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]

宏观因子风险平价框架概述 - 传统资产风险平价模型在市场极端冲击下分散风险功能会被削弱，因资产相关性大幅上升 [1] - "全天候"策略本质是宏观因子风险平价，通过均衡化宏观因子实现穿越周期 [1] - 宏观因子相比大类资产相关性更低，能更有效实现降维、归因和权重调整 [1] - 公司尝试将全天候策略本土化，构建适合中国市场的宏观因子风险平价框架 [1] 宏观因子配置框架构建步骤 - 筛选因子：适配度决定后续优化是否真正识别和分散风险 [2][16] - 计算风险暴露：通过线性回归测算资产对因子的风险暴露程度 [2][17] - 确定目标风险暴露：按法则或偏好设定对各因子的合适风险暴露 [2][17] - 匹配目标风险暴露：通过最优化框架反推资产权重 [2][17] 宏观因子构造方法 - 直接使用低频经济数据：经济意义直观但解释力有时变性 [3][18] - 主成分分析降维：简便客观但经济意义弱且不稳定 [3][18] - 回归拟合高频因子：可交易但复杂度高需预设宏观维度 [3][18] - 公司改进方法结合三者优点，采用"定维度、筛资产、高频化"三步骤 [3][18] 高频宏观因子构建 - 通过PCA发现前六大主成分解释资产价格波动的82% [4][23] - 国内核心宏观风险为增长、通胀、利率、汇率和信用五大因子 [4][23] - 使用M1、BCI、PPI分别作为流动性、增长、通胀因子的代理变量 [4][23] - 通过因子模拟法将低频因子转化为高频可交易因子 [5][29] - 构建资产多空模拟组合获得8个高频宏观因子 [5][29] 因子与资产桥梁搭建 - 通过时序线性回归得到资产对因子的风险暴露矩阵 [6][32] - 因子间相关性低，方差膨胀系数均处于1.0-1.5之间 [6][34] - 沪深300对经济增长更敏感，中证500对流动性更敏感 [6][35] - 股债资产R方较大显示宏观驱动特征明显 [6][32] 策略回测表现 - 轻量化方案年化收益7.7%，夏普比率1.14，优于简单资产风险平价 [7][40] - 三维度方案年化收益9.0%，夏普比率0.96，收益更具优势 [8][46] - 广谱性方案年化收益7.5%，夏普比率1.49，波动率最低 [9][52] - 多因子方案近年与简单资产风险平价差异趋于减小 [9][52] 资产配置权重变化 - 轻量化方案债券平均权重54.6%，权益10.2% [7][40] - 三维度方案债券权重降至47.8%，港股权重增至8.8% [8][46] - 广谱性方案债券权重回升至61.9%，权益降至5%附近 [9][54] - 近年A股、港股权重上升，债券权重回落 [7][40] 框架总结与改进方向 - 因子并非越多越好，需与宏观环境和投资者需求适配 [11][58] - 线性假设未来值得商榷 [12][60] - 高频化过程存在缺陷需改进 [12][60] - 风险暴露矩阵需平衡动态性与稳健性 [12][60]