华泰金工 | 全球大类资产配置的三层次逻辑及对宏观基本面量化的思考

01 全文导读：华泰金工大类资产配置体系回顾

“分散投资是唯一的免费午餐。”——哈里·马科维茨

在银行存款利率持续下调的背景下，年化收益稳定高于无风险利率的绝对收益型产品对投资者的吸引力在逐步增大。大类资产配置已是获取绝对收益的最佳途径之一。一方面，量化中性产品获取纯Alpha的难度加大，个别量化私募巨头甚至官宣退出中性产品市场；另一方面，指数基金的蓬勃发展为市场提供了多种多样流动性良好的Smart Beta工具，跨境理财通的试点也为部分境内投资者提供了如美债、美元等境外资产的配置工具，详见前期报告《跨境理财通业务细则及产品池浅析》（2024-11-20），个别量化私募已转型开展大类资产配置业务。

投资逻辑分散和大类资产分散同样重要

在前期报告《华泰大类资产配置策略体系介绍》（2023-04-18）中，我们提出了大类资产配置的三层次逻辑，即经济周期模型、宏观因子模型、趋势追踪模型，并进一步选取其中的一至两种逻辑，构建了不同的大类资产配置策略。例如，结合经济周期模型和趋势追踪模型，提出了HYCLES3和HYCLEM2策略（在Wind和Bloomberg上分别展示了样本外运营的净值曲线）；以宏观因子模型为核心，结合经济周期、相对估值、截面动量信号，提出了HACROC1和HACROC2策略（在Wind上展示了样本外运营的净值曲线）；基于趋势追踪模型提出了HATSC1和HATSG1策略（在Wind上展示了样本外运营的净值曲线）。

“圣杯”逻辑是不存在的。上述策略都是以大类资产分散投资为基础、通过对风险开展主动管理以获取合理的风险溢价，都有可能阶段性失效。不过，我们同时发现上述三种逻辑存在一定的低相关性，不同策略的表现往往呈现“西方不亮东方亮”。因此，除了大类资产分散，投资逻辑分散也能够起到风险对冲的作用，帮助我们获得更优的风险收益特征。这是本文构建三层次融合策略的主要依据。

在三层次融合策略中，经济周期模型扮演着战略资产配置(SAA)的角色，在以年为单位的时间跨度上，判断全球投资者的风险偏好水平，从而确定进攻或者防守的整体战略。宏观因子模型和趋势追踪模型发挥着战术资产配置(TAA)的作用，在以月为单位的时间跨度上，分别跟踪各细分资产基本面和技术面的变化。策略以层次风险平价模型为基准，三层次逻辑分别给出各细分资产的风险预算比例调整系数，相乘后得到最终的风险预算目标。本文的第二至第四部分将分别对三层次逻辑进行单独回顾与测试，第五部分将对三层次融合策略进行回测，并对策略中遇到的有关宏观基本面量化的相关问题进行思考。

全球大类资产风险预算模型

本策略涉及18个细分资产，包括9个中国资产和9个美国资产，涉及股票、商品、债券和类货币等四大类资产。策略选用层次风险平价模型作为基准，以保证大类资产分散。具体来说，进攻资产和防守资产的风险预算比例相等；在进攻资产和防守资产中，中国资产和美国资产的风险预算比例相等；在中国的进攻、防守资产和美国的进攻、防守资产中，生息资产如股票、债券和非生息资产如商品、类货币的风险预算比例设定为2:1。按照层次风险平价的规则，各细分资产的基准风险预算比例如下表所示：

在风险预算模型中，各细分资产对投资组合的风险贡献率满足目标风险预算比例。设资产i在投资组合中的配置比例为wi，对投资组合的风险贡献率为RC(wi)，目标风险预算比例为ri，则风险预算模型就是求解以下最优化问题：

记Σ为资产协方差矩阵，w为资产配置比例向量，则投资组合的整体风险为：

资产i的边际风险等于投资组合的整体风险对资产i的配置比例求偏导：

资产i的风险贡献率等于其边际风险乘以配置比例，再除以投资组合的整体风险：

三层次逻辑将根据各自给出的信号，在基准风险预算比例之上，通过乘法模型调整各细分资产的风险预算比例，以实现超配或低配某一细分资产的目标。其中，调整系数的设置具有一定主观性——我们认为，经济周期对于资产轮动如同地球公转对于四季轮回一样，是根本力量，同时我们也需要为偶尔出现的“酷暑”或“暴风雪”做好应对。所以，对于经济周期模型和趋势追踪模型中的时序动量部分，调整系数设置为5；而对于宏观因子模型和趋势追踪模型中的截面动量部分，调整系数设置为2。

02 第一层次：经济周期模型决定进攻或防守战略

前期报告《经济周期实证、理论及应用》（2024-01-10）发现，全球主要经济体的大类资产价格和金融经济指标运行都具有显著的周期性规律，共同受到42个月基钦周期、100个月朱格拉周期、200个月库兹涅茨周期的驱动。同时，前期报告《全球资产是否存在统一的市场因子》（2023-12-31）还发现，全球主要经济体股票、商品、利率、外汇等四大类资产整体走势存在统一性。对此，我们采用主成分分析(PCA)的方法，从全球大类资产价格中提取出市场因子，然后结合傅里叶变换、高斯滤波、逆傅里叶变换等算法，对市场因子开展三周期拟合，形成经济周期模型。

全球资本市场具有统一的市场因子，对进攻/防守资产表现具有显著区分

首先，我们选取具有代表性的全球股票、商品、利率、外汇。选取的原则是尽可能对发达市场经济体和新兴市场经济体、欧美地区经济体和亚太地区经济体覆盖全面。然后，计算股票、商品、外汇资产的月末同比收益率序列和利率的同比差分序列。接着，对四大类资产分别开展PCA，取其第一主成分，其中利率和外汇的第一主成分需乘以-1，使其走势与股票、商品第一主成分的走势方向一致。不难发现，全球股票、商品、利率、外汇的第一主成分走势高度相关，且具有周期性波动，这说明全球资本市场受到统一的市场因子的驱动。因此，我们对四大类资产第一主成分zscore标准化后等权相加得到全球市场因子。

在全局视角下，三周期模型对全球市场因子的拟合优度为47%。我们根据三周期拟合结果将全球市场因子划分为上行周期和下行周期，全局统计策略各底层资产的月均收益和月度胜率。结果显示，市场因子上行周期中进攻资产的整体表现优于防守资产，除个别商品资产外，其他进攻资产均能获得1%以上的月均收益和50%以上的月度胜率；市场因子下行周期中防守资产的整体表现优于进攻资产，除标普500和道琼斯工业指数外，四个防守资产的表现均优于其他进攻资产；对于处于“长牛”的美股来说，更偏进攻性的纳斯达克指数在市场因子下行周期中的表现也不如更偏防守性的标普500和道琼斯工业指数。

在滚动窗口内判断市场因子周期方向，据此调整进攻/防御资产风险预算

回测时为了不引入未来信息，我们在滚动窗口内判断市场因子周期方向。为了提升预测结果的稳健性，我们将综合50/60/70/80/90/100个月滚动窗口的预测结果。在不同长度的滚动窗口内，我们通过PCA生成对应长度的全球市场因子，开展三周期拟合，并外推三个月——若市场因子将持续上行，记+1分；若市场因子将持续下行，记-1分；若市场因子将出现拐点，记0分。将不同长度滚动窗口的得分加总——若总分≥3分，认为市场因子周期上行，全体进攻资产的风险预算比例乘以5；若总分≤-3分，认为市场因子周期下行，全体防守资产的风险预算比例除以5；其他情况下维持层次风险平价基准。

回测区间取2010-12-31至2024-10-31，每月末发出调仓信号，次月第一个交易日按收盘价完成调仓，交易费用取双边2‰。回测结果显示，经济周期模型能够提升扣费后年化收益约0.8 pct，夏普比率、最长新高天数、月度胜率均有所改善；相对层次风险平价基准的超额收益呈波动向上趋势，说明经济周期模型只能用于SAA，而难以确定细分资产的投资机会。最近一轮上行周期始于2023年初，终于今年三季度，在此期间大宗商品、美股等进攻资产相继表现，A股和港股也在今年9月赶上了上行周期的“末班车”。

03 第二层次：宏观因子模型为筛选细分资产提供基本面依据

在前期报告《宏观因子指数回顾、改进与应用》（2022-02-14）和《海外增长-流动性框架与大类资产配置》（2023-01-17）中，我们从资产定价模型出发，构建了以增长-流动性为核心的中美宏观因子体系，同时结合一阶逻辑和历史统计，给出了如下表所示的宏观因子与细分资产的映射关系。本文之所以没有考虑通胀因子，主要有两个原因。第一，通胀因子对细分资产的解释并非一阶逻辑，无法用表格型的映射关系表达。例如，通胀低位上行意味着增长景气从而利好股票资产，而通胀高位上行意味着流动性存在收紧预期从而利空股票资产。第二，通胀因子由大宗商品的同比收益率按一定权重合成，本质上是商品的动量，而动量将在第三层次中被考虑。

根据宏观因子与细分资产的映射关系，我们可以对各资产进行打分。当宏观因子观点利好该资产时，加1分；当宏观因子观点利空该资产时，减1分；宏观因子无法给出明确观点或者和资产之间不存在映射关系时，得分不变。最终，我们将根据细分资产的宏观因子得分，将风险预算比例乘以pow(2,宏观因子得分)。

中国增长/信用/货币因子的构建与观点预测

前期报告《宏观因子指数回顾、改进与应用》采用相关性和领先滞后性评价，从海量宏观备选指标中筛选出了增长、信用、货币等维度的代理指标，经过预处理后，采用OECD法合成了中国宏观因子，并结合因子动量法和相位判断法给出宏观因子观点。

前期报告中的数据预处理步骤主要包括口径统一、季节性调整、HP滤波等。其中HP滤波剔除了指标中的趋势项、只保留周期项，前期报告这么做是考虑到在样本内国内资本市场走势与周期项显著相关。然而，在样本外跟踪的过程中，我们发现近两年国内资本市场开始定价趋势项，剔除趋势项后的宏观因子走势有时候并不符合投资者的“体感”。这说明HP滤波有可能造成了样本内的过拟合。除此之外，周期项和经济周期模型也存在较高的相关性，只保留周期项容易产生和第一层次重合的信号。故本文不再使用HP滤波。

前期报告采用OECD法合成因子是考虑到中国经济以制造业为核心，不同部门的指标在不同程度上与制造业存在联系，表现出顺周期性，使得指标之间存在较高的相关性。OECD法是一种类PCA方法，能够提取多个相关变量的共同信息。

前期报告中使用的相位判断法就是对中国宏观因子开展三周期拟合。如果本文继续使用相位判断法，同样可能产生和第一层次重合的信号。故本文仅使用因子动量法来给出中国宏观因子观点——若宏观因子最近两期连续上行，则给出增长景气、信用扩张或货币宽松的观点；若宏观因子最近两期连续下行，则给出增长承压、信用收缩或货币收紧的观点；其他情况则对应无法给出明确观点。

美国增长/流动性因子的构建与观点预测

美国宏观因子和中国宏观因子最大的区别在于因子合成方法。前期报告《海外增长-流动性框架与大类资产配置》采用扩散指数法合成。简单来说就是打分法，每个代理指标都会给出+1或-1的得分，然后取均值，就得到-1到+1之间的宏观因子，其荣枯线为0。之所以未使用OECD法，是因为美国经济以服务业为核心，不同部门的指标相关性较低，如果使用类PCA方法，结果的方差贡献率可能较低，无法充分反映代理指标中的宏观信息。当宏观因子得分大于+0.1时，认为增长景气或流动性宽松；当宏观因子得分小于-0.1时，认为增长承压或流动性收紧；当宏观因子得分介于-0.1至+0.1之间时，无法给出明确观点。

宏观因子模型回测结果

回测条件与经济周期模型保持一致。结果显示，宏观因子模型能够提升扣费后年化收益约1.0 pct，夏普比率、最大回撤、最长新高天数、月度胜率均有所改善。不过最近两年，宏观因子模型相对层次风险平价基准的超额收益几乎走平，今年的9月和10月甚至出现显著的超额收益回撤。这可能是因为最近两年无论是中国资本市场还是美国资本市场，宏观预期对资产价格的影响开始起主导作用，高阶逻辑对资产价格的影响力也在逐步增强，而宏观因子模型仍然依托宏观现实构建，信号的生成也主要依托一阶逻辑。

04 第三层次：趋势追踪模型为筛选细分资产提供技术面依据

在实际投资中，我们经常会遇到市场走势和基本面量化模型的信号存在出入的情况。一方面，基本面量化模型通常刻画的是基本面趋势，而市场经常会发生一些导致基本面出现拐点的事件，涵盖经济、政治、科技等多个领域，这些事件难以被量化模型刻画和理解，但是可能会较为及时地反映在盘面上。另一方面，市场上存在大量非理性投资者，可能会推动资产价格出现超涨或超跌，严重偏离了资产的基本面。在资产配置策略中加入趋势追踪模型，能够帮助我们在应对市场情绪变化和突发状况时更加游刃有余。

基于月线构建的时序动量模型用于识别细分资产的技术面风险

时序动量模型主要用于判断单资产趋势，多资产之间的信号一般是独立的。在三层次融合策略中，我们引入时序动量模型是为了尽量规避细分资产的技术面风险。

根据我们过去的研究经验，在大类资产配置场景下，用月线构建的时序动量比用日线或周线构建的时序动量的整体效果要好，用时序动量识别趋势破位比用时序动量识别趋势突破的准确率要高。从行为金融学的角度来解释，可能跟非理性投资者的“处置效应”和“锚定效应”有关系。所谓处置效应，是指投资者倾向于卖出浮盈的资产而继续持有浮亏的资产，导致浮亏筹码的换手不充分、出清过程漫长；所谓锚定效应，是指当浮亏的资产重新涨回成本价时，部分投资者会果断卖出收回本金，导致上涨过程阻力重重。这些可能是大类资产中长期空头趋势更容易得到延续的原因。

时序动量选用经典的双均线、MACD、布林带指标，只要有一个指标提示趋势破位，就认为该资产存在技术面风险，将其风险预算比例除以5。对于双均线指标来说，当3个月均线连续“死叉”6/9/12/15/18/21个月均线时，提示趋势破位。MACD指标采用Wind推荐的默认参数，当其处于绿柱且绿柱扩大时，提示趋势破位。布林带指标也采用Wind推荐的默认参数，当月线从上到下穿越中轨时，提示趋势破位；但需要注意的是，月线突破下轨时是反转信号，此时不能再看空该资产。

基于月线构建的截面动量模型用于比较细分资产的趋势强弱

截面动量选用确然指标(KST)来识别强势资产和弱势资产。KST取同一定义下、4个计算窗长从短到长的动量指标，按照10%:20%:30%:40%的默认权重进行加权求和。至于这里的4个动量指标，本文取各细分资产过去21/63/125/250个交易日的夏普比率。本文将三层次融合策略涉及的18个底层资产按照KST从高到低排序——对于位于前1/3的资产，将其风险预算比例乘以2；对于位于后1/3的资产，将其风险预算比例除以2。

趋势追踪模型回测结果

回测条件与经济周期模型保持一致。结果显示，趋势追踪模型能够提升扣费后年化收益约1.0 pct，夏普比率、最大回撤、最长新高天数、月度胜率均有所改善。尤其最近两年，趋势追踪模型相对层次风险平价基准的超额收益持续提升，是三层次逻辑中表现最强的子模型。无论是选专业、找工作还是做投资，“羊群效应”是绝大多数人做决策的主要心理，并进一步产生显著的动量效应，即强者恒强、弱者恒弱。即使是像美股这样成熟的市场，依然存在动量效应，“七姐妹”贡献了宽基指数大部分涨幅就是一个例子。虽然动量效应偶尔崩溃(momentum collapse)，但只要市场存在非理性投资者，动量效应值得长期信任。

05 三层次逻辑融合及对宏观基本面量化的思考

上文介绍的三层次逻辑在风险预算模型的框架下是不存在先后顺序的。最后，我们将三层次逻辑分别给出的风险预算比例调整系数进行相乘，对基准风险预算比例进行调整，就得到了三层次融合策略。在相同的回测条件下，三层次融合策略在承担2.6%波动的情况下获得了6.1%的扣费后年化收益，相较层次风险平价基准提升了约2.5 pct，且每年都能够获得正收益。由于三层次逻辑之间相关性较低，上文测试过的单一层次策略相较基准的提升在融合策略中基本上都得到了兑现，起到了投资逻辑分散的作用。最长新高天数从265个交易日大幅降低至102个交易日，这意味着即使因为运气较差建仓在前高点，也无需等待半年就能够看到净值新高；夏普比率、月度胜率均有所改善；超额收益也在持续上升。

对于宏观因子模型近两年超额表现不佳的问题，用趋势追踪模型对冲并非权宜之计。量化模型对基本面信息的解读通常是逻辑单一的，市场如何解读基本面信息则存在较高的不确定性。如对于宏观数据大超预期，既可以解读为“利好”，也可以解读为“利好出尽”，“最终解释权”在边际资金的手中。但不管是利好还是利好出尽，都会通过资金博弈反映在交易数据中，而解读交易信息是量化模型能够发挥比较优势的场景。因此，我们建议投资者在构建大类资产配置策略时，无论基本面量化模型样本内的表现多么优秀，最好都能加一层趋势追踪模型，因为当市场走势和基本面模型信号“打架”时，市场往往是正确的。

面对宏观预期和高阶逻辑的新难题，除了被动的投资逻辑对冲，宏观因子模型依然存在改进空间，常见的线性解决方案包括Factor Mimicking、利用分析师预测值、Nowcasting等。这几种方法都能够把低频的宏观数据做成高频的宏观因子，来及时跟踪宏观环境的变化。我们也在这些方面做了一些努力：

      1)前期报告《行业配置策略：高频宏观因子》（2023-06-10）用一揽子资产价格来拟合宏观指标走势，得到的资产组合走势相对锚定的宏观指标具有一定的领先性，不仅能够反映买方的宏观预期，也为宏观风险管理提供了新的配置工具。

      2)所谓“利好出尽”，其实就是利好信息已经提前被买方price in。前期报告《国内宏观净预期差与大类资产配置》（2024-08-15）进一步使用分析师预期数据，构建买卖双方净预期差，来捕捉未被买方price in的交易机会。

      3)前期报告《美国CPI的三周期Nowcasting模型》（2023-10-31）专门针对已成定数但延迟发布的宏观指标，构建了Hycle-Nowcasting模型，能够在分析师一致预期数据发布之前，给出准确率较高的预测值，为资产配置提供更早期的指引。

上述线性解决方案仍离不开结构化信息，而大语言模型(LLM)提供了一种前景广阔的非线性解决方案。《“GPT如海”：RAG与代码复现》（2024-05-06）等有关LLM的前期报告，已经展示了LLM在金融领域中的威力。未来某一天，LLM或许可以根据新闻、政策、宏观数据、市场表现进行高阶逻辑的推理。

风险提示：

资产配置模型根据历史规律总结，历史规律可能失效，例如策略拥挤时，策略获取超额收益的能力或将显著下滑；各子策略有其适用的市场条件，无法保证在任何市场条件下均可取得超额收益；涉及的具体资产不代表任何投资意见，请投资者谨慎理性地看待。

研报：《全球资产配置的三层次逻辑及对宏观基本面量化的思考》2024年11月29日

分析师：林晓明 S0570516010001 | BPY421

分析师：徐特    S0570523050005

分析师：陈烨    S0570521110001

分析师：何康    S0570520080004

分析师：李聪    S0570522100001

分析师：刘志成 S0570521110002

联系人：李薇    S0570124070087