• 宏观风险配置的核心问题包括：宏观因素选择、宏观因子高频化、及风险因子在资产配置中的嵌入 [page::0][page::3]

• 研究确认影响大类资产的五个核心宏观风险因子：经济增长风险、利率风险、通胀风险、信用风险、汇率风险。通过PCA分析，前五主成分累计解释了92.8%的资产波动 [page::7][page::8]

• 主成分因子虽能反映宏观风险，但受正交等限制稳定性不足，部分风险因子（利率、信用、汇率）可直接由高频资产代理 [page::9][page::10]

- Factor Mimicking方法用于高频化宏观因子，通过资产组合复制宏观因子走势，克服了真实宏观因子滞后和低频的缺陷 [page::10][page::11]

• 国内构建宏观隐含因子体系，经济增长和通胀风险通过A股、港股指数、住宅价格及大宗商品等资产实现高频复刻，配合利率、信用、汇率等高频隐含因子，形成七大隐含因子体系 [page::12][page::16]

- 通胀因子详细构建步骤包括：筛选PPI和CPI相关高频资产（原油、螺纹钢、猪肉），时间序列HP滤波处理，领先滞后回归筛选领先指标，多资产多元回归确定资产因子权重，参数滚动检验确保稳定性 [page::13][page::14][page::15][page::16]



| 领先滞后期 | 原油beta | 螺纹钢beta | 猪肉 beta | R2 |
|-------------|-----------|------------|-----------|---------|
| -6 | 0.016 | 0.027 | 0.032 | 43.8% |
| -5 | 0.023 | 0.028 | 0.035 | 57.9% |
| -4 | 0.029 | 0.028 | 0.036 | 71.8% |
| -3 | 0.033 | 0.030 | 0.037 | 83.5% |
| -2 | 0.035 | 0.033 | 0.037 | 90.9% |
| -1 | 0.035 | 0.036 | 0.036 | 92.4% |
| 0 | 0.031 | 0.040 | 0.034 | 87.1% |
| 1 | 0.025 | 0.044 | 0.032 | 76.2% |
| 2 | 0.017 | 0.048 | 0.029 | 62.1% |
| 3 | 0.009 | 0.050 | 0.027 | 47.3% |
| 4 | 0.001 | 0.051 | 0.024 | 33.7% |
| 5 | -0.006 | 0.049 | 0.021 | 22.4% |
| 6 | -0.011 | 0.045 | 0.017 | 13.5% |

• 真实因子与隐含因子一体两面，真实因子用于观察跟踪，隐含因子反映市场预期，有领先性且可投资 [page::17]

• 隐含因子正交处理降低相关性，但会损失与真实因子直观对应关系。原始隐含因子相关性偏低（平均0.15），一般不采用正交处理 [page::20]

• 大类资产宏观风险定价模型基于稳健回归和变量筛选，测算资产对七大隐含因子敏感性，核心驱动因素表现明显，有效解释资产波动超过50% [page::21][page::22]

| 资产 | Growth | Rate | Inflation | Credit | USD | Liquidity | US Inflation |
|-------------|--------|------|-----------|--------|-----|-----------|--------------|
| HS300 | 2.24 | 0.08 | -0.17 | 0.49 |0.19 | 0 | 0 |
| CRB | 0.54 | 0 | 1.78 | 0 |0.03 | 0.21 | 0.71 |
| Gbond | 1.01 | 0.26 | 0.17 | 0 | -0.11| -0.19 | 0.20 |
| Cbond | 0 | 0.73 | -0.01 | -0.52 | -0.90 | 0 | 0 |
| Oil | 0 | 0.36 | -0.01 | -0.04 | 0 | 0 | 0 |
| 主要驱动 | 信用+ | 利率+ | 通胀+ | 信用+ | 美元- | 通胀+ | 美元- |

• 战略资产配置通过宏观风险拆解组合风险，风险贡献与资产权重并非简单对应，风险平价组合风险贡献更均衡 [page::23]

| 组合 | 权重(%) | 宏观风险贡献(%) |
|-------------|-----------|---------------------|
| HS300 | 25.0% | Growth: 62.2% |
| Gbond | 37.7% | Rate: 29.3% |
| Cbond | 44.7% | Inflation: 0.9% |
| CRB | 13.9% | Credit: 1.6% |

• 战术资产配置风险管理框架包括确定基准组合及其宏观暴露、以基准为锚设定目标风险暴露及组合优化器集成Alpha及风险模型，实现宏观观点定量落地 [page::24][page::25]

• 对冲组合示例：“做多通胀、对冲经济下滑”，对冲组合相较基准组合更偏通胀与利率风险，资产端超配原油及利率债，低配权益，实现了宏观风险暴露的预期调整 [page::26][page::27]

• 对冲组合表现与真实宏观指标高度相关，验证了宏观风险模型对投资组合风险管理的有效性 [page::26]

深度解析报告：《资产配置 vs 风险配置：打造一个系统化的宏观风险配置框架》

---

一、元数据与报告概览

• 报告标题：《资产配置 vs 风险配置：打造一个系统化的宏观风险配置框架》

- 作者：分析师 林志朋（执业证书编号：S0680518100004）、刘富兵（执业证书编号：S0680518030007）

• 发布机构：国盛证券研究所

- 发布时间：未明确显示，但相关研究时间均指向2019年及之前。

• 主题：以宏观风险视角构建资产配置模型，系统研发宏观风险因子及其在资产配置中的应用。

核心论点与目标信息：
本报告旨在解决宏观风险配置框架落地的三大核心难题：一是如何选取兼具经济金融逻辑和解释力的核心宏观风险因子；二是克服宏观因子低频且滞后的问题，构建高频隐含宏观风险因子；三是将宏观风险量化嵌入资产配置，实现风险管理与资产择时分离。
报告基于主成分分析（PCA）筛选认定五大核心宏观风险因子，再借鉴BlackRock的Factor Mimicking方法，高频复制国内宏观风险，最终形成“国盛量化-宏观隐含因子体系”，构建适用于战略与战术资产配置的系统化风险管理框架。
风险提示明确指出模型基于历史数据与统计而来，未来市场环境变化可能导致模型失效。[page::0][page::3]

---

二、逐节深度解读

1. 引言（第3页）

• 报告指出宏观风险配置理念的兴起，但实践中缺乏成熟系统部署。

- 介绍了基于Blyth(2016)提出的宏观风险配置流程，包括选择风险因子、风险映射矩阵构建、基准组合确定、目标风险暴露设定以及目标函数选取等核心环节。

• 通过SSGA(2014)、Invesco(2017)的实证以及BlackRock(2018)和Two Sigma(2018)方法，提出用PCA选取核心宏观因子，利用资产组合复制技术实现因子高频化。

- 根据Boudt(2013)的方法，从宏观风险视角开展资产组合风险监控与调整。

• 图表1清晰展示流程：宏观风险配置包含选取核心因子、构建映射矩阵、确认基准和风险暴露、设计目标函数、融合多策略等关键步骤。[page::3]

---

2. 从资产配置到风险配置（第4-6页）

• 2.1 危机时刻资产相关性上升：Two Sigma（2018）数据显示危机中资产间相关性由正常28%升至48%-58%，揭示了传统资产配置中的风险分散在极端时失效（图表2、3）。这说明尾部风险不可忽视，存在宏观风险因子的共同驱动。

- 2.2 量化宽松影响：Invesco（2017）的研究指出QE前后，大类资产相关显著增强（图表4），资产价格被货币政策严重扭曲，破坏了传统资产配置理论的独立性假设。

• 2.3 时间加权估计偏误：自1980年美国利率长期下行且通胀稳定，利用长期历史数据估计风险可能偏离现实（图表5）。

- 2.4 宏观风险相关性较低：Two Sigma提出宏观风险因子间的相关性远低于资产间相关性，显示宏观因子具备较高独立性，适合成为风险配置的基石（图表6、7）。[page::4][page::5][page::6]

---

3. 隐含因子的思考（第6-10页）

• 选取宏观风险因子的四大原则：经济金融学理论支持；对资产收益具解释力；长期正向回报；尽量高频。

- 采用PCA对2005-2019年国内主要资产日收益率进行分析，发现五大主成分能解释92.8%资产波动，分别对应：经济增长风险、利率风险、汇率风险、通胀风险、信用风险（图表8-13）[page::7][page::8]。

• 支持上述解释的理由包括主成分载荷与宏观变量高度相关（图表9-13），历史序列与宏观数据同步（图表14-17），海外实证结果的相似性。

- 质疑PCA直接用作宏观因子的做法：主成分要求正交导致稳定性受限，后期主成分与真实因子关联降低，且后续主成分往往难以解释。利率、信用和汇率因子已有直接资产代理，无需PCA复杂化（第9页）。

• 比较三类宏观因子定义：真实宏观因子（真实但低频滞后），潜在宏观因子库（多样但易沦为资产特质因子），资产因子（频率高但混淆驱动关系）。

- 引入BlackRock提出的Factor Mimicking Portfolios方法，通过资产组合高频复制低频宏观因子，既解决低频问题，又增强与市场的内在联系（图表18、19）。[page::9][page::10][page::11]

---

4. 隐含因子体系构建（第12-17页）

• 国内利率、信用、汇率风险因子已有高频资产代理，主要工作是对经济增长和通胀风险进行高频复制。

- Factor Mimicking具体过程五步：选择相关资产，HP滤波处理，相关性检验，多资产回归确定参数，最后验证参数稳定性（图表20）。

• 以通胀为例，采用广义通胀（PPI/CPI加权），选取螺纹钢、原油、猪肉等高频价格数据作为代理资产（图表21、22）。

- 运用HP滤波去除季节扰动及市场情绪（图表23）。

• Lead-Lag回归确认原油、螺纹钢领先通胀1个月，猪肉领先2个月（图表24），多元回归确定三资产权重实现92.4%的拟合度（图表25），高频复制值基本吻合真实通胀（图表26）。

- 以滚动窗口检验参数稳定性，结果显示复制系数稳定性强（图表27、28）。

• 经济增长因子用沪深300、恒生指数、住宅价格指数及CRB工业指数构建，形成七因子宏观隐含因子体系（图表29）。

- 真实因子与隐含因子一体两面：真实因子低频同步，隐含因子高频领先且可投资，二者结合提升投资实践中的时效与准确性（图表30-41）。[page::12-17]

---

5. 宏观风险配置模型（第19-27页）

• 隐含因子间相关性分析后决定不正交化，保持因子经济直观联系，因正交前相关性已较低（图表42-45）。

- 应用一：大类资产宏观风险定价
- 通过Lasso结合金融逻辑筛选风险因子，使用Robust OLS及Bootstrap增强估计稳健性，基于因子模型进行风险拆解（图表46）。
- 研究沪深300、国债总财富指数、中债企业债指数、CRB、布伦特原油及COMEX黄金等资产。
- 3000次随机滚动回归得到资产对七大宏观风险的敏感度矩阵（图表47）及其驱动因素分析（图表48）。
- 资产波动率中风险因子解释比例除黄金外均超过50%，模型定价效率较高（图表49）。

• 应用二：战略资产配置组合风险分解

- 组合风险从资产维度扩展至宏观风险维度，两个典型组合（等权和风险平价组合）风险贡献清晰展示（图表50、51、24页补充表格）。

• 应用三：战术资产配置风险管理模型

- 三步骤流程：确认基准组合及风险暴露（图表52）、设定目标风险暴露（图表53）、构建包含Alpha端(收益信号)及风险端(宏观暴露限制)的组合优化器（图表54）形成闭环。
- 实证构建“做多通胀对冲经济”的战术对冲组合，选用沪深300、国债、企业债、CRB、布伦特原油、黄金。
- 对冲组合超额收益与宏观环境（CPI-OECD领先指数）高度相关，业绩符合宏观预期（图表55、56）。
- 权重调整体现对宏观观点的资产分配，重仓原油与利率债（避险组合），低配权益资产，风险贡献验证策略意图（图表57）。[page::19-27]

---

6. 总结与展望（第27-28页）

• 核心结论：

1) 影响大类资产表现的五大核心宏观风险确立为经济增长、利率、通胀、信用、汇率。
2) 依托Factor Mimicking方法实现经济增长与通胀两因子高频化，完成完整隐含因子体系。
3) 构建大类资产宏观风险定价及解释模型，解释能力较好（除黄金）。
4) 组合风险监控提升至宏观风险及资产特质风险分解，深刻理解风险来源。
5) 战术配置框架设计，Alpha模型和风险控制模型解耦，支持投资者纳入宏观观点。

• 后续研究方向聚焦宏观风险向行业和风格延伸，以及宏观风险的跟踪、预警与预测框架的建立。[page::27][page::28]

---

三、图表深度解读

• 图表1（第3页）：宏观风险配置流程图示，涉及核心环节明确分工，指导整体框架构建。

- 图表2-3（第4页）：危机时资产相关性跃升柱状图和热力图体现尾部风险增加，危机加剧资产共同暴露。

• 图表4-5（第5页）：显示QE前后资产相关性提升及长期利率通胀下行环境，警示历史协方差估计的局限。

- 图表6-7（第6页）：资产与宏观风险因子相关系数矩阵对比，展示宏观风险因子独立性较强。

• 图表8-13（第7-8页）：PCA解释贡献及五大主成分载荷条形图清晰揭示宏观风险对应资产配置特征。

- 图表14-17（第8-9页）：主成分时间序列与真实指标重合性曲线，验证因子经济意义。

• 图表18-19（第10-11页）：宏观因子定义方式总结，隐含因子资产组合映射示意。

- 图表20（第12页）：隐含因子构建具体流程，系统且清晰。

• 图表21-22（第13页）：通胀Related资产与PPI/CPI走势比较，基础资产选择依据。

- 图表23（第13页）：HP滤波示例，处理季节和噪声。

• 图表24-26（第14-15页）：Lead-Lag回归筛选及多元回归拟合，拟合度达92.4%，时效领先。

- 图表27-28（第16页）：参数稳定性滚动检验，显著验证过程稳健。

• 图表29（第16页）：国盛宏观隐含因子体系汇总表，明确区分核心及二级因子。

- 图表30-41（第17-19页）：真实因子与隐含因子时间序列对照，核实复制因子有效性。

• 图表42-45（第20页）：隐含因子正交处理前后对比及相关矩阵，决策不做正交以保持经济解释性。

- 图表46（第21页）：资产-宏观风险映射关系测算流程，技术细节优化凸显方法严谨。

• 图表47-49（第22页）：宏观风险载荷矩阵和资产驱动因素详解，宏观解释度良好。

- 图表50-51（第23页）：风险平价与等权组合表现及风险监控分解，宏观风险监控维度扩展。

• 图表52-54（第24-25页）：战术风险管理三步骤结构图，框架科学完备。

- 图表55-57（第26-27页）：通胀对冲组合表现与资产及风险暴露偏离，验证模型实际投资指导效用。

---

四、估值分析

报告核心无直接传统股债类估值模型部分，主要聚焦宏观风险因子构建及其对资产组合风险及收益的定价与拆解。使用多元回归模型含隐含因子，结合稳健统计方法（Robust OLS, Bootstrap）确保估计准确可信。风险暴露作为回归β系数，用于后续风险分解与组合优化。模型估值的“估值范围”表现为资产波动的风险解释度（大多数资产风险解释超过50%），无明确目标价或收益预测呈现。[page::21][page::22][page::49]

---

五、风险因素评估

• 主要风险提示为基于历史数据和统计模型测算，模型稳定性和适用性依赖历史环境假设。

- 市场环境若发生显著变化（如剧烈宏观波动、政策调整等），模型可能失效。

• PCA本身存在因子稳定性及解释性风险，隐含因子构建依赖可投资资产的市场有效性，存在高频数据噪声及领先表现不稳的风险。

- 战术配置依赖基准组合及宏观观点正确性，若观点偏离或突发事件发生，组合表现可能不及基准。

• 正交处理权衡风险，若过分正交可能损失经济含义，未正交将使风险监控复杂化。

- 以上风险均未附具体缓解策略，用户应结合多模型及前瞻性研究辅助判断，谨慎使用。[page::0][page::29]

---

六、批判性视角与细微差别

• 报告对PCA方法持保留态度，指出其正交带来的稳定性问题及部分主成分缺乏经济解释。此论点揭示了模型潜在不稳定性与泛化难题，体现出分析的审慎性。

- 因资产特性差异，通胀因子的复制依赖某些商品价格；如猪肉价格等滞后期较长且低解释度，提示该因子可能包含较大噪声。

• Factor Mimicking方法优于真实因子，但该方法依赖于资产市场效率及多资产数据的完备性，国内资产市场较海外不成熟，可能限制复制质量。

- 报告选择不正交隐含因子以保持经济解释性，但此举可能增加多因子模型的共线性与多重共线性风险，后续风险测度可能出现困难。

• 战术资产配置示例基于预设宏观观点，表现依赖于观点是否与实际宏观环境吻合，模型本身不包含宏观判断能力，此点反映模型的应用局限与依赖前提。

- 报告方法对通胀和增长因子完成了高频复制，但对汇率及流动性风险仅停留于直接资产代理，没有展开深度隐含因子构建；未来可能为潜在改进空间。

• 报告假设金融市场及其风险因子结构相对稳定，对宏观体系重构、结构性断裂风险未着重讨论。

- 总体保持中性且严谨，但应关注因流动性、数据有效性、模型假设及事件驱动对模型适用性的制约。[page::9-10][page::15][page::20][page::26]

---

七、结论性综合

该报告系统构建了宏观风险配置框架，突破了宏观因子选取、频率滞后和实用嵌入三大难题，创新引入Factor Mimicking隐含因子方法，打造出包括经济增长、利率、通胀、信用、汇率五大核心因子及三大次级因子在内的七因子体系，覆盖国内重点大类资产。通过稳健的多元回归，量化分析了大类资产对宏观风险的敏感性，分解大部分资产波动达到50%以上解释度，明确了资产背后的核心宏观驱动力（权益为经济驱动，利率债受利率影响最大，商品对通胀敏感等）。

报告进一步将组合风险拆分至宏观风险层面，提升传统资产配置的风险监控维度。基于已构建隐含因子开发了完整的风险管理闭环框架，支持投资者将具体的宏观经济观点通过调整目标风险暴露定量融入资产组合，优化Alpha信号与风险分布。其中以“做多通胀、对冲经济下滑”的战术配置为示范，实证显示策略表现与宏观数据紧密相关，资产权重验证观点正确传递能力。

本研究兼顾理论严谨性与实操可行性，结合多样统计工具、经济逻辑筛选和稳健估计方法，弥补了宏观风险定价因子工具频率和解释力不足的难题。图表中详实的数据演绎和粘合度高的因子构建流程，增强了模型透明度和推广价值。

然而，报告也坦诚面对PCA稳健性、资产市场成熟度、宏观预测有效性及模型依赖历史假设的限制，提示在结构性宏观变迁或市场失效时需警惕模型可能失效，建议投资者结合多模型框架和动态监控使用。

综上，报告成功从宏观风险视角切入，构建了可操作性强、系统化的宏观风险资产配置框架，把控了宏观资产配置关注的痛点与关键，填补了国内量化领域相关研究空白。对于先进资产管理机构和宏观策略投资者，具有重要参考价值和实用指南意义。[page::27][page::28][page::26]

---

总体评价

该报告结构清晰、论证严密，以兼顾理论与实操的视角推进宏观因子构建和资产配置应用，配合丰富图表支持，既有深度又具落地性，体现了作者深厚的金融工程及数量分析功底。尽管宏观风险量化仍存在市场与模型多重挑战，报告提供了极具说服力和实践指导力的解决思路，具备较高的专业参考价值。

---

（以上分析内容均严格基于报告文本推导，句末标注的页码为内容原文出处，保障论述溯源与准确。）

报告