大类资产配置研究系列（7）：高频宏观因子构建与资产配置应用

金融工程专题 2023年10月25日 金融工程研究团队 高频宏观因子构建与资产配置应用 ——大类资产配置研究系列（7） 魏建榕（首席分析师） 魏建榕（分析师）张翔（分析师） 证书编号：S0790519120001 张翔（分析师） weijianrong@kysec.cn 证书编号：S0790519120001 zhangxiang2@kysec.cn 证书编号：S0790520110001 证书编号：S0790520110001 傅开波（分析师） 证书编号：S0790520090003 高鹏（分析师） 证书编号：S0790520090002 苏俊豪（分析师） 证书编号：S0790522020001 胡亮勇（分析师） 证书编号：S0790522030001 王志豪（分析师） 证书编号：S0790522070003 盛少成（分析师） 证书编号：S0790523060003 苏良（分析师） 证书编号：S0790523060004 何申昊（研究员） 证书编号：S0790122080094 陈威（研究员） 证书编号：S0790123070027 蒋韬（研究员） 证书编号：S0790123070037 资产配置中高频宏观因子的必要性 近年基于宏观因子的资产配置研究逐渐增多，许多学者探究了影响大类资产收益的因子类别。而传统的宏观指标更新频率低、披露滞后，无法及时准确地刻画宏 观周期和预测大类资产的表现。因此，我们希望构建出高频宏观因子进行资产配置。本篇报告尝试回答以下3个问题：（1）如何确定宏观风险因子？（2）如何构建高频宏观因子？（3）如何应用高频宏观因子进行资产配置？ 高频宏观因子体系构建：筛选领先资产、确定资产权重、模拟高频宏观因子本文以主成分分析的方式确定影响大类资产的底层宏观因子，并构建资产组合模 拟出一套高频宏观因子体系，包括高频经济增长、高频通货膨胀（消费端、生产端）、高频利率因子、高频汇率因子、高频信用因子、高频期限利差。 对于利率因子、汇率因子、信用因子和期限利差，使用市面上已有的相关指数以做多或者做空的方式构造投资组合即可。 对于高频经济增长和高频通货膨胀，构造方式可以分为三步：（1）真实宏观指标合成低频宏观因子，（2）筛选领先于低频宏观因子的资产，（3）以资产同比收益率为自变量，低频宏观因子同比为因变量，通过滚动多元领先回归确定资产权重， 构建投资组合模拟宏观因子走势。我们通过资产收益率滚动构建出的高频经济增 长、高频通货膨胀（消费端）、高频通货膨胀（生产端）分别领先对应低频宏观因子1、2、4月，领先相关系数分别为0.60、0.80、0.91。 高频宏观因子应用：资产配置的风险管理与收益预期 1、投资组合的风险贡献拆解：识别宏观因子对投资组合的风险贡献能够帮助风 险管理团队理解评估不同投资组合的宏观风险来源，判断模型的宏观适应性。我们以常见的风险平价组合为例，应用高频宏观因子对其历史不同时间的风险进行拆解，可以看出，风险平价模型能够较好的管理利率风险。 相关研究报告 2、投资组合的风险暴露管理：在基准投资组合上，根据不同的宏观环境，给予 不同的暴露偏移，以优化的方式调整基准投资组合权重，达到在跟踪基准组合的 同时适应当前宏观环境的效果。本文以等权组合为基准组合，对经济增长、通货 《行业配置体系2.0，轮动模型的回 顾、迭代与思考—大类资产配置研究系列（6）》-2022.2.27 《景气度研究，量化与主动的多视角 —大类资产配置研究系列（5）》 -2021.12.23 《A股风格轮动，规律认知与策略实践—大类资产配置研究系列（4）》 -2021.7.3 膨胀、利率因子构建多因子暴露偏移策略，多因子暴露偏移策略较基准年化收益提高4.89个百分点，综合来看，多因子暴露偏移组合的夏普比率、卡玛比率、盈亏比均优于基准组合，多因子暴露偏移组合夏普比率为1.00，卡玛比率0.41，月度胜率62.02%，盈亏比2.18。 3、基于普林格周期的资产配置模型：利用高频经济增长、高频通货膨胀（生产端）和高频利率因子构建普林格投资时钟，探究不同阶段的优势资产，筛选各阶段表现较好资产构建基于普林格周期的大类资产配置模型，模型年化收益10.14%，最大回撤16.43%，优于等权组合。 风险提示：本报告模型及结果通过历史数据统计、建模和测算完成，在市场波动不确定性下可能存在失效风险；历史数据不代表未来业绩。 金融工程研 究 金融工程专 题 开源证券 证券研究报 告 目录 1、资产配置中高频宏观因子的必要性4 2、宏观风险因子识别：主成分分析六类驱动因素4 3、高频宏观因子构建：投资组合拟合宏观因子收益7 3.1、合成低频宏观因子9 3.2、筛选低频宏观因子的强相关资产11 3.3、动态构建高频宏观因子12 3.4、高频宏观因子的相关性分析14 3.5、高频宏观因子对大类资产的解释程度分析14 4、高频宏观因子应用：资产配置的风险管理与收益预期15 4.1、投资组合宏观风险贡献拆解16 4.2、投资组合的风险暴露管理17 4.2.1、单宏观风险因子暴露偏移实证19 4.2.2、多宏观风险因子管理策略应用21 4.3、基于普林格周期的资产配置应用22 4.3.1、普林格周期下的大类资产收益特征23 4.3.2、基于普林格周期构建大类资产配置模型25 5、附录：风险贡献拆解模型26 6、风险提示27 图表目录 图1：本文整体思路及步骤4 图1：前六个主成分解释度为98.64%5 图2：第一主成分与债券、美元有较高的正相关关系6 图3：第二主成分与股票和商品有较高的正相关关系6 图4：第三主成分与商品指数相关性最强6 图5：第四主成分与美元有较高的正相关性6 图6：第五主成分在信用债和长期国债的暴露出现分歧7 图7：第六主成分在不同期限债券的暴露出现分歧7 图8：高频利率因子同比与周环比8 图9：高频汇率因子同比与周环比8 图10：高频信用因子同比与周环比8 图11：高频期限利差同比与周环比8 图12：投资组合模拟构建高频宏观因子构建思路9 图13：对社会消费品零售总额进行数据预处理过程10 图14：三个预处理后宏观指标同比值合成低频经济增长11 图15：CPI和PPI预处理后同比值构建低频通货膨胀11 图16：低频经济增长与高频经济增长（降至月频）13 图17：高频经济增长的同比与周环比13 图18：低频通货膨胀与高频通货膨胀(消费端)13 图19：高频通货膨胀(消费端)同比与周环比13 图20：低频通货膨胀与高频通货膨胀(生产端)13 图21：高频通货膨胀(生产端)同比与周环比13 图22：高频宏观因子彼此相关性较低14 图23：高频宏观因子对资产的解释程度较高15 图24：股债商风险平价组合走势与回撤情况16 图25：股债商风险平价组合收益稳健，年度胜率较高16 图26：利率风险是风险平价模型的主要宏观风险17 图27：2013年下半年债券价格波动增加，风险平价组合开始加仓股票和商品资产17 图28：风险管理模型构建流程18 图29：等权组合在三个宏观因子上的暴露区间为-0.03到0.03之间19 图30：经济增长暴露偏移0.0120 图31：经济增长暴露偏移组合与基准组合因子暴露差值20 图32：通货膨胀（生产端）暴露偏移0.0120 图33：通货膨胀(生产端)暴露偏移组合与基准暴露差值20 图34：利率因子暴露偏移0.0120 图35：利率因子暴露偏移组合与基准组合因子暴露差值20 图36：单因子/多因子暴露偏移组合收益走势均优于等权组合21 图37：近11年中多因子暴露偏移组合有8年跑赢等权组合22 图38：2023年9月以来，多因子暴露偏移组合超配商品、低配股票和债券22 图39：普林格周期的驱动逻辑23 图40：普林格周期的六个阶段23 图41：高频经济增长上下行区间划分23 图42：高频通货膨胀（生产端）上下行区间划分24 图43：高频利率因子上下行区间划分24 图44：不同普林格周期阶段大类资产收益表现24 图45：大类资产在普林格周期不同阶段的加权年化收益率统计25 图46：理想状态投资时钟与等权组合收益走势26 表1：各资产在主成分上的暴露5 表2：高频利率、汇率、信用、期限利差因子构造方式7 表3：宏观因子代理指标9 表4：合成经济增长和通货膨胀的待筛选资产11 表5：宏观因子与资产的领先相关性检验11 表6：高频宏观因子间没有明显多重共线性14 表7：股债商风险平价组合年化波动率较低16 表8：多因子暴露偏移组合综合表现优于等权组合和单因子暴露偏移策略21 表9：普林格周期投资时钟25 表10：理想状态下普林格周期投资时钟整体表现较优26 1、资产配置中高频宏观因子的必要性 从宏观经济周期出发进行自上而下资产配置在海外已经有丰富的应用。1996年，桥水基金基于风险平价提出了“全天候”投资管理模型，将投资组合的风险分散到四种不同的经济周期下构建等风险贡献组合，使得不同经济周期下投资组合都能取得良好的表现。美林证券在2004年建立了投资者时钟模型，通过产出缺口和通货膨胀两个指标来划分美国市场的经济周期，并根据大类资产在不同经济周期阶段的表现进行资产配置。 随着美林时钟模型和桥水全天候策略的成功，越来越多的资产管理者开始研究基于宏观因子的资产配置策略。而传统的宏观指标更新频率低、披露滞后，无法及时准确地刻画宏观周期和预测大类资产的表现。因此，我们希望构建出高频宏观因子进行资产配置。本篇报告尝试回答以下3个问题： （1）如何确定宏观风险因子？ （2）如何构建高频宏观因子？ （3）如何应用高频宏观因子进行资产配置？ 图1：本文整体思路及步骤 资料来源：开源证券研究所 2、宏观风险因子识别：主成分分析六类驱动因素 在构建高频宏观因子体系之前，我们首先要确定哪些宏观因子是影响大类资产的主要因素。我们参考海外的宏观风险因子研究成果，Kelleyetal.（2014）对十三种全球的大类资产收益率构建主成分分析模型，从主成分的贡献度来看，能够发现经济增长、利率、通货膨胀和商品通货膨胀是影响大类资产的主要因子。Bassetal. （2017）对包括通胀挂钩债券、原油在内的13种大类资产的收益率进行了主成分分 析，将前6个主成分分别解释为经济增长、利率、通货膨胀、信用、新兴市场、商 品6个宏观因子。 这里我们参考海外经验，对股、债、商等资产进行主成分分析，通过主成分在 大类资产的暴露情况，挖掘深层次的宏观因子。具体步骤如下： （1）选择资产：沪深300、中证500、恒生指数、中债-国债总财富(1-3年)指数，中债-国债总财富(10年以上)指数，中债-信用债总财富指数、CRB现货指数、美元指数 （2）确定时间区间：2009-01-01至2023-09-30 （3）数据处理：将所有资产求同比收益率（当前价格/过去250天的价格-1），对资产收益率进行z-score标准化处理，以达到等波动的作用。 （4）主成分分析：将经数据处理的七个资产的同比收益率进行主成分分析，前六个主成分解释度为98.64%，说明这六个主成分能够解释大类资产的主要波动。 图1：前六个主成分解释度为98.64% 数据来源：Wind、开源证券研究所 我们可以通过各资产在主成分上的暴露情况，以经济学视角猜测主成分对应的宏观风险，但是由于主成分之间彼此正交，仍可能出现一些不太符合经济学视角的暴露结果。 PC1 PC2 PC3 PC4 PC5 PC6 沪深3000.13 0.68 -0.14 -0.18 0.19 -0.16 中证5000.12 0.69 0.00 0.05 -0.10 0.20 中债-国债总财富 0.49 -0.10 0.06 -0.29 -0.07 -0.77 中债-国债总财富 0.46 -0.09 0.45 -0.08 0.68 0.32 中债-信用债 0.49 -0.07 0.15 -0.29 -0.65 0.42 美元指数0.42 0.02 -0.02 0.88 -0.11 -0