固收深度研究：變局下的大類資產(chǎn)宏觀因子體系.pdf

固收深度研究：變局下的大類資產(chǎn)宏觀因子體系。近年來，大類資產(chǎn)配置最大的痛點之一是全球經(jīng)濟(jì)周期規(guī)律弱化，過去一些 經(jīng)典的宏觀模型，比如美林時鐘等適用范圍的局限性越發(fā)明顯。我們希望通 過構(gòu)建一套全面、精準(zhǔn)的全球宏觀因子框架，能夠高頻、動態(tài)地跟蹤市場主 線的變化，實現(xiàn)對每個因子進(jìn)行細(xì)化跟蹤，并輔助進(jìn)行大類資產(chǎn)中長期走勢 判斷?；谠摽蚣?，我們構(gòu)建了兩個版本的資產(chǎn)配置模型：風(fēng)險平價模型與 風(fēng)險預(yù)算模型，并以月度為調(diào)倉頻率進(jìn)行了模型構(gòu)建，2019 年至今，二者 均在有效控制回撤的前提下，具備獲取持續(xù)超額回報的能力。

全球宏觀因子介紹

宏觀因子是影響大類資產(chǎn)價格長期走勢的核心驅(qū)動因素，也是我們理解資產(chǎn) 配置的出發(fā)點。但傳統(tǒng)方法存在披露滯后、噪聲大等諸多缺陷。我們希望通 過構(gòu)建一套全面、精準(zhǔn)的全球宏觀因子框架，能夠高頻、動態(tài)地跟蹤市場主 線的變化，實現(xiàn)對“增長、通脹、流動性、法幣信用、AI 科技、風(fēng)險偏好” 等宏觀維度進(jìn)行細(xì)化跟蹤。為此，我們嘗試將 FMP 與 PCA 兩種方法結(jié)合， 先對選取的資產(chǎn)序列進(jìn)行 FMP 操作，構(gòu)建可投資的初級因子代理序列，再 用 PCA 對這些初級因子進(jìn)行合成，以得到相對穩(wěn)健且可解釋性較高的最終 因子。

全球宏觀因子合成

全球宏觀因子合成流程可以概括為“FMP–PCA–FMP”三步走：第一步 用 FMP 把資產(chǎn)序列處理成帶有清晰經(jīng)濟(jì)含義、且具備可投資性的初級因子 代理；第二步用 PCA 在這些初級因子之間提取共同主成分，放大共同信號、 削弱特異噪聲，從而兼顧解釋性與穩(wěn)健性；第三步再把主成分映射回資產(chǎn)端， 得到最終可用于監(jiān)測與配置的宏觀因子序列。為避免“統(tǒng)計合成”帶來的污 染和不穩(wěn)定問題，報告還在過程中做了幾類關(guān)鍵技術(shù)處理：對代理變量標(biāo)準(zhǔn) 化并進(jìn)行截尾/縮尾以壓制極端值；在最終映射時用 Ridge 回歸提高估計系 數(shù)穩(wěn)定性；并對科技因子做部分正交化以提升因子“純凈度”。

全球宏觀因子走勢、解釋能力與資產(chǎn)配置模型應(yīng)用

從宏觀因子的同比數(shù)據(jù)來看，增長、通脹、流動性因子都有 3~4 年運(yùn)行周 期；流動性因子往往率先見底反彈，領(lǐng)先在 1 年左右。在解釋能力上，全球 宏觀因子對資產(chǎn)收益率具有較強(qiáng)的解釋力度。因子貢獻(xiàn)上，以 MSCI 全球指 數(shù)為例，2025 年推動 MSCI 全球指數(shù)上漲的主要動力來自于增長因子、AI 科技因子以及流動性因子。在資產(chǎn)配置應(yīng)用上，我們基于全球宏觀因子構(gòu)建 兩類投資組合：一類是宏觀因子風(fēng)險平價策略（增長、通脹、法幣信用與 AI 科技四因子各 1/4 風(fēng)險權(quán)重），另一類是風(fēng)險預(yù)算策略（增長、通脹各 30%， 法幣信用、AI 科技各 20%）?；販y對比顯示，自 2019 年以來宏觀因子風(fēng)險 平價/風(fēng)險預(yù)算顯示出約 12.6%/11.5%的年化收益、約 14%的波動控制、約 24.3%/23.7%的最大回撤，其卡瑪比率表現(xiàn)更優(yōu)，同時在夏普維度也整體領(lǐng) 先于多數(shù)對照組合。