Beta猎手系列：基于动态宏观事件因子的股债轮动策略

动态宏观事件驱动的策略框架 为了解决传统宏观事件驱动类策略无法持续在样本外跟踪事件因子或者调整事件策略的弊端，本文构建动态事件驱动策略框架。将事件因子的评价环节包含在每期事件因子的选择当中，动态选择与资产走势更相关的事件因子，解决样本外因子的评价问题和动态因子优选的问题，使得投资者只需要关注于挑选更多有效的宏观数据进模型中，提升模型的信息输入就好。 并且我们用经济，通胀，货币和信用四维度的30余个宏观数据指标，基于数据样本内时间段的收益率胜率指标和开 仓波动调整收益率指标数值，筛选出这些宏观数据每期最优的事件因子和最优的数据处理方式，并且从中挑选出了11个对资产择时效果较好的宏观数据，来搭建后续的股指择时策略和不同风险偏好的股债轮动策略。 基亍动态宏观事件因子的股指择时策略以及股债轮动策略 我们将这11个因子分成了两大类:经济增长和货币流动性。经济增长：包含经济，通胀和信用，三者都是不同维度描述经济的运行情况；另外将货币类的指标单独划分成一类，用来刻画市场的流动性。将每期这两个大类因子的得分取平均值，合成当期的股票仓位信号。从2005年至2022年11月，宏观事件因子择时策略年化收益率为18.73%，同期Wind全A指数为10.88%，相对Wind全A有约8%的年化超额收益。而且该择时策略在波动率端也有比较好的表现，年化波动率由指数原来28.64%的波动率下降到了15.17%；最大回撤明显下降，从指数的68.81%下降到了13.77%，夏普比率上升到了1.13。 另外我们使用择时策略中获得的股票仓位信息搭配风险预算模型来构建不同风险偏好的股债轮动策略。其中使用Wind全A指数作为股票资产，中债综合财富总值指数作为债券资产来搭建模型。从2005年1月至2022年11月，期间保守，稳健和进取三个策略年化收益率分别为6.26%，11.96%和22.44%，同期股债64年化收益率为9.25%，稳健和进取型从收益的角度都稳稳跑赢基准，保守型虽然收益没有跑赢，但是波动率，最大回撤和夏普率都是4者里面最高的，适合喜欢风险偏好较低的投资者。而其他两个风险偏好的策略也同样在各维度上表现优于基准。 在最后我们也测试了下交易成本对我们配置策略的影响，我们取换手率最高的进取型策略(年平均换手率达432%)作为例子，考虑手续费后，整体收益降幅可控，千分之一的单边手续费下年化收益仅下滑约0.5%，千分之二手续费下滑约1%。手续费对于该配置策略整体的影响不大。 风险提示 1、以上结果通过历史数据统计、建模和测算完成，历史规律未来可能存在失效的风险。 2、各类事件因子可能会受到政策、市场环境发生变化的影响，出现阶段性失效的风险。 3、市场可能出现超出模型预期的变化，导致策略出现超出模型估计的波动和回撤。 内容目录 一、动态宏观事件的构建逻辑4 1.1宏观择时的常用方法4 1.2动态事件驱动的优势4 二、宏观事件因子构建框架及流程5 2.1构建动态事件因子框架要考虑的关键点5 2.2宏观数据的选用6 2.3宏观数据的预处理7 2.4宏观事件因子构建8 三、宏观事件因子表现9 3.1宏观事件因子测试结果示例9 3.2最终筛选的宏观因子11 四、择时与股债策略表现11 4.1宏观事件因子择时策略构建11 4.2宏观事件因子的风险预算配置策略构建14 4.3配置策略交易成本测试15 五、总结16 风险提示17 图表目录 图表1：Wind全A与PPI同比的线性相关性4 图表2：Wind全A与PPI同比的走势4 图表3：PPI同比与南华工业品指数同比时滞关系的变化5 图表4：Wind全A同比与LME铜价同比时滞关系的变化5 图表5：经济、通胀、货币和信用类指标6 图表6：事件因子构建流程图7 图表7：数据格式的变动8 图表8：事件因子的构建8 图表9：各类衡量指标介绍8 图表10：PPI同比各情形样本内时间段开仓波动调整收益率9 图表11：PPI同比事件因子择时净值10 图表12：PPI同比事件因子择时表现10 图表13：工业增加值同比各情形样本内时间段开仓波动调整收益率10 图表14：工业增加值同比事件因子择时净值10 图表15：工业增加值同比事件因子择时表现10 图表16：各情形样本内时间段开仓波动调整收益率10 图表17：逆回购-银行间质押式回购利率因子择时净值11 图表18：逆回购-银行间质押式回购利率因子择时表现11 图表19：最终筛选的宏观因子11 图表20：择时策略仓位确定流程图12 图表21：宏观事件因子择时策略净值12 图表22：宏观事件因子择时策略表现12 图表23：宏观事件因子择时策略逐年收益13 图表24：宏观事件因子择时策略股票仓位13 图表25：近期细分因子信号13 图表26：不同权益风险贡献度的风险预算策略净值14 图表27：不同权益风险贡献度的风险预算策略的权益仓位变化14 图表28：宏观事件因子配置策略净值15 图表29：宏观事件因子配置策略表现15 图表30：进取型配置策略年换手率16 图表31：不同交易成本下，进取型策略净值16 图表32：不同交易成本下，进取型策略表现16 一、动态宏观事件的构建逻辑 1.1宏观择时的常用方法 当量化分析师尝试使用宏观数据构建模型对未来资产收益率进行判断时，一般有两种方式：1）进行线性回归拟合，将未来资产的收益率作为因变量，将宏观数据作为自变量进行线性回归，通过回归模型预期未来资产收益率或者涨跌方向。2)构建事件驱动模型，通过统计某类特定的宏观事件发生时未来资产的涨跌情况，从中筛选出胜率高的宏观事件，从而构建事件因子。但是对于宏观数据来说，其与未来资产的收益率不一定呈现线性相关的关系,或者仅有弱相关性，例如图表1中展示的，PPI同比与Wind全A收益率的相关性只有-0.1336，并没有一个非常强的相关性，但是在某一时间段内，可能与资产收益率的相 关性剧增，例如图表2中红框所框出来的部分。所以我们希望使用构建宏观事件的方式，去捕捉这类宏观数据的显著变化的时点，来辅助我们来做投资决策。 图表1：Wind全A与PPI同比的线性相关性 相关性:-0.1336 0.4 0.3 万得全A次月收益 0.2 0.1 0 -0.1 -0.2 -0.3 -0.4 -10-5051015 PPI同比 来源：Wind，国金证券研究所 图表2：Wind全A与PPI同比的走势 7,000 6,000 5,000 4,000 3,000 2,000 1,000 0 -10 -5 0 5 10 15 万得全A点位PPI同比(右轴)_逆序 来源：Wind，国金证券研究所 1.2动态事件驱动的优势 传统的事件驱动类策略的构建流程，一般为使用样本内时间段数据去测试事件的胜率和可靠性等等，然后在样本外长期沿用并不做任何改变，或者说没有一个完善的体系去规范样本外该事件因子是否是持续有效，使得投资者在样本外的使用过程中，无法很好的把控事件因子与资产收益率之间关系的变动。例如图表3中显示的，南华工业品指数同比与PPI同比的相关性，在2012年之前，南华工业品指数同比的走势对于PPI同比有一定的领先 性，但是随着时间的推移，目前南华工业品指数同比基本对于PPI同比的领先性逐渐减弱。图表4中，LME铜价与Wind全A指数同比的走势变化，也体现了同样的结论。若我们不能及时把握数据与资产关系变化的话，很有可能滞后或者甚至做出错误的投资决策。 为了一定程度上解决传统事件驱动类策略的弊端，本文尝试构建动态事件驱动策略框架。将事件因子的评价环节包含在每期事件因子的选择当中，动态选择与资产走势更相关的事件因子，解决样本外因子的评价问题和动态因子优选问题，使得投资者只需要关注于挑选更多有效的宏观数据进模型中，提升模型的信息输入就好。 图表3：PPI同比与南华工业品指数同比时滞关系的变化 15 10 5 0 -5 -10 120 100 80 60 40 20 0 -20 -40 -60 PPI同比南华工业品指数:同比(右轴) 来源：Wind，国金证券研究所 图表4：Wind全A同比与LME铜价同比时滞关系的变化 300 250 200 150 100 50 0 -50 -100 万得全A:月:同比期货官方价:LME3个月铜:同比(右轴) 来源：Wind，国金证券研究所 二、宏观事件因子构建框架及流程 2.1构建动态事件因子框架要考虑的关键点 为了构建动态事件因子的框架，我们有几个核心问题需要解决： 1)确定使用哪类型的数据以怎样的数据结构去搭建哪些的事件因子。这第一个问题是我们找寻与资产收益率相关的宏观数据，并且构建能够刻画他们与资产关系的事件，从而捕获两者之间的关系； 2）确定筛选因子的指标：当我们用量化的方式去衡量大批量事件因子的好坏，无法人为的逐个用肉眼确认，所以我们需要找到一些用哪类型的指标来筛选优秀或者符合需求的事件因子； 3）确定筛选因子的滚动时间窗口长度：当我们有了合适的筛选指标之后，用多长的滚动时间窗口去计算该指标来判断事件因子的好坏也是一个我们需要决策的维度。 4）确定最终选用因子的标准:在我们将上述关键点都解决之后，我们只需要确认最终因子的筛选指标就可以完成整个事件因子计算和筛选的流程框架。 在后续的章节2.2宏观数据的选用和2.3宏观数据的预处理，我们将完成对于问题1的理解和处理方式，而章节2.4宏观事件因子构建我们会完成对问题2，3，4的解答。 2.2宏观数据的选用 关于数据方面，我们本次报告将经济、通胀、货币和信用四大类的30余个因子，包括PMI、PPI、SHIBOR、M1等数据，纳入了测试的范围当中，后续还可以对更广泛的数据做进一步的测试。 图表5：经济、通胀、货币和信用类指标 数据分类 指标名称 频率 数据发布时间 制造业PMI 月 当月月末 制造业PMI:生产 月 当月月末 制造业PMI:新订单 月 当月月末 制造业PMI:新出口订单 月 当月月末 PMI:新订单-PMI:产成品库存 月 当月月末 经济 工业增加值:当月同比 月 次月月中 产量:发电量:当月值 月 次月月中 消费者信心指数 月 次月月末 固定投资完成额:第一产业 月 次月月中 国债利差10Y-1M 日 当日收盘 国债利差10Y-3M 日 当日收盘 PPI:同比 月 次月月中 通胀 CPI:同比 月 次月月中 PPI-CPI剪刀差 月 次月月中 PMI:原材料价格 月 当月月末 SHIBOR:隔夜 日 当日收盘 SHIBOR:2周 日 当日收盘 SHIBOR:1个月 日 当日收盘 银行间质押式回购加权利率:7天 日 当日收盘 银行间质押式回购加权利率:14天 日 当日收盘 银行间质押式回购加权利率:1个月 日 当日收盘 银行间质押式回购加权利率:3个月 日 当日收盘 货币 同业存单:1个月 日 当日收盘 同业存单:3个月 日 当日收盘 逆回购利率:7天-银行间质押式回购加权利率:7天 日 当日收盘 中美国债利差10Y 日 当日收盘 中国国债美国TIPs利差:10年 日 当日收盘 国开债国债利差:10年 日 当日收盘 AA级企业债国债:10年利差 日 当日收盘 中间价:美元兑人民币 日 当日收盘 M1:同比 月 次月月中 信用 M2:同比 月 次月月中 M1-M2剪刀差 月 次月月中 社会融资规模:当月值 月 次月月中 社会融资规模存量:同比 月 次月月中 金融机构:中长期贷款余额 月 次月月中 来源：Wind，国金证券研究所 图表6：事件因子构建流程图 来源：国金证券研究所 2.3宏观数据的预处理 对于数据的预处理方面，我们分成了4个小步骤： 1)对齐数据频率：我们将指标的频率全部统一成了月频的数据，对于日频数据的换频操作上，我们有两种的处理方式，第一种为取每月的最后一个交易日的数据作为当月的数据，或者是取月内日频数据的均值作为当月的数据。 2)填充数据缺失值：对于由于数据公布时间不一致，导致有些月份数据的缺失，我们需要对其进行填充。这里我们采用的方式是取