• 本文基于宏观和动量两个维度构建完全量化、可回测的大类资产轮动策略，解决传统周期划分方法主观性强且不具备回测能力的痛点 [page::0]

- 宏观基本面策略创新引入ListMLE排序学习算法，将112个宏观变量处理后作为输入，自变量与大类资产收益率排名做因变量，通过最大似然估计训练线性打分模型，具有良好预测力和可解释性 [page::1][page::3]

• 宏观变量处理流程包括时间滞后、统一月频、季节调整、单向HP滤波去噪以及符号化两个月差分，覆盖增长、通胀、货币、汇率、利差等17个维度指标，得到112个趋势代理变量 [page::1][page::2]

• 宏观策略回测期2016年底至2024年中，月度调仓，滚动训练，使用L1正则化防止过拟合。以λ=13参数为例，年化收益率14.52%，夏普1.23，最大回撤11.8%，月度胜率72.5%。除2022年外其余年份均录得正收益 [page::3][page::4]

• 模型具强可解释性，基于KL散度识别历史与当前配置相似月份，明确每月资产配置的历史经验依据，提升策略透明度和决策信心 [page::5]

- 动量因子构建基于Bias（价格偏离其n日均线比例）与BBW（波动率与均线比值）乘积，突出高波动资产趋势初期入场时机，动量策略回测期间表现稳健 [page::5][page::6]

• 复合策略结合宏观基本面与动量策略，采用因子动量轮动思想，即每月根据过去n月表现选择更优信号进行配置，显著提升收益与降低回撤；以n=4为例，2017年以来年化收益17.8%，夏普1.48，最大回撤9.1%，月度胜率71%，2019年以来年化收益达到22.3%，2024年每月均选中当月最优资产 [page::6][page::7]

• 复合策略分年收益维持稳定正增长趋势，持续体现轮动组合优势。2024年以来持仓动态灵活，反映策略适应市场环境变化能力 [page::8]

报告分析：《深度专题130：大类资产轮动量化策略体系 宏观基本面&动量视角》

---

1. 元数据与报告概览

• 标题：《深度专题130：大类资产轮动量化策略体系 宏观基本面&动量视角》

- 作者：丁鲁明

• 发布机构：中信建投证券股份有限公司

- 发布时间：2024年8月28-29日

• 分析主题：构建基于宏观基本面与动量视角，采用量化和机器学习技术进行大类资产轮动策略研究，旨在提升资产配置效率和收益表现。

核心论点总结：
本文提出一套基于宏观周期信息和资产价格动量相结合的量化轮动策略体系，重点引入了ListMLE排序学习算法创新构造宏观周期指标，并将宏观信号与动量信号复合，通过轮动配置提升策略的收益和夏普比率，兼顾了风险控制。从2017年开始，复合策略的年化绝对收益达到17.8%，夏普率1.48，表现显著优于单一资产和传统策略。文章强调其完全量化、回测验证的方法论优势，并提出当前市场及地缘政治风险提示。[page::0]

---

2. 逐节深度解读

2.1 引言及核心观点

• 关键论点：指出市场通常采用经济周期主观划分进行资产轮动，方法不可回测且依赖主观认知，存在不确定性。本文解决该痛点，以可回测、完全量化的方式实现大类资产轮动，结合宏观基本面和动量效应，提升资产配置的科学性和稳定性。

- 方法框架：构架基于宏观变量构造趋势数据库，利用机器学习排序模型实现资产优先级的定量排序，兼顾资产价格动量因子，通过因子轮动选择表现优异维度，形成复合资产配置方案。[page::0][page::1]

2.2 宏观基本面模块

数据准备与处理

• 处理17个宏观变量涵盖增长、通胀、货币、汇率、利差、全球利率等多个维度。

- 严格保证数据因滞后性与实际可获取性，采用滞后处理、多频率统一、滚动季调（X-13ARIMA SEATS用于PMI）、单向滚动HP滤波去噪，最终将原始数据和滤波数据均转换为趋势符号指标（+1，-1）并考虑滞后效应。

• 结果构建了包含112个宏观变量特征集，这为模型提供丰富且稳定的输入信号。

图1清晰展示宏观变量处理流程，包括时序滞后、季调及单向滤波的重要步骤，保证信号的时效性与经济意义。

• 意义：该数据处理过程考虑了实际发布周期和经济数据特性，既避免未来数据泄漏，又提取长期趋势，体现严谨和系统的宏观数据预处理方式。[page::1][page::2]

模型原理

• 引入ListMLE基于概率排序理论，通过最大化排列概率的似然函数，将宏观变量向量映射至资产得分排序。

- 具体数学表达中，资产得分线性表达为矩阵乘积，模型通过极大似然拟合历史资产收益排名，实现排序概率最大化。

• 加入L1正则化以防止大变量维度下的过拟合，增强模型的稀疏性和可解释性。

- 该模型不仅具有统计一致性且凸优化保证全局最优，适合样本量有限的宏观数据建模环境。

模型几何含义与概率性质保证了选出的资产排序最合理，符合经济学预期。

• 创新点：将ListMLE信息检索模型独特引入宏观资产配置领域，为配置优先级排序提供了坚实理论支撑。[page::3]

策略构建与回测

• 以2016年底至2024年中为样本期，策略月频调仓，每6个月利用全部历史宏观趋势数据训练模型（包含112维宏观变量及对应三大类资产收益排名）。

- 投资逻辑为基于最新宏观向量输出三类资产评分，选取得分最高资产进行配置。

• 以λ=13的L1正则系数为例，回测结果显示模型表现优秀：

|指标|数值|
|---|---|
|年化收益|14.52%|
|风险回撤比|1.23|
|月度胜率|72.5%|
|最大回撤|11.8%|

• 月度胜率较高且仅2022年出现年度亏损，夏普率表现稳健，仅略低于债券资产。

- 图4（策略净值）明显呈现稳健上升趋势，波动适中，表现低风险高收益风格。

• 策略优势：

- 量化可回测，为投资决策提供透明流程。
- 模型结构线性，易于可解释，可溯源至具体宏观指标。

[page::4]

模型可解释性

• 通过比较目标月份资产排序概率分布与历史月份的概率分布距离（使用KL散度），实现历史上类似配置时段的溯源解释。

- 以2024年上半年为案例，表4给出每月决策对应最相似历史月份，极大增强模型策略的透明度和理解度。

• 此设计使策略不仅黑箱执行，还能复盘验证及辅助投资者理解策略背后的经济逻辑和历史经验价值。[page::5]

---

2.3 动量模块

• 使用经典价格动量指标BIAS，结合过去n日均价与当前价差，衡量资产的趋势偏离程度。

- 引入BBW（价格波动与价格均线比值）作为波动性放大因子，得到BBWBIAS，能够早期识别趋势形成阶段，优化买卖时机。

• 动量策略回测（2016年至2024年中）显示：

|指标|表现|
|---|---|
|净值曲线|年度波动中整体稳步攀升|
|收益指标|具体表格未明示，但图5净值曲线趋势清晰|

• 该动量因子有效补充宏观信号，特别在部分宏观信号失效阶段表现优异。[page::5][page::6]

---

2.4 复合轮动策略构造

• 结合宏观基本面和动量策略两套截然不同、表现互补的信号体系，采用轮动机制：

- 每月回溯过去n个月宏观和动量策略的实际表现（收益等指标）
- 选择过去表现较好的模型信号作为下月配置依据

• 不同n值（2、3、4个月）均能显著提升回测收益与控制回撤，图6直观展示净值曲线明显强于单策略。

- 以n=4为例，复合策略自2017年以来年化绝对收益17.8%，夏普1.48，最大回撤仅9.1%，回撤较宏观和动量单策略均有大幅改善，月度胜率71%，2019年以来年化收益更是达22.3%，且2024年持续准确捕捉月度优质资产。

• 表7表8分别展示复合策略综合指标及分年收益数据，表现更为稳定且持续超过单一策略。

- 复合策略有效利用两维度策略优势，平滑投资曲线，实现收益与风险的高效平衡。[page::6][page::7][page::8]

---

3. 图表深度解读

图1：宏观变量处理流程（page 1）

• 描述：流程示意如何对原始宏观时间序列变量做滞后处理、统一月频、滚动季调、单向HP滤波，以及两个月差分符号处理，最后滞后1-3期符号保留，形成宏观趋势信号。

- 解读：流程系统性剔除未来数据“泄漏”，确保模型训练与实际投资决策可行且真实，可有效提取宏观经济变量的趋势信息。

• 作用：为后续ListMLE模型提供输入特征，保证数据质量和经济解释意义，是策略成功的基础。

图2&3：PMI处理对比（page 2）

• PMI作为关键宏观指标，图2对比原始PMI与季调后PMI，季调处理消除季节性波动，趋势更平滑。

- 图3在季调基础上叠加HP单向滤波，进一步去噪，强化中长期趋势信号，减少噪声干扰。

• 通过这两步处理，PMI数据的信号更稳定，有助于模型对周期信号的准确捕捉。

- 数据来源及处理方法规范，增强指标信度。

表1：宏观变量初始列表（page 2）

• 包含增长、通胀、货币、汇率、利差与全球利率17个维度。

- 丰富全面，体现策略尝试全面辨识宏观经济大势，覆盖经济增长和金融市场基本驱动因素。

图4：宏观策略净值曲线（page 4）

• 净值呈稳健增长态势，符合年化14.52%收益预期。

- 中途回撤较小，体现良好的抗风险能力。

• 展现出策略在实盘配置中的可行性及稳定性。

表2/3：宏观策略回测结果及分年收益（page 4）

• 显示策略总体优于单一资产或普通动量策略，特别在除2022年极端年份外，其他年份均实现正收益。

- 体现出良好的风险调整收益能力。

表4：2024年决策历史依据（page 5）

• 利用KL散度对比当前布局与历史月份配置相似度，为投资者提供历史验证和信心支持。

- 有助于理解和回顾策略背后关键驱动。

表5/6及图5：动量策略表现（page 6）

• 表及图展示动量策略净值稳步提升，波动中规中矩。

- 作为宏观策略补充，提供不同市场环境下的趋势交易优势。

表7/8及图6：复合策略净值及分年表现（page 7、8）

• 复合策略的净值明显优于单一宏观或动量策略，年化收益和回撤控制均显著优化。

- 分年表现稳定，策略逐年兑现超额收益。

---

4. 估值分析

报告主旨在构建并回测量化轮动策略，未直接涉及传统的估值方法如DCF、市盈率等。重点在于量化模型的绩效表现和回测结果验证。采用统计学和机器学习优化策略收益，非企业估值分析范畴。

---

5. 风险因素评估

报告特别强调模型及历史经验不可完全保障未来表现，并明确提出若干风险点：

• 模型失效风险：量化模型有可能在未来市场环境变化时失去效用。

- 历史规律不再适用风险：历史数据回测不代表未来将重演，存在规律断裂可能。

• 地缘政治风险：海外冲突未结束，可能影响市场波动。

- 宏观经济风险：美联储政策不确定性及中国经济成长可能不及预期。

报告并未具体提出对应的缓解策略，但通过周期回测和动量复合策略设计，部分弱化单一模型失效的风险。[page::0]

---

6. 批判性视角与细微差别

• 稳健但依赖历史大数据：虽模型采用了较新的ListMLE，L1正则以防过拟合，但宏观经济与金融市场非线性和潜在结构性变革仍可能削弱模型稳定性。

- 宏观变量选择及滞后：112维宏观特征尽管全面，但滞后和差分处理可能损失部分瞬时信号，且不同宏观指标的权重和周期响应可能随时间变化，模型需定期重训练保持稳定。

• 动量因子简化：动量模块仅用简单的BBWBIAS组合，未进一步采用多因子融合或机器学习优化，可能存在进一步挖掘空间。

- 复合策略轮动逻辑粗糙：仅基于过去n个月表现判定信号领先方向，较简单，未来可考虑更复杂策略如动态权重分配。

• 风险提示偏保守：风险部分覆盖宏观和市场政策，但缺乏模型内部风险—如估计误差、参数稳定性等更详细讨论。

---

7. 结论性综合

本报告系统阐述并实证了一种基于宏观基本面和价格动量融合的完全量化大类资产轮动策略。通过创新引入ListMLE排序学习模型，将宏观经济数据信号转化为资产配置优先级，且通过严谨数据预处理确保信号质量。回测结果表明，单一宏观变量配置已表现优异，年化收益逾14%，风险适中。动量因子补充进一步平滑并增强策略稳定性。两者复合轮动策略显示更优的风险调整收益表现，年化收益逼近18%，夏普率大幅提升至1.48，回撤显著降低至9.1%。2024年以来策略表现尤其突出，月度均能捕捉表现最佳资产，验证了模型在当前市场环境下的适用性。

各关键图表从宏观数据预处理流程、PMI指标改造，到策略净值曲线、分年收益表和KL散度历史相似度分析，都互为补充，科学地诠释了策略的设计逻辑及表现。模型的线性结构及可解释性便于投资者理解并验证策略配置依据。

虽然报告对模型风险作了充分警示，未来策略能否进一步适应市场环境变化及后续引入更复杂因子体系仍需关注。总体而言，此量化策略体系为宏观与动量结合的资产配置提供了坚实范式，兼顾理论创新与实证效果，具有较高的应用价值和推广潜力。

---

参考溯源

• 核心观点及策略表现：[page::0]

- 宏观变量处理方法与图示：[page::1][page::2]

• 模型数学原理与构建细节：[page::3]

- 回测业绩与净值曲线：[page::4]

• 模型可解释性及历史依据案例：[page::5]

- 动量因子定义与表现回测：[page::5][page::6]

• 复合轮动策略构建及表现：[page::6][page::7][page::8]

- 风险提示与免责声明：[page::0]

报告