本报告构建了基于增长、通胀、信用、货币四个宏观因子的资产配置体系,结合动量与估值作为风控手段,并运用风险平价方法调节资产权重,实现国内股票、债券及商品市场的动态配置。HACRO-C1策略自2014年以来在5%目标波动率下回测年化收益率9.10%,夏普比率1.79。报告系统阐述了宏观因子的构建、经济周期分解及因子-资产映射关系,验证了因子在资产配置中的显著有效性,为长期稳健投资提供参考 。
| 策略 | 年化收益率 | 夏普比率 | 最大回撤 | 月度胜率 |
|---|---|---|---|---|
| HACRO-C1 | 9.10% | 1.79 | -5.22% | 64.15% |
| HACRO-C2 | 9.08% | 1.76 | -5.59% | 71.70% |
报告开篇阐述宏观经济环境对投资的重要影响,以宏观因子构建为核心的方法可以量化经济变量对资产价格的影响。通过学习国际知名机构(BlackRock、Goldman Sachs、SSGA、PIMCO等)的宏观因子构架经验,核心选取增长、通胀、信用、货币四大维度,背后依据为这些维度涵盖了大部分影响资产价格的宏观风险因素。考虑国内资本市场的独特性,因子指标选取更贴合中国实际,同时因子合成采用标准化处理,确保贡献风险均衡。
增长因子
由于GDP的季度数据发布频率低,报告通过GDP构成细分指标(月度数据代理如固定资产投资、工业产量、房地产销售等)统计合成增长因子,体现经济增长的真实状况。历史数据显示增长因子与股票市场高度正相关,增长上行通常意味着企业盈利改善,推升股价。并以2009年至今5轮经济周期为样本分析增长因子的周期特征,结合X-11与HP滤波方法处理数据中的季节性与趋势性,使得因子能准确反映经济的短周期波动。
通胀因子
CPI和PPI同比增速作为通胀指标方向性较弱,报告采用资产化思路,用大宗商品价格(石油、钢铁等,包含海外价格数据)复现通胀趋势。历史通胀波动周期被划分为四阶段,通胀周期与商品价格关联明显,通胀上行时商品资产表现优异。当前处于通胀下行周期,预计延续到2023年中。
信用因子
代表宏观流动性的社融增速、信贷增速和货币供应增速等指标构成信用因子。报告指出,股票市场资金主要来自非银行主体,因此宏观信用因子对股票资产解释力度强,信用扩张(贷款及融资活跃)支持股票上涨的逻辑受到实证支撑。信用因子也表现出明显的周期性,丹麦最近信用估计处于扩张周期。
货币因子
以货币市场利率和债券市场利率为主要构建指标,反映市场流动性状况,短久期国债利率分别体现流动性和基本面。货币因子表现出与债券价格的高度相关性,货币宽松(利率下行)利好债券资产,过往债券下跌多数对应货币因子下行周期,货币因子表现较为稳定且解释能力强。
结合前述宏观因子周期划分,统计沪深300(股票)、中债国债总净价指数(债券)、Wind全商品指数(商品)在不同因子上行与下行阶段的波动率调整后月度收益,结果清晰揭示了宏观因子对资产类别的影响规律:
月度胜率数据进一步印证统计结果,说明宏观因子对资产配置信号具备较强的判断能力和稳定性。
图表1(增长因子周期划分)
显示自2009年以来增长因子循环变化及划定的上行/下行区间。从图中可见,增长因子符合经济周期起伏,能较好捕捉经济扩张与收缩阶段,指明经济运行趋势。(图形显示增长因子在2019-2020年新冠疫情引发的剧烈下行)
图表2-5(经济变量时间序列分解)
通过CPI的环比变化演示经济数据显著存在季节性波动性,利用X-11方法剥离季节性和不规则成分,进一步用HP滤波分离趋势和循环成分,抽取有意义的经济周期信号。这些数据处理为构造宏观因子提供了数据净化基础,保证了因子真实反映经济波动特征。
图表6-8(通胀、信用、货币因子的周期划分)
这些图表类似于图表1,展示各因子的历史上下行阶段。通胀因子呈现明显电力周期震荡特征,信用因子反映宏观资金环境的流动性宽松与紧缩,货币因子紧密关联利率环境与政策节奏。各图帮助判断资产配置时点与风险所在。
图表9-16(宏观因子与资产收益率及胜率关系)
这些条形图展现不同宏观因子周期内股票、债券、商品的波动率调整后平均月收益率,以及对应胜率,数据统计周期覆盖2009年至2022年9月,是实证宏观因子对资产配置有效性的关键依据。增长和信用因子对股票有最大解释力,通胀对商品,货币对债券的影响尤为显著,无疑为后续资产配置决策提供坚实的量化支撑。
图表17-18(动量信号与估值指标辅助调节)
图表17以沪深300指数为例,标示动量信号区间,指出在资产下行趋势确认时如何降低风险预算乘数,有利于规避市场下跌风险。图表18展示估值指标(沪深300市盈率倒数减十年期国债收益率)变化范围,作为调节股票与债券预算乘数的核心输入,降低相对高估资产的配置权重,提高估值合理或低估资产权重,从而优化风险调整后收益。
图表19-22(HACRO-C1、HACRO-C2策略回测表现)
回测净值曲线显示,自2014年起两个策略均实现了稳健的上升趋势,最大回撤较低,年化收益达到9.10%(HACRO-C1)及9.08%(HACRO-C2),夏普比率均接近1.8,表明较高的风险调整收益。C1包括商品资产,C2不包含商品,但两者收益表现相似,说明宏观因子模型对股票与债券的配置已经足够有效。月度胜率数据(64%左右及71.7%)也体现了策略在多数月份实现正收益的能力,这在波动性较大的市场环境中尤为难得。
报告提出的资产配置策略主要依赖以下几个模型核心:
该策略的基日选择2014年1月2日,目标波动率设定为5%,在回测样本期表现出良好收益和风险控制特征。报告未详细披露具体的数学模型参数和权重设置,但对因子构建逻辑和权重调整步骤进行了充分解释,体现出策略设计的系统性和合理性。
报告明示以下风险因素:
报告对此风险进行了清晰披露,表明研究团队对策略局限性有充分认识,强调投资者应结合自身风险承受能力及市场状况理性决策。,9]
总体而言,报告严谨而系统,但对模型具体细节披露有限,策略实际应用中需结合投资组合管理经验和动态调整机制以降低潜在风险。
华泰证券发布的《基于宏观因子的资产配置策略简介》系统构建并实证论证了基于增长、通胀、信用、货币四大宏观因子的资产配置体系,结合动量与估值辅助风控,以风险平价为基础准则,实现多资产类别的动态配置与风险均衡调控,形成两个策略模型HACRO-C1(包含股票、债券、商品)和HACRO-C2(仅股票和债券)。
实证分析显示,该方法有效捕捉不同宏观经济周期下各类资产的收益特征:增长与信用因子对股票资产收益影响最大,通胀因子驱动商品价格波动,货币因子则与债券价格高度相关。对宏观因子周期的波动率调整后的收益率统计和月度胜率分析进一步强化了其作为资产配置信号的稳健性。
回测结果表明,HACRO-C1与HACRO-C2均实现了约9%的年化收益率,夏普比率接近1.8,最大回撤控制在5%-6%之间,呈现较强的风险调整后绩效,适合追求稳健回报的长期投资者。策略通过动量与估值指标为辅助,及时调整持仓,避免资产价格趋势逆转对组合造成严重冲击,风险管理到位。
报告警示历史关系不一定持续,策略有过拟合风险,回测表现不能保证未来收益,提示投资者保持审慎态度。
整体来看,该研究为国内投资者提供了一套体系完善、科学严谨的宏观因子量化资产配置工具,兼顾策略有效性和风险控制,具有较高的理论和实用价值。未来进一步增强模型透明度、优化多因子权重动态调整、增强样本外验证,将进一步提升策略的可信度和适用性。
图表1:增长因子上行/下行周期划分
图表6:通胀因子上行/下行周期划分
图表9:增长因子波动率调整后月平均收益率统计
图表17:动量信号确认资产下行阶段降低配置权重
图表19:HACRO-C1策略回测净值及最大回撤
以上分析全面覆盖了报告的宏观因子构建逻辑、资产映射实证、风险控制手段、资产配置策略设计以及回测业绩表现,帮助投资者理解基于宏观因子的资产配置体系的本质、优势和风险,为其在实际投资中合理应用提供理论参考和实证支持。
金工专题研究:基于宏观因子的资产配置策略简介.pdf