首页 ꄲ 资产配置 ꄲ 【利得研究 · FOF策略】高频宏观因子在资产配置中的应用初探

【利得研究 · FOF策略】高频宏观因子在资产配置中的应用初探

创建时间：2023-11-07

넶浏览量：0

原文章发布时间：2023年11月6日

◆ 投资摘要 ◆

宏观周期的研究是自上而下资产配置的重要环节，目前我们已实现中长期宏观周期跟踪。本文中我们试图基于更高频的经济数据构建周频的宏观周期跟踪因子，捕捉经济短期边际变化。10月以来的高频数据显示，当前复苏+双宽格局延续。目前我们已实现基于PMI、社融通胀等数据的中长期宏观周期跟踪（最新一期见《20231027【利得策略】行到水穷处，坐看云起时——11月大类资产配置及投资策略》相关FOF跟踪配置显示能取得明显超额收益。本文中我们试图基于更高频的经济数据构建周频的宏观周期跟踪因子，捕捉经济短期边际变化，未来有望应用于调仓周期偏短的投资场景。
三维度构建高频宏观因子，采用Factor mimicking的构建方法。具体而言，不采用主成分分析方法，而是各维度筛选表征资产组合，构建跟踪因子。高频宏观因子刻画仍选择三维度画像，即增长、通胀、信用。高频宏观因子的构建思路是Factor mimicking，该思路认为资产价格是最能及时反映宏观状态的指标，可以构建一个资产组合，如果该组合的收益率走势与宏观指标走势接近，则该组合可作为跟踪组合，称作宏观因子组合。由于资产组合的净值是高频的，因此基于此构建的宏观因子也是高频的。Factor mimicking包括两种构建方法。一种是自下而上的方法，对大类资产收益率做主成分分析，提取主成分与宏观经济指标同比增速走势比对，确定各个主成分代表的宏观经济指标。该方法的主要局限性是随着时间窗口、样本数量的变化，主成分分析结果差异较大，可能会发生和宏观周期的对应关系跳跃的情况。另一种方法是因子构建之初就确定好各个宏观周期的对应跟踪资产组合，比如采用猪肉价格指数跟踪通胀，采用股、债、商的资产组合代表增长。这样构建的宏观因子结果更加稳定，也更符合经济学逻辑。
恒生、商品指数多头和债券指数空头组合作为增长跟踪因子。资产价格对经济增长敏感性较强，当经济增长较快时，往往股市走牛，债市走熊，商品市场走牛，我们分别从股票、债券、商品指数中筛选出比较有代表性的指标，分别测试其与主要增长指标的相关性。有放回抽样500次随机抽样测试结果显示恒生指数、中债国债总财富(7-10年)指数、南华商品指数、南华沪铜指数、ICE布油和增长指标显著相关的个数更多，表征性更强。因此使用恒生、商品指数多头和债券指数空头组合作为增长跟踪因子。
猪肉、白条鸡、铜价多头组合为CPI代理跟踪组合，PPI代理跟踪组合为原油、铜、铝等10个指标多头组合，采用Factor mimicking的因子合成四步法。结果显示，因子对CPI和PPI有比较好的跟踪甚至领先效果。
企业、居民中长期贷款+企业、政府债券融资占社融比重80%以上，可以用于合成信用因子。信用端跟踪指数是社融，社融主要由3部分组成，分别是信贷市场融资、证券市场融资和其他融资。根据2017年以来的社融各组成部分平均比重来看，企业、居民户中长期贷款、债券融资占社融比重分别为30%、18%、34%，合计达82%，经过200次随机抽样测试后，将水泥发运率的周度数据作为高频企业中长期贷款因子的代理指标，用商品房成交面积构建居民中长期贷款跟踪指标，债券融资因子直接根据各类政府、企业债、公司债等的净融资日度数据汇总得到，短期融资因子描述短期贷款和票据融资，可供跟踪的指标有限，利用其季节性特点，用历史同期均值作为预测值。股权融资因子通过汇总非金融企业周度的IPO、增发等的集资规模得到。

◆ 正文 ◆

一、宏观周期跟踪

1.1 方法论简介

宏观周期的研究是自上而下资产配置的重要环节，目前我们已实现中长期宏观周期跟踪。目前我们已实现基于PMI、社融通胀等数据的中长期宏观周期跟踪（最新一期见《20231027【利得策略】行到水穷处，坐看云起时——11月大类资产配置及投资策略》），长期跟踪显示能取得明显超额收益。本文中我们试图基于更高频的经济数据构建周频的宏观周期跟踪因子，捕捉经济短期边际变化，未来有望应用于调仓周期偏短的投资场景。

图1：宏观周期划分

资料来源：Wind，利得研究院

图2：宏观周期跟踪

资料来源：Wind，利得研究院

三维度构建高频宏观因子，采用Factormimicking的构建方法。高频宏观因子刻画仍选择三维度画像，即增长、通胀、信用。高频宏观因子的构建思路是Factormimicking(SSGA,2014)，该思路认为资产价格是最能及时反映宏观状态的指标，可以构建一个资产组合，如果该组合的收益率走势与宏观指标走势接近，则该组合可作为跟踪组合，称作宏观因子组合。由于资产组合的净值是高频的，因此基于此构建的宏观因子也是高频的。

不采用主成分分析方法，而是各维度筛选表征资产组合，构建跟踪因子。Factormimicking包括两种构建方法。一种是自下而上的方法，对大类资产收益率做主成分分析，提取主成分与宏观经济指标同比增速走势比对，确定各个主成分代表的宏观经济指标。该方法的主要局限性是处理结果不稳定，因为主成分分析随着时间窗口、样本数量的变化，输出结果差异较大，因此会发生和宏观周期的对应关系跳跃的情况。另一种方法是因子构建之初就确定好各个宏观周期的对应跟踪资产组合，比如采用猪肉价格指数跟踪通胀，采用股、债、商的资产组合代表增长。这样构建的宏观因子结果更加稳定，也更符合经济学逻辑。

1.2 各维度宏观周期因子高频跟踪指标汇总

后文中我们将详细介绍各宏观周期维度的跟踪指标筛选与测试过程，此处先总结罗列出最终各维度的跟踪指标。所有因子均和宏观周期正相关，增长因子是一个股债商的多空组合；其余维度以高频指标的多头组合为主。

图3：各宏观周期高频跟踪因子汇总

资料来源：利得研究院

1.3 高频因子显示当前复苏+双宽格局延续

10月高频数据显示复苏、双宽格局延续。基于上述宏观周期高频跟踪因子体系搭建增长高频因子，从社融各组成部分的相关高频指标，比如地产销售数据、地方债净融资、企业债净融资、股权融资数据等构建信用因子，根据猪肉价格构建CPI因子，根据铜、铝、石油等商品价格构建PPI因子。10月以来的高频数据显示，增长因子延续修复，斜率较缓，但方向不变。信用因子正向修复，结构上主要是债券融资支撑。10月特殊再融资债发行提速，规模近万亿，预计社融数据继续好转，双宽格局不改。通胀因子显示，CPI尚未抬头，PPI回落，整体通胀风险不大。

图4：宏观周期高频因子跟踪

资料来源：Wind，利得研究院

图5：信用因子拆解

资料来源：Wind，利得研究院

二、增长因子构建

2.1 表征指标筛选

增长维度应用最广的指标是GDP增速，但该指标季度更新，频率偏低。考虑从GDP核算的角度入手，挖掘高频跟踪因子。GDP核算方法有3种，分别是生产法、支出法和收入法。生产法是我国最为常用的GDP统计方法，目前公布的季度GDP同比增速和总量数据即基于生产法得到。在生产法维度下，工业增加值和PMI指标最受关注，除此以外，行业分项指标，比如水泥、粗钢、发电量等指标则对经济变价变化更为敏感，且有相应周频数据可供观察。支出法也就是“三驾马车”拉动核算，投资项主要是地产、基建、制造业；消费细项的汽车、商品房备受关注。收入法并不常用，数据缺失较多，因此此处不考虑。

图6：3种GDP核算方法跟踪指标体系

资料来源：Wind，利得研究院

2.2 表征指标测试

当经济增长较快时，往往股市走牛，债市走熊，商品市场走牛，我们分别从股票、债券、商品指数中筛选出比较有代表性的指标，分别测试其与主要增长指标的相关性。具体来说，选取各个指数的月度收益率，作为因变量，而宏观经济指标月度同比增速分别作为自变量进行一元线性回归，有放回抽样500次，每次随机截取样本不短于2年，记录各次回归P值、T值等相关指标，计算500次回归均值。回归P值小于等于5%的资产指数显著和增长指标相关。结果显示，恒生指数、中债国债总财富(7-10年)指数、中债企业债总财富(13年)指数、南华商品指数、南华沪铜指数、ICE布油和增长指标显著相关的个数更多，表征性更强。由于国债、企业债指数回归结果比较一致，因此仅保留国债指数。

图7：增长相关备选资产指数列表

资料来源：Wind，利得研究院

图8：主要指数对宏观指标的回归P值

资料来源：Wind，利得研究院，蓝底为500次随机抽样回归的P值小于等于5%

恒生、商品指数多头和债券指数空头组合作为增长跟踪因子。结果显示，恒生指数、商品指数和各个增长指标回归系数多为正，国债指数和增长指标回归系数均为负，基本符合预期判断。根据各个指数和增长指标的相关性，构建恒生、商品指数多头和债券指数空头组合，采用波动率加权的方法构建增长高频跟踪指标。

图9：5大表征指数对增长指标回归结果

资料来源：Wind，利得研究院

2.3 增长因子构建

Factormimicking合成跟踪组合分成四步。上节确定了恒生、商品指数多头和债券指数空头组合作为增长跟踪因子，本节以增长因子合成为例介绍计算方法，后文通胀、货币等因子合成方法类似。Factormimicking合成跟踪组合分成四步：

（1）滚动计算月度平均收盘价，统一时间轴为每周五的收盘价：先对每个资产的收盘价序列开展滚动4周移动平均，降低交易噪音干扰，提取每周五的数据，从日频数据转化为周频；

（2）计算各个资产环比、同比收益率序列：按提取的周频收盘价序列计算周度环比和年度同比收益率序列，作为空头的资产收益率要乘-1，比如国债收益率序列；

（3）波动率倒数加权法合成因子周度环比收益率序列：先计算滚动3年各代理资产同比收益率序列的标准差，再对标准差的倒数归一化，作为各代理资产的权重；然后用权重序列对各代理资产周度环比收益率序列加权，最终得到增长因子组合的周度环比收益率；

（4）求取因子净值、同比收益率序列：上述周度环比收益率序列加1后再累乘得到增长因子组合的周频净值序列，根据净值序列求出同比收益率序列。

图10：增长因子和PMI同比

资料来源：Wind，利得研究院

三、通胀因子构建

3.1 表征指数筛选与测试

通胀维度筛选猪肉价格等日频跟踪指标组合作为CPI、PPI的近似，日频指标对CPI、PPI解释力度较强。通胀维度应用最广的指标是CPI和PPI指标，均为每月披露。我们按照指标构成找到相关的日频价格跟踪指标，共19个，其中CPI相关的共7个，PPI相关的共12个。仍然做500次随机可放回采样线性回归，结果显示，和CPI显著相关的指标是猪肉、白条鸡、铜价，其中，猪肉价格解释力度最大，对应平均回归R方最高。和PPI显著相关的指标有12个，由于猪肉、鸡蛋的解释R方和其他指标相比不高，且优质相关指标较多，因此PPI参考指标为剔除这两个指标后的其他10个，R方多在0.5以上，解释力较好。

图11：日频跟踪指数和CPI、PPI回归测试结果

资料来源：Wind，利得研究院

3.2 通胀因子合成

通胀因子分为CPI、PPI因子，合成因子对相关指标有比较好的跟踪效果。根据上一节确定了猪肉、白条鸡、铜价多头组合为CPI代理跟踪组合，PPI中除了铁矿石以外的其他10个指标多头组合作为PPI代理跟踪组合，仍采用Factormimicking的因子合成四步法。结果显示，因子对CPI和PPI有比较好的跟踪甚至领先效果。我们也尝试了将二者合一组成一个通胀因子，但效果并不理想，可能是PPI、CPI走势本身差异较大，最终选择分开跟踪。

图12：CPI因子和CPI同比

资料来源：Wind，利得研究院

图13：PPI因子和PPI同比

资料来源：Wind，利得研究院

四、信用因子构建

4.1 表征指数筛选与测试

信用端跟踪指数是社融，社融主要由3部分组成，分别是信贷市场融资、证券市场融资和其他融资。其中，信贷市场融资主要由人民币贷款构成，证券市场融资主要由股、债市场净融资构成。

图14：社融组成部分

资料来源：Wind，利得研究院

企业、居民中长期贷款+企业、政府债券融资占社融比重80%以上。根据2017年以来的社融各组成部分平均比重来看，企业、居民户中长期贷款、债券融资占社融比重分别为30%、18%、34%，合计达82%，因此社融跟踪要重点跟踪这三个细项。短期贷款、票据融资比重14%，短期贷款季节性比较明显，可以用历年季节性均值代替，票据融资主要看票据利率，但由于wind自2022年7月起不再更新相关数据，数据可得性较弱，因此跟踪时采用和短期贷款一致的方法。股票、债券融资可以根据每日各类债券、股票净融资加总得到，可跟踪性较强。

图15：信贷、社融相关跟踪指标

资料来源：Wind，利得研究院

图16：社融各部分占比

资料来源：Wind，利得研究院

4.2 企业中长期贷款因子

将水泥发运率的周度数据作为高频企业中长期贷款因子的代理指标。企业中长期贷款取决于融资需求，企业的中长期贷款多用于购置设备和建设工程，通常对应基建、地产、制造业固定资产投资，和实体经济增长的关联度较高。因此我们从工业、基建、地产维度找了相关跟踪指标，比如水泥发运率、开工率、土地成交面积等。回归测试结果显示，200次有放回的回归测试显示，水泥发运率和企业中长期贷款的相关性比较显著，其余指标的相关性多不显著，因此我们只将水泥发运率的周度数据作为高频企业中长期贷款因子的代理指标。

图17：企业中长期贷款和各高频指标回归测试结果

资料来源：Wind，利得研究院

根据水泥发运率指数构建的周度企业中长期贷款因子基本能跟踪企业中长期贷款当月同比增速。

图18：基建、工业、地产维度跟踪指标

资料来源：Wind，利得研究院

图19：企业中长期贷款因子和中长期贷款当月同比

资料来源：Wind，利得研究院

4.3 居民中长期贷款因子

居民中长期贷款和地产密切相关，分别选取地产价量指标做回归测试，200次的有放回随机采样的回归测试结果显示，居民中长期贷款和地产销售量数据显著相关，回归P值接近0，回归R方在0.5以上。二手房价格指数测试结果显示不显著和居民中长期贷款相关，因此最终仅根据商品房成交面积构建居民中长期贷款跟踪指标。跟踪结果显示，周度居民中长期贷款因子基本能跟踪居民中长期贷款当月同比增速。

图20：地产价量指标和居民中长期贷款的回归测试

资料来源：Wind，利得研究院

图21：居民中长期贷款因子和中长期贷款当月同比

资料来源：Wind，利得研究院

4.4 债券融资因子

债券融资因子直接根据各类政府、企业债、公司债等的净融资汇总数据得到，不需要进行回归测试。结果显示，债券融资因子已经可以较好跟踪社融增速走势。

图22：债券融资因子和债券融资当月同比

资料来源：Wind，利得研究院

图23：债券融资因子和社融存量同比

资料来源：Wind，利得研究院

4.5 短期融资因子

短期融资因子描述短期贷款和票据融资，可供跟踪的指标有限，可以利用其季节性特点，用历史同期均值作为预测值。结果显示，按此法构建的短期贷款因子能部分跟踪短期贷款+票据融资当月同比序列，但误差也较大。

图24：短期融资因子和短期融资当月同比

资料来源：Wind，利得研究院

图25：短期贷款+票据融资，季节性明显

资料来源：Wind，利得研究院

4.6 股权融资因子

股权融资因子的计算方法和债券融资一致，通过汇总非金融企业周度的股权融资规模得到。结果显示，股权融资因子能跟踪社融股权融资部分的当月同比增速，但不能拟合社融存量同比

图26：股权融资因子和股权融资当月同比

资料来源：Wind，利得研究院

图27：股权融资因子和社融存量同比

资料来源：Wind，利得研究院

4.7 信用因子合成

滚动计算历史4年各组成部分占社融比重的平均权重，对上述因子加权，即可得到最终的信用因子。上述分析显示，短期融资因子由于完全依托于历史同期均值，实际没有纳入新信息，整体跟踪效果不佳。因此在信用因子合成阶段，我们考虑2种模式：一种是考虑短期贷款和票据融资，即中长期贷款+债券融资+股权融资+短期贷款和票据融资；另一种是不考虑短期贷款和票据融资，即中长期贷款+债券融资+股权融资。实际结果显示，包含短期融资和不包含短期融资的信用因子走势十分接近，从模型简洁的角度考虑，我们最终采纳不含短期融资的信用因子。