研究框架及宏观指标趋势判断方法 [page::1][page::6]

• 资产配置框架包括资产选择、资产配权和组合构建，结合长期策略和短期动态调整。

- 宏观因子权重调整基于静态数值、动态变化和预期误差三大维度。

• 动态变化进一步分为极端走势和变化趋势两类，利用PMI指标示例说明。

• 趋势判断主要用历史均线和HP滤波方法，市场上行或下行趋势辅助判断经济状态。

宏观指标与资产收益关系及统计检验 [page::9][page::11][page::12]

| 宏观指标 | 上行均值涨跌幅 | 下行均值涨跌幅 | t值 |
|----------|----------------|----------------|-----|
| PMI 1月均线(不滞后) | 2.86% | -0.68% | 2.25 |
| PMI 3月均线(不滞后) | 3.14% | -0.34% | 2.28 |
| PMI 6月均线(不滞后) | 3.13% | -0.77% | 2.55 |

• 统计结果显示，指标上行与下行趋势对大类资产收益显著影响，以PMI和CPI为代表的关键指标表现尤为突出。

宏观指标趋势辅助资产配置策略及回测结果 [page::13][page::15][page::16]

• 资产选取兼顾全面商品及黄金优选商品两类，调仓周期为月，权重基准设置权益、债券、商品及货币的权重不同组合。

- 基于均线判断趋势的策略组合年化收益率达到12.24%~13.94%，最大回撤控制在14%上下。

• HP滤波趋势判断策略表现更优，年化收益率提升至12.34%~13.75%，最大回撤显著下降至7.99%~9.92%。

结合经济景气度与通胀的资产配置模型 [page::18][page::20][page::21][page::24]

• 采用PMI、CPI、PPI与油价等指标计算经济景气度与通胀指数，采用BL贝叶斯模型结合历史收益与宏观趋势对预期收益进行修正。

- BL模型后验收益均方误差低于直接历史均值预测，结合宏观信息提升资产配置预测精度。

• 回测数据显示，BL模型资产配置策略年化收益率达11.88%~12.26%，超越传统均值方差组合。

不同经济状态下资产表现及配置策略回测 [page::26][page::27][page::31][page::33]

• 以景气和通胀的趋势划分经济状态，通过配置股票、债券、商品、货币的不同权重组合，力求在不同经济环境下保持稳定收益。

- 股票和工业品在景气上行阶段表现优，债券类资产在景气下行阶段表现优异。

• 指标均线判断下，组合年化收益率达15.16%~16.95%，采用HP滤波判断的回测绩效更佳，年化收益率达17.82%~18.37%，夏普率超百，风险控制良好。

重要总结 [page::36]

• 基于历史均线与HP滤波的宏观因子趋势判别，结合经济景气度和通胀双维度指标进行资产配置，有效提升策略表现。

- 采用BL模型整合主观经济观点与历史均衡收益，提高资产收益率预测准确度。

• 不同经济状态下配置差异明显，策略整体回测表现稳定且具备较高的夏普率。

基于不同宏观经济状态下的资产配置策略——广发证券2018年6月深度分析报告

---

1. 元数据与概览

报告标题： 基于不同宏观经济状态下的资产配置策略
作者： 马普凡，严佳炜
发布机构： 广发证券金融工程部
发布时间： 2018年6月
研究主题： 通过分析宏观经济指标趋势与不同经济状态对大类资产表现的影响，构建资产配置策略，实现收益的稳定最大化。

本报告的核心论点在于，利用宏观经济指标的不同变化趋势（静态、动态及预期误差）判断宏观环境，结合经典金融模型（如贝叶斯均衡模型BL模型）与精选资产，设计出适应经济不同状态的资产配置策略。报告强调宏观因子的趋势对大类资产收益存在显著影响，从而提升资产配置效率，实证回测表明该策略在历史样本上能够明显优于传统均值方差组合，在收益与风险控制上得到兼顾，推荐投资者关注宏观指标变化趋势的应用于资产配置调整。

---

2. 逐节深度解读

2.1 研究框架及宏观指标趋势（页1-7）

研究框架概述

报告首先从大类资产配置和FOF（基金中的基金）研究框架入手，建立包含“资产选择”、“资产配权”、“组合构建”的三步流程（见图页3）。具体流程：

• 资产选择：基于配置目标选择资产池并构建组合。

- 资产配权：运用风险收益模型（均值方差、Black-Litterman及ABL模型）、风险测度工具（历史均值、加权平均、GARCH等）来确定战略配置权重，并结合基于宏观因子数据的技术分析与重大事件作战术动态调整。

• 组合构建：优选对应基金成立FOF组合（图4页）。

这一框架逻辑明确区分了配置目标与动态调整带来的权重变化，将宏观数据的趋势识别作为动态调整的核心依据，为后续模型应用奠定基础。

宏观数据划分（页5-6）

宏观数据作为投资决策关键因子，报告提到三方面：

• 静态数值分析指标绝对水平对资产影响；

- 动态变化研究指标变化趋势和极端走势（短期涨跌、长期趋势）；

• 预期误差分析预测与实际偏差作用。

图表页6以PMI为例，区分了短期极端走势（如连续四个月上涨）与中长期下行趋势，并定义动态变化的分类：极端走势和上升/下降趋势。

宏观趋势判断程序（页7）

通过“两种方法”判定宏观趋势：

• 历史均线法；

- HP滤波平滑法。

结合宏观指标的筛选与合成，完成经济状态划分策略，包含工业增长、经济景气度、通胀水平、货币供应与利率指标。最终结合经济状态判定权益、债券、商品、货币配权，实现资产配置决策分层（图7）。

---

2.2 趋势判断及其对资产收益的影响（页8-15）

宏观指标与资产对应关系（页9）

报告明确罗列了具体宏观指标、其更新频率、对应资产及代表指数。例如，工业增加值同比对应沪深300指数，PMI对应中证500，通胀指标CPI/PPI对应债券和商品；货币指标M2增速对应货币基金。

宏观趋势判断方法详解（页10）

趋势用两种方法测算：

• 历史均线：取过去K个月均值。

- HP滤波：滤波分离出趋势成分。

PMI时间序列示意图（图10）展现不同月份均值与滤波凸显出趋势的平滑，定义趋势判断逻辑：t期指标值大于t-1期即视为上行趋势，反之下行。

宏观趋势对资产收益的显著性分析（页11-12）

利用双样本t检验方法，判断宏观指标处于上行或下行趋势时期，大类资产收益率是否显著不同：

• PMI指标走势对沪深300的影响显著，且t值大于2表明统计检验通过；

- CPI对国债收益也表现出显著影响。

并提供详细收益率对比表与t值，图12进一步展示沪深300在不同趋势下月度收益分布。该结果验证了宏观趋势判别具备实用投资意义。

基于宏观趋势的资产配置流程（页13-16）

完整策略构建流程从宏观指标数据获取、历史统计显著性检验、资产配置等步骤层层展开，基准组合权重设定多样（权益25%-30%，债券25%-30%，商品10%-20%，货币30%）。两个商品类别选择——全部商品与仅黄金。

实证回测结果表明：

• 均线法判断趋势时，包含全部商品策略年化收益为12.24%，最大回撤14.40%，波动率9.79%，夏普比率0.94；仅黄金商品策略年化收益13.94%，夏普更高（1.07）；

- HP滤波法判断趋势时，策略表现更优，年化收益率超12%，最大回撤小于10%，波动率和换手率均更好（图15-16）。

此部分论述了趋势判定方法对收益风险的差异影响，凸显滤波法对投资效果的提升。

---

2.3 宏观趋势与经典模型结合（BL模型，页17-24）

经济景气与通胀指标构建（页18-19）

选取代表性宏观指标：

• 经济景气：PMI，标准化指标；

- 通胀水平：CPI、PPI、WTI油价，多指标标准化后取平均。

趋势采用均线和HP滤波两种方法处理，图19显示两种趋势指标时间序列表现，滤波法结果更平滑。

BL模型介绍与应用（页20-22）

贝叶斯均衡模型（Black-Litterman）通过融合市场均衡预期收益与投资者主观观点（基于宏观趋势的收益预测），推演出修正后的资产预期收益，用于优化资产配置权重。

图21详细显示了流程及模型数学表达式，强调观点矩阵P、观点收益向量Q以及历史均值收益Π的结合，确保配置不仅基于历史数据，也融合宏观经济环境的影响。

页22展示了历史均值法与BL后验收益在月度收益率均方误差上的对比，BL方法均方误差更低，说明预测更准确。

BL模型回测（页23-24）

实证回测期2006-2018，月调仓，博采宏观均线及滤波视角：

• BL组合策略分别实现11.88%（均线）和12.26%（滤波）的年化收益，显著优于传统均值方差模型的9.93%；

- 风险控制良好，最大回撤与波动率均保持较低水平；

• 夏普比率提高，换手率适中。

图24展示了多模型累积收益对比曲线。

---

2.4 不同宏观经济状态下的资产配置策略（页25-34）

宏观趋势分辨经济状态（页26）

以PMI和通胀指标（CPI、PPI等）分别经过历史均线和HP滤波处理，组合两指标趋势划分四种经济状态：

• 景气上行 + 通胀上行

- 景气上行 + 通胀下行

• 景气下行 + 通胀上行

- 景气下行 + 通胀下行

通过划分对应的经济阶段分别调配不同资产类别比例。

各状态下资产表现（页27）

数据清晰显示：

• 股票及工业品在景气上行期间表现优越；

- 债券类资产在景气下行期间表现更好；

• 商品表现分化，视具体经济阶段而定；

- 通胀对资产类别配置也具有明显指导意义。

资产权重分配规则（页28-30）

通过衡量景气与通胀的相对变化幅度比例$K$，使得组合权重动态反映经济不确定性，公式明确：

$$
K=\left|\frac{P{t}-P{t-1}}{I{t}-I{t-1}}\right|,0.25\leq K\leq0.75
$$

具体组合权重表细化到股票、债券（国债、企业债）、商品（黄金、农产品、金属、能化品）、货币基金，在四种状态下对应W1-W4权重组合，配置逻辑科学、细致。

回测结果（页31-34）

• 以均线法判断经济状态，组合年化收益15.16%-16.95%、最大回撤10.94%-13.06%、夏普比率均超1，风险调整后收益优秀；

- 以HP滤波判断经济状态，组合年化收益17.82%-18.37%，回撤和波动率有所下降，换手率大幅降低，表现更优；

• 不同经济状态下组合均获得稳定正收益，符合风险-收益预期。

多组图表具体展现了不同经济状态下组合收益时间序列及资产相对表现，验证策略有效性。

---

2.5 报告总结（页36）

• 利用宏观因子（尤其是趋势变动）对资产收益的影响做了系统性分析。

- 宏观因子趋势变化能显著影响大类资产预期收益，经过筛选和标准化处理后，经济景气度与通胀作为核心维度被纳入综合评价。

• 结合BL模型将宏观趋势观点融合至资产收益预测，实现资产权重的动态调整。

- 实践中，无论是基于趋势的简单动态配置，还是结合BL模型的优化配置，相较传统均值方差策略均有显著提升。

• 针对不同经济状态（景气与通胀的不同组合状态）设计差异化资产配置方案，可实现高效配置与风险控制的平衡。

- 回测数据表现稳定优异，充分展示策略的实用性和科学性。

---

3. 图表深度解读

• 图1（页1）罗列了报告主体章节架构，清晰呈现研究流程。

- 图3（页3）展现大类资产配置框架的结构化流程，明确了资产选择、资产配权、组合构建之间的逻辑关系。

• 图4（页4）具体说明资产配权过程细节，涵盖收益预测、风险度量、动态调整等关键部分。

- 图6（页6）PMI极端走势与趋势示意图：展示PMI的短期连续上涨与中长期趋势判定，说明动态变化下多层面趋势特征的区分意义。

• 图10（页10）PMI均线和滤波趋势图：对比不同月度均线和滤波处理后PMI时间序列走势，说明滤波法抑制波动取得的平滑效果。

- 图12（页12）沪深300收益在PMI不同趋势下分布柱状图，直观反映趋势高低期间市场表现差异，佐证统计结论。

• 图15-16（页15-16）资产组合净值增长图与策略指标表，对比包含全部商品与仅黄金商品的配置方案，说明商品选择不同对收益波动的影响。

- 图19（页19）景气与通胀时间序列指标趋势图，展示均线与滤波加权的经济状态指标，模糊平滑处理效果明显。

• 图22（页22）收益预测误差对比图，蓝色为历史均值法，红色为宏观视角融合后BL预测，样本数据表现出宏观指标融合效果更准。

- 图24（页24）BL模型与均值方差组合净值走势对比，说明加入宏观趋势视角优化的明显超额收益。

• 图27（页27）不同经济状态下资产表现柱状图，统计展示经济不同组合状态中权益、债券及商品的表现，提供量化决策依据。

- 图31-34（页31-34）经济状态划分下的组合净值增长曲线，均线和滤波法分别验证配置策略的稳健表现，滤波法收益更高且波动率/回撤更低。

上述图表层层递进地支持了报告结论，特别突出宏观指标趋势的识别在提升资产配置决策有效性上的关键作用。

---

4. 估值分析

整体来看，报告未直接涉及单一证券估值，但核心应用了金融资产配置中经典的均值方差模型与Black-Litterman模型（BL模型）：

• 均值方差模型：基于资产收益的期望值和方差协方差矩阵，寻找最优风险收益平衡。

- BL模型：为均值方差的扩展，结合投资者主观观点（此处为宏观因子趋势引导的资产预期）与市场均衡收益，形成后验预期收益，通过贝叶斯方法增强收益预测的准确性，避免均值方差模型中期望收益估计的极端敏感性。

报告详细给出了BL模型数学表达式与资产权重约束，且明确实现了基于月度调仓的实证过程。通过模型融合宏观趋势观点，提高了收益预测的稳定性和策略表现。

---

5. 风险因素评估

报告最后对风险进行了审慎提示，强调了以下潜在风险：

• 模型假设风险：所建模型及其假设不能完全准确刻画复杂现实市场环境；

- 历史数据局限：用历史时间序列数据推断未来可能导致偏差；

• 适用性风险：报告策略不适合所有投资者，投资者需结合自身风险承受能力、投资环境和理念；

- 信息完整性风险：宏观数据、模型输入可能存在误差或更新延迟，影响应用效果；

• 策略执行风险：包括调仓频率、资金流动性和交易成本等现实操作因素未充分考虑。

报告未完全详尽披露缓解策略，但通过动态调整和多模型融合，试图降低单一指标异常的影响，提高风险分散能力。

---

6. 批判性视角与细微差别

• 宏观指标选择与权重处理： 报告选取了部分宏观指标（如PMI、CPI、PPI等）作为经济景气和通胀代表，但未详述指标的完整代表性和潜在变异风险，且略显简化。经济多维度复杂性可能导致部分信息缺失。

- 趋势判定方法的依赖性：均线与HP滤波为经典趋势策略，但对金融市场中非线性和突变事件的捕捉局限，可能导致滞后，影响调仓时机和效果。

• 策略回测周期与样本偏差：2006-2018年区间样本较好地经历了多轮经济周期，然而未来结构性变革或黑天鹅事件可能使策略有效性下降。

- 换手率较高：尤其是部分策略换手率达20%以上，带来实际交易成本风险，报告未具体展开交易成本扣除效应分析。

• 商品资产范围及配置差别：报告内对是否包含农产品、能化品等类别选择不同策略，需结合投资者风险偏好及市场流动性具体评估。

- 宏观指标动态调整与市场效率：宏观因子导向的资产配置，是否能在市场不断学习和反应中持续取得优异收益，未详实说明。

• 模型风险：BL模型依赖观点矩阵和协方差估计，容易受到参数估计误差影响，报告未展示灵敏度分析。

这些细节若作为后续研究和策略实操环节的改进方向，将进一步增强报告结论的稳健性。

---

7. 结论性综合

本报告系统阐述了基于宏观经济指标趋势判断，结合经典金融模型（如BL模型），动态调整大类资产配置权重的投资策略及实证效能。核心观点如下：

• 宏观指标趋势判别（历史均线与HP滤波）对大类资产收益表现有显著解释能力，特别是PMI对权益类和CPI对债券类收益的预测作用明显。

- 宏观经济状态划分以“经济景气度”和“通胀水平”为关键维度，将经济环境细分为四种状态，分别对应不同风险收益特征的资产配置组合。

• 资产配置策略基于BL模型，融合主观宏观观点与市场均衡收益，优化资产预期收益估计，显著提升了配置效率。

- 实证回测结果显著优于传统均值方差组合，年化收益率提升2%-9%，最大回撤和波动率总体得到控制，夏普比率突出，且配置动态性合理。

• 商品配置中，单独考虑黄金作为避险资产时策略表现更优，且换手率与波动率有所权衡；这说明商品资产选择对策略表现有重要影响。

- 基于不同宏观经济状态的定制资产配置进一步彰显了策略的灵活性和稳健性，实现不同经济周期阶段均获得稳健正收益。

• 虽然存在模型简化和数据局限性，报告的分析逻辑严谨、结论具有较强的实践参考价值，为投资决策提供了宏观导向的资产配置框架与方法论。

总体而言，作者展现了一套将宏观经济动态与资产配置科学结合的体系化研究，提供了具体的判别、模型、实操方法与参数，有助于投资管理者在复杂宏观经济环境中优化资产配置，提升风险调整后收益。

---

图片示例

报告中诸多关键图表，从宏观指标趋势判断（如PMI均线与滤波趋势图、极端走势示意）到资产收益显著性统计，再至资产组合净值曲线展示均予以详实支持，极大地增强了论证的可信度和可操作性。

例如：

• 显示报告结构与章节主题；

- 资产配置整体框架图；

• PMI多周期均值趋势图；

- BL模型组合净值生长曲线对比示意；

• 不同经济状态资产配置组合收益演进等。

---

总结

报告系统、逻辑连贯地结合宏观经济指标和大类资产表现做趋势判定及资产配置研究，采用贝叶斯均衡BL模型提升预期收益预测精度，基于经济景气度和通胀划分经济状态后做差异化配置。实证成果卓著，具有较强应用价值。风险提示充分，建议结合实际投资需求及市场环境进行适当调整与优化。[page::0,1,3,4,5,6,7,9,10,11,12,13,14,15,16,18,19,20,21,22,23,24,26,27,28,29,30,31,32,33,34,36,37,38]

报告