量化模型与构建方式 1. 模型名称：宏观因子风险平价模型 - 模型构建思路：参考Fama-MacBeth方法，通过单变量时序回归计算资产对宏观风险因子的风险载荷，结合半衰期加权平滑载荷波动，最终通过风险平价优化配置底层资产[12][22][23] - 模型具体构建过程： 1. 数据选择：宏观因子包括经济增长（工业增加值/消费预测）、利率（国债指数）、通胀（CPI/PPI预测）、信用（企业债指数）等；资产覆盖中证全指、恒生指数、国债、商品等[20] 2. 风险载荷计算：滚动36个月数据回归资产收益与宏观因子，公式为： $r_{t}=\alpha_{t}+B\cdot f_{t}+\varepsilon_{t}$ 其中B为风险载荷矩阵，f为因子收益[23] 3. 风险贡献优化：基于风险平价目标，要求各宏观因子风险贡献相等，权重计算通过： $\%\text{RC}\ =(w^{T}\cdot B)_{i}\cdot\frac{\partial\sigma_{P}}{\partial(w^{T}\cdot B)_{i}}/\sigma_{P}$ 并采用12个月半衰期加权历史载荷[24] - 模型评价：相比资产风险平价，模型提高了收益和波动弹性，但受资产价格波动滞后影响可能产生误差[37] 2. 模型名称：股债相关性预测模型 - 模型构建思路：借鉴AQR方法，将股债相关性拆解为经济增长波动、通胀波动、两者相关性三变量，并加入通胀水平因子提升解释度[42][48] - 模型具体构建过程： 1. 变量定义：经济增长波动（工业增加值/消费同比）、通胀波动（CPI/PPI同比）、相关性（3年滚动窗口计算）[48] 2. 回归模型： $r_{t}^{s}-E_{t-1}r_{t}^{s}=b_{\bar{\varepsilon}}^{s}e_{t}^{\bar{\varepsilon}}+b_{\bar{\varepsilon}}^{s}e_{t}^{\bar{\varepsilon}}$ $r_{t}^{b}-E_{t-1}r_{t}^{b}=b_{g}^{b}e_{t}^{g}+b_{n}^{b}e_{t}^{n}$ 滞后1个月宏观数据后，解释度仍保持较高水平[53] 3. 预测应用：滚动3年窗口计算系数，结合一致预测数据生成未来股债相关性方向[54] --- 模型的回测效果 1. 宏观因子风险平价模型 - 年化收益：9.86%（有半衰期） vs 5.93%（资产风险平价）[29] - 年化波动：9.55% vs 2.53%[29] - 最大回撤：-14.30% vs -3.45%[29] - 分年度表现：2016年收益37.24%，2021年14.63%[32] 2. 股债相关性预测模型 - 三变量模型R²：0.610，四变量模型提升至0.767[51] - 经济增长波动系数：-0.0307（显著负贡献）[51] - 通胀波动系数：0.0836（显著正贡献）[51] --- 量化因子与构建方式 1. 因子名称：经济增长因子 - 构建思路：通过工业增加值/消费预测等权合成，反映经济周期变化[20] - 具体构建：月度环比预测值标准化后等权加权[20] 2. 因子名称：通胀因子 - 构建思路：结合CPI/PPI预测捕捉价格变动风险[20] - 具体构建：环比预测值正交化后等权合成[21] 3. 因子名称：信用因子 - 构建思路：以企业债指数收益代表信用利差变化[20] - 具体构建：正交化处理经济增长和利率因子后保留特异性风险[25] --- 因子的回测效果 1. 经济增长因子：在股债相关性模型中贡献显著负向风险（t=-12.092）[51] 2. 通胀因子：四变量模型中系数0.0836（t=5.375），且通胀水平因子额外贡献0.0269（t=8.759）[51] 3. 信用因子：与权益多空因子相关性矩阵显示低相关性（Carry相关性0.2）[41]