观点
引言：
【资料图】
通常我们认为，宏观经济与市场之间存在着紧密的联系，然而，与资产价格有关的宏观因素众多，对各类资产价格的影响方向和程度也有所不同，怎么综合考虑这些因素最终形成资产配置策略呢？
六大维度划分经济周期
本文从中美两国的宏观经济出发，通过经济增长、通胀、流动性三个角度刻画宏观经济状态。为了准确且稳定的描述每一个经济维度，本文在众多宏观指标基础上，使用动态因子模型进行降维处理，以提取各类指标共振部分。我们发现，通过动态因子模型合成的宏观状态代理指标，对于资产价格表现具有显著区分度。
从合成的宏观指标来看，国内方面，经济增长指标于今年1月进入上行期，通胀指标正在探底，流动性指标于4月迈入上行期；海外方面，美国经济增长指标自2022年起持续下行，通胀指标正在快速回落，流动性指标在年初小幅震荡后进一步下行。展望看，在国内经济弱复苏、流动性有望维持宽松，美国衰退压力仍在、美联储高利率水平预计维持更长时间的背景下，当前经济周期暂无转向风险。
不同宏观指标对资产价格的影响方向和程度不同。国内经济增长指标对A股、中债、美股均有较强的区分度，对黄金价格则影响较小；国内通胀指标对中债的区分度最高；国内流动性指标反映的是债市利率变化，与A股显著负相关；美国经济增长指标同时影响美股和黄金，对国内市场影响相对有限；美国通胀指标对权益资产价格影响更为显著；美国流动性指标上行时同时利好A股和黄金。
构建从宏观经济到资产配置的桥梁
为了充分利用宏观经济与资产价格之间的关联性，我们基于不同资产配置模型的特点对模型进行改进，将宏观经济的增量信息纳入资产配置策略中。
均值方差模型与最大收益率模型：以相似宏观环境下的历史价格预测未来收益率，以替代经典的通过近期平均收益率来预测的方式。BL模型：用相似宏观环境下的优势资产表现替代主观观点，将历史相似宏观经济环境下的资产表现作为先验信息。风险平价模型：以相似宏观环境下的历史协方差预测未来协方差。基于宏观因子的风险平价模型：通过平等地暴露各类宏观因子风险而非各类资产价格波动风险指标，平均地获得通过承担各类宏观风险产生的收益。
五种资产组合策略结果对比
回测期间（2013年3月至2023年6月），最大收益率策略取得了最高的收益回报，年化收益率7.1%，但同时也伴随着最大的风险波动，年化波动率10.5%，年化夏普率相对较低，为0.49。均值方差策略表现稍显逊色，收益回报较高，为6.6%，最大回撤与波动率也相对较高，分别为14.0%和8.1%。BL策略表现较为平稳，具有较高的夏普率和最低的年化波动率，分别为1.10和3.0%，但是其收益率表现欠佳，年化收益率5.3%。同属低波动策略，风险平价策略相对而言表现更为优异，其年化收益率相对较高，为5.9%，而且在最大回撤和波动率方面控制相对较好，分别为5%和3%，年化夏普率最高，为1.31，在低风险水平下取得了可观的收益率表现。宏观因子风险平价策略与风险平价策略表现相对接近，相比之下，其波动率略高，为4.2%，年化收益率也略高，为6.0%。
风险提示：模型存在失效风险，历史数据存在不被重复验证的可能。
引言
我们常常谈论，今年的宏观经济环境更像哪一年，这个讨论背后其实隐含着两个更深层次的问题，一是，宏观经济环境可以度量相似性吗？二是，相似的宏观环境下，资产价格表现具有一致性吗？
第一个问题的答案是肯定的，但同时，想回答这个问题也是非常有难度的，历史不会简单重复，主观判断往往只能抓大放小，并且非常考验投资者的经验积累。因此，本文试图通过量化的方式，使用动态因子模型对众多宏观指标进行降维处理，通过客观的规则对宏观经济状态进行类别划分。
对于第二个问题，本文进行了详细的研究，在准确刻画宏观环境的基础上，资产价格表现具有一定的一致性，合成的宏观状态指标对于资产价格表现具有显著区分度。在此基础上，本文对传统的大类资产配置模型进行一定的改进，比较了均值方差模型、最大收益率模型、BL模型、风险平价模型和宏观因子风险平价模型5种资产配置策略，使得宏观环境的增量信息可以融入资产配置模型中，最终实现从宏观经济到资产配置的落地。
1、宏观环境可以指导资产配置吗？
本文从中美两国的宏观经济出发，通过经济增长、通胀、流动性三个角度刻画宏观经济状态。本文并不追求构建领先于资产价格的宏观指标，而是在可获取的宏观指标基础上刻画宏观背景，探索其与资产价格关系，并结合资产配置模型构建投资策略。我们发现，通过合适的方式合成的宏观状态代理指标，对于资产价格表现具有显著区分度。
1.1 国内经济增长上行时，股票价格明显走强
指标选择：在指标选择过程中，本文从客观逻辑出发，结合数据长度、数据重要性，筛选出对资产价格有区分度的宏观指标。考虑到不同指标统计口径、更新频率不同，本文在数据预处理部分将各个指标统一转换为月度数据。
本文选取的国内经济增长代理指标包括：制造业PMI及细分指标、建筑业PMI及细分指标、服务业PMI及细分指标、固定资产投资完成额当月同比、社会零售消费品总额当月同比、净出口当月同比、工业增加值当月同比。
数据处理：PMI中的各分类指数均采用扩散指数方法，为了保证后续指标合成中各类指标的可比性，本文将PMI各分类指数转换为同比数据，具体方式为：先转换为环比口径：(PMI-50)/ 100，然后通过近12个月的环比增速数据计算得出同比增长率。以制造业PMI为例，转换后结果如图：
指标合成：衡量经济增长的指标众多，为了准确且稳定的描述经济增长情况，本文使用动态因子模型进行降维处理，以提取各类指标共振的部分。
动态因子模型（Dynamic Factor Model，DFM）是一种用于处理高维数据的统计模型，可以从高维数据中提取变量间的协同变动信息，从而实现对高维数据的降维处理。DFM 假设宏观变量是一个由“公共因子”和“特质扰动项”组成的随机变量，基于对高维数据中“公共因子”的估计提取出变量间的共同因子，可以用于解决共线性问题，在非线性数据和不连续数据中有较好应用。
滚动计算：我们将近10年的指标采用滚动扩展方式计算，即样本容量不断增加的计算方式。直接使用全样本数据显然是不合适的，因为站在2020年的时点，并不能获取2023年的数据。同时考虑到样本时间区间过短的话，动态因子模型结果不稳定，因此，2006年至2013年的指标使用存量数据计算，2013年及以后的数据，采用滚动扩展的数据计算。
划分经济增长状态：在此基础上，我们可以滚动地使用动态因子模型合成经济增长合成指标，需要指出的是，由于模型只捕捉波动而忽略数值的绝对大小，合成指标的绝对值并无经济学含义，指标的变动方向就是模型拟合出的众多指标共同变动的趋势。
根据合成指标的变化方向，结合Bry-Boschan算法，可以将经济增长指标划分为上行期和下行期。Bry-Boschan算法是一种用于识别经济周期的方法，它基于时间序列数据的变化规律来确定周期性的变化。该算法的核心是使用历史数据来计算出周期性的阈值，然后用当前数据与阈值比较来确定当前是否处于周期性的高点或低点。该算法的优点是计算量较小、适用于各种周期长度的数据。
标的选择：本文选择沪深300、中证10债、SHFE黄金和标普500共四类资产，分别代表中国股票、债券、黄金和美国股票市场的表现。其中，中证10债是中证全债细分指数，衡量7至10年期限债券的表现，是一种代表长久期债券资产的指数。
分析资产收益表现：根据划分的经济增长状态，分别统计各状态下各类资产平均年化收益率。
总体上看，经济增长对股市存在正向影响，对债市存在负向影响。股市：经济上行时需求和供给相对旺盛，企业生产经营活跃，经济过热时出现供不应求的状况，商品价格上涨，进一步刺激企业盈利，此时股价表现相对高昂。债市：经济增长状况较好时，投资者往往风险偏好更高，收益上限相对较低的债券吸引力下降，债券价格回落。黄金：国内经济增长指标对黄金价格表现区分度不高。美股：国内经济增长与美股也表现出较强的正相关性，可能是因为美国经济繁荣时需求增加，有利于中国出口增长，而美股经济繁荣时，美股表现也相对更佳。
1.2 国内通胀对债券价格区分度最高
本文选取的国内通胀代理指标包括：CPI、PPI、商品价格指数、制造业PMI出厂价格、制造业PMI购进价格、非制造业PMI投入品价格、非制造业PMI销售价格等。数据处理方式和指标处理方法同上。
总体上看，合成的通胀指标对债券价格区分度最为显著，通胀上行时债券价格走弱，这主要有两方面原因：一是，通胀上行使债券利率的吸引力降低，投资者不愿意持有低利率债券，使得债券价格走弱；二是，高通胀会增加央行加息的可能性，导致投资者对未来债券利率的预期升高，债券价格与利率呈反向关系，加剧债券价格走弱。
通胀与股票价格则呈现出一定的正相关性。从盈利角度看，如果企业能够通过价格上涨来抵消通货膨胀的影响，通货膨胀可能意味着企业利润增加，投资者对企业未来的预期收益抬升，从而推动股票价格上涨。
1.3 国内流动性指标对A股价格有明显区分
本文选取的国内流动性代理指标包括：1年期贷款市场报价利率、7天银行间质押式回购加权利率、1年期中债国债到期收益率、10年期中债国债到期收益率等。指标合成方法同上。
这里我们使用市场利率作为流动性的衡量指标，即认为资金充裕时市场利率趋于下行，对应债券价格上行。股票方面，更多资金流向货币市场、债券市场时，股价表现相对较弱，并且，市场利率下行时往往经济增长相对乏力，对企业盈利也形成制约。
1.4 美国经济增长对权益市场有显著正向影响
本文选取的美国经济增长代理指标包括：制造业PMI及细分指标，非制造业PMI及细分指标，非农就业人数，失业率，成屋销售。指标处理及合成方法同上。
美国经济增长处于上行周期时，不仅美股价格强劲，国内股市也表现较好，主要是由于中美贸易来往密切，作为中国最重要的出口国之一，美国经济繁荣时需求上行，对中国出口有较强拉动力。
美国经济增长指标与黄金价格负相关，可以从实际利率的角度思考，美国经济增长上行时实际利率趋于上行，而实际利率作为持有黄金的机会成本，与黄金价格此消彼长。
1.5 美国通胀上行时美股表现较为强势
本文选取的美国通胀代理指标包括：CPI及细分指标、核心CPI、PPI及细分指标、PCE及核心PCE。合成方法同上。
对国内市场而言，通胀上行时，投资者担心美联储通过加息来控制通胀，紧缩政策将使得美国债券收益率上升，从而吸引资金流入美国债券市场，导致国际资本流出中国市场，使中国股票价格走弱。此外，美国通胀上升可能导致美元升值，也会加剧资金流出中国市场。
1.6 美国流动性指标对A股及黄金区分度较高
本文选取的美国流动性代理指标包括：M1，M2，不同期限债券收益率，不同期限债券收益率利差。合成方法同上。
从动态因子模型因子得分看，合成因子主要由美国中短期国债收益率指标贡献，美国流动性指标对资产价格的区分实则为美债收益率水平对资产价格的区分。总体上看，美国流动性指标对黄金与A股区分度最高，对黄金而言，美债与黄金具有相似的金融属性，均具有抗通胀和避险作用，并且实际利率可以看作持有黄金的机会成本，因此美债利率与黄金价格走势此消彼长。对A股而言，美债利率下行时，国内股市表现相对强势。
从合成的宏观指标来看，国内方面，经济增长指标于今年1月进入上行期，通胀指标正在探底，流动性指标于4月迈入上行期；海外方面，美国经济增长指标自2022年起持续下行，通胀指标正在快速回落，流动性指标在年初小幅震荡后进一步下行。展望看，在国内经济弱复苏、流动性有望维持宽松，美国衰退压力仍在、美联储高利率水平预计维持更长时间的背景下，当前经济周期暂无转向风险。
2、如何利用宏观因子进行资产配置？
有效的资产配置一直被视为降低投资风险和获得投资收益的主要手段。目前，大类资产配置策略主要包括：基于收益与风险的投资模型，例如均值方差模型、Black-Litterman 模型等；仅基于风险的模型，例如风险平价模型等。
经典的均值方差模型和风险平价模型均是通过历史数据来预测资产收益率，然后构建投资组合以实现所需的风险和回报。然而历史数据并不能完全反映未来的情况，基于前文的研究，我们发现，不同宏观状态下各类资产表现较大，我们可以基于不同的宏观环境对经典资产配置模型进行优化。
2.1均值方差模型与最大收益率模型
Markowitz 的均值方差模型是现代投资组合理论的基石，通过计算不同资产的预期收益率和方差，以及不同资产价格之间的协方差，来构建一个最优的投资组合。主要思想是，是在给定风险水平下，最大化投资组合的预期收益率，或者在给定预期收益率下，最小化投资组合的风险。均值方差模型以均值代表预期收益，方差代表波动率。
均值方差模型对收益率输入的准确度要求较高，而在实际市场中预测收益率难度较大，因此通常均值方差模型在实际使用中会根据需求做相应改进。本文通过相似宏观环境下的历史价格预测未来，以替代经典的通过近期平均收益率进行预测的方法。
均值方差模型的最优化目标是使得组合夏普率最大，均值方差模型的一种变体是最大收益模型，其最优化目标是使得组合收益率最大。
这里，我们将相似宏观环境下的历史收益率作为输入，以替代经典的通过近期平均收益率进行预测的方法。相似性度量采用定性方式，我们根据第一部分对宏观环境的划分，逐月匹配历史上宏观周期最为相似的月份。
2.2BL模型
BL（Black-Litterman）模型是对均值方差模型的一种改进，本文结合BL模型，用历史宏观环境下的优势资产表现替代主观观点，将历史宏观经济环境下的资产表现作为先验信息。
BL模型使用贝叶斯方法将投资者对预期收益的主观看法与资产的市场均衡收益相结合，有效地解决了Markowitz均值-方差模型中投资者难以准确估计各个投资品种预期收益率、以及其权重对预期收益率的极度敏感性这两大问题。具体实现方法如下：
2.3风险平价模型
风险平价模型是通过使不同资产之间的风险对投资组合总风险的贡献相等，实现风险分散的投资组合构建。风险平价模型认为，不同资产的风险贡献应该基于它们的波动性和相关性，投资组合中每种资产的权重应该按照其风险贡献来分配，以实现资产之间风险的平衡分散。
相比传统的等权重或基于资产价值的投资组合构建方法，风险平价模型可以充分利用不同大类资产之间的低相关性，更好地实现资产之间的风险分散，降低整个投资组合的风险水平。
风险平价模型步骤如下：
2.4基于宏观因子的风险平价模型
基于宏观因子的风险平价模型是风险平价模型的一种扩展，其思想是将宏观经济因子纳入投资组合的风险平价计算中。在大类资产保持低相关性时，风险平价模型可以取得较好的风险分散效果，但实际数据中，资产之间的相关性长期来看也并不一致，在受到突发事件冲击时，资产间相关性可能会发生变化。
以Barra风险模型为例，近现代风险配置模型认为，资产预期收益率来自于承担的宏观风险或者风格风险。不同于传统风险平价模型平等地暴露于各类资产风险，基于宏观因子的风险平价模型旨在平等地暴露各类宏观因子。具体实现方法如下：
3、五种资产组合模型结果对比
3.1 测算细节及评价标准
在具体测算时，我们选择沪深300、中证10债、SHFE黄金和标普500共四类资产，分别代表中国股票、债券、黄金和美国股票市场的表现，使用收盘价格计算。回测的资产价格时间序列为2013年3月至2023年6月，并考虑到获取经济数据会有一定滞后，我们统一在t月月底计算t-1月的宏观经济状态，并在t+1月的第一个交易日建仓。
回测期间，沪深300总收益率为43.7%，年化收益率3.7%，与其他资产相比相对较低，风险调整后的收益较为一般，夏普率仅为0.08；中证10债是相对安全的一种资产，年化收益率为4.9%，波动率远远低于其他风险资产，夏普率高达1.4，风险调整后的回报率较具吸引力；标普500取得了最高的收益表现，区间总回报率193.8%，年化收益率11.4%，最大回撤与波动率相对较大，是高风险与高收益并存的一类资产；SHFE黄金收益表现稍弱，年化收益率3.2%，最大回撤33.3%，风险调整后的收益相对较弱。
在评价标准上，我们从收益、风险、回报比率等角度，选择区间收益率、年化收益率 、最大回撤、年化波动率、年化夏普率、Beta、Alpha、IR、ICIR、Jensen、Treynor、日度胜率、月度胜率等指标：
3.2 组合回测结果
总体看，这些策略模型的都在历史回测中取得了较优的表现，并且每个策略都有自己的特点，在选择策略时，需要综合考虑各种因素，例如风险、收益、稳定性等，以确定最适合特定投资者需求的策略。
回测期间，最大收益率策略取得了最高的收益回报，年化收益率为7.1%，但同时也伴随着最大的风险波动，年化波动率10.5%，年化夏普率相对较低，为0.49；Alpha和IR指标相对较高，表明该策略相对于市场有较好的超额收益能力。均值方差策略表现相对稍显平庸，收益回报较高，年化收益率6.6%，最大回撤与波动率也相对较高，分别为14.0%和8.1%。BL策略相比其他策略的表现较为平稳，具有较高的夏普率和最低的年化波动率，分别为1.10和3.0%，但是其收益率表现不如其他策略，年化收益率为5.3%。
同属低波动策略，风险平价策略相对于BL策略而言表现更为优异，其年化收益率相对较高，为5.9%，而且在最大回撤和波动率方面控制相对较好，分别为5%和3%，年化夏普率最高，为1.31，在低风险水平下取得的可观的收益率表现。宏观因子风险平价策略与风险平价策略表现相对接近，相比之下，其波动率略高，为4.2%，年化收益率也略高，为6%，其相对于风险因子调整的收益表现依然相对较好，年化夏普率0.95。
3.2.1 均值方差策略回测结果
均值方差策略在区间收益率和年化收益率方面表现较好，分别为89.7%和6.6%，但其最大回撤较高，达到了14.0%，年化波动率也较相对高，为8.1%，导致其年化夏普率只有0.57。
分年份看，策略在2013、2018、2022年三个年份收益为负，在2014、2017、2019、2020年四个年份年化收益率超过9%，净值曲线波动较大。
从换手率和仓位（满仓=1）看，平均换手率为28.6%，债券平均仓位0.33，A股平均仓位0.20，美股平均仓位0.27，黄金平均仓位0.21，风险资产仓位占比较高。
总体来看，均值方差策略表现尚可，在控制风险方面还有提升的空间。
3.2.2 最大收益率策略回测结果
最大收益率策略取得了最高的收益回报，回测区间总收益率97.8%，年化收益率达到7.1%，取得了较高的收益水平。同时，该策略最大回撤较高，达到了10.5%，年化夏普率较均值方差策略稍低，为0.49。日度胜率和月度胜率均超过50%，这意味着该策略有较高的交易胜率。
分年份看，最大收益率策略在2014/2015/2017/2019/2020年共五个年份的年化收益率均超过9%，其中2019和2021年超过15%，2013/2018/2022年共3年收益为负。
从换手率和仓位（满仓=1）看，平均换手率为24.8%，债券平均仓位0.16，A股平均仓位0.29，黄金平均仓位0.25，美股平均仓位0.29，大部分仓位集中于风险资产。
总体来看，最大收益率策略表现较为出色，属于高风险高收益策略。
3.2.3 BL策略回测结果
BL模型的区间收益率和年化收益率较低，但其最大回撤和年化波动率都非常小，分别为8.0%和3.0%。这也导致该模型的年化夏普率较高，达到了1.06。
分年份看，策略在2014/2015/2019年的年化收益率超过9%，仅在2013年收益为负，获取正收益的表现较为稳定。
从换手率和仓位（满仓=1）看，策略换手率仅为12.5%，债券平均仓位0.76，最低仓位0.50，A股平均仓位0.06，美股平均仓位0.08，黄金平均仓位0.10，大部分仓位集中于债券。
总体上看，BL 模型表现稳定且风险控制能力较强，适合风险偏好较低的投资者。
3.2.4 风险平价策略回测结果
风险平价策略的回测区间总回报率为77.8%，年化收益率为5.9%，收益水平相对较高。同时，风险平价策略在风险控制也表现极佳，最大回撤仅为5.0%，年化波动率3.0%，年化夏普率达到1.31。
分年度看，策略仅在2013年收益为负，在2014/2015/2019年年化收益率超过9%，获取收益的能力较为稳定。
从换手率和仓位（满仓=1）看，策略平均换手率4.6%，仓位变动幅度较小，债券平均仓位0.74，A股平均仓位0.06，黄金平均仓位0.09，美股平均仓位0.11。
总体看，风险平价策略属于大类资产风险较为均衡的投资策略，在保证一定水平的收益回报的同时，能有效降低组合风险。
3.2.5 基于宏观因子的风险平价策略
基于宏观因子的风险平价策略回测指标表现与风险平价策略类似，收益率和波动率均略有上升。收益方面，基于宏观因子的风险平价策略回测区间总回报率为78.6%，年化收益率达到6.0%；风险方面，策略最大回撤9.0%，年化波动率4.2%；收益风险比方面，策略年化夏普率略低于风险平价策略，为0.95。
分年度看，策略仅在2013年收益率为负，在2014/2019年收益率大于10%，净值曲线相对平稳。
从换手率和仓位（满仓=1）看，策略平均换手率21.9%，债券平均仓位0.64，A股平均仓位0.10，黄金平均仓位0.11，美股平均仓位0.15。
整体上看，基于宏观因子的风险平价策略也属于大类资产风险较为均衡的投资策略。
3.3 7月模型配置权重
在已得到本文涉及的5月的全部经济数据后，可以根据模型计算出五类策略在7月的配置权重。
根据策略特征，可以将均值方差策略和最大收益率策略归为风险偏好较高的积极策略，更多仓位配置在风险资产；将BL策略、风险平价策略和基于宏观因子的风险平价策略归为风险偏好较低的防御策略，更多仓位配置在债券。
整体看，两类策略在7月仅小幅调仓。对比历史平均仓位，均值方差模型依旧超配债券、低配A股、平配美股与黄金；最大收益率策略与均值方差策略类似，超配债券、低配A股；BL策略与风险平价策略超配债券，低配黄金和美股；基于宏观因子的风险平价策略则超配债券和美股，低配A股和黄金。
4、风险提示
模型存在失效风险，历史数据存在不被重复验证的可能。
本文源自：券商研报精选
关键词：
营业执照公示信息