本报告通过算法化的拐点识别与匹配方法,筛选稳定领先指标,基于OECD指数合成法构建中国经济综合领先指数和综合景气指数。实证显示,领先指数对工业增加值具有稳定领先效应,且基于该指数的股债轮动策略表现优异,显著提升投资收益率和夏普比率,具有良好资产配置指导意义和可扩展性 .
| 指标大类 | 指标及权重(%) |
|---|---|
| 投资 | 制造业投资5%,房地产8%,基建7% |
| 消费 | 社会消费品零售总额7%,进口7%,共14% |
| 出口 | 出口金额9% |
| 财政 | 公共财政支出4% |
| PMI | 制造业PMI9% |
| 货币 | M2同比10%,存款准备金率5% |
| 信用 | 社会融资规模6%,贷款余额6%,新增贷款5% |
| 利率 | 长期债收益率5%,R007利率5% |
高频综合景气指数实时反映经济周期,上行阶段权益资产显著跑赢债券资产,放缓阶段债券表现优异。
基于高频景气指数构建的股债轮动策略(上行20%权益+80%债券,放缓全债),2015-2022年期间年化收益率6.3%,夏普比率2.55,最大回撤2.1%,胜率71.4%,显著优于仅用工业增加值的策略。
低频景气指数基于指数相对于其6期移动平均值的位置划分周期,降低调仓频率至18次,年化收益6.3%,夏普2.19,绩效依然优于基准。
换用偏股混合与纯债基金指数作为资产标的表现同样稳健:年化收益6.2%,夏普2.0,最大回撤1.9%。
| 领先指标 | 拐点匹配数量 | 平均领先长度(月) | 标准差(月) | 领先期均值/标准差 |
|---|---|---|---|---|
| 汽车产量:当月同比 | 13 | 4.46 | 5.97 | 0.75 |
| 钢材产量:当月同比 | 12 | 3.50 | 4.50 | 0.78 |
| 社会融资规模存量:人民币贷款同比 | 9 | 3.11 | 4.48 | 0.69 |
| 商品房销售面积:累计同比 | 13 | 3.69 | 5.85 | 0.63 |
| M2同比 | 11 | 5.73 | 6.48 | 0.88 |
| 贷款余额同比 | 12 | 4.67 | 6.08 | 0.77 |
| 指标 | 股债轮动_领先 | 股债基准 | 股债轮动_工业 |
|---|---|---|---|
| 年化收益率 | 7.5% | 4.5% | 3.7% |
| 年化波动率 | 3.8% | 2.5% | 2.8% |
| 夏普比率 | 1.98 | 1.81 | 1.33 |
| 最大回撤 | 2.2% | 2.8% | 2.7% |
| 收益回撤比 | 3.5 | 1.61 | 1.35 |
| 胜率 | 75.0% | - | 27.8% |
| 盈亏比 | 3.62 | - | 1.11 |
| 调仓次数 | 16 | - | 18 |
该报告一方面创新性地基于拐点识别算法,系统量化筛选领先性经济指标,构建以工业增加值为基准的领先指数;另一方面,实证结果显示该领先指数在股债资产配置中具有显著的策略指导价值,提升收益和优化风险控制,显示出较高的投资实用价值。
数据预处理:
拐点识别:
拐点匹配:
指数合成策略:
本文以OECD合成法为主线。
选取典型宏观指标涵盖投资、消费、出口、财政、PMI、货币、信用、利率等,表1详细列出指标及分类。
高频版综合景气指数构建:
策略测试:
低频景气指数:
全历史数据合成(不可回测,利用未来信息):
滚动合成(可回测,利用历史数据):
领先指数在资产配置中的应用:
图1(工业增加值同比季调效果):蓝线为原始季节性数据,橙线为季调后数据,明显消除春节等节日尖峰,数据更平滑,提高后续指标拐点识别有效性。
图2(EMD平滑处理):蓝线为未平滑,橙线为平滑后信号,删除高频噪音,保留经济周期性变动,利于精准拐点定位。
图3(HMA平滑):蓝线(原始)与橙线(平滑)对比,HMA减缓信号延迟,提升及时反映经济变化的能力。
图5:工业增加值与高频景气指数变动轨迹一致性较好,标识经济周期节奏。
图6:区分不同周期阶段股债资产波动明显,上行阶段权益快速增长,放缓阶段债券表现安全稳定。
图7:基于高频景气指数的股债轮动策略累计净值曲线持续领先基准和工业增加值择时。
图8、图9、图10、图11:低频景气指数同样有效,但调仓频率降低,投资收益波动略有减少,策略灵活性与稳定性之间的权衡表现良好。
不同领先指标(汽车产量、钢材产量、社融贷款、M2、商品房销售面积等)均表现出明显领先于工业增加值的拐点信号,多数领先期3-7个月,周期变化一致性较高。
拐点匹配说明领先指标具备潜在预测经济周期波动价值,进而作为综合领先指数构建的基础。
图18、图28:全历史与滚动合成领先指数走势,曲线平稳且领先工业增加值曲线,领先特征明显。
图29:领先指数划分周期内权益与债券表现差异显著,经济“上行”权益资产显著跑赢债券,印证领先指数划分有效。
图30、图31:基于领先指数的股债轮动策略净值持续显著超越基准,红利与信用债指标组合以及偏股混合与纯债基金组合均呈现良好收益提升和风险控制。
报告旨在经济指标与资产配置周期的识别和策略指导,未涉及传统企业估值分析如DCF、市盈率等。
本报告从量化视角系统地构建了一个中国经济综合领先指数体系,创新性地引入了基于拐点识别与匹配的领先指标定量筛选逻辑。其领先指数在捕捉中国经济周期阶段变动上稳健有效,领先工业增加值3至5个月左右,具备经济周期早期信号功能。
实证上,基于领先指数构建的股债轮动资产配置策略,在7年多的测试区间内年化收益明显优于基准(最高7.5%年化收益,最大回撤维持在2.2%以下),且夏普比率和胜率均较高,策略展现出较强的风险调整后收益提升能力。低频及高频两个版本均表现良好,且针对不同资产组合标的均有较强的适用性和稳健性。
报告中各类图表均直观呈现了指数与经济指标、股债资产的高度相关性及领先性特征。尤其是领先指标拐点匹配图与指数图显示了领先指标的稳定周期同步性及领先工业增加值的有效性。
该体系的最大贡献是实现了一个从经济原始指标预处理、拐点智能识别、领先关系匹配,到综合指数合成的全流程量化框架,填补了现有宏观周期指标较为粗糙且多依赖人工判定的不足。整体方法及实证结果对中国宏观经济周期的监测、资产配置的时机把握具有较强参考价值。
展望未来,报告坦率指出经济结构变化等不确定因素要求对模型和领先指标体系进行动态跟踪和更新,提示投资者未来应持续审视领先指标效用,动态迭代模型框架。
最后,报告对投资者作出风险提示,强调模型量化逻辑和基于历史数据,警示政策或市场环境调整可能导致模型失效,适合结合多元分析工具共同使用。
广发证券的本报告围绕中国经济的宏观领先信号体系建设,打造了一个科学严谨、数据驱动的经济领先指标编码框架,同时成功将该领先指数具体应用于实战资产配置,形成优异的股债轮动策略。全链条严谨的数据处理、算法设计和经济逻辑赋予该模型较强的稳定性与适用性,但未来需要持续对模型数据源和领先指标进行动态校准,才能适应经济结构长期演变。
该报告为宏观资产配置和量化经济周期研究提供了标杆范例,对于相关领域研究者和资产管理人均具备重要参考价值。, 4, 5, 6, 7, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25]
量化投资专题中国经济综合领先指数:方法与实践.pdf