第 12 课 · 宏观数据与择时

PMI / CPI / 社融是低频慢变量——它们定仓位"水位"，不触发交易；LLM 是翻译官，不是预言家

这节课你将得到什么

一个能跑的"宏观脉搏"面板 scripts/macro_pulse.py：自动拉取近 12 个月的制造业 PMI、CPI 同比、社融/信贷三条宏观曲线，计算每个指标的边际变化方向（环比改善 / 恶化 / 持平），拼出一句话的"宏观水位"结论，再让 LLM 把数据翻译成仓位水位建议 + 对 A 股风格的含义。

但面板只是载体。这节课要建立的认知是三条：第一，宏观数据是月度低频慢变量，它回答"季节"而不是"天气"，永远不该进入你的日内决策；第二，宏观解读里"边际变化"比"绝对数值"重要得多；第三，LLM 在这件事里的角色是翻译官——把数字翻译成仓位与风格的含义——而不是预言家。这三条会直接决定你把这节课的组件插进决策系统的哪个位置。

一、宏观数据的节奏：它和你不在同一个时钟上

先看这三类数据的发布节奏（以官方发布日程为准，见延伸阅读）：

注意两个事实。第一，频率是月度的：一个月一个数据点，一年十二个点。你在第 4 课回测用 242 个日线数据点都嫌少，宏观指标的"K 线"稀疏到只配看方向，不配算信号。第二，发布是滞后的：7 月中旬你看到的是 6 月的 CPI 和社融——你决策用的是半个月前的经济快照，而市场里的专业机构在数据发布前早就用高频数据（电厂煤耗、物流、票据利率）猜得八九不离十了。

二、边际变化 > 绝对数值（本课的知识核心）

新手读宏观数据的第一反应是比大小："PMI 50.3，刚过荣枯线，一般般。"职业读法恰恰相反——先看方向和加速度，再看水平：

• PMI 从 49.0 升到 49.8（仍在荣枯线下方）比从 50.5 跌到 50.1（仍在扩张区）更值得关注：前者是收缩在收敛、拐点可能在酝酿，后者是扩张在减速。市场定价的是"未来比预期好还是差"，而未来藏在边际变化里。
• 单月变动可能是噪音，连续同向才是趋势。所以面板不只看环比，还会数"连续几个月站上荣枯线"——一个月 50.3 是事件，连续四个月在 50 上方是状态。
• 社融/信贷看累计同比的方向，别看单月增量。单月新增贷款有剧烈的季节性（1 月冲量、4 月回落），直接比环比会被季节噪音骗；累计同比平滑掉了大部分季节效应，方向才可读。

把这个原则写进代码，就是脚本里的 direction()：最新值减上月值，超过阈值判改善/恶化，否则持平。逻辑简单到近乎简陋——但对月度数据，这就是正确的精度。给 12 个点拟合复杂模型，是第 7 课讲过的过拟合换了件衣服。

三、动手：跑宏观脉搏面板

脚本优先调真实接口（东方财富的 PMI/CPI、人民银行的社融），全部失败时退回内置样本（2026-07-21 用真实接口抓取的近 12 个月数据）。逐行复制：

cd "$HOME/AI Project/Quant Learning"
source .venv/bin/activate
python scripts/macro_pulse.py

你会看到（我已在你的环境实测通过，数字是真实运行结果）：

==========================================================================
宏观脉搏 · 近 12 个月
==========================================================================
月份               PMI（制造业）      CPI（全国同比%） 新增贷款（累计同比%）
--------------------------------------------------------------------------
2026-06                   +50.3                  +1.0                 -15.5
2026-05                   +50.0                  +1.2                 -13.3
2026-04                   +50.3                  +1.2                 -13.1
2026-03                   +50.4                  +1.0                  -8.2
2026-02                   +49.0                  +1.3                  -2.1
2026-01                   +49.3                  +0.2                  -6.1
2025-12                   +50.1                  +0.8                  -6.7
2025-11                   +49.2                  +0.7                  -7.9
2025-10                   +49.0                  +0.2                  -7.4
2025-09                   +49.8                  -0.3                  -5.5
2025-08                   +49.4                  -0.4                  -3.6
2025-07                   +49.3                  +0.0                  -0.6
--------------------------------------------------------------------------
指标体检（最新一个月，边际变化方向 > 绝对数值）：
  PMI（制造业）        最新 +50.3  环比 +0.3  方向：改善  [连续4个月站上荣枯线]
                       数据截至 2026年06月，来源：实时（东方财富）
  CPI（全国同比%）     最新 +1.0  环比 -0.2  方向：恶化  [温和通胀区间]
                       数据截至 2026年06月，来源：实时（东方财富）
  新增贷款（累计同比%） 最新 -15.5  环比 -2.2  方向：恶化  [信用扩张收缩中]
                       数据截至 2026年06月，来源：实时（东方财富·社融接口不可用已降级）
==========================================================================
一句话结论（规则翻译）：PMI改善、CPI恶化、新增贷款恶化——宏观水位：中性偏冷。
提醒：水位只决定仓位区间与风格倾斜，不触发任何单笔交易。

先自己读一遍这张面板再往下看。三个指标方向打架：PMI 连续 4 个月站上荣枯线（景气在改善），CPI 从 1.2 回落到 1.0（再通胀动能在减弱），新增贷款累计同比一路滑到 -15.5%（信用在收缩）。这不是面板坏了——宏观指标经常互相矛盾，因为经济本来就是一架各部件转速不同的机器。PMI 是问卷调查的"软数据"，反映预期和情绪，转得快；信贷是"硬数据"，反映真金白银的扩张意愿，转得慢但分量重。两者背离时，通常的读法是：预期先动了，钱还没跟上——弱复苏，根基不牢。这种"方向打架时怎么办"的判断，正是 LLM 翻译官的用武之地，下面第五节细说。

四、免费接口的第二次教育：降级链与新鲜度检查

注意面板里信用指标那一行的来源标注：实时（东方财富·社融接口不可用已降级）。这不是演习——这节课备课时，社融接口 ak.macro_china_shrzgm()（数据源：商务部）在你机器上直接 SSL 握手失败，脚本自动切到了第二条路：东方财富的新增人民币贷款。这就是第 2 课那条纪律在宏观数据上的复用：免费接口一定会挂，每个数据入口都要有备胎。脚本的取数链是：社融（商务部）→ 新增贷款（东财）→ 内置样本，每一环都包在 try/except 里，全部网络请求统一 15 秒超时。

还有一个更隐蔽的坑被这节课顺手踩了出来：备课时我先试了另一个 CPI 接口 ak.macro_china_cpi_yearly()，调用不报错、返回几百行数据——但最新一行停在 2025 年 9 月，已经断更近一年。接口没挂，只是没人更新了。如果你把它接进面板又不看日期，你会拿着一年前的物价数据定今天的仓位，而且毫无察觉。所以脚本里有一个 freshness_note()：最新数据距今超过两个月就打印警告。对免费数据源，"能返回数据"和"数据是新的"是两件事，都要检查。

五、LLM 是翻译官，不是预言家

现在把 LLM 接进来。先看它拿到的输入——不是"预测一下 A 股"，而是面板的压缩文本，外加一条钉死职责的系统 Prompt（脚本里的 SYSTEM_PROMPT）：

你是一名宏观研究助理，服务于一位A股个人投资者。把用户给出的宏观数据面板翻译成对仓位与风格的含义。
纪律：只解读数据含义，不预测指数点位，不给具体买卖指令；必须指出数据风险。
只输出JSON，不要输出任何其他文字：
{"conclusion": <一句话总结宏观环境，不超过50字>,
 "position_stance": <对仓位水位的建议，如"中性/偏多/偏空"加一句理由，不超过50字>,
 "style_implication": <对A股风格的含义，不超过60字>,
 "risk": <最需要提醒的一条数据风险，不超过40字>}

这套 Prompt 用的还是第 3 课的三原则：结构化输出（JSON 进流水线）、标尺定义（水位只有偏多/中性/偏空几档，不许给点位）、要求理由（risk 字段强制它自我揭短）。演示模式的输出（预计算，针对上面这份真实数据）：

LLM 解读（演示模式·预计算）：
  【宏观环境一句话】制造业景气重回扩张、物价温和回落、但信用仍在收缩——三个指标方向打架，宏观水位中性偏冷，弱复苏根基不牢。
  【仓位水位建议】仓位建议中性（半仓上下浮动一档）：PMI 连续站上荣枯线支持持有权益底仓，但信用拐点确认前不加码，也不因单月回落恐慌减仓。
  【对A股风格的含义】PMI 回升+温和再通胀，历史上更利好盈利驱动的顺周期龙头（消费、先进制造）；信用收缩意味着流动性驱动的题材小票缺乏增量弹药，风格偏质量与红利，而非题材与高弹性。
  【风险提示】三个指标方向不一致时，单月噪音的概率大；且 6 月数据到 7 月中旬才发布齐全——宏观回答的是'季节'不是'天气'，别用它做周度以下的调仓。

注意这段输出做对了几件事：它把"方向打架"翻译成了"中性"而不是强行选边；它给的是仓位区间（半仓上下一档）而不是买卖指令；它把数据含义接到了风格上（顺周期龙头 vs 题材小票）——这正是你拿宏观能真正影响决策的杠杆：仓位水位和风格倾斜，而不是择时买卖点。

接入真实模型（可选，课后完成）：

export LLM_API_KEY="sk-你的key"
python scripts/macro_pulse.py --live

真实模式我已写好但尚未实测（你机器上还没有 Key）——拿到 Key 后跑一次，有报错直接贴给我。换别家模型只需改 LLM_BASE_URL 和 LLM_MODEL 两个环境变量。

六、把宏观层装进你的决策系统

到这里，你的 Agent 辅助决策系统有了清晰的三层节奏：

三层各管各的时钟，谁也别越界：宏观层再"偏暖"也不该直接触发一笔买入（它太钝），异动层再"刺激"也不该推翻宏观水位（它太吵）。每月社融发布后的那个周末，花十分钟跑一次 macro_pulse.py，把水位旋钮调到位，这个月剩下的时间里宏观层就闭嘴了——这就是慢变量的正确使用方式。

自测

凭记忆作答——答错比答对更能加固记忆。

延伸阅读

• 主读：AKShare 文档——目录里找到"宏观数据"一节，翻一遍中国宏观接口清单（PMI、CPI、PPI、社融、M2、LPR、进出口……）。不用都记住，建立一个"有什么数据可以免费拿到"的地图；每个接口都点开看一眼数据源是谁，这决定了它哪天会挂。
• 国家统计局——PMI 与 CPI 的原始发布方，站内有发布日程表。每月最后一天看盘前扫一眼 PMI，是成本最低的宏观习惯。
• 中国人民银行——社融与金融数据的原始发布方，"统计数据"栏目。想看官方口径的社融，源头在这里。

有任何不清楚的地方（比如边际方向的判定、降级链的写法、宏观层和其他层怎么配合），直接问我——我是你的老师。