本报告结合我国市场特点,构建了包括经济增长、利率、通胀、信用、境外市场、商品和汇率7个宏观因子的因子体系,对15种资产类别进行了基于因子的资产配置研究。通过稳健性最优化方法和均值方差最优化方法,构造了两种最优资产组合,均实现了较基准组合和等权组合更优的年化收益与风险控制,验证了基于因子的资产配置框架在中国市场的有效性。
| 资产大类 | 细分 | 替代指数 |
|---|---|---|
| 股票 | 沪深300、中证500、创业板指、标普500 | |
| 债券 | 国债、高收益企业债、高信用等级企业债、可转债 | |
| 商品 | 黄金、原油、工业品、农产品 | |
| 对冲基金 | 公募量化对冲基金平均收益 | |
| 现金 | Shibor 3个月 |
| 组合类型 | 年化收益率 | 年化波动率 | 收益风险比 | 夏普比率 | 最大回撤 |
|---|---|---|---|---|---|
| 调整因子暴露资产组合 | 5.49% | 7.66% | 0.72 | 0.33 | 15.70% |
| 基准资产组合 | 4.42% | 15.35% | 0.29 | 0.09 | 32.48% |
| 等权资产组合 | 5.43% | 9.39% | 0.58 | 0.26 | 19.39% |
| 组合类型 | 年化收益率 | 年化波动率 | 收益风险比 | 夏普比率 | 最大回撤 |
|---|---|---|---|---|---|
| 最优资产组合 | 6.65% | 6.61% | 1.01 | 0.55 | 16.11% |
| 基准资产组合 | 4.13% | 15.31% | 0.27 | 0.07 | 32.48% |
| 等权资产组合 | 5.43% | 9.40% | 0.58 | 0.26 | 19.39% |
报告标题: 系统化资产配置系列之八:基于因子的资产配置研究
分析师: 于明(yumingming@xyzq.com.cn)、徐寅(xuyinsh@xyzq.com.cn)
发布机构: 兴业证券经济与金融研究院
发布时间: 2020年6月29日
研究主题: 针对中国市场特点,构建宏观因子体系,开展基于因子的资产配置实证研究,涉及股票、债券、商品、公募对冲基金和现金等15种资产。
报告提出,通过对7个宏观经济因子(经济增长、利率、通胀、信用、境外市场、商品和汇率)的构建和应用,利用稳健性最优化及均值-方差最优化两个模型,实现资产配置优化。在两种设置下,资产组合表现均优于传统基准组合和等权重组合,具体表现为年化收益率提升,收益风险比和夏普比率增加,且波动率和最大回撤下降。
报告回顾传统资产配置的不足:
现代资产定价理论认为,资产预期收益是风险因子的线性组合,因子投资理论主要用于股票,报告探索将该理论拓展至跨资产配置。
国外成熟策略如桥水“全天候”策略、美林时钟都是基于宏观因子的资产配置案例。大量海外顶级机构构建不同因子体系,结合宏观与风格因子应用于资产配置。
基于因子的资产配置优势:
综述国外实务文献,基于因子的资产配置流程大致为:选因子与资产、计算资产因子暴露、确定目标因子暴露、计算最优资产权重
报告基于此文献,将四步框架详细拆解,并针对国内市场作调整。如图7、图表6展现详细步骤和各文献异同点
资产类别设定: 5大类14细类,包括:
注意采用人民币计价,部分海外资产经汇率折算。
因子选择:
报告对资产日收益用PCA分析得到7个因子,累计解释率88.7%,前三个主成分经济学含义明确,图表10-14展示因子构成权重,图表16-18验证主成分与对应宏观指标的高度相关(最高95.06%的相关度在通胀因子上),增强因子选取的合理性与稳定性。
资产因子暴露是后续优化目标的基础,准确计算确保策略有效。
目标设定: 基准资产组合权重采用传统60/40股债结构,见图表20。结合计算的资产因子暴露估计基准组合的平均因子暴露(图表21)。
调整目标因子暴露: 依据Bass等(2017)理念,调整基准因子暴露,向更均衡的方向移动,形成新的目标因子暴露(图表22)。
稳健最优化模型结构:
结果回测显示资产权重随时间动态调整(图表23)。组合累计净值超越基准和等权组合,年化收益率5.49%,夏普比率提升(分别见图表24、25)。
此结果表明,基于稳健性最优化结合因子暴露调整,可有效提升资产配置收益风险表现,且风险分散更优。
动机: 前文因子暴露目标偏主观,实际如何确定最优因子权重是较难问题。借鉴Bender等(2019)方法,根据因子模拟投资组合预期收益确定最优因子权重。
具体步骤:
实证结果显示优化后组合年化收益率6.65%,波动率6.61%,收益风险比1.01,夏普比率0.55(显著优于基准及等权组合),最大回撤降至16.11%,风险控制同步提升(图表26-28)。
该方法数据驱动性更强,避免了人为主观设定的因子暴露目标,体现了较好的组合收益和风险权衡。
报告明确了传统资产配置方法的不足及基于因子配置的优势,系统梳理了文献框架与方法,结合国内市场特殊性构建了7宏观因子体系,涉及股票、债券、商品、公募对冲基金、现金15种资产,完成了因子暴露计算和两种优化配置模型实证。
结论:无论是基于预设目标因子暴露的稳健性最优化,还是基于最优因子权重的均值方差最优化,两种方法的最优资产组合均实现较基准和等权组合更高年化收益、收益风险比、夏普比率以及更低波动率和最大回撤。
风险提示:历史表现不代表未来,宏观环境变化可能导致模型失效。,18]
图表1(Greenberge因子体系图,page 4)
展示六大宏观因子及其包含风险,例如股票、通胀、实际利率、商品、信用、新兴市场,明确各因子对应的风险类型与相关指数。
图表2(Blyth四步框架,page 5)
因子配置的四步法,明确资产分类因子选择、计算资产暴露、确定目标因子暴露、资产组合匹配目标因子暴露四大步骤,图形流程清晰,便于策略实现。
图表6(文献比较表,page 7)
详细对比不同文献因子数量、资产类别、因子暴露计算方法、目标因子暴露设定和资产权重优化方法。突出本文融合多文献优势,并适合国情调整。
图表7(资产类别清单,page 8)
清晰列出15种资产对应指数及起始日期,为后续分析数据基础,谨慎选用高质量指数替代品,确定实证时间区间。
图表8(宏观因子定义,page 9)
列明7个宏观因子及计算方法,如通胀因子通过PCA主成分得出,信用因子为企业债减国债收益率,体现定量化处理。
图表10-15(主成分分析结果,page 10)
五个主成分对应的资产权重条形图明确展示各资产对因子的贡献比例,验证因子经济学意义;贡献率条形统计图显示主成分解释率,确保因子选取有效。
图表16-18(主成分与实际指数走势对比,page 11)
多重时间序列图比较主成分走势与相关宏观经济指标,相关系数均超过77%,验证因子拟合度,强调通胀因子采用PCA的合理性。
图表19(资产对7因子暴露,page 12)
横跨股票、债券、商品等多资产,逐一展示因子暴露系数以及回归的R2,反映因子解释能力,有助模型后续权重计算。
图表20~22(基准组合权重与因子暴露,page 13)
基准资产权重体现传统60/40结构,基准组合因子暴露与目标调整因子暴露,为稳健性最优化提供约束参数。
图表23(稳健性最优化权重时间演进,page 14)
面积图展现资产权重动态调整情况,体现模型调仓适时与多样配置,突出资产类别权重波动规律。
图表24(资产组合累计净值,page 15)
三组合累计净值曲线对比,最优配置曲线持续领先基准和等权,直接体现组合绩效优越性。
图表25(风险收益指标表,page 15)
年化收益率、波动率、夏普率、最大回撤列示多个组合指标,数据支撑稳健性最优化策略优势。
图表26~28(均值方差最优化结果,page 17-18)
资产权重调整范围更广,累计净值领跑更明显,风险收益指标显著改善,反映该优化策略效果更优。
报告并未聚焦某具体证券的估值定价,而是运用资产配置层面模型优化资产权重,依据的是稳健性最优化和均值方差最优化。模型输入关键包括资产对因子暴露系数、因子协方差矩阵、资产特定风险矩阵、因子预期收益等。
稳健性最优化运用Ledoit-Wolf高维协方差收缩估计,提升矩阵估计质量,避免协方差矩阵不良影响结果。均值方差优化则标准经典框架,结合通过因子权重推导的资产隐含预期收益,形成闭环刷新资产权重。
敏感性分析方面,λ值的选取与因子预期收益的精确度均为调节效果的重要驱动,报告以经验与历史数据校准参数,未专门展示敏感性曲线。此处存在进一步研究空间。
报告对这些风险均有提示,但未明确给出缓解策略,属于行业现阶段通病。
本报告基于大量海外顶尖机构及学术成果,系统地将基于因子的资产配置方法引入国内市场环境,设计针对中国市场的因子体系和实证框架,最终得出以下重要结论:
综上,基于因子的大类资产配置通过识别和利用宏观经济驱动因子,显著提升资产组合的收益风险表现,为机构投资者和资产管理提供了一种值得推广的策略工具。但模型有效性依赖于宏观经济环境稳定性及数据质量,后续应关注动态模型适应性问题和实操性难题,以增强模型的实用价值和抗风险能力。
(注:以上所有引用均标注了相应页码,且对报告中全部图表进行了全面细致解读。)
系统化资产配置系列之八:基于因子的资产配置研究.pdf