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-20210704-广发证券-28页_2mb

从宏观因子走势中挖掘大类资产投资机会总结

核心内容

本文研究了如何通过宏观因子走势来构建动态资产配置策略，旨在提高大类资产配置的收益表现。研究主要基于A股市场，借鉴了美国市场标普动态多资产配置指数的经验，并根据A股市场的特点进行了两项重要改进：利用宏观因子事件代替单一因子值作为调仓依据，以及提高调仓频率。

主要观点

• 宏观因子的选择：选择了市场上投资者关注度较高的宏观因子，要求其数据来源可靠、公布频率较高（至少每月公布一次）。
• 宏观因子事件的定义：定义了四类宏观因子事件（短期高低点、连续上涨下跌、创历史新高新低、因子走势反转），以反映宏观因子的走势变化。
• 有效因子事件筛选：通过因子事件的IR（信息比率）和发生次数两个维度筛选出对资产未来收益影响显著的因子事件。
• 动态资产配置策略：采用定期调仓模式，以1个月或3个月为周期，根据有效因子事件调整资产权重，提升配置效率。
• 回测结果：以一个月为调仓周期，优化样本内因子事件IR的策略在全样本下获得年化10%的超额收益率；加入动态调整的经典模型（风险平价、马科维茨）表现优于传统模型。

关键信息

一、宏观因子大类资产配置

1.1 大类资产分类及宏观因子选择

• 大类资产分为股票、债券、商品、货币四类，每类资产可进一步细分。
• 选取了51个宏观因子，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、权益市场数据、景气度、海外市场数据等七大类。

1.2 海外宏观因子资产配置经验

• 参考标普动态多资产配置指数，该指数根据宏观因子值调整资产权重，以半年为调仓周期。
• 在A股市场，由于波动较大，因此采用更短的调仓周期（1个月或3个月）。

1.3 策略的改进

• 利用因子事件：代替固定阈值判断，以反映宏观因子的走势变化对资产收益的影响。
• 提高调仓频率：以1个月或3个月为周期，以适应A股市场的波动性。

二、宏观因子事件的构建

2.1 宏观因子及大类资产选择

• 选取的宏观因子分为7大类，共计51个，数据来源包括国家统计局、央行、Wind、中债、国际清算银行等。
• 资产选择以国内资产为主，具体包括沪深300、中证500、中债国债、中债企业债、黄金、农产品、金属、能源化工等。

2.2 宏观因子事件定义

• 定义了四种宏观因子事件类型：
  1. 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。
  2. 连续上涨/下跌：因子连续上涨/下跌K2期。
  3. 历史高点/低点：因子创历史新高或新低。
  4. 因子走势反转：因子连续下跌K3期后上涨或连续上涨K3期后下跌。

三、宏观因子事件筛选及举例

3.1 筛选标准

• 发生次数：需超过6次。
• IR值：每次因子事件发生后，资产平均涨跌幅/涨跌幅标准差，IR绝对值越大，影响越显著。

3.2 因子事件举例

• 短期高点：M0创下短期高点后，中债国债净价指数平均上涨0.32%，IR为0.69。
• 连续下跌：PMI连续4月下跌后，南华金属指数平均下跌3.27%，IR为0.67。
• 历史高点：贸易差额创历史新高后，沪深300指数平均上涨7.35%，IR为1.04。
• 因子走势反转：WTI原油连续上涨3个月后下跌，南华能化指数平均下跌2.17%，IR为-0.52。

四、基于宏观因子事件的动态资产配置策略

4.1 动态资产配置流程

• 基准权重：股票25%、债券25%、商品20%、货币30%。
• 调仓周期：1个月或3个月。
• 根据有效因子事件进行权重调整，流动性较好的资产调整幅度较大（10%），流动性较差的资产调整幅度较小（2.5%）。

4.2 回测结果（一个月换仓）

• 样本内表现：年化收益率15.75%，相对基准超额收益率12.15%，月度胜率78.79%。
• 样本外表现：年化收益率11.83%，相对基准超额收益率2.77%，月度胜率63.64%。
• 全样本表现：年化收益率17.66%，相对基准超额收益率10.73%，月度胜率78.79%。

4.3 回测结果（三个月换仓）

• 全样本表现：年化收益率14.18%，相对基准超额收益率7.80%，月度胜率71.72%。

4.4 参数敏感性测试

• K1、K2、K3参数测试：参数变化对年化收益率影响不大，模型对参数不敏感。
• IR阈值与发生次数阈值测试：随着阈值增大，有效因子事件减少，年化收益率递减。

4.5 经典模型+动态调整

• 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%。

五、总结

• 本文构建了基于宏观因子事件的动态资产配置策略，通过因子事件的走势判断资产配置方向。
• 策略在全样本下表现优于基准，且在经典模型基础上加入动态调整显著提升收益率。
• 需要注意的是，本文模型基于历史数据，存在一定的假设风险，不能完全准确预测未来市场走势。

图表索引

• 图1：宏观因子选择及分类
• 图2：标普动态多资产配置指数调仓方法
• 图3：标普动态多资产配置指数净值表现
• 图4：沪深300与标普500走势比较
• 图5：两点改进思路：利用因子事件、提高换仓频率
• 图6：宏观因子指标体系
• 图7：沪深300月度收益率与宏观因子回归R方
• 图8：宏观因子事件具体定义
• 图9：有效宏观因子事件筛选流程
• 图10：有效因子筛选标准及阈值
• 图11：MO创下短期高点后，中债国债净价指数涨跌幅
• 图12：PMI连续4个月下跌后，南华金属指数涨跌幅
• 图13：贸易差额创历史新高后，沪深300指数涨跌幅
• 图14：WTI原油价格出现连涨后下跌，南华能化指数涨跌幅
• 图15：根据有效宏观因子事件定期调整未来资产配置资产权重
• 图16：动态资产配置流程
• 图17：参数优化方法2——最大化因子事件IR
• 图18-24：样本内与样本外回测结果
• 图25-33：策略表现及因子详细信息表

表格索引

• 表1：大类资产分类明细
• 表2：标普动态多资产配置指数配置资产
• 表3：标普多资产配置指数宏观因子选择
• 表4：大类资产标的选择
• 表5：有效因子筛选标准及阈值
• 表6-9：因子事件类型举例
• 表10-13：策略样本内外表现
• 表14：动态组合与基准组合表现对比
• 表15：加入宏观因子事件动态调整的经典资产配置模型表现
• 表33：本文中使用的宏观因子详细信息表

风险提示

• 本文模型基于历史数据构建，不能完全准确刻画现实环境或预测未来。
• 投资者需根据自身情况独立判断，不能完全依赖本报告进行投资决策。