金工深度研究：宏观因子指数回顾、改进与应用-20220212-华泰证券-28页_2mb

宏观因子指数回顾、改进与应用总结

核心内容

本文回顾并改进了华泰金工的宏观因子指数构建方法，并将其应用于大类资产投资时钟策略。改进主要包括三个方面：

1. 优化代理指标与构建细节：提升增长、通胀、信用、货币因子指数的领先性、平滑性和解释力。
2. 优化相位判断法：提升宏观观点预测的鲁棒性，融合因子动量法和相位判断法的优势。
3. 排除趋势与估值因素干扰：在评价宏观因子对大类资产配置策略的增强效果时，引入趋势和估值信号作为基准组合的增强因素。

主要观点

• 宏观因子指数构建：通过指标库构建、预处理、领先指标筛选、因子指数合成等步骤构建宏观因子指数，其中增长和通胀维度采用具有领先性的指标，信用和货币维度则通过广义和狭义流动性指标进行刻画。
• 指数合成方法：采用OECD法进行因子指数合成，同时针对2月和3月部分代理指标缺失的问题，使用Simple-Nowcasting进行预测，以保持因子的领先性。
• 宏观因子-大类资产映射关系：通过识别宏观因子的周期拐点，统计典型大类资产在上行/下行区间内的月均收益率和胜率，识别宏观因子与大类资产之间的映射关系。
• 宏观观点预测方法：结合因子动量法和相位判断法，因子动量法关注短期趋势，相位判断法关注中期方向，通过融合两者的结果提升宏观预测的准确性。
• 大类资产配置策略：基于宏观因子-大类资产映射关系和宏观观点，调整基准组合的风险预算比例，优化配置权重，以实现更好的资产配置效果。

关键信息

宏观因子指数构建

• 指标库构建：新增货币维度的备选指标，如银行间市场成交量。
• 指标预处理：对价格类指标进行低参HP滤波处理，提升序列的平滑性。
• 领先指标筛选：采用DTW距离、时差相关系数、K-L信息量、拐点匹配等方法筛选具有领先性的指标。
• 因子指数合成：使用OECD法合成宏观因子指数，对2月和3月数据缺失时使用Simple-Nowcasting进行预测。

宏观因子-大类资产映射关系

• 增长上行：利好股票和商品，利空债券；对黄金影响复杂。
• 通胀上行：利好商品和黄金，对股票影响体现在结构性分化。
• 信用扩张：利好股票，对债券、商品、黄金无直接影响。
• 货币宽松：利好债券，对股票、商品、黄金无直接影响。

宏观观点预测

• 因子动量法：根据最近三期因子走势判断宏观观点，适用于短期趋势。
• 相位判断法：基于基钦周期（42个月）进行拟合，判断宏观因子所处周期位置，适用于中期方向。
• 融合观点：结合两种方法的结果，若结果大于0则看多因子，小于0则看空因子，等于0则无法给出观点。

大类资产配置策略

• 基准组合：包含3种股票宽基指数、1只债券指数和4类大宗商品，引入趋势（截面夏普动量）和估值（ERP）作为增强因素。
• 回测结果：投资时钟策略在2010-12-31至2022-01-28的回测期间，年化收益为8.67%，夏普比率1.87，最大回撤-6.95%，卡玛比率1.25，月度胜率73.7%。
• 策略表现：相对于动量和ERP增强的基准组合，投资时钟策略的夏普比率提升了0.26，卡玛比率提升了0.19。

风险提示

• 模型基于历史规律总结，存在历史规律失效的风险。
• 宏观因子-大类资产映射关系基于长期统计，与短期走势可能存在出入。
• 报告中提到的资产不代表任何投资意见，投资者需谨慎理性看待。

结构梳理

• 增长因子：主要由工业品产量增速、房地产相关指标等组成，具有较强的领先性。
• 通胀因子：以CPI、PPI、商品价格指数等为代理指标，能够反映实体经济价格变化。
• 信用因子：通过M1-PPI、M2、社会融资规模存量等指标反映广义和狭义流动性。
• 货币因子：以利率指标和成交量指标反映流动性供需，增强债券配置效果。

总结

本文系统性地回顾和改进了宏观因子指数的构建方法，提升了因子的领先性、平滑性和解释力。通过融合因子动量法和相位判断法，提高了宏观观点预测的准确性。引入趋势和估值因素，使得基准组合更具有代表性。投资时钟策略在回测期间表现优异，年化收益为8.67%，夏普比率1.87，最大回撤-6.95%，卡玛比率1.25，月度胜率73.7%。该策略与美林时钟规律一致，但信息维度更丰富，能够刻画16种宏观状态。