2024年宏观风险因子构建与大类资产配置应用

1. 引言

本篇报告为东吴金工“宏观量化”系列研究的第一篇。东吴金工推出宏观量化系列 研究，目的是想站在整体经济运转的宏观角度上去挖掘、总结宏观基本面与资产价格波 动的整体规律，探究宏观数据与金融资产之间的映射关系，以量化的手段去捕捉宏观环 境给资本市场所带来的风险溢价机会。 在现代经济学理论中，“风险溢价”这个词的存在已经告诉了广大投资者，收益和 风险本质上是一体的，任何收益都是承担了相应的风险所获得的。资本资产定价模型 （CAPM）和套利定价理论（APT）等经典模型也告诉我们，资产是多个风险因子的组 合。换言之，资产配置就是风险配置，资产是我们配置风险的直接手段，而对风险的认 识又反过来帮我们预测资产的波动。

目前市场上主流的资产配置思路其实只有两种： （1） 在我们无法准确识别、判断风险的情况下，我们采取被动配置的思路，均衡 地配置所有风险，这也就是我们所说的风险平价策略。桥水基金所提出的“全天候策略” 就是一个典型的风险平价策略，“全天候”的核心是将投资组合的风险平均的暴露在不 同的经济环境中，从而对冲市场环境的风险，使得未来无论处于哪一种经济环境，该投 资组合的风险都是可控的。 （2） 在我们能对风险做出一定判断和决策的情况下，我们采取主动配置的思路， 结合风险因子的情况来寻找预期收益率更高的资产，多承担一部分的风险暴露来获取更 高的收益。 被动配置方法在如今资本市场的飞速发展下已经显得有些捉襟见肘，本文作为“宏 观量化”系列研究的第一篇，希望从主动配置的角度出发，自上而下构建以风险为核心 的资产配置模型。本篇报告有以下三个核心目标： （1） 构建科学合理的、能反映中国宏观环境的宏观风险因子体系。 （2） 探究宏观风险和资产波动之间的规律。 （3） 如何预测宏观状态，应用宏观风险因子进行资产配置。

2. 宏观风险因子构造

2.1. 宏观风险因子初识：主成分分析法

在构建中国宏观风险因子体系之前，我们首先要确定，宏观风险有哪几类？海外对 冲基金的宏观风险因子体系已经发展得比较成熟，我们通过总结发现其中经济增长风险、 通胀风险、利率风险、信用风险、汇率风险是五个最常见的维度。为了验证海外对冲基 金的因子体系是否适用于中国市场，我们这里采用主成分分析法（PCA）来识别影响国 内资产价格波动的关键因素。 我们从股票、债券、商品以及外汇四个方面，挑选了沪深 300 指数、中证 500 指数、 中证 1000 指数、恒生指数、中债-国债总指数、中债-信用债总指数、南华综合指数、CRB 现货指数和美元指数共九个指标，时间区间设定为 2010-01-01 至 2023-12-30。 我们对所有资产计算同比收益率并进行 Z-Score 标准化处理，对同比收益率序列进 行主成分分析。结果显示，第一主成分的解释度为 40.93%，第二主成分的解释度为 28.73%，第三主成分的解释度为 12.42%，前三主成分的累计贡献率超过 80%，前六个 主成分的累计贡献率达到 96.83%。

通过分析资产在各主成分上的风险暴露，我们认为我国宏观经济环境总共由六种风 险驱动，分别是：利率风险、经济增长风险、通胀风险、汇率风险、信用风险和期限利 差风险： 1. 第一主成分与债券类资产和美元指数有显著正相关关系，与商品呈负相关，与利 率影响相反，可以认为利率的相反数，是利率风险因子。利率上行时，新发行的债券可能提供更高的利率，使现有债券的市场价格降低以匹配新债券的收益水平。 2. 第二主成分与股票类和商品类资产正相关，与债券类资产呈弱负相关关系，因此 我们认为第二主成分是经济增长风险。经济增长通常与企业盈利增长相关，对商品的需 求增加，导致股票和商品资产整体上行，并导致对债券的投资意向降低。 3. 第三主成分与商品类资产显著正相关，我们将其定义为通胀风险。 4. 第四主成分与美元指数呈明显正相关关系，与债券类资产负相关，我们将其定义 为汇率风险。 5. 第五主成分在长期国债与信用债上的暴露相反，我们将其定义为信用风险。 6. 第六主成分在短期国债和长期国债上出现了相反的暴露，我们将其定义为期限利 差风险。

我们这里仅采用主成分分析法确定宏观风险的种类，而并非将其作为宏观风险因子 最后的结果，主要原因有以下几点： （1）资产选择和成分评判的过程中会掺杂较强的主观性，所选资产可能无法代表 真实宏观风险。 （2）主成分分析法的结果稳健性较差，不同的资产选择、不同的时间区间都会引 起各个主成分顺序和风险暴露系数的变动。 （3）主成分之间具有正交性，而宏观环境中的各种风险通常存在较大关联，在模 型中存在经济学含义的缺失。 （4）主成分分析法难以准确判断有效信息和噪音，在考虑数据蕴含信息的同时， 也将数据中的噪音纳入考虑。 因此，通过主成分分析得到的宏观因子往往只能模拟风险走势，而难以捕捉真实宏 观因子的本质，在下文中我们会另寻他法来构造宏观风险因子体系。

2.2. 构建宏观风险因子

目前最主流的宏观风险因子定义方式当属贝莱德 BlackRock 提出的 Factor Mimicking 方法，该方法的核心思想就是以资产组合来复制目标因子，以模拟出一些不 方便直接定义的因子的走势。Factor Mimicking 的优点非常明显，解决了宏观数据低频、 滞后的问题，也在宏观风险和金融资产之间建立了直接的联系，同时也能在一定程度上 反应市场对于未来宏观环境的预期。但是，Factor Mimicking 在国内市场的运用还存在 一些问题： （1） 国内市场的资产类别相较于海外市场来说没有那么丰富，部分风险因子的资 产化存在困难。例如中国市场上没有直接与通胀挂钩的金融产品，但是美国财政部会发 行一种通货膨胀保值债券（TIPS），其本金部分随着 CPI 指数进行调整，可以提供通货 膨胀调整后的收益，因此可以直接将通胀因子资产化。（2） 国内市场不够成熟，金融资产与宏观风险之间的关系不够稳定。例如中国股 票市场仍处于发展阶段，股价并不完全由基本面驱动，因此很难通过股票资产直接复制 经济增长风险。

基于以上思考，我们提出以下构建宏观风险因子的核心逻辑： （1） 对于有公认的直接资产代理的宏观风险因子，我们优先使用 Factor Mimicking 方法，保证因子的高频性和及时性。 （2） 对于缺少直接资产代理的宏观风险因子，我们选取相关性较高的月频宏观数 据，用波动率倒数加权的方法进行合成。 因此本篇报告最后构建的宏观风险因子是月频的低频因子，我们暂时没有构建高频 宏观因子的原因在于，宏观环境本就是随着经济周期循环往复，状态的切换不会特别频 繁，高频宏观因子在资产收益归因的角度会更有优势，但是如果我们的目标是识别并预 测宏观经济状态，低频因子其实已经能很好地胜任这项工作了，高频因子很可能会捕捉 到一些短期波动，反而会起到“画蛇添足”的作用。

2.2.1. 经济增长风险

GDP 同比增速是经济增长风险最直观的体现，但是由于 GDP 同比增速是季频数据， 并且通常会延迟 15 日左右发布，我们在国内月频发布的宏观指标库中寻找对其解释度 较高、并且符合 GDP 构成要素的指标来作为经济增长风险的代理。 我们对 GDP 的构成进行了拆分，从生产端和需求端选取了工业增加值同比、社会 消费品零售总额同比以及 PMI 作为经济增长的代理变量。工业增加值刻画了制造业的 生产增长，来代表工业部门的产出。社会消费品零售总额包括个人和家庭在特定时间内 购买的商品和服务的总额，从消费角度衡量经济增长。PMI 则用于评估制造业和非制造 业的经济活动水平，它更全面地考虑了生产、新订单、就业、价格、供应商交货时间等 多个方面，通常被认为是领先经济指标。

宏观数据存在部分数据缺失、季节性强等特点，在合成宏观风险因子之前，我们需 要对数据进行预处理。具体步骤如下： （1）缺失值填充。我们采用一阶差分中位数对缺失值进行处理，即计算缺失值过 去 12 个月资产同比差分的中位数加上去年同时的数据作为填充值。 （2）统一口径，非同比数据进行同比处理。我们对 PMI 数据计算同比。 （3）HP 滤波处理。对于宏观因子和资产同比数据使用低参 HP 滤波处理（参数λ = 1），以减少低频噪音对数据的影响。（4）滞后处理。宏观数据发布可能存在滞后问题，我们根据滞后时间进行便宜处 理。工业增加值定基指数和社会消费品零售总额均为第二月中下旬更新，我们进行滞后 一期处理。 我们采用以上三个指标，并按照波动率倒数加权的方式合成经济增长风险因子。这 一加权合成方法有助于更敏感地捕捉市场的趋势。通过对波动较大的资产赋予较小的权 重，我们能够减少噪声对结果的影响，从而使数据更加稳定。最终合成的经济增长风险 因子与 GDP 同比的走势较为接近，能够较好的描述宏观经济的增长情况。

2.2.2. 通胀风险

我们选取 CPI 同比和 PPI 同比来作为描述通胀风险的代理指标。CPI 衡量了一定时 期内一篮子消费品和服务价格的变动情况，PPI 则是从生产端出发，关注生产者层面的 价格变动。这里数据预处理方法同上文经济增长风险因子，CPI 和 PPI 发布时间为第二 个月中下旬，两项数据均需要滞后一个月处理并用 HP 滤波过滤短期噪声。 我们将预处理过后的 CPI 同比和 PPI 同比波动率倒数加权合成为通胀风险因子。由 于生产端、消费端的价格变动情况都被我们纳入了考量，最后合成的通胀因子与大宗价 猪肉、螺纹钢、布伦特原油的价格同比走势都有一定相似性。因此，我们认为这一合成 因子可以有效充当通胀风险的代理变量。

2.2.3. 利率风险

作为高流动性资产，短期国债和货币基金对利率变动非常敏感，当前的利率水平直 接影响着这两类资产的需求和收益。中债-国债总财富(1-3 年)指数与货币基金反映了短 期国债市场和货币基金市场的综合情况，因此我们选择对以上两个资产等权构造投资组 合，得到该组合的净值曲线之后，我们对其计算同比收益率，将同比收益率序列作为最 终的利率风险因子。 我们这里以债券资产和货币基金构造投资组合来作为利率风险的代理变量，所以我 们构造的利率风险因子上行，对应的含义其实是市场利率下行，货币环境宽松。这也就 能解释为什么我们合成的利率风险因子与 1 年期国债到期收益率的走势完全相反，因为 利率上升会导致债券资产收益下降。

2.2.4. 信用风险

中债-企业债 AAA 指数作为企业债的代表，反映较高的信用风险。中债-国债总指 数则是政府债券的代表，一般来说，政府债券被认为是最低风险的债务工具。因此，我 们通过做多企业债 AAA 指数和做空国债总指数，获得企业和政府债券之间的信用风险 差异。此外，为减少投资组合对利率风险的敏感性，我们每一期会根据久期调整两类资 产的比例，始终保持多空组合久期中性。我们构造的信用风险因子属于反向因子，信用 利差走阔代表信用收紧，所以其走势与 M1 同比和金融机构存款余额同比走势相反。

2.2.5. 汇率风险

海外机构大多将美元指数（USDX.FX）的同比收益率序列作为汇率风险因子。美元 指数是综合反映美元在国际外汇市场的汇率情况的指标，用来衡量美元对一揽子货币的 汇率变化程度。它通过计算美元和对选定的一揽子货币的综合的变化率，来衡量美元的强弱程度，指数越高，美元越强势。

2.2.6. 期限利差风险

期限利差是指不同期限债券之间的收益率差异，可以用中短期债券财富和长期债券 财富来衡量。我们做多中债-中短期债券财富(总值)指数并做空中债-长期债券财富(总值) 指数，保持久期中性构造投资组合，得到该组合的净值曲线之后，我们计算其同比收益 率，将同比收益率序列作为最终的期限利差风险因子。10 年期国债收益率与 1 年期国债 收益率之差是最直观的期限利差指标，我们构造的期限利差风险因子与其走势相似，并 且更加平滑，趋势也更加明显。

2.3. 总结

我们利用宏观数据和资产组合构建了包括经济增长、通胀、利率、汇率、信用、期 限利差六个因子的宏观风险模型。这一模型全面刻画了宏观经济的多个方面，提供了更 全面的风险视角。

在对各个风险因子进行相关性分析时，由于我们使用的是月频数据，因此在度量相 关性时效果不如高频数据，整体相关系数略高。利率、信用、汇率、期限利差这四个风 险因子是用资产组合构造的，因此我们可以获得周频的同比收益率序列作为对应的高频 宏观风险因子。我们发现，在不改变任何构造方法的前提下，周频因子要比月频因子的 相关性低很多，月频的利率和信用因子相关系数为 0.17，而周频的利率和信用因子相关 系数仅为 0.09。因此，我们认为我们的构造方法没有问题，是较低的数据频率引起了部 分信息缺失，导致相关性略微偏高。

总体来说，因子之间的相关系数绝对值大部分都控制在 0.4 以内，关联度较为适中， 不影响后续应用。同时，它们的正负相关符合经济学理论的预期。特别地，利率和期限 利差之间的相关性达到 0.84，这符合长期债券相对于中短期债券承担更大利率风险的常 见观点，表明较高的期限利差可能与较高的整体利率水平相关。

3. 基于宏观风险因子的大类资产配置模型

3.1. 宏观风险因子的主要矛盾

在应用宏观风险因子来配置资产之前，我们首先要回答一个关键问题：宏观风险因 子的主要矛盾是什么？是因子处于高位/低位的绝对数值还是上行/下行的相对趋势在影 响资产的价格？

我们统计了大类资产在因子不同状态下的年化收益、月平均收益、夏普比率。我们 观察到部分现有研究单纯以月平均收益率来评价资产表现，这显然是不够严谨的，因此 我们这里选取夏普比率作为判断状态划分是否合理的主要依据，年化收益、月平均收益 用来辅助判断。 统计结果表明，宏观因子的上行/下行是影响资产波动的主要矛盾。上行/下行的状 态划分无论从区分度还是宏观经济学常识的角度来看都更加合理。以经济增长风险为例， 我们都知道经济繁荣的时候利好股票，经济衰退的时候利空股票。经济增长风险因子上 行时大盘股和小盘股的夏普比率分别为 0.38 和 0.55，下行时大盘股和小盘股的夏普比 率分别为-0.18 和-0.10；经济增长风险因子处于高位时大盘股和小盘股的夏普比率是负 的，处于低位时大盘股和小盘股的夏普比率是正的。如果我们以高位/低位来划分状态， 就会发现资产的收益情况与宏观经济学常识相反。因此，宏观因子的上行/下行是更加科 学合理的状态划分依据，经济增长风险因子上行才对应我们所说的“经济繁荣”，此状态 下股票资产的表现相对较好。

3.2. 大类资产投资时钟规律梳理

3.2.1. 单因子资产轮动模型

在明确了用上行/下行来划分宏观因子状态之后，我们统计了宏观风险因子的不同 状态对资产收益的影响，并且定量化地给出了相应的观点，其中 1 代表看多，-1 代表看 空，0 代表不给出观点。

在梳理完单个宏观风险因子对于不同资产的观点之后，我们初步构造了一个基于宏 观风险单因子决策的大类资产轮动模型（下称“单因子法”）： （1）我们无法预知下个月的宏观因子状态，但是宏观经济状况很少发生频繁的状 态切换，因此我们假设下个月各个因子均延续本月状态。 （2）我们根据各个宏观风险因子所处的状态，计算截面上各个资产的总得分。 （3）各资产的初始权重比例为大盘股：小盘股：债券：商品：黄金=1：1：1：0.5： 0.5，在此基础上根据总得分进行调整，每有一分正的得分则权重比例翻倍，每有一分负 的得分则权重比例减半。 （4）回测区间：2011 年 1 月——2023 年 12 月。

该模型年化收益率 10.35%，夏普比率 0.82，总体来说是有效的，说明我们构建的宏 观风险因子体系具有一定的大类资产择时能力，但是也存在一些问题： （1）未进行风险约束，组合波动率过高，导致夏普比率偏低。 （2）单因子对于资产收益情况的区分度不够。信用因子的上/下行阶段，股票资产 的表现都不够理想，与我们认知中“宽信用环境利好股票”的常识不符。 （3）仅从单因子角度来考虑宏观状态对于大类资产的影响太过片面，忽视了宏观 风险因子之间的联动关系。单因子模型在经济增长上行时看多股票，在通胀上行时看空 股票，如果当前的宏观状态是经济增长和通胀均上行，那么这两个因子对于股票的多空 观点就刚好抵消了，但是根据经典的“美林时钟”模型，我们都知道经济增长和通胀均 上行的状态被称作“过热”阶段，股票资产在“过热”阶段下依然可以带来不错的回报， 单因子模型会让我们错失这部分收益。

3.2.2. 引入“美林时钟”“利率—信用时钟”

为了改善上述单因子大类资产轮动模型中存在的问题，我们决定着眼于宏观风险因子之间的联动关系。 经济增长和通货膨胀之间存在密不可分的联系。经济增长带动国民总财富的增加， 刺激消费，使供求关系变化，必然会引起物价上涨，而通货膨胀则又会反过来制约经济 增长的速度，可以说二者相互传导，相互影响，周期性循环往复。 利率和信用是货币政策中不可分割的两个概念。利率的出现必定对应一笔资金和两 方需求，一方融出，一方借入，资金的使用权被让渡，利率就是这笔资金使用权让渡的 定价。利率的出现意味着以货币为载体的债权债务关系的出现，同时也是以偿还和付息 为条件的借贷行为的出现，这种借贷行为其实就是我们说的信用。 因此，我们从上述两个角度出发，引入“美林时钟（增长—通胀时钟）”和“利率— 信用时钟”模型。我们统计了各类资产在不同时钟状态下的表现，结论与国外市场基本 一致。 （1）从“增长—通胀时钟”的角度来看，复苏期和过热期均利好股票和商品，利空 债券，滞涨期和衰退期利好债券和黄金，利空股票和商品。 （2）从“利率—信用时钟”的角度来看，宽利率阶段均利好债券，利空股票，紧利 率宽信用阶段利好股票，利空债券。值得注意的是，紧利率紧信用阶段，大盘股表现欠 佳，小盘股仍有不错的表现。

我们根据上述投资时钟展现出来的规律，定量化地给出了不同时钟状态下对于各资 产的观点。我们发现在投资时钟中，大盘股和小盘股的表现存在一定差异，例如过热状 态下小盘股会比大盘股表现更好一些，为了体现出这种差异，我们设置了[-2，2]共五个 档位，其中 2 代表极度看好，-2 代表极度看空，中间以此类推。另外，由于商品和黄金 并非现金流定价的逻辑，我们尽量不让信用风险因子和利率风险因子对其给出观点，只 有在紧利率宽信用环境下，商品和黄金相对于其他状态下表现尤为突出，我们才给出了看多的观点。

梳理完“美林时钟”“利率—信用时钟”所展现出的投资规律之后，我们构建了基于 投资时钟决策的大类资产轮动模型（下称“时钟法”）。模型细节与前文的单因子资产轮 动模型基本一致，只是我们为了改善组合的风险收益比，引入了风险预算模型。我们将 前文的资产配置比例改为了风险配置比例，设置初始风险配比为大盘股：小盘股：债券： 商品：黄金=1：1：1：0.5：0.5，根据投资时钟观点进行调整，每有一分正的得分就风险 配比翻倍，负得分则减半，并根据最终的风险配比计算实际的资产配置比例进行回测。

“时钟法”大类资产轮动模型年化收益率 7.5%，年化波动率 6.52%，夏普比率 1.15， 最大回撤率 6.31%，相较于基准等权组合表现非常优异，同时由于引入了风险预算模型， 整体降低了股票等高风险资产的平均仓位，相较于“单因子”模型收益有所下降，但是 回撤控制和夏普比率都有很大的提升。 “时钟法”大类资产轮动模型已经取得了不错的年化收益和夏普比率，下文中我们 将在此基础上做进一步探索，思考如何在维持组合低风险低波动的前提下进一步提升收 益。

3.3. 宏观状态识别：拐点改善

回顾上文“单因子”和“时钟法”资产轮动模型的细节，我们发现了一个关键问题： 我们无法预知宏观风险因子下一期的状态，因此只能假设宏观状态短时间内不会发生改 变，采用当前状态来决定下一期的资产配置情况。在宏观环境较为稳定的时候，我们这 么做是没有问题的，但是一旦宏观环境发生了状态切换，我们在拐点处的资产配置策略 就会出问题，导致模型收益表现不佳。

既然因子动量法对于拐点的识别存在滞后，我们就尝试寻找别的方法来更精准地识 别拐点。 宏观状态最典型的属性就是周期性，就像前文所提到的“美林时钟”和“利率—信 用时钟”一样，在各种状态之间不断切换，周而复始，循环往复。 宏观风险因子本质上 是我们描述宏观状态的工具，因此我们大胆猜测，宏观风险因子也存在一个共同的周期。 我们对六个宏观风险因子进行傅里叶变换，对其频域开展共有峰识别，发现它们都受到 38 个月周期的共同驱动。

3.4. 大类资产轮动：拐点改善后的投资时钟模型

在加入相位判断法来改善拐点识别后，我们根据新的宏观状态判断结果构建了新的 “时钟+拐点改善法”大类资产轮动模型。

最终经过优化的“时钟+拐点改善”大类资产轮动模型年化收益率 9.93%，年化波动 率 6.83%。夏普比率 1.45，最大回撤率 6.31%，相较于先前的“时钟法”收益和夏普比 率都有了很大的提升。“单因子”模型在没有控制风险的情况下取得了 10.35%的年化收 益，“时钟+拐点改善”模型则是在控制了高风险资产仓位的情况下取得了与之相近的年 化收益，并且波动率和回撤控制都更加优秀。

编辑：火腿肠