基于动态宏观情境聚类的资产配置策略——资产配置定量研究系列之五

创建于 2025-07-17T13:54:44.277697+08:00 更新于 2025-07-17T14:09:34.682526+08:00

摘要

本报告提出基于国内10个宏观因子的动态宏观情境聚类方法，用层次聚类划分宏观状态，通过历史表现选取配置资产，并结合黑利特曼模型优化投资组合，实现年化8.86%、夏普率1.33的稳定收益，超越等权基准。研究显示宏观因子综合作用于资产收益，单因子效果有限，且有效的经济周期划分正被新的多因子聚类方法取代，动态调整配置策略提升收益稳定性与风险控制效果，为大类资产配置提供了量化框架和实证基础。[page::0][page::13][page::15][page::17][page::18]

速读内容

宏观因子与资产配置应用概述 [page::0][page::3]

宏观因子普遍存在于多资产类别，经济增长、通胀等影响长期资产表现。

- 宏观因子包括数值变量、趋势与状态变量、宏观预期，常用方法有美林时钟、宏观动量、收益风险解释及事件驱动。

美林时钟模型构建与应用 [page::5][page::6][page::8][page::9]

通过HP滤波处理工业增加值与CPI数据进行周期划分，有效捕捉经济的4个阶段。

- 表1显示各周期资产不同收益表现，符合美林时钟的资产轮动配置理论。

自定义配置比例策略在样本内年化收益13.89%，样本外6.18%，夏普率分别为1.55和1.66，表现优于等权基准。

宏观因子多元影响与统计分析 [page::10][page::11]

| 资产类别 | 显著影响的宏观因子 |
|---------|-----------------------------------|
| 沪深300 | CPI |
| 中证500 | M1、PMI |
| 国债 | 期限利差、信用利差、CPI、工业增加值、PMI、市场波动性 |
| 信用债 | 1年国债、信用利差、CPI、M2、工业增加值、PMI |
| 黄金 | 信用利差、CPI、市场流动性 |
| 原油 | 期限利差、工业增加值、PMI |
| 标普500 | 工业增加值、PMI |
| 恒生指数 | CPI、M1、工业增加值、PMI |

单因子t检验和逐步回归结果表明，宏观因子对资产有一定解释，但单因子线性模型解释力有限，说明资产收益受多因子复杂宏观状态影响。

- 如图9所示，沪深300月收益率对多宏观因子回归，模型R^2仅约15%。

宏观情境聚类方法构建及回测表现 [page::12][page::13][page::14][page::15]

使用10个宏观因子构造10维状态向量，基于Hamming距离进行层次聚类，划分出4类宏观情境（图11-14）。

- 每情境对应资产配置基于历史上涨概率超过60%的资产等权构建，策略回测表现优良：

| 时间范围 | 年化收益率 | 年化波动率 | 最大回撤 | 夏普率 |
|---------|------------|------------|----------|--------|
| 样本内 | 14.26% | 10.65% | 12.56% | 1.34 |
| 样本内等权基准 | 6.98% | 11.18% | 25.41% | 0.62 |
| 样本外 | 6.76% | 4.88% | 5.57% | 1.39 |
| 样本外等权基准 | 4.79% | 8.25% | 11.11% | 0.58 |

动态聚类方法进一步通过在每个月用过去5年数据重新聚类，实现状态自适应，2014-2019年期间年化收益8.42%，夏普率1.20，远超等权基准。

动态宏观情境聚类与B-L模型结合优化 [page::16][page::17][page::18]

将动态宏观情境聚类策略视为观点输入Black-Litterman模型，结合长期平均收益率替代市场均衡收益。

- 两种观点设定均优于无观点MV组合，改进观点误差矩阵乘以τ后显著提升：

| 策略 | 年化收益率 | 年化波动率 | 最大回撤 | 夏普率 |
|------|------------|------------|----------|--------|
| MV | 3.94% | 9.85% | 25.41% | 0.40 |
| BL1 | 8.86% | 6.66% | 14.55% | 1.33 |
| BL2 | 6.71% | 6.67% | 11.83% | 1.01 |

结合宏观情境观点的B-L模型策略在收益稳定性和风险控制方面表现最佳，充分发挥宏观信息辅助资产配置的价值。

风险提示与未来研究方向 [page::19]

历史数据规律可能失效，模型需不断调适。

- 建议研究不同宏观情境下的资产解释模型，考虑时序聚类、状态切换模型，以及结合宏观预测信息增强B-L观点设定。

深度阅读

基于动态宏观情境聚类的资产配置策略——资产配置定量研究系列之五

---

1. 元数据与概览

报告标题： 基于动态宏观情境聚类的资产配置策略——资产配置定量研究系列之五

- 作者与机构： 光大证券研究所，分析师邓虎（执业证书编号：S0930519030002）

发布日期： 2019年10月8日

- 主题： 资产配置策略中的宏观因子应用，特别是通过动态宏观情境聚类方法构建资产配置策略。

核心论点与结论：

- 宏观因子对资产收益变化有较强解释能力，利用多维宏观数据通过聚类方法进行宏观状态划分，能够指导资产配置。
- 传统美林时钟因仅依赖两个经济指标，片面且效果减弱；扩展为多因子动态聚类方法，更能捕捉宏观经济的复杂性。
- 动态宏观情境聚类配置策略结合Black-Litterman模型进一步提升配置效率，五年回测收益和风险指标优于传统等权基准。
- 风险提示明确指出模型基于历史数据，存在规律失效的风险。

---

2. 逐节深度解读

2.1 宏观因子在资产配置中的应用概述

关键论点：

- 宏观因子作为外部因子，不依赖单一资产，适合跨大类资产配置。全球资产长期表现受宏观周期影响，美林时钟、宏观动量等多种宏观因子应用策略在国际上得到广泛关注。
- 宏观因子包括三种形态：数值变量（如CPI同比），趋势与状态变量（如趋势向上/向下标记±1），宏观预期（实际与预期差异）。这些与选股因子方式相似但有所区别。

逻辑与证据： 宏观因子应用方法论包括经济周期划分的美林时钟、基于相关性的宏观动量、宏观事件驱动、宏观预期差等，提供了多角度资产表现解释和预测工具。

2.2 美林时钟：历史有效但规律正在减弱

划分方法：

- 依据经济增长和通胀指标的趋势上升/下降，将宏观经济划分为四个阶段：复苏、过热、滞胀、衰退（图1）。
- 以工业增加值同比和CPI数据进行6个月均线比较初步划分（图4、图5），发现判别频繁、噪声大。
- 使用HP滤波平滑数据，利用趋势一阶导数（正负）确定上升或下降趋势，提高划分的稳定性和合理性（图6、图7）。

数据支持：

- 从2009年至2016年，分四阶段对应沪深300等资产下月收益统计（表1），验证美林时钟所对应资产表现规律大致成立，如复苏期股票表现好，滞胀期债券表现优。

回测结果：

- 建立对应配置比例（表2），样本内年化收益率13.89%，夏普率1.55，样本外年化6.18%，夏普率1.66，显著优于等权组合（表3，图8），但发现近年来经济、通胀趋势稳定，时钟信号减弱，权益长期被判定持币，效果降低。

2.3 影响资产表现的宏观因子探索

多维宏观因子选取： 包括利率（1年期国债、期限利差、信用利差）、通胀（CPI、PPI）、货币（M1、M2）、经济指标（工业增加值、PMI）、市场因素（行业平均涨跌、流动性冲击、波动率指标）共12项。

- 指标处理： KPI滤波处理趋势变量形成±1状态，部分变量采用均线比较状态分类。市场强弱、流动性和市场波动性指标均转化为±1状态。

单变量t检验及逐步回归：

- T检验发现10个指标对资产表现有解释作用（表4），但对A股的区分能力不高，债券表现受更多指标影响。
- 逐步回归模型R²约15%，单独因子往往效果超越多因子模型，说明资产收益率受多个宏观因子复杂联合作用，单因子模型效果有限（图9）。

理论推断： 资产收益受多因子或宏观状态影响，单独分析指标不充分，需考虑宏观状态的聚合表达。

2.4 宏观情境聚类下的资产配置

4.1 静态多指标宏观情境聚类

聚类方法：

- 选用10个±1状态指标，采用hamming距离度量（指标不同项比例）和层次聚类划分宏观情境（图10）。
- 剪枝获得4个宏观情境（图11-14）、细化宏观特征并基于60%以上时间上涨资产构建状态对应配置。

回测表现：

- 静态聚类策略样本内年化收益14.26%，夏普率1.34；样本外收益6.76%，夏普率1.39，均明显优于等权组合，表现与美林时钟相似（表5，图15）。

方法限制： 固定历史样本聚类，可能不适应宏观经济变化，样本外表现存在不确定性。

4.2 动态宏观情境聚类

改进点：

- 每个月用过去5年数据动态聚类，采用欧式距离与调整因子权重，抵消指标冗余和重要性偏差。
- 根据当前宏观因子距聚类状态均值最近确定宏观情境，结合历史涨幅概率选定等权资产配置。

回测结果：

- 动态策略近五年年化收益8.42%，夏普率1.20，最大回撤11.51%，均优于等权基准（表6，图16）。
- 策略月胜率58%，表现稳定，且依赖过去固定窗口无未来数据预测，实用性和合理性较高。

局限： 权重均等，未考虑其他信息融合，策略较为单一。

4.3 动态宏观情境聚类与Black-Litterman模型结合

Black-Litterman模型介绍（图17）： 基于贝叶斯方法结合市场均衡收益和投资者观点，调整资产期望收益向量，克服均值-方差模型估计误差敏感性。

- 应用细节：
- 以长期平均收益替代理论隐含均衡收益率，避免实际市场市值权重非有效前沿组合带来的误差。
- 两种观点设定方式：
1. 直接用宏观状态下历史资产均值与方差作为观点及误差。
2. 赋予历史上涨资产超越长期平均收益1%的积极观点，其他资产相应持负观点，观点标准差0.5%。
- 观点权重τ固定为0.05，控制观点不确定性。

回测结果与分析（图18、图19，表7、表8）：

- 方案二（加观点+低标准差）显著提升组合表现，年化收益8.86%，夏普率1.33，最大回撤14.55%。
- 方案一由于观点误差较大，吸收效果不佳。调整观点误差量级后表现提升明显。
- 整体显示将宏观情境聚类观点引入资产配置框架，结合B-L模型优化配置，有效提高收益风险比。

2.5 总结

宏观因子广泛影响大类资产，且多因子复杂作用使单因子模型解释能力有限。

- 经典美林时钟在中国市场得到一定验证，通过HP滤波及均值线提高了划分稳定性。

通过加入多维宏观因子，采用聚类方法动态划分宏观情境，建立自适应资产配置策略，提升配置有效性。

- 动态聚类策略结合Black-Litterman模型观点引入，以贝叶斯方式提升收益预期确定性，实现策略优化。

提出未来研究方向：

1. 不同宏观情境下构建多模型解释资产表现。
2. 引入时序状态模型，考虑宏观环境的动态切换。
3. 结合宏观预测观点融入资产配置模型，提高前瞻性。

风险提示明确：基于历史数据，模型可能因宏观经济规律变化失效。

---

3. 关键图表深度解读

图1 美林时钟示意图（page 5）

展示4个宏观经济周期阶段（复苏、过热、滞胀、衰退），轴线分别为经济增长水平和通胀水平的升降。

- 对应大类资产配置建议，股票适合复苏期，商品适合过热期，现金适合滞胀期，债券适合衰退期。

提供基础宏观周期分类框架。

图2、图3 经济与通胀指标走势图（page 6）

展示2008-2019年工业增加值同比、PMI及CPI、PPI走势，说明宏观指标的趋势与波动特征。

- 观察发现工业增加值波动较PMI稍大，CPI短期波动明显比PPI大，CPI更适合作为通胀指标。

图4 均线与当前值关系比较（page 6）

比较工业增加值和CPI的6个月均线与当前值关系，用于追踪指标的趋势方向。

- 发现波动较大、噪音干扰明显，说明用均线直接判断宏观周期过于频繁和不稳定。

图6 HP滤波处理（page 7）

通过HP滤波平滑工业增加值同比和CPI数据，减弱异常值影响，更好地反映宏观趋势。

- 便于通过一阶导数判断趋势方向。

图7 趋势过滤后美林时钟划分（page 7）

展示基于滤波趋势一阶导数判断的四阶段划分，状态切换变化较合理，周期持续时间半年至一年。

表1 国内资产美林时钟不同象限下表现（page 8）

包含各主要资产在四个宏观阶段下的平均收益率及收益率>0的比例。

- 结果基本符合美林时钟传统理论，提供配置依据。

表2 国内美林时钟配置比例（page 9）

细化分阶段资产配置比例，支持策略构建。

图8 美林时钟配置策略净值（page 9）

展示策略回测净值曲线，显示显著超过等权基准，尤其样本内。

表4 对资产表现有影响的状态指标（page 11）

统计分析揭示各资产对宏观因子状态变量的敏感性，表明多因子综合影响的复杂性。

图9 沪深300月收益率逐步回归结果（page 11）

多因子回归系数及显著性，表明单一多因子模型解释效果有限。

图10 宏观情境聚类示意图（page 12）

层次聚类结果的树状图，体现宏观状态的相似性与聚类结构。

图11-14 四种宏观聚类状态极坐标图（page 13）

直观展现4个宏观状态各指标特征差异，便于对状态进行经济意义解读。

图15 静态宏观情境聚类配置策略净值（page 13）

静态聚类配置策略净值表现优于等权基准，效果稳健。

图16 动态宏观情境聚类配置策略净值（page 15）

动态聚类配置策略表现较等权基准更优，且策略月度胜率达58%。

图17 Black-Litterman模型示意图（page 16）

模型框架图示，体现如何结合先验均衡收益与投资者观点进行后验估计。

图18、图19 动态宏观情境聚类与B-L组合策略净值（page 17）

不同观点设定下组合表现，改进后策略表现最佳，年化8.86%，夏普1.33。

---

4. 估值方法解读

本报告核心在资产配置与策略构建方面，估值部分主要体现在利用Black-Litterman模型进行资产权重优化：

- 以长期平均收益替代典型的市场均衡收益率作为先验，规避中国市场实际市值权重非有效前沿组合的局限性。
- 投资者观点采用宏观情境聚类下历史资产上涨概率或收益补偿加权，体现动态宏观信息对资产表现的期望调节。
- τ参数与观点误差矩阵调节观点置信度，影响模型对观点的依赖程度。

结构清晰，兼顾市场信息与策略观点，较好缓解传统均值-方差模型灵敏性。

---

5. 风险因素评估

核心风险提示： 模型严格基于历史数据，核心假设是历史宏观因子与资产表现关系将持续。

- 宏观经济周期的结构性变化或资产市场行为变化都可能导致历史规律失效，进而影响策略有效性。

聚类方法本质上假设宏观状态可聚合且资产对状态响应稳定，未来出现新的未曾覆盖的宏观状态风险未计。

- Black-Litterman观点设定具有主观性，误差估计不准也可能导致组合效果降低。

报告无明显提出具体缓解策略，提示用户需审慎参考模型输出。

---

6. 审慎视角与细微差别

潜在偏见或局限：

- 由于宏观因子对资产的影响具有时变和复杂交互效应，线性回归解释能力有限，基于等权或简单阈值法的资产选择可能未充分利用信息。
- 宏观数据滞后及预期因素未深入整合，预测能力仍有提升空间。
- B-L模型的观点设定增添优化层面复杂度，但观点准确性和置信度难以量化，易受主观判断影响。

内部细节： 动态聚类策略依赖固定的时间窗口（5年），对于周期转折点反应存在滞后风险；聚类方法本身忽略序列依赖，可考虑HMM等方法提升时序识别。

- 报告中未说明的模型参数灵敏度与参数调优策略，未来研究时需加以补充。

---

7. 结论性综合

该报告详细分析和实证了宏观因子在资产配置中的关键作用，着重突破传统单因子和经典美林时钟的侷限，引入多维宏观因子聚类划分宏观情境，结合动态聚类方法自适应截取当前宏观状态，从而更精准地指导资产配置。通过系统的统计检验和回测，证实多因子动态分析显著提升了中长期资产配置绩效，且配合Black-Litterman模型引入动态观点进一步优化风险调整收益表现，夏普率明显超过等权和无观点组合。

具体而言：