大类资产配置系列（一）：基于高频宏观因子与投资时钟的视角

金融工程-深度报告 大类资产配置系列（一）：基于高频宏观因子与投资时钟的视角 报告日期：2023年12月26日 ★主要内容 本报告构建了增长-通胀以及信用-利率两个投资时钟，并基于高频的宏观因子预测时钟状态，构建大类资产配置策略：1）首先根据经济学原理以及时间序列分解方法构建增长、通胀、信用与利率四个基准宏观因子；2）结合资产在不同因子对应的宏观状态下的表现，建立了宏观-资产的映射关系；3）基于高频宏观因子预测基准宏观因子走势，构建基于高频宏观因子与投资时钟的视角的大类资产配置策略。基于样本外的2019年1月2日至2023年11月30日回测结果，大类资 金产策略配置组合年化收益9.55%，年化波动6.35%，最大回撤 融-9.25%，胜率60.02%，夏普比率1.50，卡玛比率1.03。策略 工月均换手率为39.03%。 程基准宏观因子的合成：根据经济学含义选择底层指标，利用季节性检验，春节效应调整，censusX13季调，HP滤波等方法处理底层指标，以统一频率和量纲，采用波动率倒数加权的方法合成最终基准宏观因子。 宏观状态-资产映射关系构建：利用中证800指数，中证全债指数以及中证商品期货综合指数分别代表股票，债券和商品三种大类资产，并分别测算这三类资产在各基准因子上行和下行情况下的资产表现，以及增长-通胀和信用-利率两个投资时钟不同状态下的资产表现。 高频宏观因子预测时钟状态：在训练集挑选对基准宏观因子的因子动量逻辑回归中参数估计显著的高频宏观因子为有效因子，根据经济学意义将预测同一因子动量有效的不同因子分组。整体模型结果基于组间预测结果等权以及组内因子预测结果等权共同得出。最终根据宏观状态预测以及根据时钟设置的权重系数确定各资产仓位。 ★风险提示 量化模型失效风险，指标的有效性基于历史数据得出，不排除失效的可能。 王冬黎金融工程首席分析师 从业资格号：F3032817 投资咨询号：Z0014348 Tel：8621-63325888-3975 Email：dongli.wang@orientfutures.com 联系人 范沁璇金融工程助理分析师 从业资格号：F03111965 Email：qinxuan.fan@orientfutures.com 扫描二维码，微信关注“东证繁微”小程序 重要事项：本报告版权归上海东证期货有限公司所有。未获得东证期货书面授权，任何人不得对本报告进行任何形式的发布、复制。本报告的信息均来源于公开资料，我公司对这些信息的准确性和完整性不作任何保证，也不保证所包含的信息和建议不会发生任何变更。我们已力求报告内容的客观、公正，但文中的观点、结论和建议仅供参考，报告中的信息或意见并不构成交易建议，投资者据此做出的任何投资决策与本公司和作者无关。 有关分析师承诺，见本报告最后部分。并请阅读报告最后一页的免责声明。 目录 1.研究背景5 1.1.美林时钟与利率-信用时钟5 1.2.时间序列的分解6 1.3.单侧HP滤波7 2.基准宏观因子的构建8 2.1.基准增长因子构建9 2.2.基准通胀因子构建10 2.3.基准信用因子构建11 2.4.基准利率因子构建13 3.构建投资时钟13 3.1.宏观状态划分13 3.2.宏观状态-资产映射15 4.高频宏观指标的运用17 4.1.高频宏观指标预测基准宏观因子动量17 4.2.大类资产投资策略20 5.风险提示24 6.附录24 图表目录 图表1：美林时钟与利率-信用时钟的关系6 图表2：CPI指标HP滤波周期项结果对比8 图表3：基准宏观因子体系9 图表4：指标预处理——PMI环比口径&PMI总量口径9 图表5：指标预处理——PMI总量口径滤波结果9 图表6：基准增长因子10 图表7：指标预处理——CPI环比口径&CPI总量口径10 图表8：指标预处理——CPI季调后滤波结果10 图表9：指标预处理——PPI环比口径&PPI总量口径11 图表10：指标预处理——PPI总量口径HP滤波结果11 图表11：基准通胀因子11 图表12：指标预处理——指标总量口径量纲统一12 图表13：指标预处理——HP滤波周期项12 图表14：基准信用因子12 图表15：基准利率因子13 图表16：宏观状态划分结果——增长14 图表17：宏观状态划分结果——通胀14 图表18：宏观状态划分结果——信用14 图表19：宏观状态划分结果——利率14 图表20：增长-通胀时钟15 图表21：信用-利率时钟15 图表22：基准增长因子上行/下行过程中各资产收益率16 图表23：基准通胀因子上行/下行过程中各资产收益率16 图表24：基准信用因子扩张/收缩过程中各资产收益率16 图表25：基准利率因子上升/下降过程中各资产收益率16 图表26：增长-通胀时钟资产回报表17 图表27：信用-利率时钟资产回报表17 图表28：多模型结构体系18 图表29：增长动量样本外预测结果19 图表30：通胀动量样本外预测结果19 图表31：信用动量样本外预测结果19 图表32：利率动量样本外预测结果19 图表33：各时钟状态资产权重分数20 图表34：策略回测结果21 图表35：策略净值曲线21 图表36：策略历年月度收益表22 图表37：策略历年股票仓位23 图表38：策略历年债券仓位23 图表39：策略历年商品仓位24 图表40：增长动量选用高频因子展示24 图表41：通胀动量选用高频因子展示25 图表42：信用动量选用高频因子展示26 图表43：利率动量选用高频因子展示28 1.研究背景 大类资产轮动策略的择时的本质是选择宏观因子的风险敞口暴露，相关的研究比较广泛。最早桥水基金的“全天候”策略（1996）根据资产对经济增长和通货膨胀的暴露来分配资产。BlackRock的Greenberge（2016）在FactorstoAssets:MappingFactorExposurestoAssetAllocations中使用了6个宏观经济因子，即权益、通胀、利率、商品、信用和新兴市场；此后BlackRock的Bass在TotalPortfolioFactor,NotJustAsset,Allocation增加了汇率因子作为�7个因子。Blyth等（2016）在FlexibleIndeterminateFactor-BasedAssetAllocation中使用的因子为通胀，货币，权益，信用和高收益；Bender等（2019）在AssetAllocationvs.FactorAllocation中将宏观因子分为经济增长，利率，通胀，信用，新兴市场，商品和汇率。SSGA的Kelly（2014）在PracticalApplicationsforFactorBasedAssetAllocation中的宏观因子主要包含通胀，增长和利率。 研究大类资产配置，选择什么样的宏观因子，采用什么指标去构建以及合成相关的因子，以及采用什么框架去评估和发出因子观点，都至为重要。本文将首先构建基准宏观因子，然后建立不同基准宏观因子与大类资产之间的投资时钟，之后基于更高频宏观因子对基准宏观因子进行预测，判断因子状态，构建与此相关的大类资产投资策略。 1.1.美林时钟与利率-信用时钟 美林证券的研究员TrevorGrahame和MichaelHartnett在2004年发布了一篇专题报告《投资时钟》，将资产轮动及行业策略与经济周期联系起来，提出美林时钟这一经典模型。根据经济增长状况和通胀情况，美林时钟模型将经济周期划分为四个阶段——衰退阶段、复苏阶段、过热阶段、滞胀阶段。在指标数据的选择上，美林证券选取经合组织对产出缺口的估计和CPI分别来刻画经济增长与通货膨胀，以此来划分经济周期。 美林时钟核心的方法论为：对于两个相关但不同步的宏观因子，我们总是可以利用他们的走势划分出四个经济周期，如果在四个经济周期中我们的大类资产表现有明显的区分度，那么这两个宏观因子构建投资时钟的选择即在量化角度上有效。 但投资时钟不仅应该在量化角度有效，而且应该和实际经济周期的情况和表现结合起来。本报告将基于对经济周期的理解，以定量的框架构建基于美林时钟以及利率-信用时钟的大类资产配置时钟。 我们将分别构建增长，通胀，信用和利率的基准宏观因子，并基于更领先或更高频的宏观指标，分别对基准宏观因子走势进行预测，根据对基准宏观因子的预测结果，发出基于不同时钟的配置观点，并将这些观点结合起来。 图表1：美林时钟与利率-信用时钟的关系 资料来源：东证衍生品研究院 1.2.时间序列的分解 根据RobJHyndman和GeorgeAthanasopoulos(2018)在ForecastingPrincipalsandPractice中的介绍，通常的情况下时间序列的数值变化规律可以分解为4种：长期变动趋势（T）、季节变动规律（S）、周期变动规律（C）和不规则变动（I），如果这四种变动之间存在相互影响关系，则用乘法分解表示为： 宏观指标的季节项主要是由节假日（如春节效应），气候变化等导致的年内的循环变化，不规则项衡量的主要是突发事件和噪音。在研究宏观因子时，我们需要剔除季节项和残差项的影响，关注趋势以及周期项的情况。 本报告的季调主要方法为先采用复活节模型利用regARIMA模型先调整春节效应之后，再使用censusX13做季节性调整。这里的“census”是指美国统计局，美国的各种统计数据都是通过这套方法进行季节调整的。censusX13具体计算步骤，可参考官方网站 （X-13ARIMA-SEATSSeasonalAdjustmentProgram）。 中国的春节一般发生在1月份或者2月份，针对春节假日因素，我们根据春节的影响，带入到regARIMA公式中。 标准的ARIMA模型： 其中，zt是时间序列，L是滞后算子，s是季节周期（月度数据s=12，季度数据s=4），φ（L）是非季节性自回归(AR)算子，Φ（L）是季节性自回归算子，θ（L）是非季节性移动平均（MA）算子，Θ（L）是季节性移动平均（MA）算子。 但是有一些离群值点、水平漂移、暂时变化、斜线上升等情况的数据无法处理，因此我们需要对公式中zt进行调整，带入到原公式中我们就可以处理春节效应的情况。 我们需要考虑春节不同时间在不同月份的分布，建立不同的模型。假设1)节前wa天、春节wb天、节后wc天，受到春节因素的影响；2)越靠近春节，受春节的影响越大；3)三个时间段影响因素均不相同，所以我们需要建立3个变量来评估春节因素的影响。 假设权重在日频数据上连续，春节前影响天数为wa天，节前�j天的影响权重为j/(1+2+...+wa)，春节后影响天数为wc天，节后�j天影响权重为(wc-j)/(1+2+...+wc)，春节期间每天影响权重为1/wb。把这些权重按月汇总，分别构建节前、节中、节后的影响因素，并将这三个影响因素带入公式建模，就可以评估以便除去月频的春节因素。以我们处理的月频数据为例，对于节前因素，节前wa天落在2023年1月的权重和就是2023 年1月的节前因素值，落在2023年2月的权重和就是2023年2月的节前因素值，没有 一天落在2023年3月及以后，则2023年3月及以后的节前因素值均为0。 综合考虑春运的流量数据情况，我们设置wa为15天，wb为每年春节本身的时间，wc为15天。假设节前因素变量为x1，节中因素变量为x2，节后因素变量为x3，带入zt则得到： 1.3.单侧HP滤波 HP滤波的方法由HodrickandPrescott(1997)提出，自问世以来该滤波方法的主要应用还是在于提取经济周期。HP滤波本质上是一种分解信号的低频趋势与高频部分的滤波方法： 其中yt代表原始信号，gt代表信号的低频趋势，ct为更高频的周期或噪声。经典的HP滤波是双侧的，会用到未来数据。本报告为了避免这个问题，采用单侧的HP滤波。单侧HP滤波，对于趋势项g的估计由求解下面的公式得到： 对于月频数据的单侧HP