资讯

历史

科技

环境与自然

成长

游戏

财经

文学与艺术

美食

健康

家居

文化

情感

汽车

三农

军事

旅行

运动

教育

生活

星座命理

市场趋势难预测？揭秘M2供应量如何成为精准投资工具（附源码）

创作时间:

作者:

@小白创作中心

市场趋势难预测？揭秘M2供应量如何成为精准投资工具（附源码）

引用

CSDN

https://blog.csdn.net/weixin_70955880/article/details/145321242

M2货币供应量是经济分析中的关键指标，它能够提供关于经济活动和通货膨胀的线索。通过监测M2的变化，经济学家和政策制定者可以更好地理解经济动态，并制定相应的政策来应对潜在的经济挑战。本文将深入剖析M2与市场趋势的关联，并将其转化为实用的策略工具。

一、什么是M2货币供应量

货币供应量是指一个经济体在任何给定时间内可用的货币总量，它在决定通货膨胀、利率和经济增长等经济状况方面发挥着至关重要的作用。经济学家通常将货币供应量分为不同类别，M2 是最受关注的类别之一。

1.1 M2的组成

M2货币供应量通常包括以下几个部分：

流通中的现金：包括所有纸币和硬币。
支票存款：可以随时用于支付的银行账户余额。
储蓄存款：虽然不如支票存款流动性强，但仍然可以较快地转化为现金。
小额定期存款：通常是指金额较小的定期存款账户，虽然有一定的取款限制，但仍然具有较高的流动性。
货币市场基金：一些短期投资工具，通常可以在短时间内转换为现金。

1.2 M2的重要性分析

M2货币供应量是经济分析中的一个关键指标，因为它能够提供关于经济活动和通货膨胀的线索。以下是M2重要性的几个方面：

经济增长：M2的增加通常意味着经济活动的增强，因为更多的货币流通可以促进消费和投资。
通货膨胀：如果M2增长过快，可能会导致通货膨胀，因为市场上的货币过多，可能会推高物价。
货币政策：中央银行会根据M2的变化来调整货币政策，以实现经济稳定和可持续增长。

总的来说，M2的变化可以反映出一个国家经济的健康状况、通货膨胀的压力以及中央银行的货币政策效果。通过监测M2的变化，经济学家和政策制定者可以更好地理解经济动态，并制定相应的政策来应对潜在的经济挑战。

二、策略设计

中央银行通过货币政策工具（如调整利率或实施量化宽松政策）来调控M2货币供应量。M2的增长通常表明市场流动性增强，这会刺激借贷、消费和投资活动。为了更直观地理解这一机制，我们以美联储的政策、美国股市表现以及黄金收益率为例，进行了深入分析。

2.1 资产收益与M2增长曲线分析

下图对比了2005年1月至2025年1月过去20年间，货币供应量（M2）的增长与标准普尔500指数和黄金的收益表现。在此期间，这两种资产作为全球顶级投资标的，吸引了大量资金流入。通过分析M2增长与资产收益的关系，我们可以更清晰地洞察资金流动对市场的影响。

如果你仔细观察数据，就会发现标准普尔500指数的走势与M2货币供应量高度同步，唯一的显著背离发生在2008-2010年的次贷危机期间。至于黄金，其价值虽然整体呈现稳步上升趋势，但当其回报率与M2的增长偏离过大时，往往会回调并重新恢复平衡状态。

2.2 相关性矩阵分析

通过相关矩阵分析，可以观察到M2货币供应量（M2SL）、标准普尔500指数以及黄金价格这三个变量之间的关联程度。

**相关性矩阵：**
** M2SL S&P 500 Gold**
**M2SL** 1.000000 0.955586 0.830095
**S&P 500 ** 0.955586 1.000000 0.779040
**Gold ** 0.830095 0.779040 1.000000

M2SL 和标准普尔 500 指数（0.956）：这是一个非常高的正相关性。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 指数往往也会增加，反之亦然。
M2SL 与黄金（0.830）：这也是一个很强的正相关关系，虽然没有 M2 与标准普尔 500 指数之间的关系那么高。这表明，M2 货币供应量和黄金价格往往同涨同跌，但两者之间的关系不像标准普尔 500 指数那样紧密。
标准普尔 500 指数与黄金 (0.779)：标准普尔 500 指数与黄金之间存在中度正相关。这表明，虽然两者的走势趋于一致，但相关性弱于 M2SL。换句话说，股票市场（标准普尔 500 指数）的表现与黄金价格有一定关系，但其他因素可能会影响它们的走势。

2.3 线性回归模型分析

从上面的分析数据中我们可以看出，股票与货币供应量（M2）密切相关。因此，让我们利用线性回归模型对此进行深入研究。

R-squared（0.913）：这表明，M2 货币供应量可以解释标准普尔 500 指数约 91.3% 的变化。这是一种非常强的关系，表明 M2 对标准普尔 500 指数的走势有重大影响。
Adjusted R-squared (0.913)：该数值与R平方值高度接近，这一现象表明模型具有优良的拟合度，且有效避免了过度拟合的问题。
F-statistic (2502)：F统计量用于评估模型整体的统计显著性。本模型中极高的F值（2502）及其对应的极低p值（2.82e-128）充分证明了该模型具有高度显著性。

2.4 策略制定

掌握了上面这些关键信息后，我们便能将现有数据有效运用于实际投资决策。如果让我用几句话来描述一个简单的投资策略，它应该是这样的：

当M2货币供应量减少时，可以考虑卖出资产；而当M2增加时，则是买入的良机。

这一策略基于M2与市场流动性之间的紧密关联，可以帮助投资者更好地把握市场趋势，可依据M2的变化趋势来优化其投资组合配置。

当M2呈现快速增长态势时，这往往预示着股市（以标准普尔500指数为代表）可能迎来上涨行情，从而促使投资者采取更为积极的看涨策略。
反之，若M2呈现收缩或增速放缓的态势，这可能意味着标准普尔500指数缺乏强劲的上行动力，从而引导投资者转向更为稳健保守的投资策略。
此外，投资选择并不局限于标准普尔500指数本身。通过深入研究和分析，我们可以精选标准普尔500指数成分股中的优质个股，从而有望获得超越市场平均水平的年化收益率。我们可以建立一个投资假设：筛选并买入标准普尔500指数中跌幅低于50%的个股，进而分析其投资回报表现。

三、工具实现

以下是基于上述策略设计的Python代码示例，帮助您生成图表并自由调整时间段，直观分析M2货币供应量与资产收益（如标准普尔500指数和黄金）之间的关系。

以下是代码的核心功能及其简要说明，方便你快速理解代码的逻辑和实现：

3.1 导入库

import pandas_datareader.data as web  # 从 FRED 获取经济数据
import datetime  # 处理日期
import pandas as pd  # 数据处理
import matplotlib.pyplot as plt  # 绘图
import yfinance as yf  # 从 Yahoo Finance 获取金融数据

功能：导入所需的 Python 库。
说明：
pandas_datareader：用于从 FRED 获取经济数据（如 M2 货币供应量）。
yfinance：用于从 Yahoo Finance 获取金融数据（如标普 500 指数和黄金价格）。
matplotlib：用于绘制图表。

3.2 定义时间范围

start = datetime.datetime(2005, 1, 1)
end = datetime.datetime(2025, 1, 1)

功能：定义数据的时间范围。
说明：从 2005 年 1 月 1 日到 2025 年 1 月 1 日。

3.3 下载数据

# 下载 M2 货币供应量数据
m2_data = web.DataReader('M2SL', 'fred', start, end)
# 下载标普 500 指数数据
data_SPX = yf.download("^GSPC", start=start, end=end, interval='1d')
# 下载黄金数据
data_Gold = yf.download("GC=F", start=start, end=end, interval='1d')

功能：从 FRED 和 Yahoo Finance 下载数据。
说明：
M2SL：FRED 中 M2 货币供应量的代码。
^GSPC：Yahoo Finance 中标普 500 指数的代码。
GC=F：Yahoo Finance 中黄金期货的代码。

3.4 处理列名

# 处理标普 500 指数数据列名
data_SPX.columns = data_SPX.columns.droplevel(1)
# 处理黄金数据列名
data_Gold.columns = data_Gold.columns.droplevel(1)

功能：将 MultiIndex 列名转换为普通列名。
说明：Yahoo Finance 返回的数据列名是 MultiIndex 格式，需要去掉第二层列名。

3.5 重新采样数据

# 重新采样标普 500 指数数据
data_monthly_SPX = data_SPX.resample("MS").agg({
    "Open": "first",
    "High": "max",
    "Low": "min",
    "Close": "last",
    "Volume": "sum"
})
df_SPX = data_monthly_SPX["Open"]
df_SPX.name = "S&P 500"

功能：将日数据按月重新采样。
说明：
使用 resample("MS") 将数据按月重新采样。
提取每月的开盘价（Open）作为时间序列。

3.6 计算累积收益率

geo_ret = (combined_df.pct_change() + 1).cumprod()

功能：计算累积几何收益率。
说明：
pct_change()：计算每日收益率。
cumprod()：计算累积收益率。

3.7 绘制图表

ax = geo_ret.plot(figsize=(15, 9))
ax.set_title("Cumulative Geometric Returns of M2, S&P 500 and Gold", fontsize=16)
ax.set_xlabel("Date", fontsize=14)
ax.set_ylabel("Cumulative Growth", fontsize=14)
plt.show()

功能：绘制累积几何收益率图表。
说明：
使用 plot() 绘制折线图。
设置标题、x 轴标签和 y 轴标签。

3.8 相关性分析

if not combined_df.empty:
    correlation_matrix = combined_df.corr()
    print("相关性矩阵：")
    print(correlation_matrix)

功能：计算并输出 combined_df 中各个变量之间的相关性矩阵。
说明：帮助分析 M2 货币供应量、标普 500 指数和黄金价格之间的关系。

3.9 线性回归模型

# 运行线性回归模型
if not combined_df.empty:
    # 添加常数项
    X = sm.add_constant(combined_df['M2SL'])  # 自变量：M2SL
    y = combined_df['S&P 500']  # 因变量：S&P 500
    # 拟合线性回归模型
    model = sm.OLS(y, X).fit()
    # 输出模型摘要
    print("\n线性回归模型摘要：")
    print(model.summary())