基于宏观因子体系的资产选择模型：从绝对涨跌到相对比较-20191230-申万宏源-34页_2mb

从绝对涨跌到相对比较：基于宏观因子体系的资产选择模型总结

核心内容

本文提出了一种基于宏观因子体系的资产选择模型，旨在通过分析宏观环境的变化对大类资产的影响，建立有效的资产配置策略。该模型通过构建宏观因子观察体系、识别结构性变点以及综合分类驱动信号，形成资产选择模型，并验证了其在历史数据中的有效性。

主要观点

1. 宏观环境是大类资产的主要驱动因素
   大类资产配置重视收益间的低相关性，但背后的驱动因素才是其表现差异的根本原因。不同宏观环境下，各类资产的潜在收益率方向和程度存在差异。

2. 构建多维度宏观因子观察体系
   通过“删繁就简”策略，从26个宏观变量中筛选出16个具有独立信息的变量，构建宏观因子观察体系。体系涵盖经济增长、通胀、利率、货币、汇率、海外及股债相对价值等维度。

3. 识别宏观因子的结构性变点
   采用滚动分段和虚拟变量回归方法，识别宏观变量对资产收益的影响是否发生结构性变化。多数变量在2007年前后出现显著变点，表明其对资产收益的解释力随时间变化。

4. 构建资产选择模型
   通过“时间序列”到“横截面”的渐进式方法，将单资产的时序得分转化为横截面比较依据，形成资产排序。模型在历史数据中表现良好，尤其在权益类资产中效果显著。

5. 资产选择模型效果验证

   • 正得分加权组合与前三等权组合均跑赢全资产等权组合，年化相对收益分别为8.3%和6.9%。
   • 两类组合的最大回撤均小于全资产等权组合，稳定性更强。
   • 通过模型判断，当前六大类资产综合得分均转为正，且多数得分上升。

关键信息

宏观因子观察体系

• 初始变量：26个宏观变量
• 筛选方法：采用回归分析，剔除拟合优度高的变量，保留相对独立的变量。
• 最终保留变量：16个，包括通胀、利率、货币、经济增长、海外因素及股债相对价值等。
• 超预期因子：超预期CPI、超预期PPI、超预期社融增速等独立出来，因其难以被其他因子解释。

结构性变点分析

• 检测方法：通过时间虚拟变量检测宏观变量对资产收益的影响是否发生结构性变化。
• 主要变点：集中在2007年左右，如沪深300与PMI的变点。
• 结果：多数宏观变量在不同时间段对资产收益的解释力存在差异。

资产选择模型构建

• 时序模型：基于单资产综合得分，形成收益概率预测。
• 横截面模型：将时序得分转化为横截面比较依据，进行资产排序。
• 组合构建方式：
  • 正得分加权组合：选择得分正的资产并加权。
  • 前三等权组合：选择得分最高的三个资产等权组合。

模型有效性验证

• 沪深300：模型有效，横截面相关系数为15.2%，多空组合年化相对收益达20%。
• 黄金：模型效果较差，相关系数为0.11%。
• 其他资产：如国债、商品、标普500等表现一般，但综合得分与收益率仍有一定正相关性。

最新模型判断（截至2019年12月25日）

• 综合得分：六大类资产得分均转为正，且多数上升。
• A股得分较低：主要受累于12月通胀数据上行。
• 得分变化：如黄金、中债国债、南华商品等得分上升显著。

主要结论

• 宏观环境的变化是大类资产最主要驱动因素，构建宏观因子观察体系并识别结构性变点有助于提高资产选择模型的有效性。
• 通过“删繁就简”和“逐步添加”方法，筛选出16个具有独立信息的宏观因子。
• 采用横截面分析，构建的正得分加权组合和前三等权组合均优于全资产等权组合，具有较高的风险调整后收益。
• 模型在历史数据中表现良好，尤其在权益类资产上效果显著，可作为资产配置的重要参考依据。

附：模型关键数据

• 正得分加权组合：累计收益814.1%，年化收益15.88%，夏普比率1.18。
• 前三等权组合：累计收益639.3%，年化收益14.46%，夏普比率1.07。
• 全资产等权组合：累计收益176.2%，年化收益7.50%，夏普比率0.67。
• 最大回撤：正得分加权组合与前三等权组合均低于全资产等权组合。
• 模型胜率：正得分加权组合胜率57%，前三等权组合胜率60%。