二手车价格预测框架

前司有二手车价格预测的业务，原先采用的是较为常见的多因子时间序列方法，但由于数据问题，给甲方做解释非常不简单。所以我提出可一个新的框架。因为前司已经all in ai了，发出来一起探讨下。

一、问题背景：数据约束与方法调整

多因子时间序列方法在实际推进过程中，遇到了几个比较明显的约束：

第一，数据时间跨度较短。
二手车相关数据（尤其是价格指数、库存、结构数据等）可获得的历史区间有限，难以支撑时间序列模型进行有效训练和验证。

第二，数据质量与口径不稳定。
不同来源的数据在统计口径、更新频率上存在差异，一些关键变量（如二手车库存）缺乏统一、连续的高频数据。

第三，因子难以做截面与时间维度的验证。
在样本量不足的情况下，多因子模型容易出现“拟合有效但不可外推”的问题，参数稳定性无法验证。

在这种情况下，如果继续沿用原有方法，模型结果容易出现两类问题：

• 对历史拟合较好，但对未来预测不稳定
• 对输入变量较为敏感，容易产生难以解释的波动

基于上述约束，模型从“统计驱动”转向“结构驱动”，构建了一个简化的预测框架。其核心目标不是提高短期预测精度，而是在数据有限的情况下：

• 保持结果稳定
• 保证变量具备可解释性
• 在中长期趋势上提供方向性判断

同时，在使用上引入季度复核机制，对模型进行定期校准。在变量选择上，需要提前确立变量长期目标值，以保障结果的稳定。所以，基本上就是先对整个新车、二手车市场做完整的发展判断，再选择变量。

二、市场阶段判断：仍处成长向成熟过渡期

从行业发展阶段来看，中国汽车市场尚未进入成熟期。

从人均GDP、人口结构以及行业发展节奏等维度对比，中国当前阶段大致对应美国上世纪60年代末至70年代，即从成长后期逐步进入结构重塑阶段。

从保有量角度也可以得到类似结论：

• 当前中国汽车千人保有量约为210（2022年）
• 市场普遍认为成熟期水平在400左右

即目前仍处于成熟期的一半左右。

在此基础上可以对成熟期规模进行估算：

汽车总保有量：约5.6亿辆（按14亿人口、千人400计算）
新车销量：按5%报废更新比例，对应约2800万辆
这一比例与成熟市场经验基本一致。

三、二手车市场空间：交易量仍有提升空间

相比新车市场，二手车市场发展相对滞后。

参考日本和韩国市场，可以用两种方式估算成熟水平：

• 二手车 / 新车 ≈ 1.6，对应约4500万辆
• 二手车 / 保有量 ≈ 9%，对应约5000万辆

而当前中国二手车交易量约为1800万辆（2023年预估），仍有接近2倍提升空间。

这意味着当前市场在供需两端都存在一定约束，交易尚未充分释放。

四、价格指数的长期趋势：市场完善带来的下行压力

从长期来看，二手车价格指数的变化，与市场成熟度密切相关。

当前市场存在以下特征：

• 二手车 / 新车比例偏低，需求尚未充分释放
• 二手车 / 保有量比例偏低，供给流通不充分

这种状态通常对应较高的交易成本，例如信息不透明、流通效率低等。

随着市场逐步完善：

• 流通效率提升
• 交易成本下降
• 供需释放
• 价格中枢存在下行空间。

五、中期结构变化：新能源渗透的影响

在中期维度上，新能源渗透率是影响价格的重要变量。

随着新能源车占比提升，对燃油车形成替代，进而影响二手车价格。

这一影响具有阶段性：

• 初期受续航限制
• 中期受充电便利性约束
• 后期受成本和使用体验驱动

在模型中，对这一影响采用线性近似处理。该处理主要用于刻画中期趋势，而非精确描述每一阶段变化。

六、短周期波动：以库存为主要观测变量

在短期维度上，价格波动主要通过库存反映。

由于二手车库存数据较为缺乏，模型采用新车库存作为替代变量，原因在于：

• 数据获取更稳定
• 更新频率更高
• 与行业供需周期具有较强一致性

在需求相对稳定的情况下：

• 库存上升 → 供给压力增加 → 价格下行
• 库存下降 → 供给收紧 → 价格回升

整体周期约为一年，但会受到春节等季节性因素影响。

在该框架下，短期波动主要由库存承接。

七、模型结构：趋势 + 结构 + 周期

基于上述分析，将价格指数拆解为三个部分：

• 长期趋势（市场完善度）
• 中期结构（新能源渗透率）
• 短期周期（库存）

1. 新能源渗透率
在新能源快速发展阶段（如2021–2022年），其对价格的影响较为集中。

模型估计结果：若渗透率达到90%，价格指数较当前下降约21.5ppt

2. 市场完善度
用交易量进行间接解释：

当前交易量约1800万辆，距离成熟期仍有约3000万辆空间
对应价格指数下降约17ppt
3. 库存
库存用于刻画短期供给变化，是当前数据中最具时效性的指标。

在模型中承担短周期波动的主要解释作用。

总结

该框架在设计上具有以下特点：

• 不依赖长时间序列数据
• 变量数量较少，结构清晰
• 结果相对稳定，不易出现异常波动
• 主要用于刻画趋势，而非捕捉短期拐点

整体上，这是一个在数据约束条件下构建的简化预测方法，通过结构划分替代统计验证，用稳定性换取可解释性和可用性。