大类资产配置系列第三篇：自上而下：从宏观经济到资产配置

2023年7月6日 总量研究 自上而下：从宏观经济到资产配置 ——大类资产配置系列第三篇 要点 引言： 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。 作者 分析师：高瑞东 执业证书编号：S0930520120002010-56513108 gaoruidong@ebscn.com 联系人：查惠俐 021-52523873 zhahuili@ebscn.com 相关研报 油价还会继续上涨吗？——大类资产配置系列第二篇（2023-03-02） 底部已现，黄金步入上行通道——大类资产配置系列报告第一篇（2022-12-21） 风险偏好可以被度量吗？——《光大投资时钟》第三篇兼光大宏观周报（2022-11-20） 光大投资时钟：从行业景气到市场配置——《光大投资时钟》第二篇（2022-06-21） 从宏观政策到行业景气度：稳增长视角——《光大投资时钟》第一篇（2022-05-05） 目录 引言5 1、宏观环境可以指导资产配置吗？5 1.1、国内经济增长上行时，股票价格明显走强5 1.2、国内通胀对债券价格区分度最高8 1.3、国内流动性指标对A股价格有明显区分9 1.4、美国经济增长对权益市场有显著正向影响9 1.5、美国通胀上行时美股表现较为强势10 1.6、美国流动性指标对A股及黄金区分度较高10 2、如何利用宏观因子进行资产配置？11 2.1、均值方差模型与最大收益率模型11 2.2、BL模型12 2.3、风险平价模型13 2.4、基于宏观因子的风险平价模型14 3、五种资产组合模型结果对比14 3.1、测算细节及评价标准14 3.2、组合回测结果16 3.2.1、均值方差策略回测结果16 3.2.2、最大收益率策略回测结果17 3.2.3、BL策略回测结果18 3.2.4、风险平价策略回测结果19 3.2.5、基于宏观因子的风险平价策略20 3.3、7月模型配置权重21 4、风险提示22 中庚基金 图目录 图1：研究步骤示意图5 图2：从制造业PMI同比数据看，当前我国经济仍在复苏阶段6 图3：动态因子模型合成的国内经济增长指标显示，当前我国经济处于触底回升初期7 图4：根据经济增长合成指标划分经济增长周期8 图5：经济增长指标对国内股市区分度最高8 图6：通胀指标显示，当前我国通胀仍处于下行周期8 图7：通胀对债券价格区分度最高8 图8：流动性指标显示，当前我国流动性处于上行周期9 图9：流动性指标对A股价格有显著的区分效果9 图10：美国经济增长正处于下行周期9 图11：美国经济增长对美股和黄金价格具有较好区分9 图12：美国通胀正处于下行周期10 图13：美国通胀对权益资产表现区分度更高10 图14：当前美国流动性处于下行周期10 图15：美国流动性指标对A股及黄金价格区分度较高10 图16：均值方差模型过程和最大收益率模型过程示意图11 图17：BL模型过程示意图12 图18：风险平价模型过程示意图13 图19：宏观因子的风险平价模型过程示意图14 图20：各类资产历史净值表现15 图21：各类资产收益及风险对比15 图22：组合模型净值表现对比16 图23：均值方差策略配置权重17 图24：最大收益率策略配置权重18 图25：BL策略配置权重19 图26：风险平价策略配置权重20 图27：基于宏观因子的风险平价策略配置权重21 图28：2023年7月模型仓位与历史仓位对比22 表目录 表1：评价指标及含义15 表2：组合模型评价指标表现对比16 表3：均值方差策略历年回测结果17 表4：最大收益率模型历年回测结果18 表5：BL策略历年回测结果19 表6：风险平均策略历年回测结果20 表7：基于宏观因子的风险平价策略历年回测结果21 表8：最新模型配置权重22 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。 图1：研究步骤示意图 资料来源：光大证券研究所绘制 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： 图2：从制造业PMI同比数据看，当前我国经济仍在复苏阶段 100 80 60 40 20 0 -20 同比公布值（右轴） (%) 60 50 40 30 20 10 -400 资料来源：Wind，光大证券研究所；注：数据截至2023年5月；单位：% 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（DynamicFactorModel，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。 DFM的动态形式可以表示为： 其中，是t时刻的p维观测向量，是p×k维因子载荷矩阵，是k维因子向量，是p维特殊干扰向量，和分别是k×k和k×m维系数矩阵，分别表示因子向量在t−1时刻和t时刻之间的转移关系和外生变量对因子向量的影响， 是m维外生变量向量。 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。 图3：动态因子模型合成的国内经济增长指标显示，当前我国经济处于触底回升初期 各项经济增长指标（灰色曲线） 国内经济增长合成指标（红色曲线，右轴） 48 3.5 6 3 2.54 22 1.5 10 0.5-2 0 -4 -0.5 -1-6 资料来源：Wind，光大证券研究所；注：数据截至2023年5月（注：灰度不同的曲线表示各项进入DFM模型计算的数 据指标） 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