扩散指数的优势在于构建方法简单，与资产价格存在良好映射关系
扩散指数合成法是一种将多类观测指标降维的分析方法，在前期报告《扩散指数视角下的 宏观周期状态》（2024-08-29）中，我们基于全球多个国家的宏观数据，构造了包含制造业 PMI、CPI 在内的一系列全球宏观指标的扩散指数。和主成分分析等降维方法相比，扩散指 数的构建方法相对简单，其核心思想是统计当前相对于上一期增长指标数量占样本指标总 数量的比例。同时，扩散指数受数据极端值的影响较小，合成 的序列具有更强的周期特征，能与资产价格的变化建立较好的映射关系。
扩散指数存在时滞性影响，难以直接用于指导大类资产配置
受宏观数据发布时滞性的影响，我们只能在相关宏观指标发布后，以后验的视角，才能获 取到上述扩散指数与资产价格间的映射关系，而不同宏观指标的滞后性也存在差异，如制 造业 PMI 数据一般在月初会披露上月结果，而 CPI 则在月中才会披露上月数据，这就导致 我们在进行实际大类资产配置时，所使用的扩散指数会存在 1~2 个月的滞后。从结果上看，在扩散指数存在滞后的情况下，仅有商品、货币资产的收益分化表现较为明 显，股票、债券类在滞后情况下的表现与非滞后情况相比出现了逆转：股票在扩散指数下 行时的收益表现强于扩散指数上行时期，债券在扩散指数上行时的收益表现强于扩散指数 下行时期，这与我们的直观感受相违背。该结果或表明，时滞性影响会破坏扩散指数与资 产价格间的良好映射关系，导致我们无法直接使用扩散指数指导大类资产配置。
如何解决时滞性影响，是本篇报告的主要内容。在接下来的章节中，我们将基于 factor mimicking 的方法，利用日频指标，尝试构建高频组合追踪模拟扩散指数，以降低时滞性影 响。之后，我们在以风险平价为基准的全球大类资产组合中，尝试加入高频扩散指数的增 量信息，以增强整体策略表现。
在前期报告《行业配置策略：高频宏观因子》（2023-06-10）中，我们曾使用 factor mimicking 的方法，构建了高频的增长、通胀、流动性等不同维度的宏观因子。Factor mimicking 的基 本假设是资产价格是最及时的能够反映宏观状态的指标；具体做法是构建一个资产组合， 如果该组合的同比收益率走势与宏观指标同比增速走势较为接近，则该组合被称作宏观因 子组合。由于我们在构建全球宏观扩散指数时，已针对底层指标均进行了同比化处理，因 此自然的，我们也可以考虑利用 factor mimicking，构建及时反映扩散指数状态的资产组合， 并以此作为高频扩散指数因子。在本节接下来的内容中，我们将针对市场关注度较高的制 造业 PMI 扩散指数、CPI 扩散指数构建对应的高频因子组合。 传统的 factor mimicking 多数采用自下而上的方法，基本思想是对典型大类资产的收益率进 行主成分分析，每个主成分都是一个资产组合，并将各主成分组合同比收益率走势与常见 宏观指标同比增速走势依次比对，以赋予各主成分组合宏观经济含义。这种方法的优势是 能够与待配置的资产体系保持一致，不容易遗漏关键的宏观维度，但缺陷是并不稳定，随 着建模窗口和样本数量的改变，各主成分的方差贡献率随之改变，各主成分的排序可能发 生变化，从而导致其宏观经济含义随之改变，如第一主成分可能时而代表增长、时而代表 通胀。
对于本文的研究而言，由于宏观维度已经确定，我们将采用相对简化的方法，开展 factor mimicking，以降低过拟合的风险。代理资产的样本池沿用上文使用的股、债、商、货币资 产，同时在此基础上，加入了商品市场中常用的表征增长、通胀的铜金比等比值指标（商 品比值指标的计算方法可见下表）。我们的简化 factor mimicking 具体步骤如下： 1，以制造业 PMI 扩散指数或 CPI 扩散指数为自变量，在样本内（2006 年~2019 年）对各 个资产开展有放回抽样（Bootstrap）的一元线性回归，根据回归系数 t 值和 R 方的中位数 确定各扩散指数对应的代理资产； 2，利用等权的方法对代理资产进行合成，构建高频扩散指数因子组合。
制造业 PMI 扩散指数的高频因子组合：铜金比+标普 500
权益资产中，标普 500 对制造业 PMI 扩散指数的变化更为敏感；债券类资产表 现和制造业 PMI 扩散指数长期呈负相关关系；商品资产中，铜金比的表现和制造业 PMI 扩 散指数相关性较高。由于铜金比中已包含铜价信息，因此我们不再额外单独选取 COMEX 铜资产，而是将铜金比和标普 500 的多头序列纳入到制造业 PMI 扩散指数的高频因子组合 中。
基于铜 金比+标普 500 的因子组合的同比序列与制造业 PMI 扩散指数的实际值走势较为相似。进 一步的，我们构建了因子组合同比序列和资产价格的映射关系，与前文一致，为降低短期 噪音的影响，我们对因子组合同比序列进行了滚动 4 个月平均处理。结果显示，当制造业 PMI 扩散指数因子组合同比序列上行时，股票、商品的收益均值和胜率均值均显著优于因 子组合同比下行时期；而当因子组合同比序列下行时，债券和货币类资产表现更为出色。 进一步的，我们以 2020 年为界限，考察 2020 年之前与 2020 年之后，因子组合和资产价 格的映射关系是否稳定。结果表明，因子组合对于资产收益的分化效果在时序上是稳定存 在的。值得注意的是，相比债券资产，货币资产在制造业 PMI 扩散指数高频因子下行时的 表现更加稳健；同时，股票类资产在因子上行期的胜率要高于商品类资产。
CPI 扩散指数的高频因子组合：CRB 商品价格+布伦特原油
在各大类资产中，商品资产对 CPI 扩散指数的敏感性显著更高，其中 CRB 商品价格指 数和布伦特原油的 t 值绝对值与 R 方位居前列。基于该结果，我们将 CRB 商品价格指数和 布伦特原油的多头序列纳入到 CPI 扩散指数的高频因子组合中。
与制造业 PMI 扩散指数高 频因子相似，基于 CRB 商品价格+布伦特原油的因子组合同比与 CPI 扩散指数的实际值走 势较为一致。映射关系结果显示，当 CPI 扩散指数高频因子组合同比上行时，股票和商品 资产往往会有更强的收益表现，其中商品类资产的收益率均值强于股票，而胜率均值与股 票相近。而当 CPI 扩散指数高频因子组合同比下行时，债券和货币类资产收益能力更强， 其中依然是货币类资产的收益表现相对债券更加稳健。
整体来看，我们基于 factor mimicking 构建的高频扩散指数因子组合，与资产价格间同样存 在相对显著的映射关系：因子组合不同的运行状态（上行或下行），或对应着不同类别资产 （风险资产或防御资产）的强势期。事实上，扩散指数高频因子，相对原始扩散指数，对 资产强势期的划分更为准确。至此，我们完成了利用高频资产数据对低频、滞后的宏观指 标的模拟追踪。在下一章节中，我们将基于高频扩散指数因子组合，构建全球大类资产配 置策略。
底层资产池选择与基准风险预算比例设定
从本节开始，我们将利用高频扩散指数因子组合，构建完整的大类资产配置策略。策略底 层资产池以第一节展示的资产池为基础，为平衡海内外资产数量，我们的债券资产只包含 中国国债和美国国债，同时商品资产中删去海外的 CRB 商品价格指数，货币资产中，海外 的外汇资产用美元指数统一替代。此外，考虑到可投资性，我们将部分资产替换成可投资 的 ETF 产品追踪的指数。最终的底层资产池如下表所示，共涉及 18 个资产，其中国内和 国外资产各 9 个。所有资产均转换为人民币计价。基准策略选用风险平价模型，以保证大 类资产的分散。由于防御性资产，尤其是中国的债券指数，波动率较低，直接运用风险平 价模型易导致防御资产持仓占比在 80%以上，因此我们对四大类资产先设定股：债：商： 货币=2：1：2：1 的风险预算比例，各大类资产内部的细分资产再等权分配风险预算。按 照上述规则，各细分资产的基准风险预算比例如下表所示。本节中所有策略均在月末调仓， 回测区间设定为 2012.12.31~2025.6.18。由于高频扩散指数因子组合是基于 2019 年及之 前的数据构建的，因此我们后文会重点关注 2020 年之后的策略表现。
策略改进步骤 1：利用高频扩散指数因子的运行状态调整资产大类预算
在前文中，我们发现高频扩散指数因子同比序列的运行状态，与大类资产的收益表现存在 良好的映射关系，而我们的第一步策略改进方法，便是将这种映射关系融入到资产风险预 算的调整中。具体而言，当高频制造业 PMI 扩散指数因子同比序列上行时，风险资产的表 现强于防御资产，而风险资产中股票资产的收益率与商品相近，但胜率更高，因此此时， 我们将四大类资产的风险预算比例调整为股：商：债：货币=8：4：2：1；当高频制造业 PMI 扩散指数因子同比序列下行时，防御性资产表现更优，其中货币资产的收益相对稳健， 因此这种情况下，我们将四大类资产的风险预算比例调整为股：商：债：货币=1：2：4：8。 这种风险预算调整方式与我们的市场经验也相契合，当制造业处于景气上行时，风险资产 的收益更强；当经济处于景气下行时，投资者往往会更加青睐黄金、美元等避险资产。对 于高频 CPI 扩散指数因子，由于其上行状态下，股票和商品的胜率相差不大，均优于防御 性资产，因此，我们按照上行状态股：商：债：货币=2：2：1：1，下行状态股：商：债： 货币=1：1：2：2 的方式调整风险预算。结果显示，在全部回测区间内，相对基准策略，大类预算 调整策略有着更高的年化收益和 Calmar 比率，其中 Calmar 比率从 0.99 提升至 1.13。2020 年以来，大类预算调整策略的年化收益和 Calmar 比率依然相对更优，不过夏普比率因为波 动率的上升而低于基准。策略超额收益最近的一轮大幅回撤出现在 2023 年下半年~2024 年 上半年，当时两个高频扩散指数因子均呈上行趋势，赋予策略组合中的股票资产较大的权 重，而这段时间内国内股票市场表现相对一般，导致策略组合在这段时间内未跑赢基准。
从持仓分布看，受防御性资产波动率较低的影响，基准策略中防御性资产的持仓比例稳定 在 60%~80%之间，难以在风险资产的强势期内获取较高收益。相对而言，大类预算调整策 略的持仓中风险资产和防御资产的轮动特征更为明显，如 2021 年上半年和 2024 年下半年， 包含 A 股在内的风险资产整体呈上行趋势，对应时间段改进策略 1 的风险资产持仓比例出 现了突破 40%的情况。
策略改进步骤 2：基于高频扩散指数因子预测单资产未来收益表现
考虑到大类资产内部各细分资产，对高频扩散指数因子的反应程度可能存在差异，我们的 改进步骤 2 将针对各个细分资产，建立基于高频扩散指数因子的未来收益预测模型，然后 根据模型的预测值，调整细分资产的风险预算。具体步骤上，预测模型采用简单的二元线 性回归，模型自变量是两个高频扩散指数因子净值的过去 20 日收益率，因变量是资产未来 20 日的收益率。为了防止未来数据泄露，我们采用 252+20 日的窗口进行滚动回归建模， 基于窗口前 252 日的数据获得回归方程的自变量系数，然后将该系数乘以窗口最后 1 期的 高频扩散指数因子值，所得结果作为资产未来 20 日收益的预测值。在回归建模前，我们会 将滚动窗口前 252 日的因变量数据利用 z-score 方法标准化，从而使得最终得到的预测值 在各细分资产间是可比的。
对于每个调仓日，我们在改进步骤 1 调整大类资产风险预算的基础上，通过滚动窗口获得 各细分资产未来收益的预测值后，根据预测值从大到小对资产进行排序，进一步放大排序 位于前一半（9 个）的资产的风险预算，放大比例设置为 8 倍（新策略下文统称“大类预算 调整+单资产收益预测策略”）。结果显示，在全 样本回测区间内，大类预算+单资产收益预测策略的收益表现相对前文的策略有较为显著的 提升，其中年化收益率由大类预算调整策略的 7.46%上升至 10.93%，夏普比率达 1.79， Calmar 比率也上升至 1.21。相比全样本回测区间，大类预算调整+单资产收益预测策略在 2020 年后的表现更加优异，年化收益率可达 12.19%，超过基准策略的 5.65%和大类预算 调整策略的 6.67%，同时，2020 年后，大类预算调整+单资产收益预测策略的夏普比率可 达 1.89，Calmar 比率可达 2.32。 值得一提的是，与大类预算调整策略相比，大类预算调整+单资产收益预测策略获取相对基 准的超额收益能力更加稳健，超额收益净值曲线上行趋势更加平稳。与大类预算调整策略 相似，大类预算调整+单资产收益预测策略最近的一次大幅回撤也发生在 2023 年下半年， 但回撤持续时间要短于大类预算调整策略，后期的回撤修复速度和幅度也强于大类预算调 整策略。 从持仓分布的角度看，大类预算调整+单资产收益预测策略相对大类预算调整策略，风险防御资产的轮动更加频繁，同时风险资产的持仓比例上限也得到了进一步的提升，部分时 间段，如 2017 年上半年、2021 年上半年和 2024 年下半年，风险资产的持仓比例可达 80% 以上。
策略改进步骤 3：高频扩散指数因子为矛，技术面模型为盾
在前期报告《全球大类资产配置的三层次逻辑及对宏观基本面量化的思考》（2024-11-29） 中，我们曾指出，市场走势和基本面模型信号出现分歧时，市场往往是正确的，因此，在 构建大类资产配置策略时，叠加一层趋势动量追踪模型或可提升整体策略表现。基于该思 想，我们尝试在大类预算+单资产收益预测策略的基础上，增加资产价格趋势判断的相关技 术面指标，以提升整体策略表现。 考虑到在大类预算+单资产收益预测策略中，我们对高频扩散指数因子信息的利用，均是通 过放大资产的风险预算来实现的。这种单向操作，可能会导致组合的权重在某些时刻会特 别集中在个别资产上，而一旦这类个别资产的基本面信号与市场走势发生背离，组合或将 遭受较大幅度的回撤。因此，我们希望技术面指标能够起到一层“保护罩”的效果，具体 而言，即是当技术面指标显示资产有下行风险而发出看空信号时，我们将对应资产的风险 预算缩减为原来的四分之一，直到看空信号转为看多信号。在技术指标选择上，我们选取 了具有代表性的通道策略——布林带策略，当资产价格的月线突破布林带上轨时发出看多 信号，突破下轨时发出看空信号。布林带的参数设置为[12，1.5]，即布林带上轨等于资产 价格 12 个月的均线+1.5×12 个月的标准差，布林带下轨等于资产价格 12 个月的均线-1.5 ×12 个月的标准差。
总结与展望
本研究针对宏观扩散指数存在的时滞性等问题，利用 factor mimicking 的方法，构造了扩散 指数的高频因子组合，帮助投资者能更加及时地追踪全球宏观状态。之后，基于高频扩散 指数因子组合的相关信息，我们构建了一套以扩散指数为矛、基本面模型为盾的全球大类 资产配置策略体系，最终的大类预算调整+单资产收益预测+布林带指标策略在回测样本区 间内的年化收益可达 11.79%，夏普比率达 1.88，Calmar 比率达 1.17，均高于基准的风险 平价策略。策略在 2020 年后的表现更加亮眼，年化收益率超过 12%，Calmar 比率也达到 2.48。上述回测结果表明，高频扩散指数因子确实能为投资者布局全球大类资产带来一定 的增量信息。
不过目前的融合策略依然存在不足之处，如资产间的轮动相对频繁；虽然加入了技术面指 标监测资产的下行风险，但在部分时间段内，策略组合的权重依然会过于集中在少数资产 上，导致策略的波动和回撤相对基准依然较大。同时我们也发现，资产对扩散指数的敏感 性和反应程度在时序上和截面上均可能存在差异，例如 2023 年~2024 年上半年，扩散指数 上行，但 A 股相对其它资产市场表现较为一般，我们在改进步骤 2 中加入的单资产未来收 益预测模型可以在一定程度上缓解该问题，但同时也增加了策略的复杂性，以及进一步加 大了资产权重的集中性。针对上述不足之处，未来我们或许可以从以下几个方面进行优化： 1， 引入更多维度的高频宏观扩散指数因子，如 PPI、工业生产指标等，通过扩散指数间的 “此起彼落”，达到分散资产权重的效果。同时，虽然全球主要资产在整体上的走势大 致相当，但在部分时间段内，不同国家的同类型资产也会存在差异，因此，我们可以在 单一国家内部构建出对资产收益具有较强指导性的扩散指数，对该国的资产“因地制宜” 的构建配置策略； 2， 前期报告《从资产配置走向因子配置：中国版全天候增强策略》（2025-06-03）中，我 们从资产风险平价，改进为因子风险平价，达到突破资产分类局限、避免单一资产表现 对整体收益的制约的效果。未来研究中我们也可以突破股、债、商、货币的资产分类体 系，构建更能反应扩散指数风险特征的组合，以此提升整体策略的收益稳健性。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
