文档介绍：我们于 2019 年 10 月发布了国泰君安经济领先指数 版，初版的领先指数中我们考虑了实体经济传统部门和新经济部门两大领域的产业链特征和高频数据，最终形成了大致领先经济 2~4 个月的长期、短期、综合领先指数，用于把握宏观经济的潜工业经济动能在各个生产环节的具体强弱。
构造近月、远月指数：在宏观经济这座森林里，领先季节的这些关键植物往往具有不同的领先周期。因此，我们将 34 个关键变量按照其前瞻性的不同，划分为专门用于捕捉未来 3 个月经济动能的近月指标和预测未来 9 个月经济
动能的远月指标，分别用于合成近月领先指数和远月领先指数。
领先指标的筛选与提取
本文选择解释变量时，主要从工业生产的各个环节出发，充分考虑各个潜在解释变量的经济学意义。我们将工业生产的产业链大致分解为上游、中游、下游以及融资环境这四大领域、十大环节，我们初选出 229 项潜在高频数据。
表 1： 四大领域、十大环节的 229 项热点高频数据
产业链位置
变量类型
潜在变量数量（个）
上游
大宗及原材料产量
58
中游
机械设备产销
16
开工率
4
下游
PMI
28
消费品产量、交通
29
房地产
12
进出口、汇率
16
融资环境
流动性社融
14
流动性利率
30
流动性股市
22
Wind，
本文最终筛选出 34 个与工业增加值同比增速关系密切的关键变量。我们对229
项解释变量进行逐个遍历，并对每个解释变量向前追溯 13 期的历史信息，相当于做了 3206（229 × 14）次回归分析，从而确定到底是哪一个变量的哪一历史时期与眼下的工业增加值同比增速关系最为密切。遍历的样本期确定为 2007 年 1 月
到 2022 年 4 月，本文的计量模型能够实时修正工业增加值同比增速与解释变量
的相关系数。最终，我们发现共有 34 个解释变量满足我们的目标。具体来看，关
键变量的筛选有以下三大标准：
产业链内部与生产密切相关的变量：对于这一类变量，我们一般选择系数绝对值尽量大、显著性尽量高的变量，并且忽略上一轮经济周期的可能影响。
融资环境相关的变量：对于这一类变量，我们略过近期的逆周期操作，选择在更早以前系数尽量大、显著性尽量高的变量。
滞后期的选择：大部分月度数据的发布往往要在次月的下旬公布，尤其是一月和二月的当月数据往往到三月底才能公布，为了实现对未来经济动能的预测，我们需要舍弃一些领先性较差的关键变量。
我们可以使用如下所示的系数与显著性表，有的放矢地挑选出与经济动能关系最为密切的关键变量。简单来说，解释变量的系数越显著（表格颜色越深），数值相
对越大，这一期的解释变量与工业增加值同比的关系越密切。表中浅蓝色部分是解释变量的原始名称，深蓝色部分是解释变量的滞后期，标橘红的系数在 99%的水平下显著（相关性极高），标黄的系数在 95%的水平下显著（相关性高），白色的系数不显著。举例来看：
我们发现大宗及原材料产量对工业增加值同比具有较为明显的近月领先性，这体现在诸如粗钢、焦炭、发电量和火电等产品产量的当月同比表现出非常 明显的近月领先性，这些变量最早能够提前 2~4 个月帮助我们预测工业增加
值同比增速，因此这一类解释变量可以视为备选变量，而原煤和风电等产品产量的同比增速没有表现出对工业增加值同比增速的领先性，因此这一类解释变量会被我们排除。
我们发现流动性利率对工业增加值同比具有较为明显的远月领先性，这体现在诸如 1Y 国债收益率、3Y 国债收益率、5Y 国债收益率和 10Y 国债收益率
的当月同比具有非常明显的远月领先性，这类变量可以提前约两个季度为我们提示工业增加值同比增速的可能读数。此外，这类变量与工增同比的相关系数均为负数。这说明虽然理论上“市场利率底”应与“经济底”同步，但由于投资者会提前对经济前景产生预期，最终“利率底”对“经济底”有明显的领先性。而长短端利率的期限利差收窄，预示着市场对未来经济较悲观，期限利差走阔，则表明市场预期未来经济向上。
工业企业、居民在资本市场上直接的融资成本通常表现为企业贷款利率、房贷利率等各类银行利率，而各类银行利率又由国债利率或 Shibor 利率固定加点构成。融资成本的下降对工业增加值同比增速的推动作用将在远期产生效果，因此，与利率相关的解释变量可以被看作是备选的远期关键变量。
我们在筛选与货币政策关系密切的利率相关变量时，需要注意这类变量的近月滞后项与工业增加值同比往往呈现正向关系，这实际上可能反映了货币政策在经济过热时的紧缩应对，不能解读为经济动能随着当期利率提高而上升。
表 2： 产业链内部与生产密切相关的变量系数与显