20180603-广发证券-金融工程专题报告_考虑领先滞后关系的宏观因子择时策略_27页_4mb

考虑领先滞后关系的宏观因子择时策略总结

核心内容

本报告提出了一种基于宏观因子与市场指数之间领先滞后关系的择时策略，旨在通过筛选具有领先效应的宏观因子，提高对市场趋势的预测能力。该策略结合了自上而下的研究思路和多种统计方法，如格兰杰检验和向量自回归（VAR）模型，以确定宏观因子与市场指数之间的因果关系和滞后结构。

主要观点

• 宏观因子择时：通过分析宏观因子与市场指数之间的领先滞后关系，筛选出对市场走势具有预测能力的因子，以提高择时的准确性。
• 因子筛选：初始宏观因子库包含35个因子，涵盖经济指标、利率利差、消费与价格指数、货币供给、海外市场等多个类别。通过Spearman相关性距离和层次聚类方法，剔除相关性较高的因子，避免多重共线性问题。
• 模型构建：采用格兰杰检验和VAR模型，确定宏观因子与市场指数之间的因果关系和滞后阶数。通过滚动回归的方式，利用单因子滞后项和指数自回归项构建预测模型。
• 策略表现：单因子择时策略中，宏观经济景气指数先行指数表现最佳；多因子择时策略有效分散风险，具有较好的收益风险比，但在牛市中表现相对较差。

关键信息

1. 宏观因子库

• 经济指标：工业增加值当月同比、PMI、PMI新订单、PMI采购量、宏观经济景气指数先行指数、波罗的海干散货指数（BDI）、OECD综合领先指标、消费者信心指数
• 利率利差：中债国债到期收益率3个月、1年、2年、10年，国债收益率差10年期-3月期、10年期-1年期、10年期-2年期，同业拆借加权平均利率
• 消费与价格指数：CPI当月同比、PPI全部工业品当月同比、商品零售价格RPI当月同比、企业商品价格指数（CGPI）当月同比、农业生产资料价格指数当月同比、贸易差额当月值、社会消费品零售总额当月同比
• 货币供给：M0、M1、M2、M0同比、M1同比、M2同比、现金净投放当月值
• 海外市场：人民币实际有效汇率指数、美元指数

2. 领先滞后检验方法

• 自回归模型：建立指数自回归模型，样本平均分为四段，自回归领先阶数在1到5之间变化，选择AIC最小的模型形式。
• VAR模型：建立VAR模型，分析宏观因子滞后项对指数涨跌幅的影响，选择AIC最小的模型形式及对应的领先阶数。
• F检验：对领先阶数稳定的宏观因子进行F检验，通过检验的因子被认为是格兰杰原因。

3. 择时策略

• 单因子择时：构造关于指数涨跌幅、指数自回归项和单因子滞后项的回归模型，滚动使用过去24期数据拟合回归参数，预测下一期指数涨跌幅。
• 多因子择时：构造关于指数涨跌幅、指数自回归项和六个有效宏观因子滞后项的多因子回归模型，滚动使用过去24期数据拟合回归参数，预测下一期指数环比数据。
• 仓位管理：月末进行换仓，采用多头择时策略。指数涨跌预测值为正时，看多买入；为负时，看空卖出并空仓。

4. 策略表现

• 单因子表现：六个单因子择时策略均能跑赢基准，其中宏观经济景气指数先行指数表现最佳。
• 多因子表现：六因子择时策略在震荡市和熊市中表现较好，但在牛市中相对较差。
• 整体表现：策略末净值1.42，基准0.91，年化收益率3.60%，超额收益4.60%，胜率51.70%，波动率17.00%。

5. 限制与注意事项

• 模型假设：策略基于合理假设，可能导致模型与现实环境存在偏差。
• 数据局限性：分析使用的是过去的时间序列数据，可能无法准确预测未来。
• 免责声明：本报告仅供参考，不构成投资建议，投资者应结合自身情况独立决策。报告内容不承担因使用而产生的任何损失责任。

总结

本报告系统地分析了宏观因子与市场指数之间的领先滞后关系，提出了基于条件随机场和多元回归的择时策略。通过筛选和剔除相关性高的因子，构建了有效的单因子和多因子择时模型，并验证了其在不同市场环境下的表现。尽管策略在震荡市和熊市中表现良好，但在牛市中相对较弱，因此需要投资者根据市场环境灵活调整。报告强调了模型的局限性和数据的时效性，并提供了相应的免责声明。