行业配置宏观篇边际驱动的逻辑

1、导语本文主要分析宏观经济因素驱动行业价格变化的传导逻辑。我们把宏观因子驱动 行业价格的逻辑总结为两个变化。第一个是影响行业定价的宏观因子会发生变化：不同时期，市场最为敏感的宏观要素是在发生变化的，某些行业在过去主要驱动 因素为流动性，而这种驱动因素在下一个周期转换到经济增长上。第二是宏观因 子传导到行业上的敏感性大小以及传导方向会发生变化。这种变化具有一定规律 性。我们采用量化统计的验证方法，从行业配置的角度出发，来探讨宏观驱动行 业价格的动态逻辑关系。图 1：本文主要分析内容资料来源：整理在不同宏观周期下市场结构会发生演变，具有超额收益的优质行业赛道往往是特定宏观环境下的产物。只有当我们能够

2、较为准确的刻画当下的宏观市场特征以及其传导到行业的敏感性大小，我们才能从方向上把握住风口板块、行业。总量宏观因子对于 A 股的影响是多重的，并非单一固定结构。结合国内经济增长、通胀、流动性以及利率水平的变化，我们可以较为全面的刻画出所处经济状态，并推导出对应区间相对占优的行业、风格板块。从宏观、中观上的意义来说，对市场的把握重要性不亚于。市场上宏观经济指标驱动资产价格变化的逻辑比较复杂，涉及较多的逻辑条线。宏观变量传导到资产价格变化在时间上具有不确定性，且数据频率太低，很难区分数据中的噪声和信号，故使用宏观数据预测资产回报十分困难。1、 行业配置框架本文重点刻画宏观因子传导到行业的敏感性变化。

3、当市场上缺乏行业基本面逻辑 支撑时，宏观逻辑对于行业的定价作用往往更重要。比如在市场对于经济基本面 预期较为乐观的情况下，产业基本面的好坏直接传导到行业价格，又比如新技术 发展驱动的产业爆发期，掌握核心技术的企业往往具有超额收益。当市场对于基 本面的预期较为混乱，市场往往更为关心信用、流动性何时企稳，通胀何时趋缓， 市场风险偏好合适提高等等。这个时候宏观因子传导到行业定价的逻辑更为重要。图 2：宏观因子行业定价逻辑资料来源：整理1.1 、 宏观因子的综合刻画1.1.1 、 扩散指数的编制本文通过宏观指标来对行业未来收益进行建模预测。首先引入 30 个刻画经济、物价、流动性、利率的细分宏观指标。

4、统计局公布的宏观指标本身发布频率较低，具有滞后性。我们在数据处理过程中对部分宏观指标进行滞后一个月处理，并且将不同频率的统计值都对齐到月频上进行分析。传统的宏观预测模型存在大 N 小 t 的情况，即自变量的数量较多，而样本较少，容易形成误差过大。我们在此采用合成大类扩散指标的办法进行降维。将 30 个宏观指标拟合成 4 类扩散指数：经济增长扩散指数、物价通胀扩散指数、流动性扩散指数以及利率扩散指数：我们构建宏观扩散指标的方法如上公式，先计算细分宏观指标在过去历史百分位，在大类中对其进行加权平均，然后对过去三个月数值进行平滑，最终得到宏观扩 散因子。图 3：大类宏观因子对应细分项资料来源：整理1

5、.1.2 、 扩散指数的特征根据以上编制方式，我们得到的宏观因子走势及特征如下图。图 4：宏观因子走势及特征Wind，从相关性视角观察，在 20142021 年，经济增长与通胀、利率的相关性较高，利率和通胀的相关性也比较高，流动性和通胀的相关性为负，流动性和利率的相关性为负。表 1：宏观扩散指数相关性矩阵Wind，1.1.3 、 宏观因子的重要性变化宏观指标对行业收益的驱动力在时序上分布不同。我们主要通过自向量回归模型 (VAR)中的方差分解来刻画。方差分解是分析内生变量对因变量的结构冲击贡献度。如下图所示，对于行业 1，在 T1 时刻，单因子 1 对解释行业收益的贡献度较高。随着经济周期的改

6、变，在 T2 时刻，单因子 2 对解释行业收益的贡献度最高。也就是说驱动行业 1 的主导宏观因素发生了切换。这种切换在季度维度的频率上是相对稳定的，而在一年或者更长的时间内会发生切换。表 2：方差分解示意图Wind，同一行业在不同时期主要驱动因素有区别。以石油石化行业为例，在 2018 年之前主要通胀驱动。在 2019 年之后经济增长驱动的重要性提升，最新一期的主要驱动因素为经济增长。石油石化价格不仅受供给需求影响，还受到国际形势地缘政治的冲击。从我们方差分解的角度来看，在 2019 年之后经济增长对于石油石化的驱动力不断增强，其价格波动更多受到基本面供需驱动。图 5：不同时间宏观因子对于石油

7、石化行业的驱动力变化Wind，结合近一段时间来看，不同宏观因素对于行业收益影响的驱动力敏感性不同，各行业总体上都有相对稳定的宏观驱动因子。我们根据模型的结论，将宏观因素到行业的驱动力映射关系展示如下。经济增长对于石油石化、煤炭、钢铁、基础化工、建材等行业较为重要。通胀对于有色金属、消费者服务、农林牧渔等行业驱动明显。利率对于通信、计算机、家电、国防和军工等行业驱动明显。流动性对于电力及公共事业、新能源、交运、电子板块驱动明显。图 6：宏观驱动因子稳定驱动各行业分类资料来源：我们从整体行业配置上来看，在不同时段，宏观因素主导驱动的行业数量也在发生变化。在 2019 年之前，流动性主要驱动的行业个

8、数占比较高，而经济增长、利率驱动的占比较低。这个情况在 2020 年之后发生改变，部分之前受到流动性主导的行业切换为经济增长或者是利率主导。这背后隐含着市场对于基本面的重视程度在提高。机构投资者在定价时更重视基本面，2018 年之后机构投资者在市场中的话语权不断提升，基本面定价逻辑更受重视。图 7：宏观驱动因子时序配置数量分布Wind，1.2 、 宏观敏感性变化提示行业配置的逻辑我们从宏观敏感性的角度出发，自上而下的对行业配置进行建模，力图在不同的经济周期下获取相对稳健的超额收益。如下图所示，在每一个横截面上，我们首先结合宏观因素的边际变化，再判断宏观因素对行业是否为重要驱动，并且分析行业在该

9、宏观因素上的暴露方向，最后综合各要素，对横截面上的行业进行配置。图 8：宏观敏感性驱动行业配置的逻辑资料来源：整理模型配置行业的思路如下（对模型引入滞后 N 期的自变量做了一定简化，在此只考虑滞后一期自变量）：1. 在时间 T 的横截面上，将每个行业对 4 个宏观因素同时做自向量回归，其中自变量包括4 个宏观因素，需要预测的对象为行业未来一期的相对收益大小。2. 回归得到的敏感性系数矩阵如下图。该系数矩阵乘以宏观因子值得到下一期预测值。3. 对下一期预测值进行排序，配置未来收益较高的一组行业。表 3：行业配置构建方法示意图Wind，行业收益在未来一期的预测值同宏观因素 2 对各行业的敏感性 b

10、eta 关性最高。这也印证了方差分解的结论，当前宏观因素 2 对于行业配置的驱动力最高。1.3 、 宏观驱动行业的原理我们运用向量自回归模型进行动态综合建模，主要基于两个目的：首先我们需要探讨宏观到行业之间的动态联系：通过自向量模型中的方差分解，我们可以解析变量间动态联系，从定量的角度来确定当下对资产价格影响最大的宏观因素。其次我们需要对行业未来一期的收益进行预测：通过拟合预测值的相对高低，决定下一期行业配置的选择。图 9：向量自回归模型刻画敏感性刻画及预测示意图资料来源：整理1.4 、 向量自回归模型 VAR 建模步骤不管是探讨宏观传导到行业的动态变化，还是预测未来一期的行业收益，模型中使用

11、的自变量、因变量都需要在统计上满足显著的前提条件，才能够进行有效建模。这些条件包括：变量本身满足 ADF 平稳性、变量之间满足协整关系等。如果变量是非平稳的或者不具备协整关系，预测的准确性会降低。在此基础上，还确定模型引入滞后几期的自变量。最后通过方差分解、脉冲响应来刻画宏观敏感性的变化，并且对未来收益进行预测。图 10：向量自回归模型建模步骤资料来源：整理 第一步：ADF 检验ADF 检验的目的是考察自变量是否满足平稳性。若变量非平稳，则会带来伪回归问题，导致预测不准确。我们对 30 个细分项原始自变量本身以其一阶差分进行 ADF 稳定性检验，检验的 P 值越小越容易通过。如下图所示，PMI

12、 、PMI生产、PMI 新订单、工业增加值同比、发电量这几个指标本身平稳，其余变量均为一阶平稳。表 4：30 个细分自变量 ADF 检验结果Wind， 第二步：协整检验该过程检测自变量和因变量之间是否具有协整关系，这是模型稳定的前提。协整检验 P 值结果越小越容易通过检验，变量之间的协整关系更加稳定。协整检验结果显示，大部分配对关系均显著满足协整关系，除了地产销售、PPI、剪刀差、剩余流动性。由于我们会将细分统计指标拟合成宏观扩散因子，所以这并不影响我们后续建模。表 5：30 个细分自变量协整检验结果Wind，我们对上述步骤进行拆分。首先是ADF、协整检验：1. 以石油石化作为因变量，以经济增

13、长扩散指数作为自变量，进行 VAR 建模；2. 选取 2013 年 1 月到 2017 年 12 月的数据为样本内测试集，样本长度为 60期；3. 经济增长的 ADF 检验通过，P 值 0.26%<5%，说明该经济增长扩散因子稳定。4. 石油石化与经济扩散指数的协整检验 p 值 2.56%，协整检验通过，说明两者之间具有稳定的长期关联。表 6：石油石化行业 ADF、协整检验结果Wind，横向来看，除流动性扩散指数 P 值高达 15%以上，石油石化和经济增长、通胀、利率的协整关系基本明显；纵向来看，以经济增长指数为自变量的向量自回归模型对石油石化的敏感性程度最高。表 7：石油石化行业在不同

14、维度的协整检验结果Wind， 第三步：AIC、BIC 确定最优滞后阶数我们采用 AIC 和 BIC 方法对模型进行定界，确定引入滞后几期的自变量时模型最稳定。准则目的是达到似然函数最大化和模型参数个数最小化的平衡，使得模型有较好的拟合效果，同时减少过拟合概率。AIC、BIC 越低对应的阶数越稳定。滞后期数越多会引入过多的自变量，从而增加模型估计的复杂程度。当两个定阶准则给出的指引不一样时，我们综合考量选取较少的阶数。以石油石化行业为例，当 AIC、BIC 给出的结论不同时，我们取最小值 2 为最终阶数，进行下一步预测，降低模型复杂程度。图 11：石油石化行业定阶Wind， 第四步：脉冲响应分析

15、我们通过脉冲响应的大小和方向判断自变量对因变量的影响敏感性。从经济增长对石油石化行业的脉冲响应来看，脉冲响应在第一期达到峰值，后续逐步收敛到零，且脉冲全部为正。图 12：石油石化行业脉冲响应分析Wind，经济扩散指数对石油石化行业价格相关性整体较强。2019 年之后经济扩散指数先在底部（20%40%）区间震荡，然后在 2021 年 6 月不断上升至 80%随后下降，随后 2021 年 10 月石油石化指数价格见顶，疫情后消费复苏拉动了经济短期上行，也推高了周期品的需求。两者在 2017 年之后的相关性增强，相关性高达 52%。图 13：经济扩散指数对石油石化行业影响Wind， 第五步：VAR

16、拟合预测下一期相对收益，判定驱动力的敏感性及方向定阶之后，我们引入过去两个月的宏观因子来做预测，通过对模型进行拟合，将得到的自向量回归模型的系数带入以下公式。𝑦𝑝𝑟𝑒𝑑𝑖𝑐𝑡 = 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡 + 𝑦𝑙𝑎𝑔1𝐵𝑒𝑡⻔

17、6; 𝑦𝑙𝑎𝑔1+ 𝑦𝑙𝑎𝑔2𝐵𝑒𝑡𝑎 𝑦𝑙𝑎𝑔2 + 𝑥𝑙𝑎𝑔1𝐵𝑒𝑡𝑎 𝑥𝑙𝑎𝑔1+𝑥𝑙𝑎w

18、892;2𝐵𝑒𝑡𝑎 𝑥𝑙𝑎𝑔2举例：我们用到 2017 年 11 月、12 月两期原始数据，来对 2018 年 1 月的收益进行预测。模型给出的预测值为-1.68%，实际下个月相对收益为-3.3%。从拟合系数上看，过去一个月经济扩散指数对于该行业的影响为正，而过去两个月的影响为负。二阶滞后系数的 T 检验系数相对不如一阶滞后显著，所以我们认为自变量对因变量的影响相对为正面。这也同我们脉冲响应观察到的结论比较一致。表 8：向量自回归模型拟合石油石化行业收益的统计量结果W

19、ind，2、 构建扩散指数以及单因子回测分析2.1 、 经济增长扩散指标从经济扩散指数与构成子项走势图看，该扩散指数能够有效捕捉 PMI、GDP 增速的拐点，且在一定程度上熨平了各个分项的波动。该指数的构建具有实际逻辑基础。经济增长扩散指数与沪深 300 指数在 17 年后相关性增强。在全部样本区间，两者相关性为-24%，2017 年之后两者相关性加强达到 41%。图 14：经济增长扩散指标与构成子项走势图Wind，图 15：经济扩散指标与构成子项走势图，我们将煤炭与经济扩散指数进行滚动回测，以过去 60 个月的数据作为测试样本，按照前述的步骤预测未来一个月行业的涨跌幅。从整个时间序列来看，我

20、们通过观察回测样本的 beta 相关系数、方差分析、脉冲响应结果，格兰杰检验p 值在在 2019 年之后降幅较高，且脉冲响应提升。我们可以得到如下结论：经济增长对煤炭的影响为正，且经济增长对因变量的驱动大概在 2019 年之后变强。表 9：煤炭行业与经济增长扩散指标回测结果Wind，从时序上来看，模型对于下一个月煤炭行业预测的收益同实际下月相对收益的同步性在 2019 年之后逐步稳定，在 2019 年之前会出现预测反向的情况。整体相关性（共 49 期，从 2018 年 1 月 31 日开始）相关系数为 3%，从 19 年至今，相关性高达 18%。表 10：煤炭行业模型预测准确性Wind，经济增

21、长驱动不同行业的敏感性不同。19 年之后经济增长对于周期板块的影响为正，对于银行、TMT 板块影响为负。当经济开始复苏的时候，市场对上游原材料的需求会首先启动，因此偏周期的板块与经济增长具有同步性。当经济处于衰退区间，利率往往会下行释放一定流动性，TMT 新兴板块会受益于利率下行。由于银行板块估值较低，存在某些风控管理到位的银行个股在经济下行时能够为投资者提供保护。表 11：经济增长扩散因子对相关行业的敏感性不同Wind， 经济增长扩散指标回测表现经济扩散指标在行业回测的表现为年化收益率 7.75%,波动率 7.97%,信息比率 0.97,最大回撤 17.21%。策略在 2015、2017 年

22、有最大回撤。回测分组收益单调性明显，且第五组月均超额收益 0.84%。模型在 2018 年之前收益一般，主要是因为 2018 年之前经济增长驱动的行业较少。图 16：经济扩散指标回测的表现，表 12：经济扩散指标在行业配置回测分组超额收益Wind，经济扩散指数 IC 均值 8.42%,ICIR 达到 25.54%。图 17：经济增长扩散指数与 IC 序列Wind，从各年度表现上看，模型在 2014、2016 年超额收益为负，2019 年至 2021 年有不错的收益。表 13：经济增长扩散指数在各年度收益表现Wind，2014 年经济增长处于震荡阶段，扩散指数震荡下行模型选择大部分对经济增长响应

23、为正的行业；2016 年扩散指数单调上行，但宏观因素对于各行业的驱动结构存在变异点，不同于长期维度，因此收益表现也一般。表 14：经济增长扩散因子回测超额收益表现差的年份Wind，模型在 2019 年至 2021 年表现较好。自 2020 年 3 季度以来,经济增长扩散指标处于先上行后下行的通道。在 2020 年 4 季度以及 2021 年 11 月份以来，经济增长扩散指标绝对值偏低，模型多头配置较多对经济增长偏低 beta 的蓝筹板块。在 2021 年 2 季度配置较多对经济增长高 beta 的周期板块。表 15：经济增长扩散因子回测中超额收益较高的年份Wind，石油石化 交通运输 银行传媒

24、 国防军工汽车电力及公用事业 消费者服务 通信钢铁基础化工 电子煤炭建材 计算机 商贸零售 医药家电房地产 食品饮料 非银行金融41-55.-31.79509.-2.86-27-18.41.06-1859-15.57-15.90-14.07-14.13-12.7-6.79-5.7 2020-2021beta平均 轻工制造电力设备及新能源纺织服装农林牧渔有色金属851.823.878.9.589311.241212.37.60147414.0016.6818.0619.8619.733.9252.82020-2021beta平均建筑机械表 16：经济扩散指各行业 2020-2021 平均 bet

25、a 暴露Wind，2.2 、 通胀扩散指数由于 CPI 相对 PPI 来说波动范围较小，因此其历史分位数的波动相当于放大了原有指数波动，与扩散指数的拟合相对较弱。图 18：通胀扩散指标与构成子项走势图，以食品饮料行业为例进行分析，在 2019 以前，通胀对食品饮料行业的解释程度最高，涨价逻辑可以较强驱动行业收益。从 beta 系数和脉冲响应来看，通胀扩散对于食品饮料的影响基本在 2019 年前是正相关，在 2021 年后 beta 和脉冲响应变为负。表 17：通胀扩散指标与食品饮料回测结果Wind，2019 年后宏观驱动因子逐步替换为流动性。特别是 2020 年 CPI 下行，食品饮料持续上涨

26、，两者脱钩明显。2020 年 3 月之后，CPI 同比涨幅开始下降，蔬菜、鸡蛋和肉类等厨房必需品价格回落，市场对于经济增长和流动性的关注度较高，对于通胀的关注度减弱。图 19：食品饮料与通胀扩散指数&CPI 物价指数走势Wind，通胀因子对不同行业的敏感性不同，对部分行业的影响大小和方向如下图。通胀上升对于化工、建材、食品饮料、农林牧渔行业的影响为正，对于地产行业、非银影响为负。表 18：通胀扩散因子对相关行业的脉冲响应Wind， 通胀扩散指标的回测表现通胀扩散指标在行业回测的表现在 2017 年至 2020 年表现较好。年化收益率 1.29%,波动率 7.03%,信息比 0.18,最

27、大回撤 17.03%。策略在 2016、2017 年有最大回撤。图 20：通胀扩散指标回测的表现，模型在 2014、2016 年超额收益为负，2018 年2020 年有不错的收益。图 21：通胀扩散指数与 IC 序列Wind，其中多头回撤最大的年份为 2014 年和 2016 年，IC 为负的比例较高。2016 年扩散指数明显上行，模型传统周期、制造业、消费行业较多，这些行业对通胀响应为正。表 19：通胀扩散因子超额收益表现较差的年份Wind，模型的 IC 值在 2020 年为正的比例较高，多头收益明显。2020 年通胀扩散指数下行，随着市场对通胀的担忧下降，模型多头配置成长板块较多，相对收益

28、较高。Wind，2.3 、 流动性扩散指数流动性通胀指数由剪刀差、M1 增速、M2 增速、 剩余流动性、社融同比增速子项构成。通过观察 3 个子项所处历史百分位序列与经济扩散指数的相关走势，相关结论如下：1. 流动性扩散指数能够有效捕捉剪刀差增速的拐点，且在一定程度上对各分项熨平了波动；2. 流动性扩散指数的拐点在 2018 年以前领先于社融增速拐点，主要是因为流动性到信用的传导需要一部分时间；3. 扩散指数与 M2 拐点在 2016 年之后基本一致，且熨平了部分波动；4. 当前流动性扩散指标处于下行区间，M1 同比、社融同比都下滑；图 22：流动性扩散指标与构成子项走势图，以电力设备新能源行

29、业为例，流动性扩散对于电力设备新能源的影响基本是正相关，且敏感性在 2021 年上半年最高。如下图所示，在 2021 年上半年 T 检验的 P 值、协整检验P 值相对较低。流动性对于新能源行业的 beta 持续为正。表 21：流动性扩散指标与电力设备新能源回测Wind，从 2018 年至 2021 年上半年，流动性对于电力设备新能源的驱动一直处于主导状态，之后主要驱动因素转变为经济增长。由于 2021 年下半年疫情逐步企稳，流动性相开始收缩处于边际下行的状态，流动性推高估值的逻辑不再持续。市场转向挖掘未来业绩更有确定性的板块，意味着行业的主要驱动因素从流动性切换为经济增长。图 23：宏观驱动逻

30、辑由流动性扩散指数转向经济增长扩散指数资料来源：流动性扩散指数对不同行业敏感性不同。该指标对于医药、食品饮料的影响偏负向，对于新能源、电力、交运等制造业板块影响为正。当流动性充裕时，市场的风险偏好提升，倾向于配置成长性更为明显的行业。而流动性下行区间，市场倾向于配置偏防御的板块。表 22：流动性扩散因子对相关行业的脉冲响应，流动性扩散指标回测表现：通胀扩散指标在行业回测的表现在 2017 年至 2020 年表现较好，在 2016 年有最大回撤。年化收益率 4.51%,波动率 8.26%,夏普 0.55,最大回撤 17.68%,卡尔玛 0.26。分组收益单调性明显，且第五组月均超额收益 0.4%

31、。图 24：流动性扩散指标在行业轮动回测的表现，基准第一组第二组第三组第四组第五组2022/2/282.351.932.142.192.083.42110月均超额-0.16-0.08-0.06-0.110.41通胀扩散指数 IC 均值 2.10%，ICIR 为 6.15%。表 23：流动性扩散指标回测分组超额收益，图 25：流动性扩散指数与 IC 序列Wind，分年度表现看，模型在 2017 年至 2020 年有不错的收益。2016、2021 年超额收益为负，这两年流动性扩散指数都面临下降。模型在上行区间都有不错的表现。表 24：流动性扩散指数各年度超额收益表现年份年化收益率年化波动率夏普比例

32、最大回20143.18%10.38%0.3120150.11%15.13%0.012016-9.01%7.81%201718.59%6.22%201813.46%20199.22%20202020212Wind，其中多头回撤最大的年份为 2016 年和 2021 年，IC 为负的比例较高。2021 年流动性明显更收紧，模型暴露较多的行业是消费、周期，这些行业对流动性的脉冲响应为负。表 25：流动性扩散指数超额收益表现较差的年份Wind，图 26：2021 年流动性平均脉冲效应Wind，自 2020 年流动性扩散指数处于上行通道，模型多头在 9 月份之前配置较为均衡，在 9 月份之后配置消费、制

33、造等板块,这些板块对流动性扩散指标的脉冲响应均为正。2020 年模型相对收益较高，且 IC 为正的比例较高。表 26：流动性扩散指数回测超额收益表现好的年份Wind，图 27：2020 年流动性对各行业平均脉冲效应Wind，2.4 、 利率扩散指数利率通胀指数由 10 年期国债、3 个月国债利率、6 个月国债利率、1 年国债利率等子项构成。该扩散指数同利率走势基本一致，且更为平滑。图 28：利率扩散指标与构成子项走势图Wind，以家电行业为例进行分析，在 2016 年之后，两者相关性有 12%，从趋势和拐点来看两者同步性较高。图 29：利率扩散指标与家电行业相关系在 2016 年之后更明显Wi

34、nd，流动扩散对于家电行业的Beta 系数、脉冲响应为正，其不同检验下 P 值都在 19年之后大幅下降，说明利率扩散因子对家电的驱动力在 2019 年之后增强。家电行业由于市值偏大，ROE 较稳定，股息率相对于其他板块较高，在利率上行时可以提供保护较多。表 27：利率扩散指标与家电行业回测Wind，利率扩散因子对不同行业的敏感性不同。利率对于大多数行业驱动的影响还是比较显著的，特别是对于TMT 行业、机械、国防和军工，当利率上行时这些行业会受到明显负向冲击，而利率对家电、地产、银行、非银等板块的影响显著为正，这部分板块具有高股息特征，在利率上行时提供保护。表 28：利率扩散因子对相关行业的敏感

35、性大小、方向Wind， 利率扩散指标回测表现利率扩散指标在行业回测的表现在 2017 年至 2020 年表现较好，在 2022 年有最大回撤。超额年化收益率 4.11%,超额波动率 7.42%,信息比率 0.55,最大回撤 19.79%。分组收益单调性不明显。图 30：利率扩散指标回测表现，利率扩散指数 IC 均值 3.69%，ICIR12.19%，换手 5.83。图 31：利率扩散指数与 IC 序列Wind，分年度表现看，模型在 2020 年有不错的收益，超额收益高达 27%，在 2016、 2021 年超额收益为负。表 29：利率扩散指数回测各年度收益表现年份年化收益率年化波动率信息比例最

36、大回撤20148.35%7.65%1.096.10%20157.39%11.17%0.6613.63%2016-5.38%5.32%-1.015.78%20170.00%5.37%0.004.27%20188.76%6.58%1.332.98%201910.33%6.20%1.672.50%202027.64%7.37%3.752.73%2021-12.22%10.49%-1.1616.91%Wind,3、 基于 VAR 的宏观综合模型应用3.1 、 动态综合模型构建3.1.1 、 全行业方差分析我们对经济扩散指数、通胀扩散指数、流动性扩散指数以及利率扩散指标进行综合建模，在横截面上对每一个行

37、业未来相对收益进行预测，构建动态综合模型。我们将行业的主要驱动力定义为方差分解中占比最高的宏观因素，其能够解释大部分的行业收益的波动。不同时间各行业所对应的主要宏观驱动因素展示如下：其中红色表示经济增长，橙色表示通胀，黄色表示流动性，绿色表示利率。表 30：全行业方差分析Wind，从时序上来看：经济增长指标在 2019 之后作为主要驱动力的比例提高。当前经济增长、流动性和利率对于行业轮动都很重要，而通胀的驱动力稍弱。图 32：宏观因素作为行业主要驱动力的占比，从截面上来看（对于单行业，历史上出现最多次的驱动因素）：1） 经济增长对于石油石化、煤炭、有色、钢铁、银行等板块的驱动力较显著，2） 通

38、胀对于建筑、农林牧渔、消费者服务等板块驱动力较显著，3） 流动性对于电力设备新能源等驱动显著，4） 利率对国防和军工、家电、通信、计算机、非银等板块驱动显著。表 31：宏观因素对各行业驱动力的情况Wind，3.1.2 、 综合模型回测表现综合模型超额年化收益率 6.26%,超额波动率 6.95%,信息比率 0.90,最大回撤 9.06%。IC 均值 6.96%,ICIR24.51%,年华换手 2.9 倍，整体换手较低。我们采用指数移动平均的方法对综合因子进行平滑。模型在分年度回测中表现比较稳健，除了 2016 年之外，每年的超额收益都为正。图 33：动态综合模型在行业轮动回测的表现，表 32：

39、动态综合模型分年度超额收益年份超额收益超额波动率信息比率最大回撤2016-4.843.86-1.256.6520171.234.610.273.74201813.286.931.925.36201911.946.141.942.55202013.098.011.647.2820214.659.890.478.5120223.309.260.363.40Wind，模型去年 2、3 季度配置周期（橙色）较多，当下配置消费（蓝色）和金融行业较多。第二第三第四第五第六ic换手组合月度收4.378-201.50-5银行食品饮料房地产农林牧渔家电电力及公用事业173.312449.6电力及公用事业银行农林牧渔食品饮料家电房地产4.3852433.3基础化工家电银行房地产0.758-245.12-4基础化工石油石