震荡年份，PMI变化方向对利率走势的前瞻性增强。
　　根据历史经验来看，“债牛年”后的“过渡年”里，基本面边际变化方向对利率走势具备一定前瞻性。以2022年下半年为例，6月至次年5月，制造业PMI读数边际回升时，利率上行；反之，PMI读数边际回落时，利率下行。今年以来，市场再度出现类似特征，今年一季度10Y国债利率变动方向与PMI边际变化方向高度一致。
　　PMI的预测思路。
　　根据PMI指数的编制方式，制造业PMI指数=新订单x30%+生产x25%+从业人员x20%+(100-供应商配送时间)x15%+原材料库存x10%。PMI指数的分项指标虽然多达13个，但事实上纳入最终指数计算的分项指标仅有以上5个。从高频数据视角来看，市面上通过各种渠道可获取的高频经济指标大多反映的是产需变化，而对就业、物流和库存关注较少。不过仅产需两项对PMI总指数的影响权重就超过50%，我们仍然可以通过对这两者的观察来预判达当月PMI走势。
　　参考指标的筛选原则。
　　我们预测PMI的初衷即是为了更及时的获悉当月经济运行的情况，所以对于参考指标的选择最重要的一点是发布时间更及时，频次更高。日度、周度、最多旬度的数据都具备较强的参考价值。第二是指标的代表性，对PMI读数影响大的主要是大中型央国企，小型企业和民企的影响较小。因此我们也倾向于选用经营规模较大的企业数据。第三、高频数据与PMI之间有足够的关联度，用历史高频数据与PMI进行回归与拟合能够验证其关联性。
　　数据处理及预测模型构建。
　　针对初步筛选出的产需两端高频数据，我们首先将其进行月度平均处理，经多次回归分析结果比对，选取拟合效果最好的若干个高频数据，构建对PMI生产及新订单指数的模拟预测组合。以模拟组合的预测结果与历史实际值比对验证其有效性。并对绝对值相对于荣枯线的位置作胜率判断，同时保证预测的当月经济变化方向和变化量的准确度。最后结合产需指标在综合指数计算中的权重，直接以拟合的生产指数和新订单指数进一步来做综合指数的预测。
　　关于模型有效性的几点说明。
　　模型中运用到的高频数据每月首次发布时间先后不一，同时在生产预测中涉及旬度频次数据，其首次发布时间要滞后于其它高频数据一周左右。虽然仅有两个，但两数据的缺失会导致最终预测结果偏离实际值幅度较大。所以若要得到相对可靠的结果，模型的使用时间最早宜在旬度数据的首次发布之后，一般在月中左右。同时需求端模型的测试结果也验证这一点：月内随着时间越向后推移，模型预测值越接近实际值。
　　模型结合季节性的进一步优化。
　　当预测值落在荣枯线附近，或较上月环比变动过大时需要结合季节性及主观判断进一步调整。预测模型在历史回测中对经济的环比运动方向判断失误的几处场景，共性是预测值与真实值几乎都落在【49.0，51】，位于荣枯线附近。这意味着当预测值落入这一区间时，最好再结合季节性对预测值的环比变化幅度进一步修正，以提高其预测准确率。
　　风险提示
　　统计口径误差。数据统计大多为抽样，恐与现实情况有些许出入。
　　不同高频数据在不同时间点对预测目标的影响系数会有波动，可能导致预测结果与实际值的偏离幅度较大。