如何建立一个指标库来跟踪行业景气度？

仅凭“想搞个指标库跟踪行业景气度”这一句话，无法直接推导出任何具体的指标清单或跟踪方案。行业景气度不是一个单一可测的数值，而是由多个维度的数据拼凑出来的“合成信号”；不同行业的领先指标、同步指标和滞后指标差异极大，脱离具体行业谈指标库，只能停留在方法论层面。

景气度跟踪的核心指标类别

行业景气度本质上是对“供需关系、盈利能力和预期变化”的综合度量。一个可用的指标库通常需要覆盖以下几类信息，而不是只盯一个数字：

需要强调的是，这些类别不是并列关系，而是有先后验证顺序的。订单领先于销量，销量领先于库存变化，库存变化又领先于价格和利润。指标库的价值在于把不同节奏的数据放在一起看，而不是单独看某一个。

这是指标库设计中最容易被忽略的部分。不存在一套放之四海而皆准的指标模板，行业属性决定了哪些指标是“核心变量”，哪些只是“噪音”。

上游资源品（如化工、有色、煤炭）：核心看价差、开工率、库存天数、进口/出口数据。这类行业产品同质化高，价格就是景气度的“体温计”。
中游制造业（如机械、电子元器件）：核心看订单能见度、产能利用率、存货周转天数、下游资本开支意愿。这类行业的需求是“衍生需求”，必须追踪其下游客户的经营预期。
下游消费品（如白酒、家电、医药）：核心看终端动销、渠道库存、提价能力、消费者信心指数。这类行业的景气度往往滞后于宏观数据，且受政策影响较大。

区分这些差异的意义在于：用资源品的指标框架去套消费品，会得出严重失真的结论。比如库存指标在资源品里是供给信号，在消费品里却是需求信号，同一个指标在不同行业里的解释方向可能完全相反。

指标库的可行性取决于数据能否稳定获取，而不是指标设计得有多完美。需要区分三个数据层级：

公开高频数据：如行业协会发布的月度产量、海关的进出口数据、交易所的期货价格、官方统计局的工业增加值。这类数据更新频率高（日度或月度），但颗粒度较粗，适合做“初筛信号”。
公司财报数据：如上市公司季报中的毛利率、存货、应收账款、经营现金流。这类数据更新频率低（季度），但质量高，适合做“确认信号”。
第三方调研与草根数据：如渠道调研、经销商访谈、招标信息、招聘数据。这类数据更新频率不定，但能提供前两类数据没有的“预期差”。

更新频率安排的核心原则是：高频数据用于观察变化方向，低频数据用于验证变化是否真实。 如果只看高频价格数据，容易被短期波动误导；如果只看季度财报，又会错过拐点。指标库的“库”字意味着它需要分层管理，而不是把所有指标塞进同一张表里。

指标库本身只是一个信息整理工具，它不能自动产生投资结论。景气度指标反映的是“当前状态”，而不是“未来走势”——高景气可能已经反映在当前价格里，低景气也可能意味着布局机会。指标库能帮助回答的是“行业现在处于什么位置”，而不是“接下来会涨还是跌”。

此外，任何指标库都有失效风险：数据口径调整、行业结构变化（如新技术替代）、政策干预都可能让历史规律不再适用。因此，指标库需要定期回测和修正，而不是建完就一劳永逸。判断一个指标是否还有效，唯一的方法是看它过去一段时间对行业盈利或股价的解释力是否还在。

数量不是关键，覆盖维度才是关键。理想状态下，每个维度（价格、订单、库存、产能、盈利）至少有一个可稳定获取的指标，形成“五维验证”的闭环。如果某个维度完全找不到数据，说明该行业的透明度较低，此时应降低对该行业景气判断的信心，而不是强行用替代指标凑数。

这取决于冲突的性质。如果高频数据（如月度价格）和低频数据（如季度毛利率）方向不一致，通常说明行业正处于转折期——高频数据反映的是边际变化，低频数据反映的是已实现的经营结果。此时应优先关注高频数据的持续性，而不是低频数据的滞后确认。

指标库的框架（选哪些指标）不需要频繁调整，但指标的权重和解释方式需要定期复盘。建议在每次低频数据（如季报）发布后，检验之前的高频信号是否被验证。如果连续多次出现“高频信号指向A、低频数据证实B”的背离，说明某个指标的领先性已经失效，需要替换或降权。