[文献精汇]M2 作为市场趋势的预测指标

 2024年专题

• 量化专题 共计 102 篇
  涵盖量化框架、数据篇、风险与收益、策略篇、多因子模型、编程篇、图形篇、机器学习、Backtrader等主题，全方面了解量化领域知识。
• 机器学习共计29篇
  涵盖机器学习基本介绍、监督学习、集成算法、无监督学习以及机器学习实战。
• 研报复现 对光大、广发等券商研报进行复现，主要包括RSRS、技术指标等复现和学习。
  • 券商研报 共计 9 篇
  • 技术指标 共计29篇
• 文献精汇共计9篇
  收录国内外机器学习、量化交易、人工智能方面的文献及研究。
• 聊一聊系列共计20篇
  该专题围绕金融行业政策及法律法规解读以及券商信息系统介绍。券商信息系统方面介绍券商业务系统，包括新一代集中交易（经纪业务系统）、公募基金券商结算系统、券商场外柜台交易系统、转融通等。
• 金融周报 共计104篇
  基于基金公司研报实现对ETF、可转债每周行情分析。

---

M2 as a Predictor for Market Trends

货币供应量（M2）的定义

M2 是广义货币供应量的简称，它包括流通中的现金（M0）、活期存款（M1），以及定期存款、储蓄存款和其他形式的存款。具体来说：

• M0

  流通中的现金，即在银行体系外的现金。

• M1

  M0 + 企业活期存款。

• M2

  M1 + 定期存款 + 居民储蓄存款 + 其他存款。

M2 反映了一个国家或地区内所有可以用于消费和投资的货币总量，不仅反映现实的购买力，还反映潜在的购买力。

M2 对经济的影响

1. 经济增长

• M2 增速与 GDP 增速

  M2 的增长速度通常高于 GDP 增速。如果 M2 增速过快，而 GDP 增速较慢，表明广义货币拉动经济增长的效率越来越低。

• 经济活力

  M1 和 M2 的增速差（剪刀差）可以反映经济的活跃程度。如果 M1 增速大于 M2，表明市场上的“活钱”增多，经济活力较强；反之，如果 M1 增速小于 M2，表明市场上的“死钱”增多，经济活力较弱。

1. 通货膨胀

• 货币超发

  M2 增速过快可能导致通货膨胀。虽然中国目前没有长期的通货膨胀，但资产价格泡沫化也是判断货币是否超发的一个重要指标。

• 物价水平

  M1 的增速较快通常会导致消费和终端市场活跃，可能出现通货膨胀；而 M2 的增速较快则可能导致投资和中间市场活跃，出现资产泡沫。

1. 货币政策：

• 央行调控：中央银行和各商业银行可以根据 M2 的变化来调整货币政策。如果 M2 过高而 M1 过低，表明投资过热、需求不旺，有危机风险；反之，如果 M1 过高而 M2 过低，表明需求强劲、投资不足，有涨价风险。

M2 对股市的影响

1. 资金流动性

• M2 增速与股市

  M2 增速较快时，市场上的资金量增加，资金流动性增强，通常会推动股市整体上涨。反之，M2 增速较慢时，股市整体表现可能不佳。

• 剪刀差影响

  M1 和 M2 的剪刀差收窄时，资金活跃度上升，可能预示着股市资金面改善，对股市有积极影响。

1. 市场预期

• 投资者信心

  M1 增速较快时，投资者信心增强，经济活跃度提高，股市和房地产市场通常会上涨；反之，M1 减速时，股市和房地产市场可能会下跌。

• 资产配置

  当 M2 增速较快而 M1 增速较慢时，部分资金可能会从定期存款中释放出来，流入股市，推动资产价格上升。

M2 作为广义货币供应量，是衡量经济和金融市场的重要指标。它不仅反映现实和潜在的购买力，还对经济增长、通货膨胀和股市表现有重要影响。M2 的增速和结构变化可以为中央银行和投资者提供重要的决策依据。

M2, S&P 500 and Gold

png

该图将货币供应量 （M2） 的增加与购买和持有标准普尔 500 指数和黄金的回报进行了比较，这些资产是过去 20 年（2004 年至 2024 年）全球顶级资产中出现大量流入的主要资产。

如果你仔细观察，你会发现标准普尔 500 指数与 M2 密切相关，唯一明显的背离发生在 2008-2010 年次贷危机期间。至于黄金，它的价值一直在稳步增长，但当其回报偏离 M2 太多时，它往往会下降并恢复平衡。

如果我们从视觉上看，它已经很清楚了。然而，将其与统计数据进行比较会使其更加明显。

	M2SL	S&P 500	Gold
M2SL	1.000000	0.967924	0.819622
S&P 500	0.967924	1.000000	0.712589
Gold	0.819622	0.712589	1.000000

相关矩阵显示了三个变量之间的关系：M2SL（M2 货币供应量）、标准普尔 500 指数和黄金。

• M2SL 和标准普尔 500 指数 （0.9679）：这是一个非常高的正相关。这意味着 M2 货币供应量和标准普尔 500 指数的走势非常相似。当 M2 增加时，标准普尔 500 指数也往往会增加，反之亦然。
• M2SL 和黄金 （0.8196）：这也是一个很强的正相关，尽管没有 M2 和标准普尔 500 之间的正相关那么高。它表明 M2 货币供应量和黄金价格往往一起上涨和下跌，但这种关系并不像标准普尔 500 指数那样紧密联系。
• 标准普尔 500 指数和黄金 （0.7126）：标准普尔 500 指数和黄金之间存在适度的正相关关系。这表明，虽然它们确实倾向于朝着相同的方向移动，但相关性比 M2SL 弱。换句话说，股票市场 （S&P 500） 的表现与黄金价格有一定的相关性，但其他因素可能会影响它们的走势。

总结

M2SL 和标准普尔 500 指数显示出非常强的相关性，表明 M2 可能对股市产生重大影响。

M2SL 和标准普尔 500 指数都与黄金呈显著的正相关，但与标准普尔 500 指数相比，与黄金的相关性较弱。

从数据中，我们可以看到股票与货币供应量 （M2） 密切相关。因此，让我们使用线性回归模型更深入地研究这个问题。

                            OLS Regression Results                            
==============================================================================
Dep. Variable:                S&P 500   R-squared:                       0.937
Model:                            OLS   Adj. R-squared:                  0.937
Method:                 Least Squares   F-statistic:                     3547.
Date:                Fri, 10 Jan 2025   Prob (F-statistic):          2.23e-145
Time:                        17:50:49   Log-Likelihood:                -1694.3
No. Observations:                 241   AIC:                             3393.
Df Residuals:                     239   BIC:                             3400.
Df Model:                           1                                         
Covariance Type:            nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
const       -512.7590     47.944    -10.695      0.000    -607.205    -418.313
M2SL           0.2192      0.004     59.559      0.000       0.212       0.226
==============================================================================
Omnibus:                       41.431   Durbin-Watson:                   0.176
Prob(Omnibus):                  0.000   Jarque-Bera (JB):                9.972
Skew:                          -0.041   Prob(JB):                      0.00683
Kurtosis:                       2.007   Cond. No.                     3.53e+04
==============================================================================

Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
[2] The condition number is large, 3.53e+04. This might indicate that there are
strong multicollinearity or other numerical problems.

模型摘要

• R 平方 （0.937）：这表明标准普尔 500 指数中大约 93.7% 的方差可以用 M2 货币供应量来解释。这是一个非常强的关系，表明 M2 对标准普尔 500 指数的走势有重大影响。

• 调整后的 R 平方 （0.937）：该值与 R 平方几乎相同，这是一个好兆头，表明模型拟合良好，并且没有太多的过拟合。

• F 统计量 （3547）：F 统计量检验模型作为一个整体是否具有统计显著性。非常高的值 （3547） 和相应的 p 值 （2.23e-145） 确认模型非常显著。

一旦我们知道了这一点，我们就可以轻松地将可用数据应用于现实世界的投资。例如：

• 1.预测标准普尔 500 指数：
  鉴于 M2SL 与标准普尔 500 指数之间的密切关系，您可以使用该模型根据 M2 的预期变化预测标准普尔 500 指数的未来走势。例如，如果预计 M2 会上涨，模型表明标准普尔 500 指数可能会相应地上涨。

• 2.投资策略：
  投资者可以根据 M2 的行为使用此信息来调整他们的投资组合。如果 M2 快速增长，则可能预示着股市（标准普尔 500 指数）上涨，从而导致更看涨的投资策略。

相反，如果 M2 正在收缩或缓慢增长，则可能表明标准普尔 500 指数的上行压力较小，可能会促使人们做出更保守的投资选择。

此外，我们不一定非要投资标准普尔 500 指数本身。凭借更多的知识和研究，我们可以在标准普尔 500 中选择个股，以潜在地获得高于整体市场的年回报率。例如：我们可以建立一个假设，尝试购买标准普尔 500 指数中跌幅小于 50% 的个股，并研究结果会是什么。我将在以后的文章中演示这一点。

M2，上证，深证

M2 同比

month	1	2	3	4	5	6	7	8	9	10	11	12
year
2000	14.89	12.79	13.04	13.65	12.70	13.69	13.38	13.26	13.38	12.25	12.38	12.27
2001	13.47	12.00	13.20	12.80	12.10	14.30	13.52	13.61	16.36	12.90	17.63	17.60
2002	13.10	13.00	14.40	14.10	14.00	14.70	14.40	15.50	16.50	17.00	16.60	16.78
2003	19.30	18.10	18.54	19.20	20.20	20.82	20.70	21.60	20.67	21.00	20.40	19.58
2004	18.14	19.43	19.11	19.12	17.71	16.36	15.49	13.84	14.14	13.65	14.23	14.67
2005	14.50	14.23	14.22	14.28	14.64	15.67	16.30	17.34	17.92	17.99	18.30	17.57
2006	19.21	18.82	18.76	18.92	19.05	18.43	18.40	17.94	16.83	17.08	16.80	16.94
2007	15.79	17.78	17.27	17.09	16.74	17.06	18.48	18.09	18.45	18.47	18.45	16.70
2008	18.88	17.39	16.19	16.94	18.07	17.37	16.35	16.00	15.29	15.02	14.80	17.82
2009	18.79	20.48	25.51	25.95	25.74	28.46	28.42	28.53	29.31	29.42	29.74	27.68
2010	25.98	25.52	22.50	21.48	21.00	18.50	17.60	19.20	19.00	19.30	19.50	19.70
2011	17.20	15.70	16.60	15.30	15.10	15.90	14.70	13.50	13.04	12.90	12.70	13.60
2012	12.40	13.00	13.40	12.80	13.20	13.60	13.90	13.50	14.80	14.10	13.90	13.80
2013	15.90	15.20	15.70	16.10	15.80	14.00	14.50	14.70	14.20	14.30	14.20	13.60
2014	13.20	13.30	12.10	13.20	13.40	14.70	13.50	12.80	12.90	12.60	12.30	12.20
2015	10.80	12.50	11.60	10.10	10.80	11.80	13.30	13.30	13.10	13.50	13.70	13.30
2016	14.00	13.30	13.40	12.80	11.80	11.80	10.20	11.40	11.50	11.60	11.40	11.30
2017	10.70	10.45	10.12	9.84	9.13	9.10	8.89	8.56	8.98	8.88	9.11	8.07
2018	8.60	8.80	8.20	8.30	8.30	8.00	8.50	8.20	8.30	8.00	8.00	8.10
2019	8.40	8.00	8.60	8.50	8.50	8.50	8.10	8.20	8.40	8.40	8.20	8.70
2020	8.40	8.80	10.10	11.10	11.10	11.10	10.70	10.40	10.90	10.50	10.70	10.10
2021	9.40	10.10	9.40	8.10	8.30	8.60	8.30	8.20	8.30	8.70	8.50	9.00
2022	9.80	9.20	9.70	10.50	11.10	11.40	12.00	12.20	12.10	11.80	12.40	11.80
2023	12.60	12.90	12.70	12.40	11.60	11.30	10.70	10.60	10.30	10.30	10.00	9.70
2024	8.70	8.70	8.30	7.20	7.00	6.20	6.30	6.30	6.80	7.50	7.10	nan

M2 环比

png

M2、上证指数、深证综指

png

	深证综指	上证指数	M2
深证综指	1.000000	0.934571	0.553763
上证指数	0.934571	1.000000	0.538868
M2	0.553763	0.538868	1.000000

总结

M2 和上证指数、深证综指 相关性不大，表明 M2 可能对股市产生影响有限。让我们使用线性回归模型更深入地研究这个问题。

                            OLS Regression Results                            
==============================================================================
Dep. Variable:                   上证指数   R-squared:                       0.290
Model:                            OLS   Adj. R-squared:                  0.288
Method:                 Least Squares   F-statistic:                     121.5
Date:                Fri, 10 Jan 2025   Prob (F-statistic):           6.42e-24
Time:                        20:34:53   Log-Likelihood:                -2392.1
No. Observations:                 299   AIC:                             4788.
Df Residuals:                     297   BIC:                             4796.
Df Model:                           1                                         
Covariance Type:            nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
const       2011.6370     67.609     29.754      0.000    1878.584    2144.690
M2             0.0005   4.69e-05     11.024      0.000       0.000       0.001
==============================================================================
Omnibus:                      139.819   Durbin-Watson:                   0.096
Prob(Omnibus):                  0.000   Jarque-Bera (JB):              646.768
Skew:                           1.959   Prob(JB):                    3.60e-141
Kurtosis:                       9.047   Cond. No.                     2.33e+06
==============================================================================

Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
[2] The condition number is large, 2.33e+06. This might indicate that there are
strong multicollinearity or other numerical problems.