PMI是通过对采购经理的月度调查汇总出来的指数，能够指示经济的环比变动方向。PMI于当月末发布，能够领先其他经济指标反映当月经济状况，也是影响资产价格走势的重要因素。因此，对PMI的临近预测就显得很重要。而采用高频经济数据对PMI的预测效果欠佳。本文借鉴2019年BIS论文《金融条件与PMI：探讨二者之间的关系》的思路，构建了我国PMI预测模型。
　　一、当期PMI与上一期PMI存在较好的正相关性
　　从国内外历史经验来看，当期PMI与上一期存在较好的正相关性，即一阶自相关性显著，并且疫情前效果更好。PMI的一阶自相关性主要源于四个因素：经济周期、企业预期和经营决策惯性、企业扩张的滞后效应、外部冲击和政策的持续性。
　　因而我们将前一期PMI单变量回归当期PMI作为基准模型，在此基础上添加其他能改善模型解释力的金融变量。为剔除疫情的影响，只考虑2020年之前的样本。仅用前一期PMI预测当期PMI的基准模型R2为0.68。
　　二、美元指数、股市走势和信用利差代表的金融变量能否改善基准模型对PMI的预测效果
　　PMI与股指环比变动正相关。股票指数包含了对未来经济景气度和盈利能力的前瞻性信息。我国PMI与上证综指环比变动相关系数为0.18。
　　PMI与信用利差环比变动负相关。信用利差包含了对当前金融条件的前瞻性信息，并且也直接反映市场对企业偿债能力、经营状况的判断。我国PMI与信用利差环比变动相关系数为-0.22。
　　PMI与美元指数环比变动负相关。美元是重要的避险资产，当全球经济表现不佳时，美元通常会升值。全球供应链中的企业的营运资金有时需要短期银行信贷来提供，其中大部分信贷往往以美元形式提供(Gopinath andStein,2018)，这意味着企业营运成本对美元汇率较敏感。我国PMI与美元指数环比变动相关系数为-0.23。
　　三、PMI预测模型整体效果较好，模型对PMI处于50上方或下方的预测胜率为81%
　　在基准模型上加入这三个金融变量，得到四元线性回归模型。用四元线性回归模型对PMI进行预测的R2和调整后的R2均为0.72，而对于单个解释变量，上一期PMI、股指、美元指数均能达到1%的显著性水平。信用利差的解释力度相对较弱。但由于2020年后信用利差和PMI的负相关关系更为显著，解释效果有所改善，因而我们考虑模型中保留该变量。整体而言，模型的预测效果较好。
　　PMI是经济的环比指标，其对经济方向的指示更为重要，而PMI作为情绪指标对经济程度的刻画减弱。因而判断PMI是在50%以上还是以下相对更有意义。模型对PMI处于50上方或下方的预测胜率为81%，其中疫情前的胜率为84%，而尽管疫情后为样本外预测，并且经济环比波动增大，预测胜率也达到了71%。
　　上一期PMI对本期PMI预测的影响较大，这使得模型在经济脉冲或拐点处可能出现误判，这是模型的主要缺陷。在经济波动较大时候对PMI的预测可以结合经济高频数据的走势来修正对PMI的判断。而在经济平稳的时期，该模型的预测效果更好。
　　风险提示：模型搭建存在缺陷，过去的经验关系失效，数据不完备导致拟合关系失效。