• 股债相关性的本质和定价模式 [page::0][page::1]：

- 股债相关性源自其共同依赖未来现金流和折现率的DDM模型，其中股票分子为可变慢变量，债券分子为基本不变的快变量，折现率部分均为快变量。
- 股债相关性与经济周期的波动紧密相关，周期阶段不同导致相关性性质差异，复苏和滞胀阶段正相关，过热和衰退阶段负相关。

• 不同频率相关系数的差异及其对收益方向预测的影响 [page::2][page::3]：

- 高频日频相关系数与低频月频相关系数存在显著差异，因时间序列的自相关及交叉滞后相关性。
- 日频相关性与月频累计收益方向同步性的吻合率仅为49.33%，表明不能通过高频相关性直接准确预测低频收益方向。

• 相关系数对尾部样本的敏感性及投资风险洞察 [page::4]：

- Pearson相关系数对偏离均值较远的尾部样本赋予更大权重，显示其对厚尾分布和极端风险事件具有较高的敏感度。
- 投资决策中，尾部样本贡献更大，强调风险管理对极端事件关注的重要性。

• 股债相关性预测对资产配置的显著贡献 [page::4][page::5]：

- 基于熵池模型，准确预测股债相关系数可将资产组合年化收益率从6.77%提升至8.10%，最大回撤从-5.72%减至-4.42%。
- 相关性预测主要在关键时间点（如2017-2018年）显著降低回撤，提升风险调整后收益。

• 国外股债相关性的历史演变与驱动因素解析 [page::6][page::7][page::8]：

- 60年代到90年代后期，美国股债相关性由正转负，通胀预期的显著下降是主要驱动因素。
- 其他发达国家如日本、德国、英国亦发生类似机制转换，时间和路径略有差异，均与通胀预期下降紧密关联。
- 通胀控制前后，股债相关性驱动力主要由通胀预期转向经济增长预期和风险偏好。

• 学术股债相关性理论模型及驱动因子 [page::8][page::9][page::10][page::11]：

- Lingfeng Li仿射模型揭示股债相关性取决于实际利率、通胀波动、股息率波动及其协方差。
- 股债相关性的四大驱动因素归纳为：经济周期、风险偏好（Flight-to-quality效应）、通胀预期、政策超预期。
- 这些因素相互制衡，共同决定不同市场和时期的股债相关性状态。

• 中国股债相关性特征及宏观因子筛选建模 [page::11][page::12][page::13][page::14]：

- 中国股债相关性绝对值相对较小，2017年出现机制转换，相关性骤降并维持负值。
- 基于工业企业亏损额、产成品存货、社会消费品零售总额、短期融资券发行量等宏观指标筛选出有效因子。
- 采用ARIMAX(1,0,6)模型结合上述宏观因子与学术因子（长期预期通胀不确定性、不可预期通胀不确定性、股票特质波动）构建预测模型。
- 模型样本内胜率70.28%，样本外约90%，拟合优度显著，能有效捕捉中国股债相关性动态。

• 基于认知融合与风险匹配的资产配置体系构建 [page::14][page::15]：

- 资产配置的本质困境为未来收益风险分布认知不足与风险偏好匹配问题。
- 解决方案包括提升认知水平（构建多资产方向及相关性预测模型）、多维认知融合（熵池模型整合不同胜率观点）、风险偏好动态调整。
- 已构建了利率、黄金、股债相关性预测模型及A股情绪和景气度指数，支持科学稳健的资产配置决策。

深入分析报告：《宏观逻辑的量化验证：深入股债相关性的本质和预测》

---

一、元数据与报告概览

• 报告标题：《宏观逻辑的量化验证：深入股债相关性的本质和预测｜量化专题报告》

- 作者：叶尔乐、刘富兵

• 发布机构：国盛证券研究所

- 发布日期：2021年1月12日 15:00

• 报告主题：深入探讨股票与债券（简称股债）收益相关性的本质、演变规律及其预测模型，基于宏观经济及金融工程视角展开。

核心论点总结：

• 股债相关性的本源在于两者基于股息贴现模型（Dividend Discount Model, DDM）共同的定价结构，体现未来现金流与折现率的动态；

- 高频与低频相关性本质不同，故短期相关性预测无法直接传导为长期走势的判断；

• 股债相关性的时间变动关联四大宏观驱动因素：经济周期、风险偏好、通胀预期及政策超预期；

- 海外市场经历机制转换，股债相关性由长期正相关转为负相关，我国市场也经历类似机制转换；

• 通过构建基于宏观因子和学术因子的ARIMAX模型，实现股票与债券相关性的有效预测，验证胜率达70%以上；

- 不断完善基于认知融合与风险匹配的资产配置体系，利用熵池模型融合多维信号，实现风险优化。

[page::0-2,4-5,6-7,8-10,11-16]

---

二、逐章深度解读

2.1 股债相关性概述与本质分析

• 关键论点：股债相关性源自两者定价公式的结构相似性，均基于未来现金流的贴现。股票价格为未来股息贴现，分子为可变且慢变；债券价格为固定票息贴现，分子基本不变。两者分母均包含无风险利率和风险溢价（股票含风险溢价，债券含期限及信用溢价），为快变量[page::0-1]。
• 经济周期的影响解释：

通过美林时钟，报告展示“复苏”和“滞胀”阶段股债正相关，而“过热”和“衰退”阶段负相关（图表1），本质在于经济周期对现金流预期及折现率双重影响，导致定价驱动变化。

• 频率对相关系数影响：

日频与月频计算的Pearson相关系数差异显著，报告通过统计学公式证明，实际资产收益序列存在自相关和交叉滞后，导致不同时间窗的相关系数存在根本差异，故短期相关性不必然反映长期表现（图表4-5）。实测沪深300与中债总财富指数月内日频相关系数与累计收益同步率仅49.33%[page::2-3]。

• 尾部样本的决定作用：

Pearson相关系数对极端样本（尾部）敏感，非典型收益事件（例如市场崩盘）对相关性贡献远大于常态波动，这揭示相关性变化更多由极端市场情绪或事件驱动（图表6）[page::4]。

---

2.2 股债相关性预测对资产配置的意义

• 核心论点：

时变的股债相关性带来资产配置难题，不同相关性机制下最优配置差异巨大。若能精准预测相关性，能通过“熵池模型”有效调整配置分布，降低风险事件概率，提高收益[page::4]。

• 实证结果：

利用沪深300与中债国债总财富指数构建的月调仓配置策略，准确预测相关系数策略年化收益8.10%（非预测6.77%）、最大回撤-4.42%（非预测-5.72%）（图表7-8），验证相关系数预测确实可降低配置风险和提升收益。

• 理论解释：

相关系数预测作为“新信息”输入熵池模型，相当于对资产收益率分布做熵减，有效提高概率优化配置的精准度[page::4-5]。

---

2.3 海外股债相关性演变与驱动因素

• 美国股债相关性的机制转换：

60年代到90年代前股债相关性为正，1997年起快速转为负相关（图表9）。报告指出此转变核心在于美联储对通胀控制的成功，1979年Volcker时代货币总量控制政策使通胀预期大幅下降（图表10、中间场景分析表11），从而使股票和债券收益对经济强弱与风险偏好的反应变得差异化[page::6-7]。

• 跨国验证：

日本、德国、英国等其他发达国家股债相关性均出现类似机制转换，时间略有差异，日本更早因90年代初泡沫破灭（图表13-14）。共同特征是通胀预期的下降作为主要推动力量[page::7-8]。

---

2.4 理论模型和影响因素梳理

• 学术模型引用：

引用Lingfeng Li（2002）的仿射模型，股票与债券相关性由实际利率波动、通胀波动及股息率波动及其相关性构成，反映多因子驱动[page::8]。

• 具体差异：

中美股息率表现不同，中国股息率波动主要受股市本身影响（分母变动），美国则较为稳定，存在均值回归（图表15）[page::9]。

• 驱动四大因素总结：

1. 经济周期—影响股价现金流预期，推动股债正负相关。
2. 风险偏好（Flight-to-quality效应）—风险偏好下降时资金从股转债导致负相关。
3. 通胀预期—影响无风险利率与折现率，引致正相关。
4. 政策超预期—宏观调控政策超出预期时，调整估值折现率，引发相关性变动。

图表17对其关系结构做了系统阐述[page::10-11]。

---

2.5 我国股债相关性的特征与预测模型构建

• 我国相关性历史表现：

绝对值较低于发达国家，2017年起出现类似机制转换，转向显著负相关（图表18）。报告提出三大猜想尝试解释该变化：经济增长波动缓和、外资及金融机构化作用、政策预期稳定性提升[page::11-12]。

• 宏观因子筛选：

通过“因子-资产匹配方法”筛选宏观因子，包括工业企业亏损额累计同比、产成品库存累计同比、社会零售总额同比、短期及超短期债券发行量（图表19）[page::12-13]。

• 预测模型构建：

采用ARIMAX(1,0,6)回归模型，结合自相关性特征，样本内胜率66.98%、样本外胜率100%；添加学术因子（长期预期通胀不确定性、不可预期通胀不确定性、股票特质波动）后，胜率提升至样本内70.28%、样本外90%，$R^2$提高至22.24%（调整后16.29%）（图表30、31、45、46）[page::13-14]。

• 总结：

证实中国股债相关性同样受到四大因素驱动，构建了行之有效的相关性预测框架（图表47）[page::14]。

---

2.6 基于认知融合与风险匹配的资产配置体系

• 资产配置核心困境：

未来资产收益风险分布认知不足，导致决策偏差。解决路径：
1. 提升认知水平（建立更精确预测模型）；
2. 根据认知程度调整风险偏好，防止过度乐观或过度保守[page::14]。

• 体系构成：

- 利用宏观与交易模型（如利率、黄金、股债相关预测）不断完善认知；
- 通过熵池模型（Entropy Pool Model）实现多视角认知的量化融合，能利用不同胜率信号（55%-75%均有效）；
- 设计风险优化模型与认知水平匹配，动态调整风险偏好权重，避免滥用认知信息或保守失效（图表48）；
- 相关权益资产情绪及景气指数并行开发，独立于股债模型，体现三大资产类别独立性的认识[page::14-15]。

• 理论与实践意义：

该体系区别于传统基于历史协方差矩阵的静态配置，强调认知驱动下的信息融合与风险匹配，实现动态优化，提高配置效率和收益风险比[page::14-15]。

---

三、图表深度解读

1. 图表1 美林时钟下股债相关性表现

展示经济周期四阶段（复苏、过热、滞胀、衰退）对应股债价格涨跌情况及对应相关性，直观呈现周期与相关性正负的映射关系[page::1]。

1. 图表2 股债价格DDM分解

通过数学结构，分解股票与债券价格中现金流及折现率差异，明确股票分子为可变慢变量，债券分子为基本不变，分母均由多重风险溢价构成，体现两资产价格本质异同[page::1].

1. 图表4 日频与月频股债相关系数比较

滚动一年窗口，沪深300与中债指数相关系数三个频率（日、间隔月、重叠月）显著不同，表现为日频波动小且负向，月频尤其重叠月波动幅度更大，揭示时间频率层面上统计特性差异[page::2].

1. 图表5 单月股债日频相关系数与累计收益方向

散点图聚焦单月内相关系数与实际方向一致性，颜色区分相关性与收益方向大部分不匹配的区域，说明相关系数与收益方向不同步的概率近半，体现短期相关性预测的局限性[page::3].

1. 图表6 相关系数对尾部样本敏感性示例

例证在小样本中，极端样本对整体相关系数的决定性影响，演示一个尾部点对整体结果扭转的能力，强调风险管理时对厚尾事件的关注[page::4].

1. 图表7-8 相关系数预测对资产配置影响

准确预测股债相关性策略净值明显优于不预测，年化收益与最大回撤均改善，动态回撤图显示关键时点预测策略明显缓解回撤风险，验证模型应用价值[page::5].

1. 图表9 美国股债相关性机制转折

标普500与10年期美债相关性指数加权趋势图，清晰显示90年代中期后由正转负的历史转折，反映市场结构与政策环境深刻变化[page::6].

1. 图表10 美国通胀预期与10年期国债利率

通胀预期与利率走势高度同步，1970s高通胀与高利率共振，80年代后下降趋势，体现政策控制通胀对利率环境的决定性作用[page::6].

1. 图表11 通胀控制前后股债相关性决定因素场景

系统展现四大因素力度变化，通胀与政策预期对股债正相关推动，经济增长与风险偏好对负相关推动，诠释机制转换[page::6].

1. 图表12 美国不同阶段股债相关性与通胀预期散点图

清晰显示1997年前后两种不同的相关性-通胀预期关系，1997前多为正相关高通胀，后为负相关低通胀环境[page::7].

1. 图表13 日本、德国、英国股债相关性走势

多国90年代末期开始股债相关性变化趋势相似，均出现负相关加剧，验证全球性宏观经济结构变化现象[page::7].

1. 图表14 日本股债相关性与通胀预期匹配

日本早期相关性高，于1990后与通胀预期同步下降，体现特定市场泡沫破灭与通胀控制对相关性的影响[page::8].

1. 图表15 沪深300与标普500股息率对比

中国股息率波动更大且无显著均值回复，反映市场结构差异，为相关性因子选择提供依据[page::9].

1. 图表16 学术股债相关性驱动因素类别

梳理文献提出的驱动变量，分类清晰帮助后续模型选择因子[page::9].

1. 图表17 股债相关性四类因素互动机理图

详细展示经济周期、风险偏好、通胀预期、政策预期四个因素如何通过股债价格推升或下行，实现正负相关性变化[page::11].

1. 图表18 我国股债月度相关性历史

显示我国股债相关性长期震荡于较小区间，2017年后快速向负相关转变，重要转折点标记明确[page::12].

1. 图表19 因子-资产匹配筛选流程图

展示宏观因子筛选所依赖的统计检验流程，结合分布、择时效果和解释度多角度综合判断[page::12].

1. 图表30-31 & 45-46 ARIMAX模型拟合与预测绩效图

多幅时间序列拟合曲线清晰展示模型方向预测累计表现，预测信号与真实相关系数高度匹配，胜率与拟合优度显著提升[page::13].

1. 图表47 我国股债相关性预测框架结构图

概括四大因素对应的代理指标，明确模型输入体系[page::14].

1. 图表48 认知融合与风险匹配资产配置体系架构图

形象展示从单一资产宏观及交易模型，到熵池融合，再到风险优化匹配的完整流程，为后续实务应用奠定基础[page::15].

---

四、估值分析

本报告主题聚焦于股债相关性研究与预测，未涉及对特定公司估值，但采用了金融工程及统计学模型的定量估值思路：

• ARIMAX模型：通过时间序列自回归和多变量回归预测相关系数，考虑滞后期(q=6)和一阶自回归(p=1)；
• 熵池模型：基于最大熵原理，将预测相关系数作为“观点”约束，融合历史经验分布，更新资产收益率联合分布，实现概率优化，间接优化配置价值。

上述均为统计函数形式估值法，未涉及传统DCF或市盈率估值框架，但充分体现未来分布知识的重要性。

---

五、风险因素评估

• 模型适用性风险：

量化模型均基于历史数据，市场结构和宏观环境突变（如政策转向、极端事件）可能导致模型失效，报告已明确风险提示[page::16]。

• 预测误差风险：

相关系数预测具有波动性，预测不准确将导致配置效果不佳，但熵池模型与风险匹配机制可部分缓解风险。

• 数据和指标风险：

宏观因子数据可能有修正滞后，市场对代理指标理解偏差，情绪指数等非结构化数据存在噪声。

• 市场突发风险：

例如金融危机、疫情等黑天鹅事件，可引发相关性结构短暂剧烈变化。

报告未详述缓解措施，建议结合多模型融合及动态风险管理。

---

六、批判性视角与细微差别

• 相关性多频率差异：报告强调短期（高频）相关性不能直接传导为长期观点，提醒读者对以往粗糙以相关性预测资产收益方向的做法需谨慎，反映认知深度。
• 因果机制的假设：报告采用DDM定价模型作为分析基础，现实中市场情绪、交易行为、外部冲击可能对相关性有更复杂影响，模型解释能力相对局限。
• 我国股债机制转换成因尚存猜想：三大猜想都需后续研究验证，存在潜在多因子交织效应与结构诱因，较海外市场复杂。
• 指标替代性问题：

报告承认选用代理指标为“充分”非“必要”，模型在不同阶段绩效可能波动，建议读者关注指标时效与适用范围。

• 报告研究方向前瞻性强，但难度大：

结合认知融合与风险匹配的资产配置体系虽理论先进，但实际操作中如何准确量化认知水平及动态调整风险偏好仍存在挑战。

---

七、结论性综合

本报告系统剖析股债相关性的理论本质及其宏观驱动机制，提出基于股权贴现模型（DDM）的定价框架，解释相关性与经济周期的内在联系，并揭示金融时间序列高频与低频相关系数的本质差异，打破了对相关性预测简单逻辑的误区[page::0-4]。

实证分析展示，准确预测股债相关系数显著提升资产配置表现，增强收益率同时降低回撤风险，通过熵池模型实现相关信息的有效融合[page::4-5]。海外经验显示，通胀预期及政策向好大幅改变了股债相关性的经济机制，我国市场同样经历类似阶段性转折，但机制更复杂，需要考虑经济增长波动、金融开放及政策预期稳定性三重因素[page::6-12]。

报告构建基于宏观及学术因子的ARIMAX相关性预测模型，胜率和拟合度显著提升，结合认知融合和风险匹配理念，提出动态调整资产配置的全新体系，体现前沿量化研究成果[page::12-15]。

图表深入解析强化对理论与实证的理解，微观解释与宏观逻辑紧密结合，辅助投资者理解股债资产的复杂互动及优化配置的核心路径。

报告最终判断：股债相关性非静态、非单一频率、受多因素相互作用驱动，提出的预测与融合框架显著优化资产配置表现，推荐投资者关注相关因子动态，深化认知并灵活匹配风险偏好，实现资产配置的持续升级与优化。

---

全文引用范围：[page::0-16]

附：部分重点图表示例（markdown格式）

• 图表1：

• 图表4：

• 图表7：

• 图表9：

• 图表18：

• 图表48：

---

以上为国盛证券2021年《宏观逻辑的量化验证：深入股债相关性的本质和预测》研究报告的详尽、系统的解析与解读。

报告