五：四季度净出口改善为何未提振工业：对于支出法GDP中净出口贡献的拆解
【海外拾贝】之四：美股调整是经济周期转折的信号吗？
【海外拾贝】之三：外需改善的背后是谁解放了谁？
【海外拾贝】之二：全球经济复苏，共性与差异
【海外拾贝】之一：从当选到就职，特朗普的政策会变吗？
价格之翼系列
【价格之翼】之二十：从“滞涨”到“通缩”：缘由、展望与影响
【价格之翼】之十九：重构月度CPI增速预测方法
【价格之翼】之十八：“通胀迷思”：2019年CPI展望
【价格之翼】之十七：从猪粮比价预测猪肉价格未来走势
【价格之翼】之十六：寿光受灾，菜价上涨对CPI影响几何？
【价格之翼】之十五：如何理解人民币贬值对通胀的影响？
【价格之翼】之十四：从大豆到CPI：对美大豆加关税，需要担忧国内通胀吗？
【价格之翼】之十三：GDP平减指数：误区与估测
【价格之翼】之十二：从油价到CPI：影响弹性与情形设定
【价格之翼】之十一：PCE物价指数的预估方法及趋势判断
【价格之翼】之十：CPI：雀跃难高飞
【价格之翼】之九：利用高频数据预测PPI增速
【价格之翼】之八：农业供给侧改革：背景、重点与影响
【价格之翼】之七：PPI的回升是去产能导致的吗？
【价格之翼】之六：货币超发为何没有引发通胀？
【价格之翼】之五：利用高频数据预测CPI食品价格变动
【价格之翼】之四：M1增速上涨的原因及其对CPI的影响
【价格之翼】之三：莫听穿林打叶声，何妨吟啸且徐行——当前PPI上行对CPI的影响分析
【价格之翼】之二：PPI对CPI的影响——历史考察与传导机制
货币与监管系列
【货币与监管】之二十二：安内优先：2019年货币政策展望
【货币与监管】之二十一：迷茫中的等待
【货币与监管】之二十：转型中的焦虑：去杠杆与信用收缩的认识误区
【货币与监管】之十九：货币政策的变与不变
【货币与监管】之十七：社融、增长与宏观杠杆的周期轮回
【货币与监管】之十六：社融-M2分析框架仍然有效吗？
【货币与监管】之十五：再论美债收益率：背离现象、演变趋势及其对中国的影响
【货币与监管】之十四：利率之惑（上）：央行“加息”的利与弊
【货币与监管】之十三：2018年，从“负债刚性”走向“负债荒”？
【货币与监管】之十二：2018年货币政策展望及资产配置策略
【货币与监管】之十一：利率分层的远虑：央行还会“随行就市”吗？
【货币与监管】之十被动去杠杆之殇：金融去杠杆破局之路
【货币与监管】之九M2触底回升还是昙花一现？
货币之锚系列
【货币之锚】之六：货币政策：转向易 提速难
【货币之锚】之五：调控方式转变，利率走廊隐现
【货币之锚】之四：资金利率何时可向下突破？
【货币之锚】之三：期限利差的周期之轮
【货币之锚】之二：美联储加息轮回考
证券研究报告名称：《经济分析中的春节因素：衡量、影响与运用》
对外发布时间：2019年4月29日
报告发布机构中信建投证券股份有限公司
黄文涛
huangwentao@csc.com.cn
执业证书编号：S1440510120015
董敏杰
dongminjie@csc.com.cn
执业证书编号：S1440518020001
免责声明：
