量化投资策略报告：基于宏观因子风险预算的资产配臵策略

基本结论 月度行情回顾（2022年8月） 2022年8月大类资产中，债券市场与大宗商品市场取得正收益，权益市场出现一定幅度的调整，人民币走弱。权益市场继续调整，沪深300下跌2.19%；债券市场上，受央行意外下调MLF和OMO利率影响，债券收益率大幅下行；大宗商品上原油价格全月上涨4.03%，南华综合指数整体上涨0.15%。 最新配臵建议 风险预算模型配臵结论基本保持稳定，股票整体仓位继续微升至1.00%，长久期利率债边际提升；自适应方法一全部配臵于信用债；自适应方法二债券配臵结论基本保持稳定，股票仓位为0。 宏观因子配臵策略 本文从马科维茨的均值方差模型和风险平价模型出发，为减少大类资产动态时变相关性对于模型的尾部风险，报告将传统的大类资产层面配臵转为宏观因子的配臵。模型从战略资产配臵的角度出发，在绝对收益的目标下，对各大类资产间进行长期的、整体性的规划，寻找不同资产价格变化的共同驱动力，从而实现更加稳定的资产配臵。模型考虑国内银行保险等资产管理机构的中长期主要资产配臵需求，我们努力探求股票和债券两大类资产间的配臵关系，并适当探求细分资产或风格轮动，最终构建了追求绝对收益的3种宏观因子配臵策略。 我们通过主成分分析的方法，构建了基于国内股债的宏观因子体系。经历史数据检验，宏观因子具有较明确的经济学含义，构造出的5个宏观因子分别代表着利率因子、经济增长因子、信用因子、期限利差因子与规模风格因子。 配臵策略的构建上，报告首先从宏观风险的角度，构建了固定预算的风险预算模型策略。随后我们引入了宏观因子收益率的考量，构建了风险预算的自适应模型。我们尝试了两种不同的方法引入收益率，第一种方法我们直接以预期收益率作为宏观因子风险预算的权重，第二种方法，我们用单位风险上提供的预期收益率（夏普比）作为宏观因子风险预算的权重。 本文构建的3种模型，在配臵比例稳定性、预期收益率、收益风险比上各有所长，投资者可以根据自身特定的投资风格与投资约束，选择符合自身投资目标的模型进行参考。 风险预算模型：由宏观风险角度出发，对宏观因子风险进行约束，拥有较稳定的资产配臵比例，适合配臵需求的稳健投资者。 自适应模型方法一：加入宏观因子收益率考量，拥有最大的业绩弹性和较高的股票配臵比例，适合风格更积极的投资者； 自适应模型方法二：以单位风险提供的预期收益率衡量性价比，拥有最高的夏普比例，股票配臵比例最低，适合追求高收益风险比的投资者。 风险提示：历史数据不被重复验证风险、大类资产与宏观风险因子的相关关系失去稳定性的风险、国际政治摩擦升级等带来各大类资产同向大幅波动风险。 第一部分：大类资产行情回顾 1.1大类资产行情回顾 2022年8月大类资产中，债券市场与大宗商品市场取得正收益，权益市场出现一定幅度的调整，人民币走弱。权益市场继续调整，全月来看，上证综指2022年8月下跌1.57%，沪深300下跌2.19%，创业板指下跌3.75%；债券市场上，受央行意外下调MLF和OMO利率影响，债券收益率大幅下行，10年期国开债活跃券8月收益率下行13bps，8月31日收2.88%；大宗商品则受供需关系不均衡影响，原油价格全月上涨4.03%，黄金上涨0.32%，南华综合指数整体上涨0.15%。 图表1：国内大类资产2022年8月表现 图表2：国内大类资产2022年8月表现 第二部分：策略近期表现及最新配臵建议 最新配臵建议：风险预算模型配臵结论基本保持稳定，股票整体仓位微升，长久期利率债边际提升；自适应方法一全部配臵于信用债；自适应方法二债券配臵结论基本保持稳定，股票仓位为0。 2.1风险预算模型 最新配臵建议：配臵结论基本保持稳定，股票整体仓位继续边际微增，长久期利率债仓位也有所微增。 2022年8月，宏观风险配臵策略收益率为0.98%，全年已实现收益率3.71%,年化收益率为5.72%,年化波动率为1.59%，年化夏普比率3.59。 图表3：风险预算模型2021年以来净值表现 截至2022年8月末，宏观因子风险预算模型（完全量化）配臵建议如下：沪深300配臵比例0%，中证500比例1.00%，中债10年期国债比例57.18%，中债3-5年期国债比例43.86%，中债信用债比例37.96%。 图表4：风险预算模型配臵比例 2.2自适应模型方法一 最新配臵建议：全部配臵于信用债。 2022年8月，宏观风险配臵策略收益率为0.45%，全年已实现收益率3.79%,年化收益率为5.83%,年化波动率为0.99%，年化夏普比率5.90。 图表5：自适应模型方法一2021年以来净值表现 截至2022年8月末，自适应模型方法一（完全量化）配臵建议如下：沪深300配臵比例0 %，中证500比例0%，中债10年期国债比例0%，中债3-5年期国债比例0%，中债信用债比例140%。 图表6：自适应模型方法一配臵比例 2.3自适应模型方法二 最新配臵建议：债券配臵结论基本保持稳定，股票仓位为0。 2022年8月，宏观风险配臵策略收益率为0.98%，全年已实现收益率3.63%,年化收益率为5.59%,年化波动率为1.16%，年化夏普比率4.83。 图表7：自适应模型方法二2021年以来净值表现 截至2022年8月末，自适应模型方法二（完全量化）建议如下：沪深300配臵比例0%，中证500比例0%，中债10年期国债比例54.21%，中债3-5年期国债比例42.95%，中债信用债比例42.84%。 图表8：自适应模型方法二配臵比例 第三部分：策略原理简介 3.1以宏观因子为框架的大类资产配臵 近现代风险均衡策略和Barra风险模型均意识到资产预期收益来自于承担宏观或者风格的风险，因此配臵理念从资产配臵转变为风险配臵。风险配臵模型往往面临两方面比较大的挑战：第一是需要把握宏观经济的波动性特征，特别是周期性波动的内在规律；第二是需要建立从宏观经济到各类资产风险收益特征的内在逻辑关联，并验证其有效性。这两点是资产配臵科学决策的关键。 宏观因子大类资产配臵的一个重要部分就是研究在不同的经济增长水平、信贷政策以及通胀水平下各类资产的相对强弱变化。以股票、债券、商品、外汇、现金为标的的宏观因子风险体系主要包括：经济增长、通胀、利率、汇率等宏观因子。宏观风险资产配臵中的超额收益主要来源于以宏观因子体系之间的低相关性取代大类资产中时变动态相关性，以及对于未来宏观风险的预判把握准确性。 图表9：宏观因子体系 以宏观因子为框架的大类资产配臵最早出现在海外对冲基金道富基金的因子体系，道富基金因子体系分为宏观因子和风格因子两个维度，其中宏观因子包括经济增长风险、利率风险、流动性风险和通胀风险四大类，风格因子包括规模、波动率、期限、质量、流动性、动量、价值、信用等。 3.2宏观因子构造方法 刻画宏观因子走势一般有两种途径：一是使用真实宏观经济数据构建的宏观因子，但是由于宏观数据的公布频率较低，时效性较差，且各种经济变量之间存在并不稳定的领先滞后期，所以这一方法下的宏观因子刻画对于投资时间窗口的影响也难以精确把握。二是通过主成分分析将大类资产的收益拆解为不同宏观风险的暴露，提取资产价格背后对应的宏观因子。本报告使用了方法二（海外投资机构道富、高盛等主要采取此种方法），由于宏观因子本身由资产价格构造，因此属于同步同频的高频因子，对于短期的情绪也能有较好的把握。 主成分分析也就是采用量化方法将大类资产走势中“共性”的驱动因子提取出来，且有效地去除自身的噪音。使用主成分分析的方式构建宏观因子有其特有的优势：每一个宏观因子都是大类资产的组合，避免了由于真实宏观因子低频、滞后性带来的麻烦。主成分分析后得到的宏观风险因子的正交性天然满足了底层配臵模型对于输入变量低相关性的要求，通过宏观因子的风险控制更容易降低组合在极端情况下的波动。 具体来说，记含𝑝个资产的收益率矩阵为 𝑋：⋯𝑥⋱⋮⋯𝑥 𝑥⋮ 1𝑝 𝑋 = [𝑥 ] 𝑛1 𝑛𝑝 为得到宏观因子，我们首先将大类资产的收益率矩阵进行标准化处理: 𝑥− 𝑥̅= 𝑖𝑗 𝑗 ∗𝑖𝑗 𝑥 𝑣𝑎𝑟(𝑥) 𝑗 其次，需计算标准化处理后大类资产矩阵的相关系数矩阵𝑅： 𝑟⋮ ⋯𝑟⋱ 1𝑝 ⋮⋯𝑟 𝑅 = [𝑟 ] 𝑝1 𝑝𝑝 接着，用雅克比方法求相关系数矩阵𝑅的特征值（𝜆，𝜆，…，𝜆），和相应的特征向量𝐸： 𝑛 𝑒𝐸 = [ ⋯𝑒⋱ 1𝑝 ⋮𝑒 ⋮⋯𝑒 ] 𝑝1 𝑝𝑝 最后，降维后的主成分𝑅𝐹即宏观因子收益率矩阵，可以表示为原有输入变量𝑋通过特征矩阵𝐸映射得到的线性组合： 𝑅𝐹 = 𝐸 ∙ 𝑋 因此，通过特征矩阵𝐸，我们可以实现由大类资产到宏观因子的拆解，同时，特征矩阵𝐸代表着由原始收益矩阵转变为宏观因子收益矩阵的线性组合系数。线性组合的不同，代表着降维后的主成分综合了大类资产中某种不同的共性，从而使得主成分构成了不同的宏观风险因子。 3.3宏观因子经济学含义 在具体宏观因子的构造上，我们共使用了5种指数通过主成分分析将大类资产的收益拆解为背后对应的宏观因子。我们选择了沪深300指数与中证500指数，它们在A股市场具备代表性且有规模风格区分度，同时考虑到债券的期限利差与信用利差，我们选择了中债10年期国债总财富指数、中债3-5年国债总财富指数、中债信用债总财富指数，它们分别对应着长久期利率债、短久期利率债与信用债。 从2010年至今的资产降维的结果来看，我们得到的5个主成分可以对应5种宏观因子，分别是利率因子、经济增长因子、信用因子、期限利差因子、规模风格因子，主成分的经济学解释服从逻辑，且模型有较高解释性。具体而言，5个主成分的线性组合和解释如下： 第一主成分在债券类资产上暴露方向显著为正，在股票类资产上的暴露略微为负，与此对应的，利率下行时债券价格上升，而利率下行往往对应着经济下行，货币政策出台引导利率下行的情形，股票价格往往出现下跌，因此我们将第一主成分定义为利率因子。 第二主成分在权益类资产明显正向暴露，债券类资产也有一定的正向暴露，而信用债的正向暴露在债券中最高。考虑到权益类资产与信用类资产均与经济增长关系紧密，我们将其定义为经济增长因子。这里的经济增长因子，因为剥离了利率因素的影响，它不涉及经济增长导致高通货膨胀，通胀导致央行加息收紧货币政策，导致债券价格下跌的链条。所以，在温和的经济增长之中，增长对于所有资产的贡献都应该是正面的。 第三主成分在股票类资产的暴露接近于0，而在债券类资产中有分歧，且信用债暴露方向显著为正，利率债方向显著为负，我们定义为信用因子。 第四主成分在股票类资产的暴露同样接近于0，而长久期利率债的暴露为负，短久期利率债的暴露为正，在信用债上的表现不明显，主要体现了期限利差因子。 第五主成分在沪深300和中证500之间暴露相反，而在债券上的暴露均接近于0，体现了股票市场的规模风格，因此我们将其定义为规模风格因子。 在这5个主成分中，利率因子具有接近50%的解释度，经济增长因子拥有接近40%的解释度，信用因子的解释度排名第3，而期限利差因子和规模风格因子的解释度相对较小，总体比较符合传统认知。 图表10：第一主成分：利率因子 图表11：第二主成分：经济增长因子 图表12：第三主成分：信用因子 图表13：第四主成分：期限利差因子 图表14：第五主成分：规模风格因子 图表15：主成分解释度 3.4风险预算模型 在构造宏观因子后，我们从控制组合风险的层面出发，构建以绝对收益为核心目标的资产配臵模型。我们首先从宏观风险的角度构建策略，构建了风险预算模型，模型通过对宏观因子的协方差矩阵进行研究，赋予宏观因子不同的风险预算，从而实现大类资产的配臵。 我们并未选择风险平价模型来进行宏观因子风险配臵，主要原因是风险平价严格限制不同资产的风险水平一致，无法根据