为什么要构建跨资产视角下的全球宏观因子体系？
近年来，大类资产配置最大的痛点之一是全球经济周期规律弱化，过去一些经典的宏观模 型，比如美林时等适用范围越来越有限。具体原因如下： ①当前正处于全球秩序解构与重塑的关键时期，一方面是地缘和经贸扰动频发，另一方面 AI 等科技革命深化，对经济和金融市场产生了更底层、更深远的影响。 ②高额的财政支出扭曲了经济周期，部分央行也在一定程度下被财政绑架，货币政策独立 性受到挑战，传导机制不畅。 ③各主要经济体之间基本面分化、经济周期错位，增加了从基本面数据把握全球经济动向 的难度。 ④多国出现 K 型经济的特征，高收入与中低收入群体分化加剧，导致宏观经济很少出现典 型的衰退或复苏，更多体现为各个行业滚动衰退或滚动复苏。
宏观因子是影响大类资产价格长期走势的核心驱动因素，也是我们理解资产配置的出发点。 在真实的市场周期中，几乎所有中长期的大类资产超额收益或显著回撤，最终都可以追溯 到少数几类核心宏观因子的共振或反转。这些因子并非孤立作用，而是通过复杂的交互， 塑造了股票、债券、商品、汇率乃至另类资产之间的相对表现与轮动规律。 我们希望通过构建一套全面、精准的全球宏观因子框架，能够高频、动态地跟踪市场主线 的变化，实现对每个因子进行细化跟踪。这套框架的目标是可以从周期、趋势、拐点、边 际变化等多个角度帮助投资者理解宏观因子的运行规律，并辅助进行大类资产中长期走势 判断。这套框架有几个重要特点： 第一、能够反映在全球大类资产价格变动中的共性，比如只用一个因子代表全球增长。当 然，这种方式存在不可避免的弊端，就是对于国别层面的异质性和差可能有所忽视，在寻 求总体“正确”的同时只能选择牺牲一些结构的“精准”。 第二、从跨资产视角出发，得到的宏观因子能够在最大程度上体现跨资产、跨国别、跨品 类的投资者共识，从而最大程度避免只聚焦个别资产可能导致的片面性。 第三、除了增长、通胀等基本面因子外，也需要刻画一些对大类资产产生较大影响的长期 结构性命题或时代主题，比如法币信用的缺失等。
合成宏观因子的方法比较
在实践应用中需要区分两类宏观因子合成的方式： 第一类是用宏观经济指标直接合成因子，其优势是可解释度较高、可预测性强，不过缺点 在于低频、披露滞后、落后于市场预期。宏观经济数据一般以月频为主，部分行业可能有 周频、日频数据，但是并不全面且波动相对较大。当月的经济数据一般在次月上旬甚至部 分是下旬才公布，数据所描述的经济状态已经成了“过去时”，尤其在拐点前后容易导致误 判。“市场是经济的晴雨表”，对经济走势的预期往往会提前反映在资产价格中，实际数据 公布时市场更多交易是否低于/超预期、加速/减速等“二阶导”信息。
第二类是从资产价格中提取隐含的市场因子，优点是高频、实时、可投资等，对资产的解 释度往往更高。不过和第一类相比，相应的“噪声”也可能更大。这种市场隐含因子可以 做到日频甚至日内高频，但是一旦频率过高，因子中可能体现宏观趋势和变化的成分偏少， 更多反映流动性和投资者交易行为，反而违背了我们提取宏观因子的初衷。由于这类方法 是从资产中直接提取的因子，因此将因子和资产价格相对应的过程也较为容易直接，具有 较好的可投资性和可解释度。不过由于这种方法合成的因子中涵盖了绝大多数的价格行为， 也导致将一些非宏观因素驱动的信息涵盖进来，导致“噪声”可能偏多。
本文重点聚焦第二类因子提取方法，具体手段上又可以分为 FMP(factor mimicking portfolio，因子模拟组合)和 PCA(principal components analysis，主成分分析)两种， 其中 FMP 更侧重经济金融逻辑，PCA 更多体现数据驱动和市场表达。
FMP 的核心逻辑是通过构建一个投资组合，使其收益在统计意义上“复制”某个目标因子 的暴露，从而用这个组合来代表该因子。主要优点包括： ①方法灵活，除了可用于宏观因子（通胀、增长、流动性），也可以通过选取不同特征的股 票，刻画价值、动量等股市风格因子； ②经济金融逻辑相对清晰，可以选取意义明确的大类资产组合，比如股票相对债券超额收 益刻画增长因子，规则清晰容易溯源，避免因子合成变成黑箱； ③可投资性强，将抽象因子转化为可交易组合，方便直接在实盘应用。 当然，FMP 也有一些缺点，包括： ①过拟合风险，尤其是如果使用回归等方式，系数相对固定，样本依赖性强，在样本外失 效的风险较高； ②资产选择敏感，难以避险共线性问题。如果小幅调整资产池，可能导致得到的因子出现 较大幅度变化； ③潜在追踪误差，尤其关注非特定因子风险（比如个别资产的流动性冲击），可能会污染组 合收益从而导致因子失真； ④难以捕捉非线性特征和动态关系。
PCA 是一种经典的统计降维技术，通过正交变换将相关的大类资产回报变量转换为少数互 不相关的“主成分”，依据最大化数据方差来寻找资产收益的主要共振方向。主要优点包括： ①简化和降噪效果突出，用少量主成分取代大量原始变量，消除多重共线性，并通过舍去 对方差贡献较小的成分来降低噪声； ②多变量合成时无需考虑权重分配； ③不依赖预设经济故事或因子假设，可挖掘隐藏因子，纯粹数据驱动； ④对于短期系统性冲击（资产价格共振）的捕捉能力较强。 同时，由于其纯粹数据驱动的特性，PCA 也存在有一些缺点： ①可解释性差，主成分是原始变量的线性组合，常缺乏直观经济含义； ②时变的不稳定性，对样本窗口敏感，样本的变化可能导致因子结构跳跃； ③对异常值敏感，PCA 基于协方差/相关系数矩阵，而这些统计量易受极端异常值的影响， 可能导致主成分发生偏差。
综上所述，FMP 和 PCA 有他们各自的优缺点，因此我们在本文中希望尝试新的因子构成方 式，以发挥他们各自的优点。
FMP 结合 PCA 的全球宏观因子体系思路
我们尝试将 FMP 与 PCA 两种方法结合，先对选取的资产序列进行 FMP 操作，构建可投 资的初级因子代理序列，再用 PCA 对这些初级因子进行合成，以得到相对稳健且可解释度 较高的最终因子。我们认为这种方法可能有以下几个优点： 第一、兼具经济含义与数据驱动。FMP 重点在于刻画经济金融逻辑，将 FMP 处理后的初 级因子作为 PCA 的输入变量，使其中的经济金融逻辑得以保留。 第二、相对单纯的 PCA，两者结合后的可解释性和可交易性大幅提升，可以大致看出哪些 资产对因子变化贡献较大。 第三、相对单纯 FMP，因子的信噪比会有明显的提升。FMP 自身含有估计误差，而在 FMP 的基础上进行 PCA 可把共同信号放大、把特异性噪声削弱，从而得到更稳定的合成因子。 第四、FMP 得到的初级因子经济金融解释力强，从而有助于降低 PCA 导致最终因子含义 在不同样本窗口出现跳跃的风险。 当然，这种处理方式并非完美。如果 FMP 构建中存在较大偏误，可能继续传导到 PCA 的 结果中；PCA 合成过程中也可能丢失部分信息；在极端情况下 FMP-PCA 结构也可能出现 不稳定。因此在实际因子合成的过程，我们对一些细节进行了优化，比如用正交化等方式 剔除因子污染，以及采用截尾处理避免单一基础因子占据过大权重。
全球六因子框架与基础指标选择
因此我们认为可以正在传统增长-通胀-流动性等三大传统反映经济周期的三因子体系外，加 入风险偏好-法币信用-AI 科技等反映时代背景与长期主题的三大因子，使得整个宏观因子 体系更为完整，也有望提高对大类资产价格的解释能力。
在初步确定了全球六因子框架后，我们需要挑选每个因子所对应的基础资产变量或组合。 这个过程中，我们希望尽量照顾到更多的资产大类和每个大类中最具有代表性的品种。原 则上，在合成每个因子时，都尽量会涉及股债商汇四大类资产中的相关品种，以使得因子 更具备代表性，也和大类资产实际投研工作中的关注重点更为一致。在合成部分代理因子 时，需要进行跨国别加总，我们对权重分配的核心原则是美国占比 50%，英国、日本、德 国（欧元）平分剩下的 50%。 具体来看，增长和通胀的因子的底层资产选择相对容易，可以通过统计方法找出和宏观经 济数据更相关的品种，而其他因子底层资产的选取更依赖主观判断和逻辑推演。 全球增长因子的底层资产选择，通过回归测算，在各类基础资产（组合）中挑选和全球 PMI 高相关性的品种。 跨资产：股票相对债券的超额收益，股票选择 MSCI 全球，债券选择彭博综合债券指数； 权益类：全球周期类股票相对防御类超额，选取全球周期性行业（材料、工业、金融、可 选消费）指数和防御性行业（公用事业、必选消费）指数分别作为代理指标； 债券类：全球信用债利差对全球增长敏感，选取彭博投资级和高收益债利差；此外选取全 球主要经济体国债 5y-1y 的期限利差，越大往往代表增长动能越强。 商品类：初期选取彭博工业金属指数相对贵金属指数超额，但是后续发现贵金属指数受法 币信用因子影响过大，工业金属 vs 贵金属很难体现实际增长变化，故最终舍去。
全球通胀因子的底层资产选择较为简单明确，主要商品现货或期货、通胀预期、商品货币 和权益相关行业等品种，且均于全球 CPI 高度相关。 商品类：同时考虑商品期货和现货价格，分别选取彭博商品价格指数和 CRB商品现货指数； 债券类：主要关注全球主要经济体盈亏平衡通胀，用主要经济体的 10 年期债券名义利率减 去 10 年期债券实际利率； 外汇类：关注主要商品货币，比如澳元、加元和挪威克朗等相对其他货币的超额。 权益类：全球原材料行业股指，相对整体市场的超额收益情况。
全球流动性因子的底层资产的选择，我们主要以美元流动性为基础，同时综合考虑其他主 流货币以及市场的流动性状况，其中以债券类资产为主。 美元流动性：美元在岸市场选取 SOFR-EFFR 利差，2019H1 之前 Libor 仍是更广泛的基准， 故 2019 年 7 月 1 日使用 Libor-OIS 利差；美元离岸市场选取欧元互换基差，代表离岸美元 的流动性情况。此外，美元指数也能代表全球美元流动性情况。 全球利率市场：选取美国、欧元区、英国、日本等主要经济体政策利率和 10 年期债券利率 （取德国作为欧元区基准）。 大类资产波动因子：如果全球流动性收紧，美股、美债、黄金、外汇等资产波动率容易上 升，全球信用利差容易走阔；大类资产共振因子：大类资产（除美元外）普遍上涨，是全球流动性扩张最显眼的特征， 故选取 MSCI 全球、彭博债券综合指数、彭博商品指数，观察资产价格运行方向是否具有 一致性。 全球法币信用因子的底层资产选择，我们主要考虑在发达国家债务可持续性、央行独立性 等担忧下，资金从法币转向实物资产、加密货币等去中心化等品种。 跨资产：从储备资产的角度，测算黄金和比特币等去中心化资产相对基于国家主权和法币 信用的美债的超额收益。 债券类：发达经济体主权信用风险的上升主要体现在长债的期限溢价中，参考旧金山联储 10 年期美债的拆分，选取和 10 年期美债期限溢价相关性最高的利差，10y-2y 利差；此外 选取 30 年-10 年实际利率，反映了通胀预期的偏离（央行独立性）以及超长债更高的期限 溢价。
全球风险因子方面，主要挑选一些传统避险资产，对这些资产（组合）的收益率取负值代 表全球风险偏好。当然这边我们需要说明，不同因素引发的市场风险偏好变化，在大类资 产表现上可能较为类似，比如增长大幅低于预期和地缘扰动升温，都可能会体现为风险资 产下跌+避险资产上涨。因此在实际应用中，需要进一步对细分资产的观察，以判断风险偏 好变化的来源，比如中东地缘扰动时原油的表现、大国贸易摩擦时离岸市场和汇率的表现 等等。 ①债券 vs 股票：债涨股跌是全球风险偏好下行的典型模式，因此我们计算全球债券相对股 票超额，前者以彭博全球债券指数代表，后者以 MSCI 全球指数代表； ②股票：选取典型避险行业公用事业股相对整体股指的超额收益，前者以标普全球 1200 公 用事业行业为代表；同时加入美股 VIX 代表股市投资者避险情绪。 ③商品：本意也是希望用贵金属相对工业金属的超额代表避险情绪，不过同样是因为受法 币信用因子影响过大，最终舍去。 ④外汇：选取典型避险货币相对其他货币的超额，包括美元、日元和瑞郎，三者之间平均 分配权重。 全球 AI 科技因子方面，主要选择了和 AI 发展密切相关的 AI 硬件、AI 软件、AI 基础设施 这三个层面，然后和增长因子、流动性因子进行部分正交剔除干扰。 ①AI 硬件：主要选取了全球半导体指数，加上代表北美半的费城半导体指数，以及代表亚 洲半导体行业的亚洲信息技术股票指数； ②AI 软件：选取全球软件指数、云计算指数。 ③AI 基础设施：选取数据中心和电力指数。
（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。）
