宏观量化配置框架回顾 - 构建结合经济、流动性、信用和通胀的宏观量化框架 应用于大类资产配置、行业和风格配置 [1] - 通过主成分分析发现经济和流动性是影响股票、债券、商品等大类资产共同波动的前两大因素 构建经济+流动性时钟模型 [1] - 激进型组合2013年以来年化收益8.5% 较基准超额0.6% 2022年前超额1.6% 2022年出现明显回撤 [3] - 2022年回撤主要源于权益快速下跌期间流动性宽松对组合形成拖累 [5] - 行业配置引入factor mimicking市场关注点模型 根据关注点决定不同维度敏感性权重 [5] - 宏观行业组合2019-2021年表现突出 2022年以来表现偏弱 降低行业选择数量可跑赢中证500和行业等权 [7] - 风格配置选择十大类因子中每月得分前三的因子 构建宏观因子组合和因子共振组合 [10] - 宏观方法在2021-2022年对风格因子筛选贡献明显 2023年底至2024年上半年出现明显回撤 [12] 回撤来源分析 - 回撤来源包括定量宏观判断指标有效性降低、市场受情绪资金等因素驱动、宏观指标与市场预期存在背离 [13] - 2020年后宏观事件影响增多 市场博弈增加 宏观数据与市场预期背离情况频发 [14] - 2022年下半年经济前瞻指标从底部回升但市场持续担忧疫情影响 权益表现偏弱 [14] - 2022年11月-2023年4月长债收益率上行但市场预期政策宽松 权益表现较好 [16] - 2022-2023年信用指标转好但市场更关注结构问题 多数时候保持悲观 [16] - 宏观数据与市场预期背离导致模型判断与市场表现错位 对组合形成拖累 [18] 市场预期修正方案 - 通过Factor Mimicking方法构建宏观变量代理组合 使用128只股票覆盖30个申万一级行业和97个二级行业 总市值28.3亿元占A股1/3 [19] - 选择工业增加值同比、10年期国债收益率、CPI同比、PPI同比、社融同比增速作为五大宏观变量 [19] - 组合构建流程包括计算超额收益矩阵、提取主成分、Lasso回归投影、求解特定暴露组合 [20] - 经济变量拟合效果偏弱但关键区间方向与市场观点匹配 其他变量拟合程度较好 [21][23] - 信用组合能较好反映市场观点 2022年以来信用总量改善但结构偏弱被市场视为信用偏弱信号 [25] - 通过组合收益与12个月均线比较得到市场隐含的宏观变量方向 [27] - 经济维度使用一致预测ROE和净利润增速月度变化构建修正指标 超过±1%视为观点变化 [29] - 流动性维度使用全市场日均换手率、收益靠前行业成交占比、换手提升行业占比构建微观流动性指标 [30][31] - 信用维度主要使用Factor Mimicking组合的隐含观点 [33] - 修正规则核心是当市场隐含预期与宏观数据明显背离时采用市场预期进行修正 [37] 修正观点应用效果 - 经济择时年化收益5.06% 修正后降至4.14% 流动性择时年化收益1.10% 修正后升至1.95% 信用择时年化收益4.33% 修正后升至7.27% [39] - 资产配置修正组合年化收益8.63% 较原经济+流动性组合8.52%略有提升 但受权益仓位限制和跨资产观点偏差影响提升有限 [40][41] - 行业配置修正组合年化收益7.96% 较原宏观行业组合3.67%显著提升 2024年信用悲观和经济数据偏差修正带来正向贡献 [45][46] - 中证500修正后指数增强年化收益14.38% 较原组合12.24%提升明显 沪深300修正后年化收益9.33% 较原组合8.57%提升 [52] - 中证1000修正后年化收益17.96% 较原组合17.62%略有提升 主要因修正数据基于中证800成分股 [52] - 2024年二季度以来信用修正指标持续偏弱 组合降低成长配置 有效匹配市场实际表现 [53] - 修正观点在2020年后宏观数据与市场预期背离场景中能有效降低回撤 增强配置表现 [54]

量化模型与构建方式 1. **模型名称**：三维情绪模型 **模型构建思路**：通过三个维度（情绪预期、情绪温度、情绪浓度）观察市场情绪面的不同频率波动，分别对应中高频、中频、低频维度的市场情绪变化[7] **模型具体构建过程**： - **情绪预期**：合成沪深300股指期货升贴水率和上证50ETF期权成交额PCR的倒数，通过取均值和主成分分析构建 公式： $${\hat{\mathbb{R}}}\times{\hat{\mathbb{R}}}\times{\hat{\mathbb{R}}}={\frac{{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}}{{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}}}$$ 其中，沪深300股指期货升贴水率计算公式为： $${\text{升贴水率}} = \frac{{\text{沪深300股指期货主力价格}} - {\text{沪深300指数价格}}}{{\text{沪深300指数价格}}}$$[8] - **情绪温度**：基于主力买入率（大单买入金额/沪深成交总额）计算三年滚动百分位，并进行平滑处理[12] - **情绪浓度**：计算中信三级行业体系指数的第一主成分方差贡献率，滚动窗口平滑处理后得到[16] **模型评价**：三维情绪模型能够有效捕捉市场情绪的不同频率波动，情绪浓度指标高于警戒线（0.83）时具有长期牛熊转折预示作用[16] 模型的回测效果 1. **三维情绪模型** - 情绪预期当前值（20250220）：0.7696[9] - 情绪温度当前值（20250220）：0.6952[13] - 情绪浓度当前值（20250220）：0.6884[18] 量化因子与构建方式 1. **因子名称**：情绪预期因子 **因子构建思路**：反映市场短期情绪变化，通过股指期货升贴水率和期权成交额PCR合成[8] **因子具体构建过程**： - 计算沪深300股指期货升贴水率 - 计算上证50ETF期权成交额PCR的倒数 - 对两者取均值和主成分分析合成情绪预期指标[8] 2. **因子名称**：情绪温度因子 **因子构建思路**：反映市场主力资金热度变化，基于主力买入率计算[12] **因子具体构建过程**： - 计算主力买入率（大单买入金额/沪深成交总额） - 对主力买入率进行平滑处理 - 计算三年滚动百分位得到情绪温度指标[12] 3. **因子名称**：情绪浓度因子 **因子构建思路**：反映市场多资产相关性变化，衡量情绪累积程度[16] **因子具体构建过程**： - 计算中信三级行业体系指数的第一主成分方差贡献率 - 对贡献率进行滚动窗口平滑处理得到情绪浓度指标[16] 因子的回测效果 1. **情绪预期因子** - 当前值（20250220）：0.7696[9] 2. **情绪温度因子** - 当前值（20250220）：0.6952[13] 3. **情绪浓度因子** - 当前值（20250220）：0.6884[18]