2023年1月大类资产行情回顾 [page::0][page::1]

• 权益市场上涨，中小盘股涨幅明显，创业板指涨近10%，沪深300上涨7.37%。

- 债券市场风险收益波动小，10年期国开债收益率微升5bps至3.05%。

• 大宗商品涨跌互现，原油跌4.18%，黄金涨2.02%[page::0][page::1]

风险预算模型表现与配置比例 [page::2]

| 日期 | 沪深300 | 中证500 | 10年期国债 | 3-5年国债 | 信用债 |
|------------|---------|---------|-----------|----------|---------|
| 2023/01/31 | 0.00% | 1.33% | 58.04% | 43.67% | 36.96% |
| 2013平均 | 1.99% | 4.11% | 55.35% | 42.23% | 36.32% |

• 风险预算模型以宏观风险控制为核心，配置稳定，股票配置轻微提升，债券中利率债减仓，信用债持平。

- 2023年1月策略收益0.14%，年化2.16%，夏普比率1.91[page::2]

自适应模型方法一：超跌反转与动量风险预算[page::3]

| 日期 | 沪深300 | 中证500 | 10年期国债 | 3-5年国债 | 信用债 |
|------------|---------|---------|-----------|----------|---------|
| 2023/01/31 | 3.41% | 0.00% | 0.00% | 0.00% | 136.59% |
| 2013平均 | 3.00% | 2.80% | 20.18% | 35.50% | 78.51% |

• 模型结合宏观因子收益动量，给予上升宏观因子更高风险预算。

- 2022年下半年股票超跌反转效应明显减弱，股票仓位边际降低。

• 债券配置全部转向信用债，信用因子风险预算提升。

- 2023年1月月度收益0.49%，年化7.69%，夏普比率7.97极佳[page::3]

自适应模型方法二：单位风险预期收益权重模型 [page::4]

| 日期 | 沪深300 | 中证500 | 10年期国债 | 3-5年国债 | 信用债 |
|------------|---------|---------|-----------|----------|---------|
| 2023/01/31 | 0.09% | 0.13% | 54.16% | 42.88% | 42.74% |
| 2013平均 | 0.66% | 0.47% | 11.31% | 34.43% | 93.13% |

• 以单位风险上预期收益率衡量宏观因子风险预算权重。

- 近期经济增长因子性价比提升，利率因子降低，边际提高股票仓位，略减债券仓位。

• 2023年1月策略收益0.07%，年化1.15%，夏普1.04[page::4]

宏观因子体系构建与经济学含义 [page::5][page::6][page::7]

• 通过主成分分析从沪深300、中证500及国债指数中提取5个宏观因子：利率因子、经济增长因子、信用因子、期限利差因子、规模风格因子。

- 利率因子主要负向暴露股票，正向暴露债券，解释约50%风险。

• 经济增长因子正向暴露股票和信用债，代表温和增长环境，解释约40%风险。

- 信用因子主要影响信用债，负向影响利率债。

• 期限利差因子体现短久期与长久期利率债差异。

- 规模风格因子表征沪深300与中证500的相对表现差异。

• 主成分解释度累积超过90%[page::5][page::6][page::7]

风险预算模型优化方法简介 [page::7][page::8]

• 采用风险贡献匹配目标分配不同宏观因子的风险预算比例。

- 通过变量协方差矩阵及特征向量计算风险贡献并进行最小误差优化求权重。

• 自适应模型通过引入宏观因子历史收益预期，动态调整风险预算权重，提高模型弹性和收益风险表现。

- 方法一直接以预期收益率调整风险预算，方法二以单位风险预期收益率调整。

• 建议投资者根据风险偏好和投资目标择优使用对应模型[page::7][page::8]

风险提示 [page::0][page::8]

• 历史数据不可重复验证风险可能导致模型失效。

- 大类资产与宏观因子相关性不稳定风险。

• 国际政治摩擦和市场波动风险需关注。

国金金融产品研究报告深度解析

报告题目： 股票资产性价比提升，超跌反转效应有所减弱
作者与发布机构： 张剑辉，国金证券研究所
发布日期： 2023年初
关注主题： 大类资产配置策略分析及宏观因子配置方法探讨，重点关注股票与债券资产的风险收益表现和动态配置建议

---

一、报告元数据与总体概览

本报告由国金证券研究所张剑辉分析师撰写，聚焦2023年1月大类资产行情回顾及未来配置建议，特别强调股票资产性价比的提升以及超跌反转效应的减弱现象。通过风险预算模型与两种自适应模型的设计，报告分析了在宏观经济环境变化下，不同宏观因子对股票、债券等大类资产配置的影响。报告未直接给出明确评级，但通过详细的模型配置建议，引导投资者理解和选择适合自身风险偏好的资产组合方式，核心传递股票资产配置应边际提升，但超跌反转效应出现弱化，债券配置则更多依赖信用债的观点。[page::0][page::1]

---

二、逐章节深度解读

1. 月度行情回顾与大类资产表现

报告指出2023年1月权益市场表现强劲，三大主要指数（上证综指涨5.39%，沪深300涨7.37%，创业板指涨9.97%）均显著上涨，其中中小盘股涨幅普遍高于大盘。债券收益率变化平稳，10年期国开债收益率微升5个基点至3.05%。大宗商品走势分化，原油下跌4.18%，黄金上涨2.02%，综合指数上涨1.01%。此宏观市场背景为后续配置建议奠定基础，也体现了当前权益市场修复态势明显，债市走势则较为平稳。[page::0][page::1]

图表解析：

• 表1详细展示了各类指数及资产的1月收益率，其中创业板指表现最为优异，增长达到9.97%。

- 图表2以柱状图形式形象展现各类资产回报排名，直观显示股票市场整体上涨趋势明显，债券信用债和利率债收益较低，商品板块表现分化。

此数据及图形佐证了作者对权益市场性价比提升的判断，为配置策略调整提供了量化依据。[page::1]

---

2. 策略近期表现及配置建议

报告围绕风险预算模型及两种自适应模型展开资产配置策略，探讨不同模型对股票与债券仓位调整的逻辑与表现。

风险预算模型

此模型以固定风险预算为核心，通过宏观因子协方差矩阵动态调整组合配置，优点是配置比例稳定，适合偏好稳健的投资者。2023年1月数据显示，模型收益率0.14%，年化收益率2.16%，波动率1.13%，夏普比率1.91，表现稳健。配置上，受利率因子方差上升影响，边际减少利率债仓位，经济增长因子方差下降带来股票边际增加，体现了模型对宏观风险变化的灵敏反映。当前沪深300配置为0，中证500略增至1.33%，债券以中债10年和3-5年国债为主，信用债保持稳定。[page::1][page::2]

图表解析：

• 图3表现风险预算模型自2022年以来的净值曲线，呈稳步上涨趋势，且回撤有限，体现模型的风险控制能力。

- 表4汇总了各月份的资产配置比例，显示出配置细微调整但整体稳健。

自适应模型方法一

该模型引入对宏观因子收益率的考虑，采用历时的预期收益率设定风险预算权重，增强业绩弹性。其核心逻辑是对高动量因子加权，提高组合回报潜力，并对超跌反转现象有考量。报告指出2022年9月后触发股票超跌反转，但因2023年1月股票上涨，超跌反转效应减弱，导致股票仓位边际下降。债券方面，由于利率因子动量下降，信用因子风险预算提高，债券集中配置于信用债。2023年1月该模型收益率0.49%，年化7.69%，波动率0.96%，夏普比率7.97，表现优异但波动较低。股票配置增加至3.41%，信用债比例高达136.59%，体现积极策略特征。[page::2][page::3]

图表解析：

• 图5展示该模型的净值曲线，波动极小却收益率较高，夏普比率显著优于风险预算模型。

- 表6数据显示各资产配置比例，信用债仓位超常规高，反映模型变现积极的杠杆效果和对信用因子的偏好。

自适应模型方法二

第二种自适应方法以单位风险收益率（夏普比）为风险预算权重，更注重收益风险比，整体风格更保守，股票仓位增幅有限。2023年1月收益为0.07%，年化1.15%，波动率1.11%，夏普比率1.04。配置上，经济增长因子性价比提升导致股票仓位略有增加，利率因子性价比下降压低债券仓位。股票配置分别微量投入沪深300和中证500，债券依然以利率债和信用债均衡持有，体现平衡偏好。[page::3][page::4]

图表解析：

• 图7净值曲线较为平稳，增长缓慢，但体现风险控制。

- 表8资产配置比例稳定，股票仓位仅微涨，债券持有较为均衡。

---

3. 宏观因子配置策略原理及方法详解

报告阐述采用马科维茨均值-方差模型和风险平价等经典框架，引入宏观因子以替代单纯资产层面配置，目的是降低大类资产间时变相关性导致的尾部风险，提高配置的稳定性与科学性。通过主成分分析（PCA）方法，报告将多个资产风险特征提炼为五大宏观因子：利率因子、经济增长因子、信用因子、期限利差因子和规模风格因子，赋予宏观因子明确经济学含义。

宏观因子构建方法：

• 使用资产价格数据的高频收益率，避免真实宏观数据发布滞后，增强因子时效性。

- 通过主成分分析提取各资产间的共性因子，降维同时确保因子间正交性，满足低相关性输入需求。

• 具体计算步骤包括资产收益率标准化，构建相关系数矩阵，求特征值和特征向量，最终线性组合得到宏观因子收益矩阵。

该方法借鉴海外如道富基金、高盛等机构经验，强调基于市场价格反映的动态宏观风险更符合资产配置需求。[page::5][page::6]

---

4. 具体五大宏观因子经济学解释

报告详细分析五个主成分对应的经济含义及其对各类资产的暴露特征：

• 利率因子（第一主成分）： 正向暴露于债券，负向于股票，反映利率下行时债券价格上升股价下跌的典型关系，代表经济下行及货币宽松背景。图表10展示债券和股票在该因子上的暴露分布。

- 经济增长因子（第二主成分）： 正向暴露于股票和信用债，代表经济温和增长阶段带来的资产普遍正面收益。该因子剥离了通胀和利率影响，更纯粹反映增长效应，见图表11。

• 信用因子（第三主成分）： 股票暴露近零，信用债正向，利率债负向，体现信用风险溢价对资产影响。如图表12。

- 期限利差因子（第四主成分）： 长期利率债负向，短期利率债正向，信用债不显著，反映不同期限债券间收益率差异影响，见图表13。

• 规模风格因子（第五主成分）： 在沪深300与中证500之间相反暴露，债券资产暴露几乎为零，表征股票市场中大盘与中小盘风格轮动，详见图表14。

此外，图表15统计显示利率因子解释度最高约50%，经济增长次之约40%，信用因子较小，期限利差与规模风格解释度较低，符合传统资产风险认知。[page::6][page::7]

---

5. 风险预算模型数学框架及自适应模型设计

报利用风险预算模型针对不同宏观因子设定风险贡献比例，通过协方差矩阵分解，实现投资资产的最优权重配置。其数学公式详细展示了如何利用特征矩阵将大类资产协方差转化为宏观风险因子协方差，并约束各因子的风险贡献达到预定比例，实现风险控制。

针对风险预算模型灵活性不足，报告设计了两种自适应方法：

• 方法一直接以宏观因子预期收益率作为风险预算权重，动态调整风险暴露。

- 方法二采用单位风险上的预期收益率（夏普比例）来设定风险预算权重，更强调性价比。

两方法均基于历史收益率作为预期收益代表，引入收益与风险动态权衡，提升模型的适应性和弹性，适合不同投资偏好需求。[page::7][page::8]

---

6. 风险因素评估

报告明确风险提示包括：

• 历史数据模式不被未来重复验证的风险，可能导致模型失效。

- 大类资产与宏观风险因子相关性失去稳定导致配置效果下降。

• 国际政治摩擦等外部事件导致资产价格同向大幅波动的风险。

没有明确提出风险缓解策略，但通过分散多个宏观因子与使用风险预算进行动态调整，间接降低单一风险因素对组合的冲击。[page::0][page::8]

---

三、图表深度解读

• 图表1、2（大类资产1月表现）： 明确展示了股票集体上涨，创业板涨幅最高近10%，债券利率变动极小，商品涨跌互现，体现市场风格偏好及宏观环境的局部分化。

- 图3、5、7（各模型净值曲线）：
- 风险预算模型展现较稳健走势，波动低但增长有限。
- 自适应模型方法一净值提升显著，波动更小，夏普比极高，显示出更强盈利弹性。
- 方法二表现相较保守，适合低波动需求人群。

• 图表4、6、8（配置比例）： 各模型在风险预算和风险收益权重下的配置差异明显，特别是股票和债券信用债等类资产的变动，折射宏观因子波动及模型风险弹性的不同。

- 图表9（宏观因子体系图）： 形象展示宏观因子之间的结构及其包含的维度，为后续因子构建逻辑铺垫。

• 图表10-14（主成分暴露）： 这些条形图展示了各主成分（宏观因子）对大类资产收益贡献的方向和大小，帮助投资者理解因子经济含义及其表现的逻辑一致性。

- 图表15（解释度）： 体现了五大宏观因子对资产收益波动的解释比例，显示利率和经济增长为主要驱动力。

所有图表紧密结合文本分析，数据充分支撑论点，帮助投资者理解模型背后的宏观经济逻辑和风险配置原理，提升信任感和实用性。

---

四、估值分析

本报告主要围绕资产配置与风险管理展开，未涉及具体单只股票或行业的估值分析，也未提供传统意义上的目标价或买卖评级。估值层面主要体现为基于宏观因子风险预算模型和自适应调整模型，通过数学优化框架计算的资产权重，侧重风险收益特性及稳健的动态资产配比，而非股票估值。

---

五、风险因素评估（补充）

• 数据和模型适用性的历史依赖性是最核心风险，即“历史不重演”导致因子表现失真。

- 宏观因子与资产价格动态相关性的非稳态性可能降低模型有效性。

• 外部地缘政治风险增加同向大幅资产价格变动的可能，这可能打破风险配置模型预设的低相关假设。

报告未提出具体的短期风险缓解策略，但建议投资者持续监控宏观形势和模型参数稳定性，及时调整组合配置。

---

六、审慎视角与细微差别

• 报告整体较为客观，数据和模型应用框架严谨，较好解释了宏观因子与资产间的风险收益动态。

- 自适应模型方法一信用债配置极端高（超杠杆比例达136.59%），应关注该策略潜在的杠杆风险和信用风险集中度，尽管理论上可优化收益，实际操作中风险管理难度加大。

• 由于采用历史收益率作为预期收益替代，存在收益回溯偏差风险，且对未来市场结构突变的适应能力受限。

- 同一时点不同模型对股票仓位的判断出现分歧，体现策略风格差异，也提示不同风险偏好者需谨慎选择。

• 报告较少提及通胀因子，通胀风险在当前宏观环境下可能成为重要影响因素，未来可考虑扩展模型进一步纳入。

- 风险管理部分没有给出具体的应对措施，仅列举潜在风险，建议投资者结合自身情况加强动态监控。

---

七、结论性综合

本文报告通过严谨的宏观因子风险预算模型及两种自适应策略，系统剖析了2023年1月大类资产行情及其背后的经济驱动力，明确了股票资产性价比的提升及超跌反转效应减弱的市场新特征。三种模型针对不同投资者风险偏好和目标，各有优势：

• 风险预算模型稳健，适合保守投资者，保持债券中利率债及信用债均衡配置，股票仓位适度提升。

- 自适应模型方法一积极引入动量与反转机制，尽管股票超跌反转效应减弱，但依旧高配股票并通过高杠杆信用债获取超额收益，适合风险偏好高者。

• 自适应模型方法二强调单位风险收益性价比，股票配置边际增加但整体较低，风格更为均衡和稳健。

图表数据充分展示各模型净值增长及资产比例动态变化，直观体现了配置效果和风险收益特征。通过主成分分析构建五大宏观因子（利率、经济增长、信用、期限利差、规模风格），为资产配置提供了坚实的经济学基础和数学框架。报告同时提示模型面临的历史适用风险、相关性变动风险及地缘政治风险，提醒投资者审慎应用。

总的来说，报告强调以宏观因子为基础的风险预算和自适应模型方法，有助于优化大类资产动态配置，实现稳健且灵活的绝对收益策略，适应当前中国资本市场环境。投资者可根据自身风险偏好和收益目标，结合报告提出的三种模型，制定个性化资产配置方案。[page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8]

---

备注

根据报告整体内容，以上分析对所有重要章节和图表示例进行了详尽解读，力求将金融术语、模型思想和数据具体表现清晰呈现。文中引用均按照报告原文分页严格标注，便于追踪溯源。

报告