金工深度研究：行业配置策略，高频宏观因子-20230610-华泰证券-21页

行业配置策略：高频宏观因子总结

核心内容

本文由华泰金工团队撰写，旨在构建基于高频宏观因子的行业轮动策略，补足行业景气投资宏观视角的一环。团队已构建了包含宏观、中观、微观三个视角的行业景气投资框架，其中宏观视角的策略是本文的重点。通过构建7个高频宏观因子（增长、生活端通胀、生产端通胀、无风险利率、信用利差、期限利差、汇率），结合宏观-行业映射关系和行业盈利能力与估值水平的变化（$\Delta g$ 和 $\Delta PB$），可以捕捉行业的戴维斯双击机会。

策略在2016-04-30至2023-05-31期间表现良好，相对行业等权基准的年化超额收益为10.06%。此外，本文还对高频宏观因子体系的冗余性进行了检验。

主要观点

1. 宏观视角的行业景气投资：宏观视角关注行业盈利能力和估值水平的变化，通过构建宏观因子与行业表现之间的映射关系，实现宏观观点向行业配置的转化。
2. factor mimicking方法：通过构建宏观因子组合，使得其收益率走势与宏观指标同比增速走势一致，从而实现对宏观因子的直接投资。
3. 自上而下构建宏观因子：基于数学统计和经济学逻辑，选择7个宏观维度，采用同比波动率倒数加权法构建宏观因子组合。
4. 宏观-行业映射关系的动态性：不同宏观环境下，行业配置策略会变化，因此需要构建动态映射关系和优化器进行辅助决策。
5. 戴维斯双击策略：通过捕捉行业盈利（$\Delta g$）和估值（$\Delta PB$）同时上升的品种，实现超额收益。

关键信息

一、高频宏观因子构建

• 增长：采用恒生指数、CRB工业现货指数、南华沪铜指数（多头）和7-10年国债净价指数（空头）构建。
• 生活端通胀：采用南华生猪指数（多头）和猪肉大宗价、猪肉批发价（拼接）构建。
• 生产端通胀：采用布伦特原油、南华螺纹钢指数、南华动力煤指数（多头）和相关价格序列（拼接）构建。
• 无风险利率：采用1-3年国债财富指数、货币基金指数（多头）构建。
• 信用利差：采用1-3年企业债AA财富指数（多头）和1-3年国开债财富指数（空头）构建。
• 期限利差：采用7-10年国债财富指数（多头）和1-3年国债财富指数（空头）构建，同时结合中证800成长、中证800价值构建广义期限利差。
• 汇率：采用上海金（多头）和伦敦金现（空头）构建，反映市场对未来汇率变化的预期。

二、宏观风险配置模型

• 模型思想：根据宏观观点，动态调整行业配置比例，使行业组合在宏观因子上暴露更多。
• 凸二次优化器：用于将宏观观点转化为行业配置建议，表达如下：

$$
\underset {\Delta w} {\operatorname {argmin}} \lambda \boldsymbol {\Delta} \boldsymbol {w} \boldsymbol {\Sigma} \boldsymbol {\Delta} \boldsymbol {w} ^ {\prime} + (1 - \lambda) \sum_ {f} \left[ (\boldsymbol {\Delta} \boldsymbol {w} \boldsymbol {B}) _ {f} - | \boldsymbol {E} _ {0} | _ {f} V _ {f} \right] ^ {2}
$$

$$
s. t. \left{ \begin{array}{l} (\boldsymbol {\Delta} \boldsymbol {w} \boldsymbol {B}) _ {f} V _ {f} \geq 0, f \in \boldsymbol {P} \ (\boldsymbol {\Delta} \boldsymbol {w} \boldsymbol {B}) _ {f} = 0, f \in \boldsymbol {N} \ \sum_ {i} \varDelta w _ {i} = 0 \ - w _ {0, i} \leq \varDelta w _ {i} \leq 1 - w _ {0, i} \end{array} \right.
$$

• 应用示例：在2023年1月“强复苏”宏观环境下，优化器推荐超配比例较高的行业包括机械、电力设备及新能源等，且与实际超额收益高度相关。

三、戴维斯双击策略

• 构建方法：采用行业ROE_TTM季度差分作为$\Delta g$，实时PB对数的季度差分作为$\Delta PB$，通过滚动回归建立动态映射关系。
• 策略亮点：结合宏观因子实时预测$\Delta g$和$\Delta PB$，设计复合因子，构建行业戴维斯双击策略。
• 效果验证：策略在样本外表现良好，超额收益显著。

风险提示

• 构建高频宏观因子依赖于稳定的宏观-大类资产映射关系，历史规律可能失效。
• 宏观-行业映射关系不稳定，可能受行业生命周期、产业政策及事件冲击影响。
• 报告中行业不构成投资建议，需谨慎评估。

附录：相关图表

• 图表1：行业景气投资框架
• 图表2：行业景气投资代表性研究总结
• 图表3-23：各宏观因子对大类资产和行业指数的解释度
• 图表28-30：宏观因子对行业指数的解释度及2023年1月配置建议
• 图表31：宏观因子对$\Delta g$的解释度

总结

本文提出了一种基于高频宏观因子的行业轮动策略，通过factor mimicking方法构建宏观因子，再利用滚动回归建立宏观-行业映射关系，最终设计出可回测的行业配置策略。该策略在样本外表现良好，年化超额收益达10.06%，为投资者提供了一种新的宏观视角下的行业景气投资工具。同时，团队也对高频宏观因子体系的冗余性进行了检验，确保策略的有效性和稳健性。