从绝对涨跌到相对比较 基于宏观因子体系的资产选择模型
创建于 更新于
摘要
本报告构建了基于宏观因子的多维度资产选择模型,通过精选16个具有独立信息的宏观因子,结合结构性变点检测,形成单资产时间序列择时信号并转化为横截面比较排序,有效预测六大类资产表现,最终实现了多头资产组合显著跑赢空头、年化超额收益达20%,且组合风险表现优于基准[page::29]
速读内容
宏观因子观察体系构建与预测方法 [page::3][page::5][page::7][page::8]
- 采用涵盖经济增长、通胀、利率、货币、汇率、海外因素及股债相对价值的多维指标体系
- 通过“翘尾+新因素”方法高效预测CPI、PPI和社融增速,对通胀走势的捕捉效果良好
- 通过拟合优度和信息独立性原则,从26个宏观变量筛选出16个具有独立信息的核心变量,剔除大部分汇率类指标
- 16个宏观指标在解释大类资产收益率表现具有显著贡献[page::8]
宏观因子结构性变化及模型调整 [page::10][page::11][page::13][page::14]
- 宏观变量随时间存在中枢和波动幅度结构性变化,影响其对资产价格的驱动力
- 构造时间相关虚拟变量进行结构变点滚动检测,识别大部分宏观变量在2007年左右发生显著变点
- 绝对值及变动量均含有信息,模型纳入结构变化虚拟变量提高稳定性及有效性
- 宏观因子能够较好解释沪深300、国债、恒生指数、南华商品、标普500等资产收益,唯黄金效果较差[page::14]
股权风险溢价分析及宏观因子关联 [page::15]
- 股权风险溢价(ERP)变动往往与沪深300负向变动对应,实质反映货币和利率现象
- ERP的变动约45%可由PMI、超预期PPI、10年期国债收益率及M2环比增速等变量解释,彰显其货币利率属性[page::15]
单资产时间序列择时模型构建与表现 [page::17][page::18][page::19]
- 按宏观因子类别分类标准化评分后综合得出收益概率预测信号,减少因子选择偏差影响
- 结合趋势、绝对大小及相对偏离来构造信号状态
- 权益类资产(沪深300、标普500、恒生指数)时序模型效果显著,与收益率滚动相关性正向期数占比均高于60%
- 黄金、商品和国债类相关系数表现相对较弱[page::19]
宏观因子类别对资产择时的影响 [page::20]
- 股债相对价值因子均对沪深300和国债择时有效,超预期通胀、超预期货币供应对权益类表现优异
- 货币供应类信号对六大类资产均展现积极择时效果,黄金择时以货币供应类相关较高[page::20]
横截面多因子资产排序模型及验证 [page::21]
- 利用单资产时序得分构建横截面排序模型,高得分资产往往对应后续正收益
- 自2005年以来模型横截面相关系数平均达15.2%,正相关月份占比达63%
- 横截面模型累计相关系数呈持续上升趋势,表现稳健[page::21]
多空资产分组策略表现 [page::22][page::23]
- 将六大类资产按得分分为三组,多头(得分最高组)和空头(最低组)组合收益差异显著
- 2005-2019年多头组累计收益1295%,空头组累计收益-33%;多空组合年化相对收益达20.5%
- 多空组合收益稳定,绝对收益多为正,多头组合绝对收益较稳健[page::23]
资产选择组合构建及表现对比 [page::24][page::25][page::26][page::27]
- 构建正得分加权组合和前三等权组合两类资产组合,均显著跑赢六资产等权组合
- 正得分加权组合累计收益814%,年化超额收益8.3%,前三等权组合累计收益639%,年化超额收益6.9%
- 两组合夏普比率分别为1.18和1.07,均明显高于基准的0.67,最大回撤亦显著低于基准组合[page::27]
最新宏观环境与资产排序 [page::30]
- 截至2019年12月,六大类资产综合得分均有所上升且转正,模型预测月度收益率概率增加
- A股综合得分相对较低,受通胀数据上行及高于预期拖累,部分指标仍采用上月数据可能影响结果准确性[page::30]
深度阅读
金融研究报告深度分析报告
---
一、元数据与概览
报告标题: 从绝对涨跌到相对比较——基于宏观因子体系的资产选择模型
作者/发布机构: 上海申银万国证券研究所有限公司(隶属于申万宏源证券有限公司)
发布日期: 详见各页时间节点,报告截至2019年末数据
研究主题: 宏观经济因子对大类资产配置的驱动作用及资产选择模型的构建
核心论点及目标信息:
报告坚持“宏观环境变化是大类资产表现的核心驱动因素”,通过构建多维度、删繁就简后的宏观因子观测体系,结合时间序列和横截面分析模型,实现大类资产表现的有效排序,从而提出一种基于宏观因子综合信号的资产选择方法。研究显示,该方法对多类资产包括沪深300、标普500、恒生指数、国债和商品等均有一定解释力,且所构建的资产组合策略长期有效,年化超额收益高达6.9%-8.3%之间,风险调整后表现优异。
---
二、逐节深度解析
1. 删繁就简,构建宏观因子观察体系
1.1 宏观环境是资产主要驱动力
报告指出,资产间低相关性或负相关性背后实质是不同资产对宏观环境变化响应的差异,强调宏观因子变化是理解资产多样化效用的关键。其提出,通过建立一套宏观数据指标体系,旨在准确描述宏观经济对资产价格动力的影响,从根本上提升资产配置效果。文中同时强调了宏观数据存在披露滞后性及相互作用复杂性,这对模型准确性构成挑战[page::2]。
1.2 多维度宏观因子体系构建
报告将宏观因子划分为七大维度,涵盖经济增长(如GDP、PMI)、通胀(CPI、PPI及预测值)、利率环境(国债收益率、利差)、货币供应(社融增速、M2)、汇率、海外因素(美国就业、CPI等)以及股债相对价值( ERP),综合使用真实披露数据与预测指标以捕捉预期与超预期效应。此多维体系结构严谨,既考虑经济逻辑又兼顾数据可获得性,既包括绝对水平也加入预期误差维度,力图增强因子的多样性和信息完整性[page::3][page::4]。
图3清晰展示了指标分类和具体代表指标,如经济增长以PMI、GDP为主,通胀以多层次CPI、PPI及其预测和超预期差异拆分;海外指标涵盖美债收益率、非农等,体现全球视角,反映开放经济背景下宏观传导机制复杂性。
1.3 “翘尾+新因素”预测通胀及社融变化方法
报告创新地将通胀及社融同比指标拆解为基于历史同期增长翘尾份额和当月环比变化的新因素两部分,通过预测环比变化,能够较准确还原同比走势,降低噪声并增强预测信号的时效性。图5中社融、CPI和PPI预测曲线与实际值密切相符,验证了该方法的有效性和实用性[page::5]。
1.4 精简宏观变量,确保独立性和经济含义结合
经过多轮回归剔除冗余,报告最终选定16个宏观变量构建观测体系,包括超预期CPI、PPI、社融增速,PMI,信用利差,海外CPI,美元指数等关键影响因子,且这些变量相互间解释能力均较弱(R平方最低仅0.17),保证了指标的相对独立性和经济意义。如表7显示了变量间回归结果,技术路径合理,严格的数据筛选为后续模型搭建打下坚实基础[page::7][page::8]。
汇率因子被剔除说明其信息多数被其他变量如美元指数、海外利率所涵盖,海外因素依旧被保留较多,反映全球经济关联特征。
---
2. 宏观因子的结构性变点分析
2.1 宏观变量驱动信号的时间一致性挑战
报告指出宏观变量本身的均值及波动性随时间变化显著,如GDP增速中枢从2010年后整体下行,但同期沪深300仍有上涨趋势,PMI波动幅度2005-10与2010年后亦明显不同,这种结构性变化影响宏观因子与资产收益的关系稳定性,提醒投资者选用宏观因子须注意动态调整[page::10]。
图10-11详细说明了GDP增长率与PMI及沪深300的走势,验证其结构性变化及资产回报脱钩现象。
2.2 结构性变点识别方法
采用带时间虚拟变量的滚动分段回归方法检测结构变点,对沪深300、标普500及其他资产的解释模型进行变点检验,发现多数宏观因子解释模型在2007年左右出现显著结构变化,符合全球金融危机的宏观经济和金融市场转折。标普500的变点集中于2009年,因指标在前后期的走势迥异,表明应结合经济周期细分不同阶段解释力[page::11][page::13]。
文中对ERP指标亦进行了深入分析,认为ERP变化本质上更多体现了货币和利率因素的影响,而非独立风险溢价因子,关联变量包括10年期国债收益率、M2增速及其变化、美国CPI等,体现宏观因子间的内生联系及资本市场的动态反馈特征[page::15]。
2.3 宏观因子对资产收益的解释力
通过带结构变点的多变量后向回归模型,宏观因子变量对沪深300、国债、恒生指数、南华商品和标普500的收益率解释能力较强(最高R方超过0.5),黄金解释力较弱,表明宏观因子对主流股票及债券市场的适用性更优[page::14]。
---
3. 综合分类驱动信号,构建资产选择模型
3.1 时间序列到横截面模型的构建思路
因宏观因子为共性因子,难以直接进行横截面资产表现排序,报告设计“渐进式”方法:
- 首先基于时间序列构建单资产择时模型,计算标准化得分,预测未来收益概率;
- 再通过横截面比较资产得分,实现不同资产间的有效排序,最终形成资产选择模型。
这一思路巧妙解决了因子共性与个体资产差异的矛盾,实现宏观信号的有效运用[page::17]。
3.2 基于分类综合的单资产时序择时模型
将16个宏观变量按照类别分组,分别对每组因子的资产表现影响进行标准化评价(得分区间[-1,1]),然后综合得分形成总得分,降低个别因子选择偏差风险。因不同资产对宏观因子反应逻辑差异,模型针对每类资产采用趋势、绝对水平或相对水平三类信号判别方法。实证显示权益资产(沪深300、标普500、恒生指数)时序择时效果明显优于黄金、商品和国债[page::18][page::19]。
3.3 宏观因子综合得分的横截面有效性
报告给出自2005年以来,资产综合得分与其横截面收益相关度中位数为17.1%,正相关月份超过60%,显示资产选择模型有效。通过多空组合回测,最高得分的一组资产实现了1295%累计涨幅(年化19%),而最低组资产下跌33%,多空组合年化收益差达到20%。资产组合稳定性好,除极端年份保持相对优势[page::21][page::22]。
分组收益图详细展示了三组资产的累计净值走势,沪深300和中债国债收益分组动态图体现了组合间轮动特点。
3.4 资产选择组合构建及收益表现
两种组合方案均取得突出表现:
- 正得分加权组合:累计收益814.1%,年化超额收益8.3%,组合波动率略高,夏普比率超过1.1,权重动态调节2008年期间国债权重显著提升,有效抵御风险;
- 前三等权组合:累计收益639.3%,年化超额收益6.9%,组合夏普率1.07,标普500和恒生指数入选频率高,国债在2008年增加权重降低风险;两组合均显著优于全资产等权组合的176.2%累计收益和0.67夏普率[page::25][page::26][page::27]。
风险调整收益提升,最大回撤减小,胜率提升至57%-60%,说明模型不仅提升收益,也减少风险,具有良好稳定性。
---
4. 主要结论与当下宏观环境判断
报告总结:
- 宏观环境变化为大类资产主要驱动力,16个精简宏观因子有效反映市场变化;
- 除了变量本身,宏观因子对资产收益的信号灵敏度存在明显结构变化;
- 结合时间序列收益概率与横截面排序构建资产选择模型,在多类资产上均取得了显著收益溢价;
- 以模型构建的组合年化超额收益显著,且风险控制良好[page::29]。
截至2019年12月底更新,六大类资产得分全面转正,预示来年资产整体收益概率提升。分析中指出A股得分相对偏低,受止步于通胀上行和超预期指标影响,经济增长指标表现较好。值得注意的是部分数据时滞可能影响了即时评级[page::30]。
---
三、图表深度解读
- 图3(多维度宏观因子观察体系图)
细分宏观指标体系,明确七大类指标及子指标,体现经济增长(工业增加值、PMI、GDP)、通胀(CPI、PPI等)、利率环境(10年国债收益率、利差)等维度的全面覆盖及统计深度。透视宏观变量层次结构,揭示其脉络与作用路径。
- 图5(“翘尾+新因素”预测效果图)
三个子图分别展示基于“翘尾+新因素”方法预测的社融增速、CPI和PPI走势与真实值重合度极高,表明模型在捕捉宏观经济周期变化,尤其是通胀和货币供给关键数据方面十分精准,显著提升预测能力。
- 图7&8(宏观因子筛选与解释能力)
表7展示剔除变量与保留变量间的解释R平方,体现保留变量的独立信息量;图8展示被剔除变量对保留变量解释的高R平方(均在0.8以上),标识出合理的变量组合没遗漏关键信息,筛选过程合理有效。
- 图10&11(GDP与PMI结构性变化)
图10 GDP增速中枢明显下移,PMI(图11)波动幅度缩小,说明宏观变量性质随经济发展变化,资产定价与宏观指标的关系需动态调整。
- 图13(变点检测与模型R方)
PMI对沪深300解释力在2007年明显提升,表明结构变点选取合理;对应表格显示16个宏观因子对多资产的结构性变点分析,印证变点非孤立而是共时广泛现象。
- 图14(各资产对宏观变量解释力对比)
显示沪深300、国债、标普500解释度高达40%以上,黄金表现弱,体现宏观因子对传统资产的指导性和对贵金属类资产有限解释力。
- 图19(时序模型滚动相关)
权益类资产与综合评分滚动相关系数稳定正向,黄金、商品和国债相关性较低,强调权益资产更适合基于宏观因子的动量策略。
- 图21(横截面相关性累计)
横截面模型相关性长期正向累积,63%以上月份表现为正相关,说明资产排序有效性得以验证,且风险溢价空间明显。
- 图22-23(多空组合表现与动态权重)
多头组合累计回报显著优于空头,年化超额收益达20%。分组收益稳定多于空头验证模型稳定性,沪深300和国债月度分组轮动表现解释收益差异,体现模型对市场周期的捕捉能力。
- 图25-27(两类资产组合绩效及风险控制)
正得分加权和前三等权组合均以明显优势跑赢等权组合,夏普比率接近或超过1.1,最大回撤均显著低于基准,显示风险调整后收益表现突出,证实模型实用价值。
---
四、估值分析
报告无传统意义上的估值部分,核心在于构建宏观因素对应资产选择的定量模型。其基于宏观变量影响逻辑和实证回归,赋予资产未来相对收益概率得分,通过时间序列模型预测后,转化为横截面多因子得分框架,实现对资产组合的构建与调整。此过程本质为资产相对定价与排序模型,而非个股估值。其关键假设为宏观变量是资产表现的核心驱动,且仅通过“结构性变化”动态调整影响强度和时点。
估值输入主要为经过筛选的16个独立宏观因子及其带有结构变点的信号,模型对于不确定性风险以历史滚动相关与变点筛选作为主要敏感性分析方法,体现模型对稳健性的追求。
---
五、风险因素评估
报告虽未设专门章节聚焦风险,但文中隐含若干风险点:
- 宏观数据质量与滞后性风险:宏观指标披露滞后,存在数据修订,短期内拟合效果可能受影响。预测值与真值存在差异可能导致短期波动判断错误[page::2]。
- 结构性变点识别误判风险:模型高度依赖结构变点虚拟变量的准确识别,若宏观环境变化未被及时捕捉,可能降低模型效果。
- 指标选择与剔除风险:汇率因素剔除表明信息部分重叠,存在个别关键宏观因子遗漏风险。
- 资产类别适用性风险:黄金等贵金属资产因宏观因子解释不足,模型应用到该类资产可能失效[page::14][page::19]。
- 历史样本依赖及未来经济环境改变:模型建立在2005年以来历史数据基础上,若未来结构性变革(政策调控、全球经济格局变迁)剧烈,模型预测准确性将面临挑战。
缓解策略方面,报告强调动态结构检测、分阶段综合得分、横截面模型验证、组合多样化及资产权重动态调整以提高稳健性。
---
六、批判性视角与细微差别
- 宏观统一与资产差异矛盾:报告承认宏观因子为共性,难直接区别资产表现,故采取时间序列转横截面方法;但横截面相关性适中(中位数17.1%)表明仍有较大未解释部分,投资者需警惕过度依赖单因子框架。
- 指标体系构建的主观判断与剔除标准:变量删除依赖拟合优度阈值,或存在删繁不当风险,部分重要但非线性关系被忽视。
- 结构变点时间的断定与经济逻辑解释:多数变点集中于2007-2009年金融危机时期,可能混合经济周期效应,实际判断的不确定性需给予重视。
- 模型对贵金属和商品资产解释力较弱,意味着该模型主要适用于权益及债券类估值,需结合其他模型提升覆盖。
- 最新宏观环境判断中部分数据未更新,预测结果可能存在延时风险。
---
七、结论性综合
本报告系统梳理并论证了宏观经济环境作为驱动大类资产表现的主要动力机制,创新性地构建了包括超预期通胀、预期通胀、经济增长、货币供应、股债相对价值等16个经过严格筛选的独立宏观因子体系。通过引入时间变点虚拟变量的结构变化分析,揭示该因子对不同资产表现的影响存在显著时间异质性。
基于此,报告提出从单资产时间序列择时模型出发,采用分类-综合方式形成收益概率得分,进而进行横截面资产排序,实现资产选择。实证证明此方法对沪深300、标普500、恒生指数、国债、商品等资产的横截面收益排序有效,年化多空组合收益差达20%,超出传统均衡资产配置组合显著。此外,基于该信号构建的正得分加权和前三等权组合表现均优于简单等权组合,且在风险控制(最大回撤、波动率、夏普比率)方面优势明显。
图表层面,“翘尾+新因素”方法有效预测通胀与社融走势,结构性变点识别强化因子解释力,多样化宏观因子覆盖全球及内外需影响,信号对主流股债资产表现具显著指导意义,组合动态调整实现了优异回报与相对稳定。
最新截至2019年末数据的综合得分评价反映,整体宏观环境调整推动全球主要资产收益概率均有所提升,但个别资产(如A股)受通胀超预期影响表现依旧偏弱,提示投资者需持续跟踪宏观环境变化。
综上,报告提出的基于结构变点调整后的多维宏观因子综合资产选择模型,是一套结合经济逻辑与统计分析的实用工具,对于投资者进行跨资产配置和动态调整具有重要参考价值。
---
以上分析覆盖了报告的全部主要章节、各大表格和图表内容,详尽解释了每个重要论点、数据与模型设计,客观评估了报告方法的优势与潜在风险,系统呈现了基于宏观因子体系的资产选择路径与实证成效,适合作为专业投资研究、资产配置决策参考依据[page::1-30]。