宏观逻辑的量化验证深入股债相关性的本质与预测

1、内容目录 HYPERLINK l _TOC_250019 股债相关性：古老而陌生的话题 4 HYPERLINK l _TOC_250018 股债相关性解构 4 HYPERLINK l _TOC_250017 股债相关性的本质来源 4 HYPERLINK l _TOC_250016 不同频率 Pearson 相关系数的关系 5 HYPERLINK l _TOC_250015 Pearson 相关系数更依赖于尾部样本 7 HYPERLINK l _TOC_250014 股债相关性预测对资产配臵的意义 8 HYPERLINK l _TOC_250013 股债相关性建模与预测 9 HYPERLINK

2、l _TOC_250012 海外股债相关性演变 9 HYPERLINK l _TOC_250011 美国股债相关性演变及其主要驱动因素 9 HYPERLINK l _TOC_250010 其他国家股债相关性演变及其主要驱动因素 11 HYPERLINK l _TOC_250009 股债相关性的理论模型与影响因素 12 HYPERLINK l _TOC_250008 我国股债相关性影响因子筛选 15 HYPERLINK l _TOC_250007 我国股债相关性历史表现 15 HYPERLINK l _TOC_250006 宏观因子检验与筛选 15 HYPERLINK l _TOC_250005

3、 学术因子检验与筛选 19 HYPERLINK l _TOC_250004 我国股债相关系数预测模型构建 23 HYPERLINK l _TOC_250003 基于认知融合与风险匹配的资产配臵体系 24 HYPERLINK l _TOC_250002 资产配臵的本质困境及应对方式 24 HYPERLINK l _TOC_250001 参考文献 25 HYPERLINK l _TOC_250000 风险提示 26图表目录图表 1：美林时钟框架下的股债相关性表现 4图表 2：国盛金工股债定价因素分解 5图表 3：各类影响因素到股债相关性传导路径 5图表 4：不同频率下沪深 300 与中债总财富指数

4、收益率序列滚动 1 年相关系数 6图表 5：单月股债日频相关系数与单月股债累计收益方向同步性 7图表 6：高信息量尾部样本对相关系数计算的影响 8图表 7：准确预测/不预测相关系数下的配臵策略净值 9图表 8：准确预测/不预测相关系数下的配臵策略动态回撤 9图表 9：标普 500 与美国 10 年期国债收益率序列相关系数（日频，指数加权半衰期 2 年） 10图表 10：美国长期通胀预期与 10 年期国债收益率 10图表 11：通胀控制前后美国股债表现驱动因素场景分析 10图表 12：通胀控制前后美国股债相关性与通胀预期 11图表 13：日本、德国、英国股债相关性变化（日频，指数加权半衰期 2

5、年） 11图表 14：日本股债相关性与长期通胀预期 12图表 15：沪深 300 与标普 500 股息率（%） 12图表 16：学术论文提出的股债相关性驱动因素 13图表 17：股债相关性由四大因素互相作用决定 14图表 18：我国股债相关性历史表现 15图表 19：因子-资产匹配方法流程图 16图表 20：因子对单月股债相关性多空择时结果（累加） 16图表 21：因子历史波动与滚动 6 月股债相关性波动 16图表 22：因子对单月股债相关性多空择时结果（累加） 17图表 23：因子历史波动与滚动 6 月股债相关性波动 17图表 24：因子对单月股债相关性多空择时结果（累加） 17图表 25：

6、因子历史波动与滚动 6 月股债相关性波动 17图表 26：因子对单月股债相关性多空择时结果（累加） 18图表 27：因子历史波动与滚动 6 月股债相关性波动 18图表 28：因子对单月股债相关性多空择时结果（累加） 18图表 29：因子历史波动与滚动 6 月股债相关性波动 18图表 30：ARIMAX 模型拟合与预测效果（方向累加） 19图表 31：ARIMAX 模型样本内拟合结果 19图表 32：ARIMAX 回归系数与显著性 19图表 33：预期通胀（短期）不确定性（%） 20图表 34：学术因子纳入模型后效果 20图表 35：预期通胀（长期）不确定性（%） 20图表 36：学术因子纳入模

7、型后效果 20图表 37：实际利率（短期）不确定性 21图表 38：学术因子纳入模型后效果 21图表 39：不可预期通胀不确定性 21图表 40：学术因子纳入模型后效果 21图表 41：股票特质波动 22图表 42：学术因子纳入模型后效果 22图表 43：股债收益率差（%） 22图表 44：学术因子纳入模型后效果 22图表 45：改进后 ARIMAX 模型拟合与预测效果（方向累加） 23图表 46：改进后 ARIMAX 模型样本内拟合结果 23图表 47：国盛金工我国股债相关性预测模型框架 23图表 48：基于认知融合与风险匹配的资产配臵体系 24股债相关性：古老而陌生的话题股债相关性解构股债

8、相关性的本质来源股债相关性衡量的是股票资产和债券资产收益波动的同步性，其在资产组合风险管理中一直处于重要位臵，然而却极少有报告对其特点结构进行深入剖析。本报告将对其进行多维度的探讨，以作抛砖引玉之用。通常认为股债相关性与经济周期相关。以 Naive 美林时钟框架来说，“复苏”和“滞胀”大致对应股债正相关，“过热”和“衰退”大致对应股债负相关。图表 1：美林时钟框架下的股债相关性表现资料来源：然而为何股债相关性会与经济周期相关？主要原因在于：股债相关性的来源本质是由于其定价都依赖于未来现金流和折现率，也即 DDM 模型的分子分母。这两者同时受到经济周期波动和货币政策变化的影响，进而使得股债出现了

9、相关性。我们对股债 DDM 模型进行进一步剖析。分子部分股债定价模型的区别在于：股票的分子是可变的，且为慢变量，债券的分子是基本不变的。分母部分股债定价模型的区别在于：股票的折现率为无风险收益率+风险溢价，债券的折现率为无风险收益率+期限溢价+信用溢价。股票和债券定价公式的分母部分都是快变量。图表 2：国盛金工股债定价因素分解资料来源：因而股债相关性的所有分析都可以基于这些因素。当某一因素仅影响了其中一个资产时，股债相关性将下降，当某一因素同时影响了两个资产时，股债相关性将上升。我们在下表中简单举例阐述影响路径和导致的股债相关性结果，当然实际情况一般是多个因素同时作用的综合结果：图表 3：各类

10、影响因素到股债相关性传导路径影响方式影响因子影响资产股债相关性分子预期未来每股股息（经济增长衰退）股票下降分母无风险收益率（加息降息、流动性崩盘）股票、债券上升分母风险溢价（风险偏好变化）股票下降分母期限溢价债券下降分母信用溢价债券下降资料来源：不同频率 Pearson 相关系数的关系资产收益率序列的 Pearson 相关系数在不同计算频率下有所区别。我们按照滚动 1 年的区间长度，采用日频、月频（间隔）、月频（重叠，Overlapping）三种方式计算沪深300 与中债总财富指数收益率序列的相关系数，可以看到三者趋势相近但细节上差异较大，特别是日频和月频的相关系数（月频下采用间隔法计算的相关

11、系数基本仍然围绕采用重叠法计算的相关系数波动）。导致此差异的主要原因在于时间序列的自相关性和交叉滞后相关性。图表 4：不同频率下沪深 300 与中债总财富指数收益率序列滚动 1 年相关系数资料来源：Wind，从理论推导来说，在时间序列的严平稳（平移不变性）假设下，资产收益率长区间相关系数和短区间相关系数具有如下关系式：( + + +1, + + +1) ,+ 1( )(,+ ,)= =1+ +i + 2 1( ) , + 2 1( ) ,=1 +i=1 +i可以看到当单一资产收益率序列没有自相关性（,+i = 0，,+i = 0），资产之间也不存在滞后交叉相关性（+, = 0，,+i = 0）

12、时，长区间相关系数才等于短区间相关系数：( + + +1, + + +1) = ,一般情况下，这种条件在真实金融资产收益率时间序列中较难满足，导致两者并不相等。两者不相等的一大后果是区间资产日频收益率相关系数与区间资产累计收益率方向同步性无显著关系，也就是说日频相关性为正未必代表两者区间累计收益同向，反之日频相关性为负未必代表两者区间累计收益异向。我们检验了沪深 300 和中债总财富指数2002 年以来单月的日频相关系数和单月累计收益同步性，发现两者仅有 49.33%的概率是一致的。换句话说：正确的 A 资产月频收益方向预测和正确的 AB 资产日频相关性预测的结合能否直接得到正确的 B 资产月

13、频收益方向预测？答案是：不知道。仅在相关性频率与观点频率一致的情况下观点对于相关性才有传导作用，而未来瞬时的低频相关性估计本身就是一个难题。图表 5：单月股债日频相关系数与单月股债累计收益方向同步性资料来源：Wind，从资产配臵角度来说，高频和低频的股债相关性都有研究价值，低频的股债相关性判断主要作用于战略配臵，高频的股债相关性判断主要作用于战术配臵。本报告主要着眼于资产收益率高频分布预测，因而更关注高频股债相关性。Pearson 相关系数更依赖于尾部样本从相关系数的计算角度，我们可以通过重构相关系数的组成进一步理解总体相关性方向与单期样本方向一致性之间的关系：Corr(, )= Cov(,

14、)1 1 2 2(,) (,)= ( ,*+ ( ,* ) )21 (, 2 + (, 2*=11 2 ) )= (期样本信息量 期样本单期相关性)=1可以看到单期相关性对总体相关性的贡献取决于单期样本所携带的信息量。也就是说，偏离均值越远的样本对相关性的贡献越高。尾部样本更大的决定了相关系数，而中心样本（均值附近的样本）对相关性影响更小。一个尾部样本可能需要许多个同向中心样本才能提供等价的贡献，因而 Pearson 相关系数对厚尾分布更为敏感，在防范投资风险当中具有显著意义，因为决定投资收益的并不是信息量较小的样本，而往往是那一两个尾部样本。图表 6：高信息量尾部样本对相关系数计算的影响资料

15、来源：股债相关性预测对资产配臵的意义时变的股债相关性对资产配臵提出了挑战，一种机制下的合理配臵在另一种机制下可能会有巨大的风险。因而股债相关性的预测势必会对资产配臵产生积极的作用。我们以熵池模型为例说明股债相关性预测对资产配臵的意义，有关熵池模型的细节详见我们之前的报告：BL 模型的泛化扩展：熵池模型之理论篇。从概率优化的角度我们构建了一个简单的股债配臵策略，在此策略基础上我们假定能够精准预测未来股债相关系数，并将其通过熵池模型输入到资产收益率分布中，下面我们对比两种策略的效果。策略的基本设定如下：配臵资产： 沪深 300、中债国债总财富指数调仓频率： 月频调仓成本： 0.5%配臵目标： 使得

16、单月风险事件发生概率最小化：min (月末收益 0.5%, 月中回撤 0.5%)先验分布： 过去半年资产日频收益率的经验分布输入观点： 未来一个月的实际股债相关系数输入方式： 熵池模型图表 7：准确预测/不预测相关系数下的配臵策略净值图表 8：准确预测/不预测相关系数下的配臵策略动态回撤资料来源：Wind，资料来源：Wind，从回测结果来看，输入了精确的相关系数观点后的配臵策略年化收益从 6.77%提升到了 8.10%，最大回撤由-5.72%减少到-4.42%，且从动态回撤可以看到预测了相关系数的策略收益并没有受到太多影响，而其动态回撤基本小于不预测的情况。相关系数的预测通过减少股债配臵的回撤

17、增加了股债配臵的收益。但同时我们看到，相关系数的预测并非时时刻刻都能贡献出积极影响，仅在一些关键的时刻（如 2017 年、2018 年）发挥作用。从熵池模型的角度来理解，相关性的正确预测给资产分布加入了“新的信息”，对资产分布做了熵减，势必对资产配臵结果有所增益，换成其他配臵模型也是一样的，只不过不同配臵模式对其利用效率有所区别。股债相关性建模与预测海外股债相关性演变美国股债相关性演变及其主要驱动因素美国市场的股债相关性历史上发生过明显的机制转换（Regime switch）。60 年代至 90 年代前期股债相关性基本为正，1997 年后期股债相关性急转直下，2000 年之后股债相关性基本维持

18、在负数。图表 9：标普 500 与美国 10 年期国债收益率序列相关系数（日频，指数加权半衰期 2 年）资料来源：DE Shaw，Bloomberg，当时的这种股债相关性长期转负的现象来源于美联储以及其他发达国家央行对通胀的控制和锚定。上世纪 70 年代由于石油危机等因素的影响，美国进入了高预期通胀的阶段，根据我们第一节提出的框架，高预期通胀本质会同时影响股债定价的折现率，也就会使得股债呈现正相关性。1979 年 Paula Volcker 出任美联储主席，改“价格调控”为“总量调控”，通过控制货币总量降低总需求，在 1997 年终于完全的抑制住了通货膨胀。图表 10：美国长期通胀预期与 10

19、 年期国债收益率资料来源：DE Shaw，Bloomberg，Consensus Economics，通胀控制的成功使得资产价格波动愈发依赖于市场对经济强弱变化的预期以及市场风险偏好的变化，而非高通胀预期以及通胀控制政策带来的对于分母端的直接影响，从而使得股债相关性变负。我们将此过程展示在下表中：在通胀控制之前前两类因素占主导，但是在通胀控制政策成功实施后，前两个因素的影响减小，仅剩增长预期与风险偏好，因而股债负相关性开始占主导。图表 11：通胀控制前后美国股债表现驱动因素场景分析资产价格表现高通胀预期超预期鹰派政策高增长预期高风险偏好股票债券资料来源：DE Shaw，图表 12：通胀控制前后

20、美国股债相关性与通胀预期资料来源：DE Shaw，Bloomberg，Consensus Economics，其他国家股债相关性演变及其主要驱动因素90 年代股债相关性的机制转换不仅仅发生在美国，实际在其他发达国家包括日本、德国、法国、英国、加拿大、意大利等都发生了类似的变化。主要驱动因素与美国相同，都来自通货膨胀预期的明显下降。图表 13：日本、德国、英国股债相关性变化（日频，指数加权半衰期 2 年）资料来源：DE Shaw，Bloomberg，日本的股债相关性切换发生时间相对其他发达国家更早，前者在 90 年代初后者在 90 年代末。主要原因在于 1990 年日本股市泡沫破灭，开始进入“失

21、去的十年”，对于高通货膨胀的预期同样也随之消失，因而日本的股债相关性切换较早。图表 14：日本股债相关性与长期通胀预期资料来源：DE Shaw，Bloomberg，Consensus Economics，股债相关性的理论模型与影响因素学术上对于股票和债券相关性的讨论同样聚焦于股债定价方式的讨论。耶鲁大学的Lingfeng Li 曾在“Macroeconomic Factors and the Correlation of Stock and Bond Returns”（2002）中提出了股债相关性的理论决定因素模型。模型首先设计了股债作为资产大类的定价仿射模型（Affine Model），并由

22、此推导出了股债协方差模型（具体推导详见相关论文）：cov(债, 股) = 2 + 2 + + + + + 其中，1 2 3 4 5 是实际利率的波动率；是通货膨胀的波动率；是股息率的波动率。可以看到在这个仿射模型中，股债相关性主要与以下因素有关：实际利率不确定性、通货膨胀不确定性、实际利率/通货膨胀/股息率三者的协方差。这几个因素的互相制衡最终决定了股债相关性的大小。其中股息率的波动率含义中美之间具有明显的差距，美国的股息率中枢相对稳定，存在明显的均值回复特征，而中国的股息率当中分母的波动占主导，因而可能更多的由股票市场的波动率主导，我们倾向于使用股票特质波动代替。图表 15：沪深 300 与

23、标普 500 股息率（%）资料来源：Wind，除此之外Lingfeng Li 的模型中股债定价都受到不可预期通胀的影响，因而不可预期通胀不确定性与股债相关性也有直接联系。本报告将 Lingfeng Li 以及其他关于股债相关性的重要论文中总结的影响因素整理如下：图表 16：学术论文提出的股债相关性驱动因素Lingfeng Li（2002）股债折现率冲击预期通胀（短期）：三变量贝叶斯向量自回归（BVAR）的未来一期预测值：月频实际通胀率、工业增加值增长率、短期国债收益率。滞后 12 期。不确定性：其水平值（预期通胀越高本身代表不确定性越高，Ball & Cecchetti（1990）预期通胀（短

24、期）不确定性因素名称计算方式因素逻辑来源预期通胀（长期）不确定性实际利率（短期）不确定性实际利率（长期）不确定性预期通胀（长期）：长期债券收益率 - 过去 5年平均 GDP 增速。不确定性：其水平值（预期通胀越高本身代表不确定性越高）实际利率：短期国债利率 - 预测的未来一期预期通胀（短期）不确定性：其 GARCH(1,1)模型的条件波动率实际利率：短期国债利率 - 预测的未来一期预期通胀（短期）不确定性：3 状态机制转换模型的根均方误Lingfeng Li（2002）股债折现率冲击不可预期通胀：未来一期实际通胀率 - 预测的未来一期预期通胀（短期）不确定性：其 GARCH(1,1)模型的条件

25、波动率不可预期通胀不确定性（David & Veronesi（2001）股债折现率冲击股债折现率冲击股债折现率冲击Lingfeng Li（2002）Lingfeng Li（2002）Lingfeng Li（2002）股票特质波动日频股债收益率回归的残差波动率Flight-to-quaility 效应经济增长工业增加值同比美林时钟逻辑通货膨胀CPI 同比美林时钟逻辑股债收益率差log（EP/10 年期国债收益率）Flight-to-quality 效应log（过去 5 年 EP 波动率/过去 5 年 10 年期国Lingfeng Li（2002）Megan Czasonis（2020）Megan

26、 Czasonis（2020）Megan Czasonis（2020）Megan Czasonis股债波动率差债收益率波动率）Flight-to-quality 效应（2020）资金流（论文未说明具体构造方式）Flight-to-quality 效应（2007）Andersen（2007）股票市场不确定性股票指数期权隐含波动率Flight-to-quality 效应ConnollyJian Yang（2010）美林时钟逻辑NBER 经济周期划分ECRI 经济周期指数经济周期资料来源：其中的“Flight-to-quality”效应即指传统的“股债跷跷板”效应。当股债预期收益率差别较大，或者股债

27、预期风险差别较大时（同时风险偏好变化），资金就会从收益率低的流向收益率高的，从风险高的流向风险低的，从而导致股债负相关性的出现。总结来说，学术研究对于股债相关性的驱动因素主要可以归结为四类：经济周期、风险偏好（比价关系）、通胀预期、政策超预期。其中经济周期和风险偏好推动股债相关性向负值移动，通胀预期与政策超预期推动股债相关性向正值移动，股债相关性将是这四股力量相互作用的最终结果。 “经济周期”因素可以由传统美林时钟解释，对于股债定价分子分母都可能发生一定的影响，主要是对于股票定价分子的影响； “风险偏好”因素即“Flight-to-quality”效应，与股债性价比、避险需求等因素相关，主要是

28、对于股票定价分母中的风险溢价的影响； “通胀预期”因素是指通胀预期、不可预期通胀、实际利率等变化带来的折现率变化，主要影响的是股票、债券定价分母中的无风险收益率； “政策超预期”因素是政府的逆周期调节及其可预期性。比如滞胀时期为了控制通胀而采取的紧缩政策（70-80 年代美联储主席 Paul Volcker 改革），比如衰退时期为了促进经济而采取的宽松政策（2008 金融危机下的 QE，2020 年疫情危机下的 QE），这类政策如超出市场预期，则本质是对股票、债券定价分母中的无风险收益率预期的直接调整。图表 17：股债相关性由四大因素互相作用决定资料来源：我国股债相关性影响因子筛选学术论文大多

29、讨论的是美国或其他发达国家的股债相关性，然而我国与美国等发达国家在市场环境、经济结构、政策目标、政策工具等方面有明显的区别，因而股债相关性驱动因素的合适代理因子可能也不尽相同。本节将通过因子-资产匹配方法筛选对于我国股债相关性择时较为有效的宏观因子，并构建基础回归预测模型，然后通过逐一添加学术因子的方式检验学术论文中构造的因子在我国的有效性，如有效才予以保留。所有因子的数据处理以可得性为原则。我国股债相关性历史表现我国滚动 1 年股债相关性历史上绝对值相对发达国家较小，2017 年以前基本在-0.2 到0.2 之间。2017 年我国股债相关性也经历了类似发达国家 90 年代“机制转换”的情况。

30、单月相关系数在 2017 年 8 月突然大幅转负，后持续处于负值。具体原因难以验证，我们给出对此“机制转换”的若干猜想，有待未来验证：猜想 1：经济增长率波动降低后对于通货膨胀不确定性预期的下降达到一定阈值，股债正相关性减弱。猜想 2：外资进入、非标产品受限及我国金融市场机构化后对于股债比价关系重视程度上升，股债跷跷板效应增强，股债负相关性增强。猜想 3：政策水平上升带来的政策预期稳定性上升，股债负相关性增强。2017 年是金融严监管开端年，政府对金融市场乱象的专项治理代表着以前偏粗放式的政策方式变得越来越可预期，政策摆幅下降。图表 18：我国股债相关性历史表现资料来源：Wind，宏观因子检验

31、与筛选宏观因子的筛选我们通过之前的报告：宏观逻辑的量化验证：映射关系混沌初开中的择时策略检验法在宏观数据库中筛选有效的指标。筛选所使用的样本内数据截止到 2019 年底，具体验证方法详见报告。图表 19：因子-资产匹配方法流程图资料来源：1、工业企业:亏损企业亏损额:累计同比工业企业亏损额周期与股债相关性具有长期稳定的负向关系。亏损周期上升对应股债负相关，亏损周期下降对应股债正相关，月度胜率 63.47%。下图中因子历史波动与股债相关性波动展示时选用 6 个月滚动相关性的主要目的是更为清晰的展示大趋势变化。图表 20：因子对单月股债相关性多空择时结果（累加）图表 21：因子历史波动与滚动 6

32、月股债相关性波动资料来源：Wind，资料来源：Wind，2、工业企业:产成品存货:累计同比工业企业库存周期与股债相关性具有长期稳定的正向关系。库存周期上升对应股债正相关，库存周期下降对应股债负相关，月度胜率 64.07%。 资料来源：Wind，资料来源：Wind，3、社会消费品零售总额:当月同比消费增速与股债相关性具有长期稳定的正向关系。消费增速提升对应股债正相关，消费增速下降对应股债负相关，月度胜率 61.46%。图表 24：因子对单月股债相关性多空择时结果（累加）图表 25：因子历史波动与滚动 6 月股债相关性波动资料来源：Wind，资料来源：Wind，4、债券发行量:短期融资券:当月值短

33、融发行量与股债相关性具有明显的负向关系，特别是近 5 年关系更为明显，月度胜率59.89%。 资料来源：Wind，资料来源：Wind，5、债券发行量:超短期融资券:当月值超短融发行量与股债相关性具有明显的负向关系，除 2015、2016 年外关系较为稳定。超短融属于货币市场工具范畴，性质与国外短期商业票据相似。在成熟资本市场国家，短期商业票据作为常规货币市场产品，是央行货币政策操作的重要工具和企业主要直接融资产品，月度胜率 63.48%。图表 28：因子对单月股债相关性多空择时结果（累加）图表 29：因子历史波动与滚动 6 月股债相关性波动资料来源：Wind，资料来源：Wind，根据以上筛选到

34、的宏观因子，我们首先采用 ARIMAX 模型构建基本的回归预测模型。之所以采用ARIMAX 模型主要原因在于股债相关性序列本身具有“自相关性”。具体的我们采用(p,d,q)=(1,0,6)的 ARIMAX 回归。样本内数据为 2002.03-2019.12，样本外数据为 2020.01-2020.10。回归得到的模型样本内择时胜率为 66.98%，显著大于每个单因子的择时胜率。模型样本外胜率 100%。可以看到模型从 2016 年起胜率显著上升。图表 30：ARIMAX 模型拟合与预测效果（方向累加）图表 31：ARIMAX 模型样本内拟合结果资料来源：Wind，资料来源：Wind，回归总体的

35、 R 方为 17.87%，调整后 R 方为 12.48%。回归的 Beta 系数方向基本正确，仅有一个社零有所误差，并且社零的系数显著性也不强，因此主要可能是共线性带来的影响。去掉社零后模型胜率、R 方等都几乎没有影响，因此在后续模型中我们将社零因子予以剔除。回归得到的系数中以MA（6）、Beta（超短融）最为显著。图表 32：ARIMAX 回归系数与显著性系数T 值P 值常数项0.00670.330.74AR（1）0.29361.470.14MA（1）-0.2377-1.220.22MA（2）0.11041.340.18MA（3）0.03400.410.68MA（4）-0.0481-0.57

36、0.57MA（5）0.03230.430.66MA（6）0.20362.540.01Beta（亏损）-0.0036-0.880.38Beta（存货）0.01911.500.13Beta（社零）-0.0110-0.140.89Beta（短融）-0.0014-1.530.13Beta（超短融）-0.0014-2.120.03资料来源：Wind，学术因子检验与筛选1、预期通胀（短期）不确定性通胀预期数据美国有两种形式：通胀保值债券（TIPS）、调查通胀预期。而我国内地目前暂时没有通胀挂钩/保值类债券，因而没有办法获得市场交易得到的预期通胀，同时我国也没有调查通胀预期。所以对于我国的预期通胀的刻画只能

37、采用计量方法，我们使用 Lingfeng Li（2002）论文中的三变量贝叶斯回归（Bayesian VAR）模型的未来 1 月预测值来刻画。预期通胀（短期）：三变量滚动 5 年贝叶斯向量自回归（BVAR）的未来一期预测值：月频实际通胀率、工业增加值增长率、短期国债收益率。滞后 12 期。不确定性：其水平值（预期通胀越高本身代表不确定性越高）。因子纳入回归模型后并未有明显的提升，且显著性较低，予以剔除。图表 33：预期通胀（短期）不确定性（%）图表 34：学术因子纳入模型后效果资料来源：Wind，资料来源：Wind，2、预期通胀（长期）不确定性考虑长期预期通胀不确定性的原因在于股债都是“长久期

38、”资产，因此要考虑未来长期的折现率。当然我们同样可以采用 BVAR 的方式预测长期预期通胀，但是由于 BVAR 的线性性，长期的样本外预测会收敛到均值且无法捕捉非线性的特征，因而学术上倾向于使用如下形式：预期通胀（长期）：长期债券收益率-过去 5 年平均 GDP 增速。不确定性：其水平值（预期通胀越高本身代表不确定性越高）。因子纳入回归模型后有明显的提升，且显著性较高，予以保留。图表 35：预期通胀（长期）不确定性（%）图表 36：学术因子纳入模型后效果资料来源：Wind，资料来源：Wind，3、实际利率（短期）不确定性同样由于没有 TIPS 这类金融产品，因而我们只能用名义利率减去 BVAR

39、 得到的预期通胀的方式计算实际利率。实际利率：短期国债利率-预测的未来一期预期通胀（短期）。不确定性：其GARCH(1,1)模型的条件波动率。因子纳入回归模型后并未有明显的提升，且显著性较低，予以剔除。图表 37：实际利率（短期）不确定性图表 38：学术因子纳入模型后效果资料来源：Wind，资料来源：Wind，4、不可预期通胀不确定性不可预期通胀是指没有反应在预期通胀当中的“通胀冲击”，最近比较鲜明的例子就是2019 年的非洲猪瘟导致的猪价暴涨带来的事件性“通胀冲击”。不可预期通胀：未来一期实际通胀率-预测的未来一期预期通胀（短期）不确定性：其GARCH(1,1)模型的条件波动率。因子纳入回归

40、模型后提升不明显，但显著性较高，予以保留。图表 39：不可预期通胀不确定性图表 40：学术因子纳入模型后效果资料来源：Wind，资料来源：Wind，5、股票特质波动股票特质波动与“Flight-to-quality”效应有关，理论上股票特质波动越大，股债相关性越负。计算：日频股债收益率回归的残差波动率。因子纳入回归模型后有明显的提升，虽然显著性一般，但予以保留。图表 41：股票特质波动图表 42：学术因子纳入模型后效果资料来源：Wind，资料来源：Wind，6、股债收益率差股债收益率差同样与“Flight-to-quality”效应有关，论文中使用的是 log(EP/Bond_yield)，但

41、是中国市场 EP 太小，与债券利率差别较大，因此我们改用 DP。计算：10 年期国债收益率 - 沪深 300 股息率（TTM）。因子纳入回归模型后并未有明显的提升，且显著性较低，予以剔除。图表 43：股债收益率差（%）图表 44：学术因子纳入模型后效果资料来源：Wind，资料来源：Wind，我国股债相关系数预测模型构建综合考虑后我们纳入三个学术因子：预期通胀（长期）不确定性、不可预期通胀不确定性、股票特质波动。纳入后的 ARIMAX(1,0,6)-7 因子模型的样本内胜率达到 70.28%，样本外胜率在 90%，R 方达到 22.24%，调整后R 方达到 16.29%。图表 45：改进后 AR

42、IMAX 模型拟合与预测效果（方向累加）图表 46：改进后 ARIMAX 模型样本内拟合结果资料来源：Wind，资料来源：Wind，整个建模的过程我们也间接验证了，我国股债相关性确实同时受到经济周期、风险偏好、通胀预期以及政策超预期的影响。通过宏观逻辑的量化验证，我们找到其相应的可能代理指标如下图所示。需要注意的是可能代理指标仅是充分代理指标，但未必是必要代理指标，在不同的阶段可能不同。图表 47：国盛金工我国股债相关性预测模型框架资料来源：基于认知融合与风险匹配的资产配臵体系资产配臵的本质困境及应对方式经过两年多的研究，我们已形成一套基于认知融合与风险匹配的资产配臵体系。在这套体系中，我们认

43、为资产配臵的本质困境在于我们对于资产未来的收益风险分布认知不足。无论是主观判断还是基于量化模型判断，对于未来的认知不足将导致我们不敢下注或者下错注。其中，究竟是不敢下注还是下错注，取决于我们的风险偏好。那么如何应对这种困境？我们认为有两种方法：提升对资产未来分布的认知降低风险偏好抵御未知世界第一种方法较好理解，通过研究和构建预测模型，我们可以提高对于资产未来收益风险分布的认知，不论是基本面逻辑还是交易面逻辑，逼近未来真相带来的信息将给配臵决策带来毋庸臵疑的增量。第二种方法描述的是对于不同质量信息的利用能力。假设我们对于未来完全未知，对于不确定性没有任何科学利用能力，那么我们可以将风险偏好降到最低，也就是持有现金，这对于当下的我们也是较好的配臵策略，因为至少不会亏钱。这个过程本质是我们仅利用了 100%胜率的信息，即现金的预期收益 100%为 0%的信息。而这个世界充满着 30%胜率、50%胜率、70%胜率等等的信息，取决于我们怎么利用。图表 48：基于认知融合与风险匹配的资产配臵体系资料来源：综上所述，基于认知融