2023年宏观经济量化专题：构建大类资产的宏观胜率评分卡-货币、信用、增长、通胀与海外五因子

2023年宏观经济量化专题：构建大类资产的宏观胜率评分卡_货币、信用、增长、通胀与海外五因子一、引言：从资产配置到策略配置当我们谈及大类资产配置的时候，第一时间映入脑海的常常是海外市场的成熟策略或产品，如桥水的全天候策略基金，但这些资产配置理论在中国市场似乎有些水土不服，并没有诞生出类似桥水全天候基金这样的极具市场影响力的绝对收益产品。因此在本文引言部分，我们尝试探讨以下三个问题：1）为什么风险平价策略在中国市场的效果不理想？2）什么样的资产配置理念更适合中国市场？3）如何构建具有本土特色的战术配置框架？为什么在中国市场中使用风险平价策略的效果不理想？对比中国市场股债资产的长期表现：2011年以后，A股与中债的风险溢价能力出现明显下滑，以货币基金收益率为基准计算的股债夏普比率在2011年后均有明显的降低；风险平价策略确实能够利用股债之间的负相关性提升组合的夏普比率，但其整体表现依然是建立在股债风险溢价水平的基础上，因此在2011年后风险平价策略也表现出较明显的收益下滑、回撤变大、夏普降低的现象；基于分段表现来看，股债风险平价策略的收益能力主要取决于股票是否有牛市（如2014-2015年），回撤水平则更多取决于债券是否有熊市（如2013年），由于中国股债的牛熊波动较大，因此单纯的风险平价也不可避免要承受较大的市场风险；经典的金融市场假设一般认为，长期来看如果一个资产承担了更高的风险则需要提供更高的回报作为风险补偿，即学术中的“风险溢价”概念。但2011年以后的A股和中债的风险溢价能力出现了较明显的下滑，我们认为这种低风险溢价的现象或许便是风险平价策略在中国市场表现差强人意的核心原因之一。相对于资产配置，策略配置的理念更适合中国市场。策略配置的本质是通过策略将低夏普资产转化为高夏普资产，如果在市场有效性较强的情况下，我们可以尽量均衡地配置不同的风险资产，充分利用资产间的低相关性和资产风险溢价来赚取长期回报，但如果是在市场有效性较低的情况下，我们则需要对资产进行一定程度的“过滤”，将低夏普比率的资产转化为合理甚至是高夏普比率的资产后再进行配置，我们将这个过程称之为策略配置。一般而言，策略配置也可以细分为两种大方向：Alpha策略：主要关注横截面的定价误差，在控制跟踪误差的基础上尽可能获取超额收益，常见为自下而上的相对收益策略，如选股策略和选基策略等；Beta策略：主要关注时间序列的定价误差，未必能提升收益，但往往能显著改善组合的风险，常见为自上而下的绝对收益策略，如美联储模型、美林时钟等。资产配置中的Beta管理框架：赔率+胜率。在股票投资中，P=EPSPE是业界常见的一种对股票价格的分解模式，本质来说是将股票价格投影成两个元素：一个只与基本面相关的趋势要素（EPS）与一个只与估值相关的均值回复要素（PE）。因此借鉴股票投资，我们从赔率和胜率两个角度出发构建大类资产的Beta管理框架：赔率代表资产与合理定价中枢的偏离度，因此天然是一个左侧信号，对应的是均值回复的交易模式，主要挑战是定价中枢和均值回复周期存在不确定性；胜率代表资产核心驱动因子的边际变化，大部分情况下是一个右侧信号，对应的是基本面动量的交易模式，主要挑战是资产的核心驱动因素可能随着时间发生转变。赔率和胜率两个维度各有优劣且相互补充，我们可通过赔率和胜率将资产切割成不同的状态和阶段，不同的状态下资产也将呈现出不同的收益分布特征。因此与其说我们在配置资产，不如说我们在配置资产在时间序列中的某种状态，而这也正是我们本篇报告的核心思路，具体不同资产的赔率和胜率的设计我们将在正文部分详细展开。④相比于2020年的专题报告《资产配置的四种范式：赔率、胜率、趋势和拥挤度》，本篇报告的迭代主要体现在以下三点：1)聚焦赔率和胜率，弱化趋势和拥挤度：基于国内大类资产宽度有限、资产配置投资者调仓频率天然较低、而且过于强势的Beta策略将压缩Alpha策略的空间等原因，我们认为中国市场的资产配置过程中应更多聚焦赔率和胜率两个核心指标，而趋势和拥挤度我们则建议视为资产配置过程里面的辅助指标；2)胜率部分有大迭代，相比于前期较为零散的宏观胜率指标，本篇报告我们从货币、信用、增长、通胀和海外五个因素出发，并且综合了宏观动量和宏观超预期两个维度的信息，构建了对股债商均有效的宏观胜率评分卡，因此本文的重点也将放在大类资产的宏观胜率评分卡设计上来；3)赔率部分有小迭代，比如股票的赔率指标我们将其覆盖到美股，可转债的估值中枢我们用更精准的CCB模型进行定价等。二、宏观胜率中的方向和强度事实上，我们对大类资产配置中“胜率概念”的思考并非是一蹴而就的，宏观胜率评分卡的设计理念在过去的三篇专题报告中逐渐成型：1)研究成果①：通过对大类资产进行收益归因，我们发现货币、信用、增长、通胀和海外五个因子可以累计解释超过50%的大类资产波动。2019年9月：《资产配置vs风险配置：打造一个系统化的宏观风险配置框架》2)研究成果②：参考OECD等海外机构的领先指数编制经验，我们制定了一个完全定量化的流程去寻找有效的宏观领先指标并构建了基于“宏观方向”的情景分析框架。2021年2月：《中国经济领先指数》3)研究成果③：领先指数存在信号频率较低和趋势识别滞后的问题，为解决这两个问题，我们以宏观一致预期数据为基础，构建了基于“宏观强度”的宏观预期差信号。2022年12月：《宏观预期差量化与超预期策略》因此，我们按照上述的三个研究成果初步确立了宏观胜率评分卡的设计理念：1)五个维度：只从货币、信用、增长、通胀和海外五个维度出发设计信号，为了降低数据挖掘和过度拟合的可能性，其他宏观维度暂且不作考虑；2)两个信号：每个维度尽可能包含两个信号，一个是宏观维度的方向信号，一个是宏观维度的强度信号，在不纳入新宏观维度的前提下尽可能丰富宏观信息的层次。2.1货币维度：政策工具与利率走廊①货币方向因子。在专题报告《宏观预期差量化与超预期策略》中，我们曾对央行常用的货币政策工具进行梳理，目前收录了短期利率、中期利率、准备金率和定向投放4个大类工具，若考虑功能和期限的区别则总计有24个细分的货币政策工具。当然如果只考虑国内货币政策工具的变动的话，有可能会遇到货币政策空窗期，届时我们将无法判断货币因子的方向。为了解决政策空窗期的问题，我们引入市场利率作为货币方向因子的其中一个分项，具体来说货币方向因子构建方式如下：政策工具打分：对于某一个货币政策工具，如果过去90天内发生了政策宽松事件（降息、降准），设定为+1分，相反则设定为-1分；市场利率打分：对DR007进行30日移动平均处理，得DR007_ma30，若DR007_ma30相比90天前下降，则设定为+1分，相反则设定为-1分；若DR007数据缺失，则用SHIBOR_1W进行填补；货币方向因子=（24个政策工具打分+市场利率打分）/25。通过上述的计算过程，我们将传统定性的货币政策描述转化为一个完全定量刻画的货币方向因子，货币方向因子大于0即代表当前货币政策以宽松为主要基调，反之如果货币方向因子小于0则意味着当前货币政策以收紧为主要基调。②货币强度因子。货币方向因子解决的是货币政策的方向问题，并不能充分反映货币宽松的程度，因此从信息的角度而言仍有缺失。对此，我们从业界常用的“利率走廊”概念出发，以短端政策利率为中枢构建了货币强度因子，具体定义如下：市场利率定义：以DR007为市场利率，若DR007数据缺失，以SHIBOR_1W填补；利率中枢定义：2014年前以DR007的滚动四年加权平均数为短端利率中枢，2014年后则以7天逆回购利率作为短端利率中枢；原始偏离度=MA（市场利率/利率中枢-1，30）；货币强度因子（市场利率偏离度）=原始偏离度/滚动四年原始偏离度的标准差。考虑到货币极端宽松或极端收紧的情况在历史序列来看时间太短，因此对于货币强度因子，我们采用事件触发的方式定义货币强度因子的信号：若市场利率偏离度<-1.5倍标准差，定义未来120个交易日为货币极端宽松环境；若市场利率偏离度>1.5倍标准差，定义未来120个交易日为货币极端收紧环境；2.2信用维度：中长期贷款①信用方向因子。在2021年央行政策研究报告《健全现代货币政策框架》中曾提及：我国金融体系以银行为主，货币政策的传导主要通过银行实现。近年来，人民银行抓准作为货币创造直接主体的银行，通过流动性、资本、利率这三大外部约束影响银行货币创造行为，完善货币供应调控机制。如果说货币维度体现的是“央行->商业银行”的松紧，那么信用维度便应更多体现“商业银行->实体经济”的松紧。常见的信用指标有很多，那么哪一个指标才能最好体现商业银行对实体经济的松紧？从逻辑出发，如果说信用是通过借贷活动对既有资源的跨期配置的话，那么中长期贷款相比于短期贷款而言，更符合我们对信用的定义和理解；从数据出发，新增人民币贷款中的短期贷款与货币因子信息重叠度较高，而中长期贷款则与货币因子负相关，且对股债商的收益区分度也较好。综上，我们对信用方向因子作出以下定义：信用方向因子=中长期贷款当月值->滚动12个月求和->同比处理；若中长期贷款脉冲相比于三个月前有所抬升，则将当前定义为信用宽松环境，若中长期贷款脉冲相比于三个月前有所降低，则将当前定义为信用收紧环境；②信用强度因子。我们参考专题报告《宏观预期差量化与超预期策略》，利用Bloomberg对国内新增人民币贷款的一致预期数据进行信用强度因子的设计：信用强度因子=（新增人民币贷款当月值–预期中位数）/预期标准差；若信用强度因子>1.5倍标准差，定义未来60个交易日为信用显著超预期环境；若信用强度因子<-1.5倍标准差，定义未来60个交易日为信用显著不及预期环境。2.3增长维度：三个PMI①增长方向因子。由于目前PMI数据依然是国际最常用的、市场关注度最高的和公布最及时的反映宏观经济的变量之一，因此我们采用PMI数据作为增长维度的主要参考指标。目前业界常用的主要PMI指标主要有四个：中采制造业PMI（一般月底公布）、中采非制造业PMI（一般月底公布）、财新制造业PMI（一般每月第一天公布）和财新服务业PMI（一般每月3号-6号公布）。考虑到公布时间的及时性，我们主要采用前三个PMI作为基础数据，具体而言增长方向因子的设计细节如下：数据选取：中采制造业PMI、中采非制造业PMI、财新制造业PMI；信号时间：以上述三个PMI中最晚公布的时刻作为信号时间；指标处理：PMI脉冲=原始PMI->滚动12个月平均->同比处理，根据每一个PMI脉冲的三个月环比变化方向打出±1分；增长方向因子=三个PMI脉冲环比方向打分的加总；如果增长方向因子得分>0，将当前定义为经济上行环境，反之则定义为经济下行环境。②增长强度因子。与信用预期差指标的设计类似，我们利用Bloomberg对三个PMI的一致预期数据进行增长强度因子的设计：PMI预期差=（PMI–预期中位数）/预期标准差；增长强度因子（PMI综合预期差）=三个PMI预期差的等权平均；若综合预期差>1.5倍标准差，定义未来60个交易日为经济显著超预期环境；若综合预期差<-1.5倍标准差，定义未来60个交易日为经济显著不及预期环境。2.4通胀维度：CPI与PPI①通胀方向因子。对于通胀数据，考虑到市场的关注度以及Bloomberg中的一致预期数据覆盖情况，我们利用常见的CPI和PPI数据构成通胀方向因子，具体如下：通胀方向因子（广义通胀）=0.5*CPI平滑值+0.5*PPI原始值；若广义通胀指标相比于三个月前有所降低，则将当前定义为通胀下行环境；若广义通胀指标相比于三个月前有所抬升，则将当前定义为通胀上行环境。②通胀强度因子。与PMI综合预期差构建方式类似，通胀强度因子定义如下：通胀强度因子（通胀综合预期差）=0.5*CPI预期差+0.5*PPI预期差；若综合预期差<-1.5倍标准差，定义未来60个交易日为通胀显著不及预期环境；若综合预期差>1.5倍标准差，定义未来60个交易日为通胀显著超预期环境。2.5海外维度：CDS与RAI①海外对中国的风险偏好：主权CDS利差。在报告《外资风险偏好的三个标尺》中我们曾提及可以利用中国主权CDS利差刻画了外资对中国经济基本面的看法。中国主权CDS利差是外资投资中国5年期国债时的违约风险对冲成本，利差较高时一定程度隐含了外资对中国经济基本面的担忧，另外我们也发现CDS利差对北向资金流入有较强的解释力，能够在一定程度上反应外资的行为与动机。因此我们利用中国主权CDS利差的水平构建第一个海外因子，具体如下：数据披露时间：次日早上6点左右；海外因子①=中国主权CDS利差->MA30->zscore处理（四年窗口）；若中国主权CDS利差zscore小于0，则认为当前海外对中国市场风险偏好较高，若中国主权CDS利差zscore大于0，则认为当前海外对中国市场风险偏好较低。②海外市场风险偏好：花旗RAI指数。花旗风险偏好指数（CitiRAIIndex）由6类因子组成：股票期权隐波、新兴市场与美国信用债之间的利差、银行间借贷成本、美国市场CDS利差、外汇期权隐波、利率掉期期权隐波，较全面地捕捉了市场对于风险水平的感知，刻画了海外投资者对美国市场的风险偏好。因此第二个海外因子定义如下：数据披露时间：次日中午12点左右；海外因子②=花旗RAI指数->MA30->zscore处理（四年窗口）；若花旗RAI指数zscore大于0，则认为当前海外市场风险偏好较高，若花旗RAI指数zscore小于0，则认为当前海外市场风险偏好较低。2.6本章小结第二章我们主要从货币、信用、增长、通胀和海外五个因素出发，尽可能综合了“方向”和“强度”两个维度的信息总共构建了10个宏观分项指标，在保证宏观逻辑性的基础上进一步丰富了宏观量化的信息维度，下一章节我们将利用10个宏观分项指标的信息构建大类资产的宏观胜率打分卡以及资产配置中的胜率增强型策略。三、赔率-胜率分析框架与策略应用3.1资产配置中的赔率策略在2020年9月外发的专题报告《资产配置的四种范式：赔率、胜率、趋势与拥挤度》中，我们已经详细阐述了各大类资产的赔率定义，因此在此处我们不再详细的展开，仅作简单的复述以及数据跟踪。权益资产的赔率指标：股息率-国债收益率。这个指标最早受启发于美联储模型（FEDmodel），即以ERP（市盈率倒数-国债收益率）作为股债性价比的衡量指标。但根据我们的研究，采用ERP作为权益资产的赔率指标有一定的局限性，以DRP（股息率-国债收益率）作为赔率指标逻辑和效果均更好，主要有以下三点原因：从分子的稳定性来看：股票盈利的周期波动较大，股票分红周期波动较小，采用股息率作为估值指标能够更好规避经济周期的影响；备注：美国市场常用CAPE来取代PE，本质也是考虑到盈利存在明显的周期性；从逻辑的匹配性来看：股息率与国债到期收益率均属于利息收入，股息率相当于是股票的到期收益率，因此两者的逻辑匹配度更强；从指标的效果来看：基于全球多个国家的数据，DRP指标的股债择时能力普遍强于ERP指标，基于DRP指标的股债轮动策略在中美两个市场中效果优于ERP指标。利率债的赔率指标：预期收益。在专题报告《大类资产定价系列之二：利率债收益预测框架》中，我们曾介绍利率债的收益分解模型，将利率债收益分解为三个部分：远期利率、久期影响和凸性偏差三项，并通过改进后的CIR模型对未来一年的Δr进行预测，从而得到不同期限利率债的预期收益序列。预期收益模型的主要挑战在于利率中枢发生“瞬时且持久”的飘移，这将导致模型中的利率中枢μ估算出现较大的偏差（2020年-2022年），因此后续模型的改进也依赖于能否更合理和更及时地估算出真实利率中枢μ。可转债的赔率指标：CCB模型定价误差。在专题报告《可转债定价模型与应用》中，我们将可转债的赎回条款纳入定价过程，构建了CCB定价模型，其优势主要有二：1）相比于蒙特卡洛模拟定价，CCB模型存在解析解，求解速度有明显优势；2）相比于BS公式，CCB模型对中国市场的可转债定价误差更低，尤其是对平衡和偏股型转债。CCB模型的主要挑战在于对可转债赎回概率的估算，在不同的市场环境中，上市公司对于可转债的赎回意愿也会发生改变，从而导致CCB模型出现持续的定价偏差。资产配置中的赔率策略。单一资产的赔率指标设计如上所述，那么我们该如何将不同资产的赔率信号综合考虑并基于此构建资产配置策略？赔率策略具体细节如下：备选资产：沪深300指数、中证转债、标普500ETF、1-3年期国债总财富指数、7-10年期国债总财富指数、信用债AAA、货币基金；组合优化器：采用带风险预算的风险平价优化框架；赔率的标准化：不同资产的赔率指标统一利用滚动六年的窗口进行zscore处理，从而使得赔率数据具备可比性，即可得图表40中的赔率雷达图；风险预算设计：根据不同资产的标准化赔率大小得到赔率排名（如1、2……6），将赔率排名进行归一化，得到不同资产的风险预算，赔率越高风险预算越大；协方差矩阵：利用滚动六年窗口的数据估算大类资产的协方差矩阵；目标波动率：设定上限为3%，如果波动率超过3%，利用现金降低组合波动；资产上限：权益≤20%，转债≤10%，美股和黄金≤5%，信用债≤40%；调仓频率：季度调仓。基于赔率理念构建的赔率增强型策略自2011年以来能够长期获得较好的表现，年化收益达6.4%，最大回撤为3.2%，卡玛比率达1.96，策略年化单边换手率为90%。3.2资产配置中的胜率策略宏观胜率评分卡的设计。我们从货币、信用、增长、通胀和海外五个因素出发，并综合了“方向”和“强度”的信息总共构建了10个宏观分项指标，那么落实到大类资产的综合打分中我们该如何统筹这些信息呢？宏观胜率评分卡构建可以分为三步：1)宏观符号约束：我们认为五个宏观因素对大类资产的影响方向应该是基于“金融逻辑”而非基于“统计逻辑”，比如增长维度中的增长上行和增长超预期对股票的影响应该是正向的，对债券的影响应该是反向的，因此我们根据金融逻辑对宏观因素对大类资产的影响方向进行先验性的约束；2)宏观信号打分：根据我们对宏观指标的定义，并结合每一个宏观指标的数据披露时间，我们构建了日频的宏观信号矩阵，再根据宏观符号约束进行方向调整，则每个资产均可得日频数据颗粒度的10个宏观信号打分序列（只有-1/0/+1三个得分）；3)构建扩散指数：基于每一个资产的10个宏观信号打分序列，通过扩散指数的方式进行最终的信号汇总，即可得各个资产的综合宏观胜率。因此无论对于股票、债券还是大宗商品，只要确定好宏观逻辑对资产的驱动方向，便可以构建出专属于该资产的宏观胜率评分，某种意义上也直接反映了该资产对当前宏观经济情景的适应性。权益资产的宏观胜率评分。我们构建了国内股票（沪深300指数）的综合宏观胜率得分，并基于此构建了简单的股票择时策略：策略设计：胜率>10%：100%沪深300；0%<胜率<=10%：50%沪深300，50%货币基金；胜率<=0%：100%货币基金；交易细节：信号出现后按第二天收盘价成交，暂不设置交易费用；策略表现：择时策略年化收益为12.8%，最大回撤为17.9%，年化单边换手率为3.6倍，而同期沪深300指数年化收益为4.0%，最大回撤为46.1%。因此可见，基于宏观胜率的权益择时策略能够明显改善国内权益资产的收益风险特征。利率债的宏观胜率评分。同理，我们构建了国内利率债的综合宏观胜率得分，并基于此构建了简单的利率债久期择时策略：债券策略设计：胜率>10%：100%7-10年期国债；0%<胜率<=10%：50%7-10年期国债，50%1-3年期国债；胜率<=0%：100%1-3年期国债；交易细节：信号出现后按第二天收盘价成交，暂不设置交易费用；策略表现：择时策略年化收益为4.6%，最大回撤为2.0%，年化单边换手率为4.3倍，同期7-10年期国债指数年化收益为3.8%，最大回撤为8.0%，1-3年期国债指数年化收益为3.2%，最大回撤为2.0%。基于宏观胜率的利率债久期择时策略相比于短久期债券可以显著提升收益，相比于长久期债券则可以显著改善回撤。资产配置中的宏观胜率策略。胜率策略与赔率策略除了在风险预算和调仓频率上有区别外，其他参数完全一样，宏观胜率策略的具体细节如下：备选资产：沪深300指数、中证转债、标普500ETF、1-3年期国