20170704-广发证券-量化资产配置研究之五_从宏观因子走势中挖掘大类资产投资机会_28页_2mb

从宏观因子走势中挖掘大类资产投资机会

核心内容概述

本文探讨了如何基于宏观因子走势构建动态资产配置策略，以提升大类资产配置的收益表现。通过引入宏观因子事件（短期高低点、连续上涨下跌、创历史新高新低、因子走势反转）作为配置依据，并结合历史数据筛选出具有显著影响的因子事件，进一步优化配置策略。

主要观点

• 宏观因子的选择：选择市场关注度高、数据来源可靠且公布频率较高的宏观因子，共计51个，涵盖工业与固定资产投资、消费与价格指数、货币与银行、利率与利差、景气度、权益市场数据、海外市场数据等七大类。
• 因子事件定义：定义四类宏观因子事件，用于捕捉宏观因子的走势变化，从而判断其对资产未来收益的影响。
• 有效因子事件筛选标准：通过两个标准筛选有效因子事件——因子事件发生次数与因子事件IR（收益稳定性指标）。IR定义为资产平均涨跌幅除以涨跌幅标准差，绝对值越大，事件对资产收益影响越显著。
• 资产配置策略改进：参考标普动态多资产配置指数，结合A股市场特点进行优化，采用月度或季度调仓方式，提高调仓频率以适应A股波动性。
• 策略表现：在一个月调仓周期下，动态配置组合全样本年化收益率为17.66%，相对基准超额收益率为10.73%，月度胜率为78.79%。加入动态调整的经典模型（如风险平价、马科维茨模型）表现优于基准策略。
• 参数敏感性测试：结果显示，模型对K1、K2、K3参数不敏感，对因子事件发生次数阈值和IR阈值敏感，随着阈值增加，收益率呈现下降趋势。
• 风险提示：模型基于历史数据构建，存在一定的假设和抽象，不能完全准确预测未来市场走势。

关键信息

1. 大类资产分类及投资方式

2. 宏观因子事件类型

• 短期高点/低点：因子最新值高于/低于过去K1个月均值±2倍标准差
• 连续上涨/下跌：因子连续上涨/下跌K2期
• 历史高点/低点：因子创下历史新高/新低
• 因子走势反转：因子连续下跌/上涨K3期后出现反转

3. 有效因子事件筛选标准

4. 动态资产配置策略

• 调仓周期：1个月或3个月
• 基准权重：股票25%、债券25%、商品20%、货币30%
• 权重调整逻辑：
  • 利多事件：提高对应资产权重，降低货币权重
  • 利空事件：降低对应资产权重，提高货币权重
• 调整幅度：
  • 权益类资产：10%
  • 债券及商品类资产：2.5%

5. 回测结果（一月换仓）

6. 回测结果（三月换仓）

7. 经典模型与动态调整结合

• 风险平价模型：加入动态调整后，年化收益率从4.23%提升至8.55%
• 马科维茨模型：加入动态调整后，年化收益率从8.31%提升至13.54%

8. 参数优化方法

• 方法1：统一使用相同K1、K2、K3参数，优化样本内收益最大化
• 方法2：根据不同因子和资产分别优化K1、K2、K3，最大化因子事件IR

结论

本文提出了一种基于宏观因子走势的动态资产配置策略，通过定义宏观因子事件并筛选有效因子事件，优化资产权重调整，提高了资产配置的收益表现。在一个月调仓周期下，动态配置策略在全样本中获得年化10%的超额收益率。同时，结合经典模型（如风险平价、马科维茨模型）进行动态调整，也显著提升了组合收益。然而，模型基于历史数据构建，存在一定的预测偏差和不确定性，需谨慎使用。