核心结论
核心观点
本文基于宏观和动量两个维度构造完全量化可回测的大类资产轮动策略。宏观模块创新性地引入Listwise排序学习算法ListMLE，从截面维度构造简单稳健的宏观周期查询字典，同时引入动量模块，利用其与宏观的互补性构造复合轮动策略，2017年以来复合策略绝对收益年化17.8%，夏普1.48，最大回撤9.1%，月度胜率71%，其中2019年以来策略年化收益22.3%，2024年以来每月均能事前选到当月表现最优的大类资产。
基于ListMLE的宏观基本面策略
基于基础数据构建完全可得宏观趋势数据库，将其作为自变量解释大类资产截面收益率差异。本文创新性地引入ListMLE这一排序学习模型，在宏观策略这样的小样本数据上有良好的预测能力和可解释性。基于ListMLE的宏观基本面策略17年以来绝对收益年化14.52%，最大回撤11.8%，月度胜率72.5%，除2022年以来均能录得正收益。
基于宏观基本面&动量的大类资产轮动策略
由于单一模型总会面临阶段性失效时段，本文结合宏观基本面和动量两个维度构造复合轮动策略。考虑到二者的高度互补性，我们使用因子动量的思想对宏观和动量信号进行轮动，即每次决策时回溯过去一段时间两个维度的业绩表现，选择业绩较好的一个维度信号作为配置信号，复合策略2017年以来年化绝对收益17.8%，夏普1.48，最大回撤9.1%，月度胜率71%，每年均能录得正收益，其中2019年以来策略年化收益22.3%。2024年以来表现非常优秀，每月都选到了当月表现最优的资产。
风险提示：本报告结果均基于对应模型计算，需警惕模型失效的风险；历史不代表未来，需警惕历史规律不再重复的风险；模型结果仅为研究参考，不构成投资建议；当前海外地区冲突仍未结束，仍需警惕局部地区冲突大规模升级的风险；当前市场一致预期美联储将要降息，仍需警惕降息落地时间不及预期；当前全球多地区地缘政治局势紧张，仍需警惕某些地区出现局势突发式升级；当前中国经济受国内国际因素影响较多，仍需警惕国内经济增长不及预期带来的风险。
主要内容
引言
一、宏观基本面模块
本节主要介绍大类资产轮动策略的宏观模块，本节主要是三个部分，第一部分是数据准备和处理，第二部分是模型原理，第三部分是策略构建及回测，最后一部分则是模型可解释性探究。
1.1
数据准备和处理
本节数据处理主要是针对宏观变量进行处理，将宏观变量处理成为完全可得的1，-1以此来表示每个指标的上行下行趋势，本节考虑使用增长、通胀、货币、汇率、利差、全球利率几个维度共计17个宏观变量作为基础变量。
第一步针对所有宏观变量做滞后处理，保证所有宏观数据均为可得数据，比如PPI同比这一指标，当月披露上月PPI，因此实际可得的每月PPI同比为上月数据，第二步将所有数据统一为月频，日频数据将月内均值作为当月值，第三步则是对环比型数据做滚动季调（保证季调过程不引入未来数据），本文所用的数据仅PMI为环比型指标，需要做季调，我们采用X-13 ARIMA SEATS对其进行季调，第四步针对所有可得宏观数据做滚动单向小参数HP滤波（单向保证滤波不引入未来数据）获得去噪版本，这一步是为了提取宏观变量的中长期趋势，第五步将每个宏观变量的原始版本和去噪版本均进行两个月差分仅保留符号作为其上行下行趋势的代理变量，最后一步则是对所有上行下行趋势做滞后处理，对于及时公布的变量同时计算其滞后0-3期趋势变量（滞后0期表示当期变量），对于不及时公布的变量则计算其滞后1-3期变量。经过以上处理，最终可以得到5（及时披露）×2（原始趋势+滤波趋势）×4（滞后0-3期）+12（滞后披露变量）×2（原始趋势+滤波趋势）×3（滞后1-3期）=112个宏观变量。
1.2
模型原理
1.3
策略构建及回测
策略回测时间：2016年12月31日-2024年6月30日。
策略调仓频率：月频。
模型训练规则：每六个月使用全部可得历史数据进行模型训练，数据对应规则为112个宏观变脸T-1月趋势值做自变量，3个大类资产T月收益率排名做因变量。
策略持仓生成：将112个宏观变量T-1月趋势值输入最新模型得到3个大类资产的下月打分，选择打分最高的资产进行持仓。
超参数选择：滚动训练过程中保持超参数λ保持不变。
我们以参数λ=13为例，展示回测结果如下。从回测结果可以看出轮动效果非常优秀，相比单一大类资产有最高的年化收益14.52%、收益回撤比1.23、月度胜率72.5%，夏普也仅低于低波动资产债券，远高于权益和商品，同时最大回撤仅为11.8%，远优于权益和商品。分年来看，除了2022年以外均能获得正收益。
1.4
模型可解释性探究
二、动量模块
表示每个资产过去一年的价格波动率与价格均线的比值，可以很好的刻画资产波动，我们将二者叠加在一起得到BBW_BIAS因子，
三、基于宏观基本面&动量的大类资产轮动策略构造
其中n=4的复合策略2017年以来策略年化绝对收益17.8%，夏普1.48，最大回撤9.1%，月度胜率71%，其中2019年以来策略年化收益22.3%。2024年以来表现非常优秀，每月都选到了当月表现最优的资产。
以上内容请参考中信建投研究发展部研究报告：
《大类资产轮动量化策略体系-宏观基本面&动量视角》
对外发布时间：2024年8月28日
报告发布机构：中信建投证券股份有限公司
本报告分析师：
丁鲁明 执业证书编号：S1440515020001
研究助理：付涵 17621766271
免责声明：
【鲁明量化全视角】
本订阅号（微信号：lumingdaochang）为中信建投证券股份有限公司（下称“中信建投”）研究发展部丁鲁明团队运营的唯一订阅号。
本订阅号所载内容仅面向符合《证券期货投资者适当性管理办法》规定的机构类专业投资者。中信建投不因任何订阅或接收本订阅号内容的行为而将订阅人视为中信建投的客户。
本订阅号不是中信建投研究报告的发布平台，所载内容均来自于中信建投已正式发布的研究报告或对报告进行的跟踪与解读，订阅者若使用所载资料，有可能会因缺乏对完整报告的了解而对其中关键假设、评级、目标价等内容产生误解。提请订阅者参阅中信建投已发布的完整证券研究报告，仔细阅读其所附各项声明、信息披露事项及风险提示，关注相关的分析、预测能够成立的关键假设条件，关注投资评级和证券目标价格的预测时间周期，并准确理解投资评级的含义。
中信建投对本订阅号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。本订阅号中资料、意见等仅代表来源证券研究报告发布当日的判断，相关研究观点可依据中信建投后续发布的证券研究报告在不发布通知的情形下作出更改。中信建投的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本订阅号中资料意见不一致的市场评论和/或观点。
本订阅号发布的内容并非投资决策服务，在任何情形下都不构成对接收本订阅号内容受众的任何投资建议。订阅者应当充分了解各类投资风险，根据自身情况自主做出投资决策并自行承担投资风险。订阅者根据本订阅号内容做出的任何决策与中信建投或相关作者无关。
本订阅号发布的内容仅为中信建投所有。未经中信建投事先书面许可，任何机构和/或个人不得以任何形式转发、翻版、复制、发布或引用本订阅号发布的全部或部分内容，亦不得从未经中信建投书面授权的任何机构、个人或其运营的媒体平台接收、翻版、复制或引用本订阅号发布的全部或部分内容。版权所有，违者必究。
中信建投金融工程深度专题报告回顾
（点击标题可查看历史文章）
【资产配置】
【因子选股】
【交易策略与衍生品】
深度专题7：2015年衍生品市场政策总结及交易策略 |
【基金产品研究与FOF】
