本报告基于马氏距离对宏观经济数据进行情景划分,定义为高增速、正常增速和低增速三种经济情景,通过对经济情景下的同步预测回归模型,构建行业轮动组合策略。回测显示该组合在2019年至2022年9月期间取得显著超额收益,优于传统滞后预测模型,说明经济情景分析有助提升行业配置效果和预测准确性 。
| 组合 | 时间区间 | 收益率 | 对比基准收益率 | 超额收益 |
|---|---|---|---|---|
| 行业轮动组合 | 2019-2022.09 | 119.38% | 45.14% | +51.15% |
报告标题: 《在行业轮动中融入经济情景分析》
作者: 张立宁(金融工程高级分析师)、杨国平(金融工程首席分析师)
发布机构: 华西证券研究所
发布日期: 2022年9月19日
报告性质: 证券研究报告(仅供机构投资者使用)
主题: 结合马氏距离经济情景划分方法,构建行业轮动策略,通过经济情景分析提高行业涨幅预测准确性,并验证其行业组合超额收益能力。
核心论点总结:
报告提出通过马氏距离划分经济情景(高增速、正常增速、低增速),并据此对各经济情景下行业的表现进行分场景建模回归与预测,从而提高行业涨幅预测效果,打造行业轮动组合。通过期望最大情景概率划分训练数据、采用同步预测手段,最终的行业轮动组合表现显著优于全部等权行业组合,显示模型的有效性。该策略能够区分经济环境变化对行业轮动的影响,强化了宏观经济数据对行业走势的解释力,提供了量化选股与行业轮动的新思路。
章节摘要:
报告指出,不同行业在不同宏观经济情景下的驱动力迥异,传统均值-方差模型虽然覆盖所有可能场景但难于理解和精准估计。相对而言,情景分析采用有限类别概率划分(情景有限,概率明确),更为直观易用,但存在主观划分和概率量化难题。
推理依据:
参考Czasonis & Kritzman(2020)方法,报告引入马氏距离对多维经济变量构成的经济状态进行距离度量,利用统计量距离将状态划分为不同情景,并以距离计算概率,使情景划分具备量化依据。
重要观点:
若将经济情景对应数值和经济数据现值的马氏距离用指数函数转换,则距离越大概率越低,概率归一化后得到三种情景(高增速、正常增速、低增速)的发生概率。这样实现对于情景概率的客观量化,减少传统情景分析的主观成分。
关键方法:
选择9类经济指标,如CPI、PPI、国债收益率及期限结构、制造业PMI、社会融资等,分类为同向或反向指标,根据历史滚动分布(剔除极端分位点),用中位数定义正常增长,+-1.5倍标准差定义高、低增速临界,构成情景划分。
表1解读(经济指标与经济情景):
| 指标 | 方向 | 期末值 | 低增速 | 正常增速 | 高增速 |
|---|---|---|---|---|---|
| CPI | 同向 | 2.50% | 0.71% | 0.95% | 1.19% |
| PPI | 同向 | 6.10% | 6.02% | 7.40% | 8.78% |
| 1年期国债 | 同向 | 1.95% | 2.29% | 2.32% | 2.36% |
| 利率期限差 | 反向 | 0.87% | 0.67% | 0.65% | 0.63% |
| 制造业PMI | 同向 | 50.20% | 50.10% | 50.50% | 50.90% |
| 社会融资当月同比 | 同向 | 39.67% | 2.36% | 11.62% | 20.88% |
| 社会融资累计同比 | 同向 | 18.43% | 0.96% | 7.15% | 13.33% |
| 新增人民币贷款同比 | 同向 | 32.55% | 2.26% | 5.05% | 7.84% |
| 贷款余额同比 | 同向 | 11.20% | 12.17% | 12.30% | 12.43% |
此表展示了将历史数据分割成代表三种经济增长情景的阈值。通过历史统计数据指定了各指标符合不同经济情景的具体取值区间,从而完成情景数值定义。数据均通过显著性检验证实与行业指数存在相关性,确保选用的经济指标合理支持模型回归。
数学模型解读:
马氏距离计算公式
[
d = (x - \mu)^T \Sigma^{-1} (x - \mu)
]
其中(x)为经济情景下的经济数据定义向量,(\mu)为当前经济数据,(\Sigma)为协方差矩阵。此距离反映当前经济数据与情景定义之间的多维差异。
概率转换机制:
通过指数衰减函数 (e^{-d/2}) 将距离转化为未归一化概率值,距离越远,概率越低。归一化后得到三类经济情景的概率分布。该方法理解为经济数据存在“动量延续”现象,即经济走势往往持续某一状态,使得经济情景能够预测未来状态的概率,量化情景概率。
图表解读(图1,马氏距离散点图):
图示中椭圆代表经济指标变量的协方差矩阵形成的等高线,点A和点B分别显示两个时刻的经济表现。距离椭圆中心越远,表明经济状态异常。该图形直观展示了马氏距离消除不同变量尺度及相关性的优势,说明马氏距离在识别宏观经济异常波动中的有效性,6]。
分组方法:
使用各月经济数据计算对应3种经济情景概率,选择概率最大的情景作为该月经济情景类别,将经济数据和行业指数归入相应情景训练集。历史数据自2012年以来适用此分类,训练集数据随情景划分较传统更细,导致单类训练集较小。
策略调整:
为提高训练深度,2018年前仅划分情景不作预测,2019年起同时进行预测建模,保证训练和预测数据的合理长度及连续性。
图表解读(图2,经济数据分组流程):
该流程图清晰描绘了从每期经济数据计算三种情景概率,取最大概率对应情景,最终形成不同情景独立训练集的步骤,确保模型训练与经济宏观状态同步。
分析论点:
报告强调行业走势更受“同期”经济数据变化影响,而非宏观数据公布滞后期的状态,因此采用同步预测逻辑,即用经济数据当期变化解释行业指数当期表现。
证据支持:
以沪深300月涨幅为例,分别用表1的9类经济数据做同步回归和滞后一期回归,计算解释力度(R²)。
图3解读:
图中同步回归柱状显著高于滞后回归,直观显示经济数据当期价格对行业走势解释能力的优势,强化了采用同步回归的合理性,也为后续模型构建同步预测奠定基础。
难点:
同步预测需要提前预测未来经济数据,这本身是一个挑战。
解决方案:
通过前文经济情景的概率和数值定义,经济情景作为经济数据的未来预测代理。利用动量延续假设,经济情景数值比单期简单动量更稳健地建立了对未来经济数据变化的“预测”,从而实现同步预测。
优势总结:
图表(无具体图表示意,报告末页无实图):
该程序逻辑推动了对未来经济情景的量化同步预测设计,是本报告提出创新模型的重要环节。
建模标的及回归方法:
选择申万一级行业(剔除综合行业)作为建模对象。回归方法使用岭回归,防止多重共线性,保证模型稳健性。
建模与预测方法细节:
图4解读(行业轮动组合构造流程图):
详细步骤表现了训练集分类、建模、预测值计算,以及概率加权合成的完整策略架构,具备清晰可执行的量化模型流程,系统地将经济情景信息融入行业涨幅预测和组合构造,12]。
业绩数据与对比:
2019年至2022年9月16日,行业轮动组合收益达119.38%,而同期申万一级全部行业等权组合仅上涨45.14%,超额收益51.15%。
图5解读(组合收益走势图):
红色代表行业轮动组合累计收益,明显优于褐色的全部行业等权组合,同时蓝色超额收益逐步攀升,体现策略自2019年开始积极捕捉行业轮动带来的超额利润能力,是经济情景分析提升行业轮动预测的成功证明。
结论:
采用分情景同步预测的行业组合表现明显优于两种滞后预测(含分情景与不分情景),显示同时考虑经济情景及同步回归能显著提升行业涨幅预测效果。
图6解读(不同预测模型收益对比图):
图中红色曲线(分情景同步预测)始终跑赢两条滞后预测线,验证模型设计的有效性,表明分情景和同步预测两因素对行业轮动模型性能贡献突出。
优势:
改进点:
图1(马氏距离散点图):展示经济指标两维度散点及其协方差椭圆,显示马氏距离计算如何综合考虑变量相关性和尺度差异,便于识别异常波动。图中的往外偏离椭圆中心的点即经济异常。
图2(经济数据分组流程图):说明每期经济数据先计算三种情景概率,选最大者决定该期经济情景,归类后单独训练。这种拆分保证了模型在不同宏观环境下拟合更细致准确。
图3(同步回归与滞后回归R²对比柱状图):同步回归解释力度更高,图表直观传达数据,支持预测方法切换为同步回归。
图4(行业轮动组合流程图):贯穿从训练数据、回归方程、三个情景预测值到概率加权的路径,完整展现组合构建该量化策略的逻辑流程。
图5(行业轮动组合累积收益曲线):行业轮动组合表现优异,积累显著超额收益,曲线平稳上扬,验证了经济情景分组预测在投资实践中的实效性。
图6(不同预测策略累积收益对比):分情景同步预测曲线领先其他策略,突出新模型的优势。
本报告主攻量化行业轮动策略构建及表现分析,不涉及个股估值,因此无专门估值方法讨论。策略关注宏观经济情景与行业指数涨幅的回归关系,重点是提升行业涨幅预测准确率及后续资产配置表现。
报告未显示具体的风险缓释措施,投资者需结合多模型验证及动态调整策略,以应对潜在风险,17]。
本报告系统介绍了结合马氏距离的经济情景划分方法,以量化手段全景定义宏观经济高、正常、低增速三类情景,并计算情景发生概率。通过经济情景概率确定训练集划分,针对三种情景分别构建同步回归模型,实现了对行业月度涨幅的情景预测,并进行概率加权得到最终预测结果。
基于此预测策略构造的行业轮动组合,在近三年实测中显著超越全部行业等权组合,实现超额收益超50%,证明模型在行业轮动中的有效性。同步预测优于滞后预测,分情景模型优于不分情景模型,量化证明了引入经济情景分析对行业涨幅预测的提升。
该模型创新地将宏观经济情景量化成经济指标分布下的马氏距离概率,从而实现情景概率的科学赋值,避免了传统情景分析的主观模糊性,提升了量化模型的严谨性和预测能力。通过岭回归方法复合多样经济指标,稳健拟合行业涨幅,进而构建行业轮动组合。
尽管模型基于历史规律,存在前瞻性的不足和对经济数据动量延续的依赖,仍显著优于传统方法,具有较强实务指导价值。未来模型可在行业差异化解释变量选择和非正态经济数据建模上进一步改进。整体而言,报告提出的经济情景分析融入行业轮动策略,提供了量化宏观轮动的可操作路径,具备先进性和实证有效性,值得关注和应用。
,2,3,4,5,6,8,9,10,11,12,14,15,16,17]
报告结束。
金融工程专题报告:在行业轮动中融入经济情景分析.pdf