摘要
01
交易中的宏观预期
信息和逻辑是影响投资决策的核心因素。信息为公司或相关属性值，逻辑为对信息的解读。信息可能是公开的，也可能是私有的，其传递速度或快或慢。逻辑表现为将信息进行消化，指导如何进行操作。信息不对称产生的影响通常较为短期，逻辑不同引致的理念差异则通常更为持续。在实际投资过程中，一方面我们希望获取更多与标的相关的信息，另一方面如何对其进行解读更为重要。信息本身或不能直接影响交易，其引致逻辑产生的变化则更为直接。
预期和边际思维体系下，实际值与预期值的差异即超预期，是推动价格变化的关键。当然，这一过程还需要交易来实际完成。当实际值发布时，判断是否出现超预期，并进行组合配置。对于宏观预期，现有研究往往使用与目标变量相关的高频数据进行预测，并随新数据的发布来进行调整。目前我们已搭建GDPNOW、Nowcasting和MIDAS等框架，以对增长/通胀/行业景气等进行预测，效果较好。同时，分析师预测数据也较为广泛地被使用。这一体系下的核心问题是，预期是什么，市场是否会交易该超预期？从结果看，不同投资者和不同标的适用的预期基准或存在差别。
市场预期是什么？在本报告中我们尝试从权益市场交易出发进行宏观预期刻画，并在此基础上进行投资组合构建。从结果看，对股票、债券、商品和汇率等资产有较好的配置效果。
02
宏观预期：客观数据还是交易演绎
预期思维和边际思维下，投资者更关注的是超预期。预期如何形成，如何界定是否超出预期？对于宏观维度，分析师预测值广为市场接受，将其作为比较基准。从模型角度，我们对即时预测体系进行介绍。预期本身应已为交易所反映，因此我们应关注的是，可通过交易影响价格的投资者预期。那么如何从交易中得到隐含的宏观预期？此部分对上述问题进行讨论。
2.1. 即时预测：从局部到整体的客观信息整合
即时预测是从客观数据到客观数据的映射，即针对的是实际值。其核心逻辑是：低频经济数据由高频的部分数据构成，随着后者的发布，预测偏差也会相应降低。即时预测的关键便是，寻找与之有紧密经济联系的高频指标，并将其纳入统一的模型框架中，基于高频信息的纳入形成当前对关键变量的预测值。我们搭建了GDPNOW和Nowcasting框架，以预测季频经济指标；MIDAS模型则适应了实际面临的混频预测需求，框架更为灵活。虽然细节不同，但核心均是寻找与目标变量存在经济关联的高频指标，将其发布值纳入目标值的调整预测中。
GDPNOW框架的核心是：自下而上预测合成，综合使用季度和月度两类数据。首先，从生产法/支出法/收入法视角，对GDP分项进行预测。具体来说，需要对行业产值的量（实际值）和价格分别进行预测，合并得到GDP增速值；其次，在预测量和价时，分别构建季度和月度数据模型，加权得到模型综合预测值。框架中给出的合成方法是链式法则，这需要各分项实际值序列和可比的链式价格指数序列。月度模型的关键是，为每一个部门找到与其最为直接相关或直接构成整体的高频数据。与季度模型不同的是，每次有新的信息更新时，月度模型预测值都可能出现调整。月度模型变量筛选的原则是，基于GDP 核算手册，分析各行业细分构成，从统计局发布的变量中进行寻找匹配。
Nowcasting的核心逻辑是：寻找与低频目标变量相关的高频指标，模型化其关系。借助于动态因子模型框架，对未发布的高频指标进行预测，从而获取目标变量的预测值。同时当有新的指标发布的时候，对预测值进行相应的调整。这一流程和宏观分析师所做的工作基本是一致的，不同的是从数据的处理、结果的生成、新信息的纳入及预测值调整，均是模型化、定量化进行实现的。以动态因子模型为基础构建状态空间模型，借助卡尔曼滤波/平滑算法，解决了如下重要问题：一，混频数据；二，数据更新时点不规则。其处理思路是，将低频数据非更新时点处理为缺失值，未更新经济指标使用缺失值替代，然后统一使用卡尔曼滤波（前向）和卡尔曼平滑（后向）算法进行缺失值填充，避免出现断点和跳跃问题。模型的本质是使用少数因子来解释较多变量，从因子的预测中获得变量更新信息。基于这一框架，对变量数量、缺失时点均没有特定限制，能够平滑将其纳入统一的分析框架。
MIDAS的基本原理是：低频变量作为被解释变量，高频数据与之同期对应作为解释变量。关键是如下两点：一，数据的重新排列，使其与目标变量具有相同的时间维度。重新排列的基础是，高频数据从逻辑上构成了目标变量这一整体；二，参数的结构化约束，使得在时间维度受限的情况下，能够获取更为稳健的参数估计值。逻辑、数据和模型，是我们搭建中观景气框架的关键环节。对于逻辑，基于公司经营业务盈利预测拆分框架，从宏观行业经济数据库寻找与之有直接关联的指标，进而可以直接计算得到企业盈利预测结果。然而在实际使用中，这些关联指标频率可能存在差异，发布时点也存在不同，因此需要特定的模型框架进行数据处理。
2.2. 从交易中寻找市场预期
无论是分析师预期还是机构预期（宏观数据和上市公司业绩等），其生成逻辑与上述模型基本一致，如图3所示：基于现有信息形成预期，当出现增量信息时对目标值进行调整。不同分析师/模型对相同指标的预测存在分化，可取剔除极端值后的均值作为一致预期，将实际值与其进行对比来判断是否存在超预期。预期如何反映在价格中，预期准确性是否是关键，市场是否在定价预期？均是应回答的问题。例如工业增加值发布后，指数上涨，是否能说明其超预期呢？假设设定如下规则：指标同比大于滚动3年均值1倍标准差，看好行业A，若回测结果表明胜率有65%，超额收益10%。这是否能够证明这一规则是有效的，可以应用到样本外呢？
这里本质涉及两个环节：判断是否超预期，以及市场是否对超预期事件进行定价。现有策略研究中，往往会将二者混淆。例如图4中对两类事件收益进行了测算：研报标题反映的分析师超预期观点和以去年同期净利润作为预期值。多数时间内策略相较市场存在溢价，不过2021-2023年出现波动。分析师视角和历史业绩视角，二者回撤期存在不同。事件失效代表的是用以刻画业绩超预期的方法出现了问题，还是该区间内市场不再关注该属性？仅使用现有数据或无法回答这一问题。站在当前时点，我们也无法回答其后续有效性是否能够回复。净利润断层策略在财报季也经常使用，其一般需满足业绩的超预期和股价的跳空高开，二者均存在不同的定义，实际表现也存在差别。样本外表现更为关键。
在预期和边际思维体系下，超预期事件才会推动交易带来价格的变化，因此核心落在是否出现超预期。从实际应用看，不同投资者对于超预期的定义不同，不同标的适用性也不同。此外，交易思维或更为关键。对于拥有潜在定价权的投资者，在某一维度超预期的情况下，其当前若并不据此进行买卖操作，超预期对价格也不会产生影响。因此现在的问题转换定义属性，测算属性溢价。对于宏观预期，所需完成的便是定义宏观属性，在考虑其他因素的前提下，分析其收益表现。
2.3. 小结：什么是预期
现有研究中往往通过使用存在经济关联的高频数据，形成特定的宏观预期。在此基础上，判断是否超预期或低于预期，并在此基础上给出投资观点。分析师形成预测值的思路与前文所述模型相似，不过或更精简。超预期分析框架下，对预期的定位是关键。什么是预期，如何寻找市场一致预期？例如经济增长，基准可以是分析师预期、上一季度、去年同期、过去3年滚动均值、超出均值一倍标准差等等。例如公司业绩，同样可以设定多个维度的预期基准。但这些是否为市场一致预期呢？以净利润断层策略为例，除定义业绩超预期外，还需要交易的配合，即应在公告次日跳空高开。实际应用中我们会发现，不同投资者/不同标的，使用/适用的超预期定义存在差异。同样对于经济增长，GDP/工业增加值/社零/PMI/进出口等均可作为代理变量，但不同投资者关注点存在差异。超预期反应的是实际值与所选基准之间存在差异，从逻辑层面或无法区分，还需要考虑交易维度的定价权。这里所要表达的是，即使触发了投资者的超预期设定，如果没有通过交易进行表达，同样不会引致价格变化。
从风控模型视角，我们认为可拆分为属性和属性溢价两个层面。前者为先验定义，即客观事实。例如业绩超预期，可以由分析师净利润预测定义，也可由研报标题定义，历史数据也可作为预期的基准。事前看，或无法有效区分哪一个定义更为合理。对应到宏观预期，例如增长/通胀/汇率等，也可通过上述环节对交易中所隐含的预期进行刻画，并在此基础上进行策略构建。属性溢价，则是从全局交易层面进行收益分析，即满足了该条件或暴露于该敞口，是否可获取超额收益。价格是信息逻辑演绎并付诸于交易的结果，其本身为复合变量。因此在进行溢价测算时，需剔除已有因素的影响。例如对于经济增长，可使用股票指数、商品指数和债券指数等进行高频拟合。但资产价格本身为多因素复合结果，仅考虑相关性或会出现偏差。后文我们将通过权益市场，对于隐含的宏观预期进行分析。
03
权益市场隐含的宏观预期
此部分我们对经济增长、通胀、利率和汇率等维度，分析权益市场交易所隐含的预期。具体来说，首先需进行投资逻辑构建，进行宏观属性定义，在此基础上，讨论宏观预期变化下的资产配置策略。
3.1. 从属性和溢价视角理解宏观风险
DDM框架下，股票价值由分子端股息贴现值决定。宏观风险与行业、微观最大的区别是其影响范围大，即为系统性风险，因此单资产往往无法进行风险对冲，需从组合层面展开。宏观风险应至少影响到股息和贴现率的其中一项，典型会参考的维度包括经济增长、通胀、实际利率、汇率、政策等。DDM分子端对应的是盈利增长预期，分母端为无风险利率和标的风险溢价。因此可影响分子或分母的宏观因素，均可对其定价能力进行评估，以确定是否将其作为宏观风险纳入。
DDM框架下影响增长预期和贴现水平的因素较多，且影响机制相对复杂。例如经济增长对多数公司营收有正向影响，但同时会推动通胀水平；通胀水平上升，会影响公司成本端，但对部分上游公司是利好；汇率变化对出口占比较高/原料依赖进口的公司影响较大。因此首要解决的是找到具有特点宏观风险敞口的标的。本报告中，我们从业绩维度出发进行宏观投资逻辑的定义。
需明确两个问题：如何刻画公司盈利水平；应选择哪些宏观指标。因为仅考虑宏观环境影响，因此应尽量规避会计准则、公司政策等对盈利指标的影响。在前期景气度监测相关研究中，收入和成本决定了盈利，两者又可拆为成本/收入端价格和数量。因此仅考虑主营业务收入和营业成本科目，据此计算得到所需盈利指标。此处分析的是实际会对公司盈利产生影响的指标，并不追求前瞻性。经济增长作为系统性因素，应将其纳入；通胀对公司成本和收入端均可能带来影响，细分为生产和需求端；利率波动对财务成本会产生影响；汇率变化对成本原料进口或海外市场销售公司经营有较大影响。确定所用指标后，分析各标的盈利对宏观指标敏感度。
3.2. 宏观收益：整体偏风险属性
基于前文方法，此部分对宏观属性收益进行时序测算。具体来说，分析宏观属性的纳入可对模型解释度的提升程度，以及各属性溢价特征。宏观属性为回归所得，根据显著性进行纳入。与GDP负相关标的较少，可参与回归的时间占比仅为51%；CPI正向标的则在2%的时间内空缺（表1）。
宏观属性的纳入使得模型解释度从34.10%提高至34.59%，调整R2则提升0.26%。从解释度贡献看，宏观属性整体为0.39%，与波动率和盈余相近。细分看，GDP和PPI相对贡献更高。图7中统计了各属性单日最大解释度贡献情况，可以发现宏观属性远低于市值、动量，也低于盈余、价值和分红等。从Sharpe看，GDP-正向、CPI-正向和汇率-正向属性表现相对较好；从年化收益看，CPI-正向溢价最高。若仅考虑收益情况，例如CPI-正向可被视作阿尔法属性。不过从最大回撤看，均远高于其年化收益。因此，可认为各宏观属性均为风险因子。
3.3. 因子收益隐含了哪些宏观预期
前文我们对增长/CPI/PPI/利率和汇率等宏观属性收益进行了定义和测算，其经济含义是什么？此处我们对分析过程重新进行说明：增长和通胀等因素会对公司业绩带来影响，因此测算业绩与宏观指标的相关性，从中筛选出参数显著的标的组合，用以代表特定的宏观逻辑。例如CPI，构建得到对其正相关和负相关的两个股票组合，此即属性。相对于溢价来说，属性相对稳定，尤其是从基本面维度所得估计值。以通胀-正向属性为例，其代表的是公司业绩受益于通胀上行。属性溢价，即市场当前给予该属性的超额收益，在其他因素相同的情况下的收益差值。溢价代表了市场对属性背后投资逻辑的定价，这包括方向和程度。
属性溢价反映的是对于各维度宏观因素的预期，并将其通过交易映射到股价，其与实际指标走势或并不一致。溢价方向和程度反映的是宏观预期的方向和水平，波动率代表的是预期的确定性，环比/同比变化隐含着预期的变化。正向和负向属性，二者可得综合宏观属性收益，即GDP、CPI、PPI、利率和汇率共五个维度。
3.4. 从宏观预期到资产配置组合
如何将交易隐含宏观预期应用到资产组合配置？此部分所涉资产包括股票（中证800）、债券（10年国债）、商品（南华商品指数）和汇率（美元兑人民币），所考虑逻辑包括：收益自身方向、收益同比/环比变化方向。因子收益为即时结果，不存在滞后。根据月末时点值，统计次月资产表现。具体来说，按当月收益/同比变化/环比变化正负进行状态划分。
图11-图14为单宏观预期所对应结果。对于股票，CPI、PPI和汇率预期及变化预测能力较强；对于债券，均有一定的区分能力；对于商品，除汇率预期外，均为正相关关系；对于汇率，CPI、汇率和PPI预期均有较强的分组效果。图15中给出的是各资产区分度较高预期指标：CPI环比下行股票占优、PPI下行债券占优、PPI环比上行商品占优、汇率预期同比上行时汇率占优。从图16中可以看出，各预期值所划分状态样本分布较为均衡。
3.5. 宏观-资产配置体系的思考
市场对宏观状态和资产价格关系的研究由来已久，现有方法主要包括如下几类：一，使用既定宏观指标进行状态划分，统计资产收益表现，在判断当前/未来状态的基础上，给出价格的预测；二，将资产收益对宏观指标进行回归，相较状态划分可纳入更多解释变量；三，从事件角度刻画宏观数据的发布，分析资产后续收益表现；四，宏观风险配置，资产化构建高频宏观因子，获取资产敞口，对宏观因子进行配置。
上述研究方法在细节上存在差别，不过均涉及如下环节：宏观指标的定义、宏观状态到资产的映射、观点生成和表达。宏观到资产组合配置的目标是规避下行期，把握上行期。从图17可以看出，股票下行期相对较长、商品在2011-2015年处于下行期、债券波动较小下行期时间较短、汇率存在较为典型的周期。图15中PPI环比对商品有较好的区分效果，不过仍存在连续的超额回撤，出现在商品上行期。
宏观维度的特点是频率低、指标维度多。频率低意味着样本少，维度多意味着可选择多。以增长为例，可以选择GDP，也可以选择工业增加值、社零、进出口，还可以参考社融、固定资产投资等。维度多的一个影响是，不同指标给出的信号可能不一致，从逻辑视角并无法进行有效筛选。样本少叠加维度多，导致现有进行策略构建时，多多少少会出现过拟合的情况。站在策略构建时点，所选用的指标或会参考现有研究成果，而这已经是优化之后的指标池。除此之外，指标的处理同样可使得可用值大幅增加：同比增加、环比增加、相较3个月前增加、相较12个月增加、超过过去3年均值一倍标准差。
正如前文对超预期基准所分析的，这是一个实证问题而非理论问题。假设有100个宏观指标，每一个指标有6种处理方法，然后将其划分为上行、震荡和下行状态，可得1800个结果。当进行行业配置研究时，可使用的指标维度会更多。图18中，每月生成随机0-1信号进行多空配置，模拟1000次，可以从中筛选出表现较好的信号序列，这对样本外指导价值较小。正如因子选股研究，对数据挖掘现象进行了较多的讨论，宏观-资产配置同样面临这一问题。参数或应从常识出发进行确定，而非优化。
经济逻辑到投资组合往往存在一定的距离，仅讨论理论而不给出回测会使得可信度降低。策略回测的问题在于，往往会倾向于进行一定的美化，即所谓的过拟合。很多情况下，这一现象却并非刻意为之。以风控模型为例，各家会进行相应的风险因子优化补充。在此基础上，发现新的模型效果优于原有模型，但在当前时点之前，我们并不知道这些新的风险因子。回测还可能存在的问题是，假设策略在历史上出现了较大的回撤，事后看会修复，但站在该时点或已进行了平仓操作。回测可提供给我们的是策略初印象，并非可直接应用到实盘中。回测所提供的胜率等指标，本身需要重复的策略执行来复现。在低频调仓下，所需时间会更久，尤其是出现回撤时。
不论是本报告所研究的宏观-资产配置体系，还是选股/CTA/择时等策略，本质问题是一样的。单一策略大概率无法持续有效，因此需寻找相关性较低的多个策略。在风控模型体系下，需评估各策略的阿尔法/风险属性。择资产、择时、择行业/风格、择个股，基本涵盖了所需解决的问题。从实际结果看，或均较难实现长期稳定的超额表现。主动管理的核心是控风险、获取超额收益，目标是构建更适用于实际的投资策略。
04
风险提示
本文结论通过历史数据归纳总结得到，历史不代表未来，样本外存在失效风险；收益指标等均基于报告内给定区间测算所得，不代表其后续表现。宏观经济、政策和市场环境发生变化时，模型存在失效风险。数据风险：未来的数据分布和特征可能与历史数据分布不一致，从而造成模型失效。
报告作者：
陈奥林 从业证书编号 S1230523040002
徐忠亚 从业证书编号 S1230523050001
详细报告请查看20240822发布的浙商证券金融工程深度报告《交易即信息：权益市场隐含的宏观预期》
法律声明：
本公众号为浙商证券金工团队设立。本公众号不是浙商证券金工团队研究报告的发布平台，所载的资料均摘自浙商证券研究所已发布的研究报告或对报告的后续解读，内容仅供浙商证券研究所客户参考使用，其他任何读者在订阅本公众号前，请自行评估接收相关推送内容的适当性，使用本公众号内容应当寻求专业投资顾问的指导和解读，浙商证券不因任何订阅本公众号的行为而视其为浙商证券的客户。
本公众号所载的资料摘自浙商证券研究所已发布的研究报告的部分内容和观点，或对已经发布报告的后续解读。订阅者如因摘编、缺乏相关解读等原因引起理解上歧义的，应以报告发布当日的完整内容为准。请注意，本资料仅代表报告发布当日的判断，相关的研究观点可根据浙商证券后续发布的研究报告在不发出通知的情形下作出更改，本订阅号不承担更新推送信息或另行通知义务，后续更新信息请以浙商证券正式发布的研究报告为准。
本公众号所载的资料、工具、意见、信息及推测仅提供给客户作参考之用，不构成任何投资、法律、会计或税务的最终操作建议，浙商证券及相关研究团队不就本公众号推送的内容对最终操作建议做出任何担保。任何订阅人不应凭借本公众号推送信息进行具体操作，订阅人应自主作出投资决策并自行承担所有投资风险。在任何情况下，浙商证券及相关研究团队不对任何人因使用本公众号推送信息所引起的任何损失承担任何责任。市场有风险，投资需谨慎。
浙商证券及相关内容提供方保留对本公众号所载内容的一切法律权利，未经书面授权，任何人或机构不得以任何方式修改、转载或者复制本公众号推送信息。若征得本公司同意进行引用、转发的，需在允许的范围内使用，并注明出处为“浙商证券研究所”，且不得对内容进行任何有悖原意的引用、删节和修改。
廉洁从业申明：
我司及业务合作方在开展证券业务及相关活动中，应恪守国家法律法规和廉洁自律的规定，遵守相关行业准则，遵守社会公德、商业道德、职业道德和行为规范，公平竞争，合规经营，忠实勤勉，诚实守信，不直接或者间接向他人输送不正当利益或者谋取不正当利益。
