高瑞东 查惠俐：自上而下——风格择时

 Hi~新朋友进来 请关注我们哟

我们此前的研究已经在大类资产层面形成了比较成熟的配置方法，本篇报告将进一步探究如何在大类资产内部进行配置。风格配置是经久不衰的议题，我们采取自上而下的视角，识别筛选影响风格的经济指标，并构建择时策略。

核心观点：

我们遍历常用的234个经济指标，发现部分经济指标与股价关系密切，大约4%的经济指标与股价的“对应关系”可以通过统计检验，其中利率、价格、进出口相关指标在不同风格指数中择时效果普遍较好。

单因子择时中，利率相关指标3月期国债到期收益率一阶差分的一年移动平均，在大盘风格和成长风格择时效果表现优异，在训练集、验证集、测试集的年化收益率均高出基准指数6个百分点以上。

组合择时策略提升收益与降低回撤效果明显，测试集（2020年1月1日至2024年6月25日）中，相对于各自的基准指数，上证50指数择时策略超额年化收益率达10.05%，最大回撤降低29个百分点；国证成长指数择时超额年化收益率高达7.47%，最大回撤降低33个百分点。

宏观经济环境无疑会影响企业盈利、影响投资者情绪、影响股票价格，然而这其中的影响链条极其复杂，我们往往模糊的知道经济与股票价格密切相关，但宏观经济中不同维度交错，每个维度对股价的影响也并不稳定，使得我们很难仅凭主观感受和经验判断，根据本就复杂的经济指标，去识别股票市场涨跌。

因此，在第一部分中，我们尝试遍历常见的经济指标，从定量的角度观察经济指标究竟能否预测股价涨跌。

首先，尽量全面的获取常用的观测经济的指标。我们从可以用来分析经济的指标中，去除发布时间不足5年及近4个月没有更新的指标，保留了234个指标作为基础的经济观测指标，涵盖PMI、用电量、开工率、工业品产销库存、进出口、投资、零售、工业增加值、通胀、商品价格、财政、税收、利率、房地产、BCI、客运量、美国PMI等。

资产类别上，区分大小盘风格和成长价值风格。选择上证50、沪深300、中证500、中证1000代表不同市值规模风格，选择国证成长、国证价值代表成长和价值风格，选择300成长、300价值、中证500成长、中证500价值代表大盘成长、大盘价值、小盘成长、小盘价值，共10个风格指数。

数据处理上：

1）经济指标处理：经济观测指标统一转换成月频，缺失值用前值填充，在基础数据的基础上计算一阶差分，用来观测指标环比变化值与股价的关系，指标扩充至468个；分别计算这468个指标的2个月、3个月、6个月、1年的移动平均，用来观察指标的趋势性变化与股价的关系，指标扩充至2340个。标记上，经过差分的指标在指标名前加上“差分”作为标识，经过平均的指标在指标名后加上“MA”作为标识。

2）资产价格处理：以收盘价按照自然月计算月收益率作为收益率序列，或保留每月最后一条收盘价作为价格序列。

3）样本划分：最小数据时间设置为2004年12月31日，最大数据时间截至2024年6月25日，将样本区间划分为3个部分，2004年12月31日至2016年12月31日划分为训练集，2017年1月1日至2019年12月31日划分为验证集，2020年1月1日至2024年6月25日设置为测试集。

4）数据可得性处理：考虑到大部分经济数据获取的滞后性，在基础数据中，使用T月的经济指标与T+2的资产价格序列进行测试。部分经济数据有效时间长度不足20年，对于每个经济数据指标，取有效时间最小值与2004年12月31日的孰大值作为测试起始时间。

从相关性的角度，价格、出口、用电量、利率是股价的重要影响因素。按照不同的时间范围，依次计算2340个指标与10个风格指数的相关系数平均值，平均相关系数绝对值越大，我们可以认为这个经济指标与股价变化关系越密切。

近10年，用电量、价格和进口指标与股价的相关性较高，而近5年，出口和利率是更显著的影响因素。计算2340个经济指标与10个风格指数平均相关系数的绝对值，价格：服务业销售价格PMI的3月移动平均，近10年为25%，近5年为24%；用电量：第一产业用电量当月同比，近10年为28%，近5年下滑至12%；进口：进口金额当月同比的2月移动平均的一阶差分，近10年为25%，近5年为21%；出口：制造业新出口订单PMI，近10年为13%，近5年为31%；利率：6个月理财产品预期年收益率2月平均的一阶差分，近10年为10%，近5年为28%。

从胜率的角度，近5年，生产、房地产、美国经济增长、利率、税收与股价变化一致性稳定度较高。按照不同时间范围，计算每个指标的一阶差分与价格序列一阶差分同向变化的比例：

1）对于指标X和资产价格序列Y，计算一阶差分diff_X和diff_Y，

2）计算两个变量是否同向变化sign =np.sign(diff_X）*np.sign(diff_Y)，

3）两个变量环比持平比例按50%计算，最终同向变化比例为

(sum(sign>0)+0.5*sum(sign==0))/len(X).

同向变化比例在[0,100%]之间，越接近50%说明指标与价格一致性程度越弱，接近100%说明两个指标正向变化较为稳定，接近0说明两个指标反向变化较为稳定。从近5年的数据看，生产、房地产、美国经济增长、利率、税收相关指标与股价同向变化的比例，与中间值50%偏离度在10个百分点以上，与股价变化一致性稳定度较高。

从相关性以及胜率的角度，我们发现，部分经济指标与股价关系密切，T月的经济数据可以预测T+2月的股票收益率。因此，第二部分，我们尝试用宏观指标进行风格择时，对于经过筛选的经济指标建立单因子择时策略。

2.1 使用Anova方差分析、Granger因果检验、协整检验筛选经济指标

通过Anova方差分析、Granger因果检验、协整检验，检验2340个经济指标与资产价格之间是否具有统计意义上的对应关系：

1）Anova方差分析用来检验经济指标上行和下行时，资产价格的表现是否显著不同：依照每个指标的环比变化区分上行和下行，当月指标较上月上升时，统计该月对应滞后两个月的资产收益率，观察指标上行期对应的滞后两个月的收益率序列与下行期对应的滞后两个月的收益率序列均值是否存在显著差异，若存在显著差异则认为该指标是该类资产的有效影响因素。

2）Granger因果检验用来检验宏观指标与资产收益率是否存在Granger因果关系，即X的历史值和Y的历史值对Y的解释力度是否强于只用Y的历史值：仅对平稳（拒绝ADF单位根检验）的宏观指标和资产收益率进行Granger因果检验，使用statsmodels.tsa.stattools库的grangercausalitytests进行检验，grangercausalitytests分别基于F分布和卡方分布进行检验，当两者中有一个p-value小于置信水平则认为存在granger因果关系。

3）协整检验用来检验宏观指标和资产价格之间是否具有长期均衡关系，即检验两个同阶平稳的变量的回归残差的稳定性：仅对一阶单整的宏观指标和资产价格序列进行协整检验，采用EG检验方法，对X和Y建立回归模型，检验残差是否存在单位根，存在单位根说明残差非平稳序列。我们使用statsmodels.tsa.stattools库的coint函数进行检验，若拒绝残差存在单位根的原假设，则认为两个变量协整。

大约一半的经济指标与资产价格组合可以通过一项检验，仅有4%的组合可以同时通过两项检验。分别将2340个经济指标与10个风格指数进行匹配，在训练集中，对这23400个组合分别进行ANOVA方差检验、Granger因果检验和协整检验，在0.1的显著性水平下，有44.4%的组合至少通过了一项检验，这其中大约50%通过了ANOVA方差检验，48%通过了Granger因果检验，11%通过了协整检验。而同时通过两项检验的组合仅占4%，这其中78%同时通过ANOVA方差检验和Granger因果检验，22%同时通过了ANOVA方差检验和协整检验。

2.2 利率、价格、进出口相关指标在不同风格指数中择时效果普遍较好

对于训练集中同时通过两项检验的组合，在训练集和验证集中进一步验证经济指标的择时效果后，可以建立初步的单因子择时策略：

对于每一个风格指数，根据经济指标在T月的变化方向，在T+2月进行买入或空仓，观察在训练集和验证集中的表现，如果在训练集和验证集中年化超额年化收益率均超过2%，则认为这个经济指标对于这个风格指数而言，是一个有效的择时指标。超额年化收益率超过2%是一种筛选条件，在后续构建组合中我们的筛选条件会更加多样化，这里仅通过这种方式来说明，某些经济指标确实对某些风格指数，具备良好的择时效果。

利率是大盘风格的最优测择时指标，具体指标为3月期国债到期收益率一阶差分的一年移动平均。在大小盘风格指数中，经过筛选后，上证50指数的有效指标共4个，其中，3月期国债到期收益率一阶差分的一年移动平均，这个指标对上证50的择时效果较优且稳定性较高，择时策略在训练集和验证集中相对于上证50指数，超额年化收益率分别为5.99%和10.75%，而在测试集中，超额年化收益率仍然高达10.84%。

这项利率指标同样在沪深300指数的择时中表现突出。3月期国债到期收益率一阶差分的一年移动平均同样是沪深300指数中择时效果最好经济指标，在训练集、验证集、测试集中的超额年化收益率均超过7%。

对于中小盘风格，价格是更重要的影响指标，进出口相关指标择时效果也较为突出。对中证500指数和中证1000指数而言，通过筛选的经济指标数量大幅增加，多分布在价格、进出口和利率相关领域。其中，多项价格指标在中证500择时中表现较优，包括PPIRM、PPI、CPI与PPI差值等，与进出口相关的指标包括中国进口金额、美国非制造业进口PMI等；进出口相关的指标对中证1000指数的择时效果更加稳定，包括中国进口金额、美国制造业物价PMI、美国非制造业库存景气PMI等。

在成长价值风格当中，利率也是最重要的影响变量之一，成长风格比价值风格对进出口相关指标更加敏感。以国证成长指数为代表的成长风格在进出口、利率、价格指标择时中效果较优且稳定，美国非制造业进口PMI的两个月移动平均的一阶差分，在训练集和验证集中超额年化收益率分别为6.29%和2.46%，在测试集中高达13.24%。在大盘指数择时中表现较优的3月期国债到期收益率一阶差分的一年移动平均，在成长风格和价值风格中择时效果也非常突出，在国证成长指数的三个样本区间中超额年化收益率均超过6%。

代表大盘成长、大盘价值、小盘成长、小盘价值的沪深300成长指数、沪深300价值指数、中证500成长指数、中证500价值指数单因子择时结果，见文末附录部分。

我们发现单个指标已经有一定择时效果，更进一步的，考虑通过一些方式将经过筛选的指标组合起来，以得到更优的择时策略。对于不同的标的，我们采取不同的组合方式。

频率上采用月频换仓，认为T月的指标数据可以在T+1月月底获得，在T+1月月底根据T月指标相对于T-1月的变化方向，考虑在T+2月买入或者空仓。

对于上证50指数，在单因子检测中，经过筛选的指标数量较少，且单因子择时质量较高，因此我们首先考虑最简单的打分策略，即对于经过筛选的4个经济指标，当正向变化数超过半数时，触发开仓信号，否则空仓，这样的择时策略已经表现良好。择时策略在测试集年化收益率达到6.33%，超过上证50指数10.05个百分点，最大回撤降低29个百分点，夏普率提高0.75，胜率提高5.8%。此策略在6月、7月选择不开仓。

对于沪深300指数， 特征与上证50指数相似，同样应用打分策略，在测试集超额年化收益率5.78%，最大回撤降低26个百分点，夏普率增加0.35，胜率增加5.8%，择时效果表现同样较好。此策略在6月、7月选择不开仓。

在打分策略的基础上，我们可以考虑变化仓位：首先调整筛选条件，此前我们要求在训练集和验证集，经济指标的单因子策略的超额年化收益率超过2%，我们将其放松至1%并选取在训练集表现最好的前2/3的指标，在正向变化的指标数量超过50%时开仓，买入仓位为正向变化的指标数量占比。

对于中证500指数，在单因子择时中，经过筛选的指标数量较多，且单因子择时效果质量差异较大，考虑应用动态仓位策略，测试集超额年化收益率达2.92%，最大回撤降低26个百分点。此策略在6月、7月选择不开仓。

对于中证1000指数，应用动态仓位策略的择时效果更加明显，测试集超额年化收益率为5.71%，最大回撤降低28个百分点，夏普率提高0.22。此策略在6月、7月均选择开仓买入。

对于国证成长和国证价值指数应用动态仓位策略，在国证成长指数上，测试集超额年化收益率高达7.47%，最大回撤降低33个百分点，年化夏普率提升0.39，胜率提升2.9%；在国证价值指数上，测试集超额年化收益率为0.67%，最大回撤降低19个百分点。两个策略在6月均选择不开仓，国证成长指数动态仓位策略选择在7月买入。

我们分别对沪深300和中证500的两组风格指数应用打分策略，具备大盘特征的沪深300成长指数、沪深300价值指数，以及具备成长特征的中证500成长指数，择时效果均表现较好。

历史经验和指标可能存在失效风险，不同区间统计可能存在结论差异风险，宏观经济超预期波动风险。

End

相关阅读

高瑞东 查惠俐：光大投资时钟——动态风险预算篇

高瑞东 查惠俐：光大投资时钟——触发式策略篇

高瑞东 查惠俐：自上而下：从宏观经济到资产配置

好书推荐

光大宏观 高瑞东团队

高瑞东

光大证券首席经济学家，研究所所长，董事总经理，早稻田大学经济学博士，中国财政部金融人才库专家，中国金融四十人青年论坛会员，中国证券业协会首席经济学家委员会委员。曾任职于中国财政部中美经济对话领导小组办公室、OECD经济部、早稻田大学政治经济学院，专注全球和中国宏观经济与金融市场研究。2023年10月参加国务院总理主持召开的经济形势专家和企业家座谈会，对经济工作建言献策。

赵格格

中国人民大学数学学士，北京大学金融学硕士，6年宏观研究经验，聚焦实体经济、人口问题及中美关系。在《Economics Letters》、《中国金融》等发表文章多篇。对古代经济史、地缘政治博弈尤感兴趣，通过缜密推理，不断提升对社会运转本质的认知。

王佳雯

英国剑桥大学金融与经济学硕士。8年证券研究工作经验，专注货币政策和流动性，财政政策和地方债务，资产配置领域研究。在《中国货币》发表多篇文章。具有扎实的理论基础和实证研究经验，具备基本完善的宏观利率研究框架和视角。

刘星辰

上海财经大学数学学士、数量金融硕士，4年宏观研究经验，聚焦实体通胀、财政政策等主题。本硕期间均荣获国家奖学金，擅长通过底层数据挖掘、推演、论证宏观问题，在《中国金融》、《中国改革》等期刊发表文章多篇。

査惠俐

上海财经大学理学学士，上海交通大学应用统计学硕士，曾获上海财经大学优秀学生、上海交通大学优秀毕业生等荣誉。聚焦资产配置方向，致力于从数据中挖掘潜在有价值的信息，定性与定量结合进行资产配置研究。

周欣平

中国人民大学经济学硕士，西南财经大学金融学士，曾获中国人民大学优秀毕业生、院优秀学位论文等荣誉。聚焦美国GDP拆分与预测、零售数据、非农数据，研判海外经济趋势，探究货币政策脉动。

免责声明

本订阅号是光大证券股份有限公司研究所（以下简称“光大证券研究所”）宏观研究团队依法设立、独立运营的官方唯一订阅号。其他任何以光大证券研究所宏观研究团队名义注册的、或含有“光大证券研究”、与光大证券研究所品牌名称等相关信息的订阅号均不是光大证券研究所宏观研究团队的官方订阅号。

本订阅号所刊载的信息均基于光大证券研究所已正式发布的研究报告，仅供在新媒体形势下研究信息、研究观点的及时沟通交流，其中的资料、意见、预测等，均反映相关研究报告初次发布当日光大证券研究所的判断，可能需随时进行调整，本订阅号不承担更新推送信息或另行通知的义务。如需了解详细的证券研究信息，请具体参见光大证券研究所发布的完整报告。在任何情况下，本订阅号所载内容不构成任何投资建议，任何投资者不应将本订阅号所载内容作为投资决策依据，本公司也不对任何人因使用本订阅号所载任何内容所引致的任何损失负任何责任。

本订阅号所载内容版权仅归光大证券股份有限公司所有。任何机构和个人未经书面许可不得以任何形式翻版、复制、转载、刊登、发表、篡改或者引用。如因侵权行为给光大证券造成任何直接或间接的损失，光大证券保留追究一切法律责任的权利。