核心结论
　　宏观因子集合可主观或PCA方式确定
　　市场隐含宏观因子具有高频、实时、可投资的特征，且对资产的解释度通常高于原始宏观变量。当宏观因子集合事先尚未定义时，可以综合经济逻辑、跨资产的解释力、可交易性、预期便利性、相关性进行选择，也可采用PCA方法得到正交因子，根据主成分的资产权重结构，确定各主成分所代表的宏观风险。
　　四种宏观因子构建方式
　　常见的宏观因子多为资产/指数的线性组合，广义上都是宏观变量的模拟投资组合（FMP），具体包含四种构建方式：
　　 1)从逻辑出发的资产/指数简单线性组合；逻辑清晰，实施简单，但某些时期资产反映的宏观驱动因素可能发生漂移。
　　2)选定宏观风险因子后的PCA方法，对与单一宏观变量相关度较高的资产/指数集合，选取PCA第一主成分度量。
　　3)对资产分类的宏观因子模拟投资组合；计算基础资产/组合的经济环境暴露，基于分类对同一宏观因子的基础资产加权。
　　4)基于多元回归的宏观因子模拟投资组合；通用的因子模拟投资组合权重计算框架，或以与宏观变量关联程度高的资产/组合为自变量，结合领先滞后关系拟合。
　　宏观因子对资产收益的解释程度随时间提高
　　以周度数据计算的美国增长、欧洲增长、中国增长、美国金融条件、欧洲金融条件、通胀预期、原油供给因子，和原始经济变量高度相关，且随时间的拉长，宏观因子对各类资产收益率的解释程度提升。而以完整的资产历史收益率序列计算的资产关于宏观因子的暴露系数，大多符合逻辑和预期。
　　市场隐含宏观因子与原始因子相关性高，可辅助方向判断
　　用扩展的窗口计算宏观因子，按资产类别进行Fama-Macbeth时序和截面回归，可以得到不同市场隐含的宏观因子。各市场隐含的因子与原因子相关性高，且可辅助对因子变化方向的判断。
　　基于宏观因子定价的股票/商品反转策略夏普比分别为0.86、0.8
　　以资产收益对宏观因子进行Fama-Macbeth回归，股票资产的截面残差IC、商品资产的时序/截面IC的绝对值高于收益率本身的反转效应。基于截面残差构造的股票反转策略，多空组合年化收益率9.01%，夏普比率0.865。基于综合残差构造的商品反转策略，多空组合年化收益率15.67%，夏普比率0.808。
　　基于主成分宏观因子的风险平价策略表现优于直接风险平价
　　由于回归法下的宏观因子模拟投资组合侧重点为紧密跟踪对应的因子，基于此的风险平价组合表现一般。而基于主成分宏观因子的风险平价策略，虽然收益率低于直接风险平价策略，但组合波动率更低，夏普比率更高，回撤更小。
　　风险提示：本报告基于对应模型计算，需警惕模型失效的风险

研究报告全文：证券研究报告金融工程深度金融工程研究宏观因子构造及应用指南核心结论丁鲁明宏观因子集合可主观或PCA方式确定市场隐含宏观因子具有高频实时可投资的特征且对资dinglumingcsccomcn产的解释度通常高于原始宏观变量当宏观因子集合事先尚未定021-68821623义时可以综合经济逻辑跨资产的解释力可交易性预期便SAC执证编号S1440515020001利性相关性进行选择也可采用PCA方法得到正交因子根据主成分的资产权重结构确定各主成分所代表的宏观风险段潇儒四种宏观因子构建方式duanxiaorucsccomcn常见的宏观因子多为资产指数的线性组合广义上都是宏观021-68821629-808变量的模拟投资组合FMP具体包含四种构建方式SAC执证编号S14405200700051从逻辑出发的资产指数简单线性组合逻辑清晰实施简单但某些时期资产反映的宏观驱动因素可能发生漂移发布日期2022年12月22日2选定宏观风险因子后的PCA方法对与单一宏观变量相关度较高的资产指数集合选取PCA第一主成分度量3对资产分类的宏观因子模拟投资组合计算基础资产组相关研究报告宏观变量的资产定价宏观因子模合的经济环境暴露基于分类对同一宏观因子的基础资产加权20221106拟组合4基于多元回归的宏观因子模拟投资组合通用的因子模拟理论与应用指南Black-Litterman模型20211104投资组合权重计算框架或以与宏观变量关联程度高的资产组合详解资产配置模型探讨系列之二理论与应用指南风险平价详解为自变量结合领先滞后关系拟合20200116资产配置模型探讨系列之一宏观因子对资产收益的解释程度随时间提高以周度数据计算的美国增长欧洲增长中国增长美国金融条件欧洲金融条件通胀预期原油供给因子和原始经济变量高度相关且随时间的拉长宏观因子对各类资产收益率的解释程度提升而以完整的资产历史收益率序列计算的资产关于宏观因子的暴露系数大多符合逻辑和预期市场隐含宏观因子与原始因子相关性高可辅助方向判断用扩展的窗口计算宏观因子按资产类别进行Fama-Macbeth时序和截面回归可以得到不同市场隐含的宏观因子各市场隐含的因子与原因子相关性高且可辅助对因子变化方向的判断基于宏观因子定价的股票商品反转策略夏普比分别为08608以资产收益对宏观因子进行Fama-Macbeth回归股票资产的截面残差IC商品资产的时序截面IC的绝对值高于收益率本身的反转效应基于截面残差构造的股票反转策略多空组合年化收益率901夏普比率0865基于综合残差构造的商品反转策略多空组合年化收益率1567夏普比率0808基于主成分宏观因子的风险平价策略表现优于直接风险平价由于回归法下的宏观因子模拟投资组合侧重点为紧密跟踪对应的因子基于此的风险平价组合表现一般而基于主成分宏观因子的风险平价策略虽然收益率低于直接风险平价策略但组合波动率更低夏普比率更高回撤更小风险提示本报告基于对应模型计算需警惕模型失效的风险本报告由中信建投证券股份有限公司在中华人民共和国仅为本报告目的不包括香港澳门台湾提供在遵守适用的法律法规情况下本报告亦可能由中信建投国际证券有限公司在香港提供同时请参阅最后一页的重要声明金融工程研究金融工程深度报告目录一引言1二宏观因子构造方法221海外机构宏观因子构造案例2211哈佛管理公司HMC2212高盛全球投资研究部GS-GIR3213贝莱德BlackRock6214道富全球顾问公司SSGA8215景顺投资Invesco822宏观因子构造方法总结11221原始宏观变量vs市场隐含宏观因子11222宏观因子集的选择11三宏观因子构造实证1231宏观因子选择与计算1232宏观因子与经济变量高相关1333因子的解释力度与资产暴露度15四宏观因子应用实证1741市场隐含因子1742基于宏观因子定价的反转策略1943因子风险平价策略21图表目录图表1桥水的经济环境代表组合可视为对增长通胀的拟合1图表2哈佛管理公司FIFAA基于因子的灵活资产配置实施流程1图表3哈佛管理公司五因子集合示例3图表4各类资产的因子暴露度矩阵示例3图表5高盛全球投资研究部2016所选宏观风险因子及其成分5图表6各类资产在风险因子上的暴露6图表7贝莱德宏观六因子20167图表8贝莱德宏观六因子20197图表9SSGA对14种资产进行主成分分析的前4个成分8图表10资产在不同宏观环境的夏普比率增长下降金融条件收紧通胀上升9图表11因子组合的表现与宏观指标密切相关-金融条件10图表12因子组合的表现与宏观指标密切相关-增长10图表13依据增长及通胀的暴露确定资产因子所属宏观因子类别10图表14依据增长及通胀的暴露确定资产因子所属宏观因子类别12图表15美国增长因子vs美国ISM制造业PMI13图表16美国增长因子vs美国ISM制造业PMI13请参阅最后一页的重要声明金融工程研究金融工程深度报告图表17美国增长因子同比vs美国ISM制造业PMI同比13图表18欧洲增长因子vs欧元区制造业PMI14图表19欧洲增长因子同比vs欧元区制造业PMI同比14图表20中国增长因子vs官方制造业PMI14图表21中国增长因子同比vs官方制造业PMI同比14图表22原油供给因子3M与全球原油产量同比14图表23全球原油产量同比yoy与原油供给因子3M同比14图表24四种大类资产细分标的15图表25宏观因子对各类资产月季年收益率的解释度R215图表26宏观因子对权益细分资产年收益率的解释度R216图表27各类细分资产部分在宏观因子上的暴露系数17图表28各市场资产隐含宏观因子与原始宏观因子相关性18图表29美国增长原始因子与商品市场隐含因子18图表30美国FCI原始因子与外汇市场隐含因子18图表31市场综合信号提升对美国增长因子未来4周变化方向的胜率19图表32各类资产的宏观因子预测收益残差及资产月收益率IC均值19图表332018年8月各权益资产的实际月收益率及宏观因子截面预测值对比19图表34股票资产基于宏观因子预期收益截面残差的反转策略净值20图表35商品资产基于宏观因子预期收益截面残差的反转策略净值20图表36商品资产基于宏观因子预期收益截面时序残差的反转策略净值20图表37股票商品资产基于宏观因子定价的残差反转策略评价指标21图表38美国增长因子及其FMP组合滚动12月收益率21图表39美国FCI因子及其FMP组合滚动12月收益率21图表40三个宏观因子FMP组合及基于此的风险平价组合22图表41三个宏观因子FMP组合及基于此的风险平价组合22图表42美国增长因子FMP单期分项权重示例22图表43选定资产的前三大主成分构成23图表44直接风险平价和主成分因子风险平价与三个代表资产的表现对比24图表45直接风险平价和主成分因子风险平价与三类资产的表现对比24图表46选定资产的权重股序列-直接风险平价25图表47选定资产的权重股序列-主成分风险平价25请参阅最后一页的重要声明金融工程研究金融工程深度报告一引言如Ang2010所言资产之于因子如同食物之于营养成分资产种类繁多走势曲线各异但总体上其表现可以由数量有限的因子解释事实上这一思想在风险平价的相关理论中已有雏形无论是桥水的增长通胀环境优势组合的选择还是Qian通过风险溢价的来源选择权益利率商品三类底层资产参与风险平价的计算都实质上隐含了宏观因子的选择详见理论与应用指南风险平价详解一文或计算图表1桥水的经济环境代表组合可视为对增长通胀的拟合资料来源BridgeWater中信建投通过将分析对象从资产转向因子一方面可以帮助投资者更好地理解资产收益和风险背后的关键驱动因素同时由于因子数量通常更少基于因子视角对资产收益管理人业绩拆分结合投资者对因子的偏好可以极大程度地提高配置资产选择管理人的自由度对于基于因子的资产配置哈佛管理公司2016提出的FIFAA给出了典型的流程其关键步骤依次为选择合适的因子确定资产的因子暴露确定目标因子暴露构建合意的资产组合图表2哈佛管理公司FIFAA基于因子的灵活资产配置实施流程资料来源hmcharvardedu中信建投请参阅最后一页的重要声明1金融工程研究金融工程深度报告上述流程的后半部分体现的是主动配置的过程本文中我们将通过梳理海外主流机构的做法重点介绍因子的选择框架与构建方法在此基础上参考事先选定因子分类构建的方式尝试构建了海外的宏观因子体系并介绍了宏观因子的应用案例二宏观因子构造方法21海外机构宏观因子构造案例211哈佛管理公司HMC因子的选择与计算不同的投资者通常在投资目标负债结构所受约束等方面各有不同对因子的选择哈佛管理公司HMC认为不存在某个因子集合适合所有的机构投资者而比起单纯的股票和债券选择4-6个因子的集合便足以涵盖更多风险和回报的主要驱动因素因子数量太多则可能会降低和因子有关的资本市场假设的简洁性和可靠性可选的因子范围包括股票利率通货膨胀信用利差货币流动性和波动率等HMC认为因子的选择总体上应遵循如下标准1适当性因子集合可以反映投资者的风险和收益目标及常见投资策略的本质因子最好是投资者关注点机会或风险的提炼并且易于管理投资者能使用所选的因子集合表达观点或认知2可交易性因子可以自由且低成本地交易以使投资者能够有效地管理其敞口同时根据简洁性的要求在纳入资产层面独有的因子如股票资产的价值因子债券资产的carry因子时应从合意的组合因子暴露水平出发审慎考虑3低相关性因子之间的两两相关性较低低相关性有助于后续资产暴露的计算但并非必须4预期便利性对因子的收益和风险可以相对容易地形成高质量预期对此主要应考虑针对某个因子的分析或第三方研究的体量比如全球权益风险溢价学术研究透彻有许多咨询管理机构可以给出合理清晰的收益率估计利率通胀汇率也是如此根据上述标准HMC最终选择了涵盖全球权益美国国债高收益通胀汇率五个因子的集合因子的计算方式上考虑可交易性HMC采用市场指数全球权益美国国债高收益或对冲组合通胀汇率度量资产的因子暴露对资产的因子暴露矩阵HMC采用历史系数与主观设定相结合的方式综合确定对历史系数从模型变量的简约性出发可以采用向前逐步回归或Lasso回归计算各资产对关键因子的系数这里HMC选择的是后者对Lasso回归中的惩罚系数采用k折交叉验证的方式确定请参阅最后一页的重要声明2金融工程研究金融工程深度报告而由于金融市场普遍存在的非平稳性数据的局限性因子可能的共线性等回归得到的历史系数对未来的指导意义可能下降尤其是对某些另类或新兴的资产因此不妨将其作为出发点与来自专家观点或基本面模型得到的先验预期结合HMC的经验是与投资经理或相关业内人员的交流帮助较大二者结合得到的各资产因子暴露矩阵参见图表4图表3哈佛管理公司五因子集合示例资料来源hmcharvardedu中信建投图表4各类资产的因子暴露度矩阵示例资料来源hmcharvardedu中信建投212高盛全球投资研究部GS-GIR因子的选择与计算对于因子的选择高盛全球投资研究部GIR2016认为应当满足以下条件请参阅最后一页的重要声明3金融工程研究金融工程深度报告1经济逻辑应当和具体的经济主题关联以便将对经济的观点转化为对因子走势的预期2基于市场因子基于可交易的资产构建日度更新的市场价格可以提供相应经济主题的高频观点3概念内涵构成因子的资产通过清晰的路径逻辑与经济主题相关联4与宏观数据的相关性因子应与有关宏观经济数据高度相关5跨资产的解释力当与其他因子结合时每个因子都可以解释较高比例的资产回报并至少对部分不必全部资产具有统计显著性6跨期持续的解释力因子自身的变化应当与资产收益截面的变化持续密切相关7跨市场一致性不同时间点或不同单一市场中某单一市场资产价格隐含的因子变化应与宏观因子的变化一致因子不必具有的特征包括1正交性经济主题通常是相互关联的因此合理的预期是与之相关的因子也是相互关联的并且当用于解释观察到的资产回报时可能会出现某种程度的矛盾2易于交易宏观因子建立在可交易资产之上但不必考虑交易成本或流动性相比之下更重要的是资产反映经济主题的能力3解释力的一致性不同因子对资产价格变化的的解释力不必一致4解释力的普适性因子不一定能很好地解释全部资产的收益允许因子对多种资产不具显著解释力5资产对因子的反映集中度资产价格对某个因子的反映程度暴露度可能会随着时间的推移而大幅波动从几乎完全到可以忽略不计在不同时点资产可能比其他时间更一致地对某个因子做出定价根据以上原则GIR确定了三大宏观因子类别如各类别中有若干小类1经济增长包括美国增长欧洲增长和中国增长2政策度量包括美国金融条件欧洲金融条件和美国通胀预期3油价认为是主要的供给端驱动因素因子的计算方面对增长类因子GIR以若干成分的PCA第一主成分度量美国增长的成分包括10年期美债收益率贸易加权加元和高盛消费者增长组合欧洲增长的成分包括Eurostoxx非必选消费品和工业部门相对必选消费10年期德国国债实际收益率以及贸易加权的波兰兹罗提和瑞典克朗中国增长的成分包括中国港股相对标普500指数12个月人民币远期3个月铜期货对政策金融类指标GIR采用高盛综合多个市场信息编制的美国欧洲金融条件指数度量对美国通胀以1年期通胀掉期度量请参阅最后一页的重要声明4金融工程研究金融工程深度报告对于原油风险仅考虑供给层面的因素采用剔除了美国增长之后的原油掉期度量图表5高盛全球投资研究部2016所选宏观风险因子及其成分资料来源GoldmanSachs中信建投资产的因子暴露在确定各资产对因子的暴露时GIR使用贝叶斯方法资产关于因子的回归系数施加先验观点包括对宏观冲击的响应方向和相对幅度的设置GIR只在有很高置信度的情况下施加先验观点其经验表明少量的先验设置便可以得到截面上合乎经济逻辑的后验beta估计请参阅最后一页的重要声明5金融工程研究金融工程深度报告图表6各类资产在风险因子上的暴露资料来源GoldmanSachs中信建投213贝莱德BlackRock因子的选择与计算贝莱德2016选择的因子包括权益通胀实际利率商品信用违约或利差走扩风险新兴市场新兴国家主权政府变更市场规则风险选取这一因子集合的原因在于其全球资产的天然属性以及囊括了各类别资产的主要风险请参阅最后一页的重要声明6金融工程研究金融工程深度报告图表7贝莱德宏观六因子2016资料来源BlackRock中信建投因子的计算方式上贝莱德采用市场指数全球权益实际利率商品或对冲组合通胀信用新兴市场度量在更新的一篇报告2019中根据PCA方法对14中资产的提取了前六个主成分对应于经济增长实际利率通胀信用新兴市场流动性因子的计算方式上根据资产多空组合构造宏观因子模拟组合代替增长因子使用股票地产信托基金商品的超额收益实际利率因子使用通胀联接主权债券的超额收益通胀因子以名义主权债券相对同期通胀联接主权债券收益差度量信用因子以投资级高收益债相对国债的收益差度量新兴市场因子以新兴市场的股债组合相对发达市场的组合收益差度量图表8贝莱德宏观六因子2019资料来源BlackRock中信建投请参阅最后一页的重要声明7金融工程研究金融工程深度报告214道富全球顾问公司SSGA因子的选择与计算SSGA2014使用主成分分析法对机构投资者关注的14种主要资产提取主成分从主成分的构成来看第一主成分在多数资产上的系数为正对应于增长因子第二主成分在固收类资产上的暴露为正对应利率因子第三主成分系数较高的资产为商品和CPI对应通胀因子第四主成分在商品和CPI上有较高且相反的系数直观上对应于剔除CPI后的商品通胀由于从可解释性角度自第四主成分开始各主成分的系数构成开始变得不够明确结合前三大主成分可以解释各类资产近80的波动因此SSGA最终选择了增长通胀利率三个因子图表9SSGA对14种资产进行主成分分析的前4个成分资料来源SSGA中信建投215景顺投资Invesco因子的选择与计算景顺投资2017使用PCA从数据中寻找驱动因素并确认这些变量具有经济含义之后将其选定为宏观因子其选择的三个因子为增长通胀和金融条件对因子的计算首先计算不同资产在宏观因子变化环境增长下降金融状况收紧和通胀上升下的夏普比率再根据夏普比率的符号和大小通过做多或做空各资产构建宏观因子模拟投资组合请参阅最后一页的重要声明8金融工程研究金融工程深度报告图表10资产在不同宏观环境的夏普比率增长下降金融条件收紧通胀上升资料来源Invesco中信建投请参阅最后一页的重要声明9金融工程研究金融工程深度报告其测试结果表明各因子组合的平均夏普比率走势与对应的宏观指标高度相关体现了因子组合与宏观基本面指标的密切关系图表11因子组合的表现与宏观指标密切相关-金融条件图表12因子组合的表现与宏观指标密切相关-增长数据来源Invesco中信建投数据来源Invesco中信建投在另一篇关于宏观因子的研究中Invesco选择的三个因子为增长防御及通胀分别采用权益指数美国国债指数及通胀挂钩债券与美国国债之间的利差度量并基于多个资产风格因子在增长通胀上行下行环境中的表现对资产所属宏观因子类别进行判定并在此基础上通过缩放调整的波动率加权构建了宏观因子模拟投资组合图表13依据增长及通胀的暴露确定资产因子所属宏观因子类别资料来源Invesco中信建投请参阅最后一页的重要声明10金融工程研究金融工程深度报告22宏观因子构造方法总结221原始宏观变量vs市场隐含宏观因子对于宏观因子的构造大体可分为两类一种纯粹基于宏观经济变量这些变量可以被视为资产收益的最终驱动因素如ChenRoll和Ross1986常见的宏观经济变量是包括产出增长通胀利率等然而直接使用宏观变量对许多资产类别的回报的解释力较为有限且宏观变量多具有披露滞后频率较低不具可投资的特点这使增加了基于宏观因子的进行投资组合配置的困难第二类方法为市场隐含宏观因子基于资产指数的线性组合相比宏观变量这一做法得到的因子具有高频实时反映可投资的特征且对资产的解释度通常更高具体来看当宏观因子集合事先并未清晰定义时方法主要为宏观因子事先未定的PCA方法如SSGA2014BlackRock2019等使用PCA方法得到正交因子根据主成分的资产权重结构及与各经济变量的序列对比确定各主成分所代表的宏观风险统计意义来看该方法对跨资产横截面收益的解释性天生较高但由于严格正交的要求重要性靠后的主成分因子可解释程度不高且所代表的经济含义资产权重系数可能随时间发生变化稳定性较差事实上通过这一方法可以稳定筛选出的跨资产显著的宏观因子多为增长通胀利率防御金融条件当宏观因子集合明确后资产指数的线性组合广义而言都可以视为宏观变量的模拟投资组合FMP构建方式包括1从逻辑出发的资产指数简单线性组合如HMC2016BlackRock20162019等例如使用全球权益指数度量增长因子以通胀联接主权债券的超额收益度量实际利率因子以名义主权债券相对同期通胀联接主权债券收益差度量通胀因子以投资级高收益债相对国债的收益差度量信用因子等由于多从经济含义出发因此逻辑清晰实施简单问题在于某些时期资产反映的宏观驱动因素可能发生漂移2选定宏观风险因子后的PCA方法如GS-GIR2014与因子未定的PCA方法不同这一方法是在明确选定宏观变量之后对与单一宏观变量相关度较高的资产指数集合应用PCA方法选取第一主成分作为对应的高频宏观因子这一方法克服了主成分经济含义不稳定的问题可以得到更贴近核心宏观变量的高频因子3对资产分类的宏观因子模拟投资组合如Invesco2020该方法首先计算基础资产组合的经济环境暴露基于此进行分类而后对属于同一宏观因子的基础资产加权得到对应的因子模拟投资组合这一做法本质上与Fama-French的因子组合构建方式相同4基于多元回归的宏观因子模拟投资组合如JurczenkoJrme2020等一种方法是通用的因子模拟投资组合权重计算框架此前我们在宏观变量的资产定价宏观因子模拟组合一文中有详细介绍该方法出发点是给定目标宏观因子暴露下使得FMP的特质风险最小另一种则以宏观变量为因变量以与之关联程度高的资产组合为自变量结合领先滞后关系拟合宏观因子222宏观因子集的选择确定宏观因子集合应考虑的内容包括请参阅最后一页的重要声明11金融工程研究金融工程深度报告1经济逻辑如GS-GIR既是宏观因子理应与某一经济变量主题关联以便将对经济的观点转化为对因子走势的预期这对应于哈佛管理公司的适当性标准2跨资产的解释力所选因子集合可以较高程度地解释多种资产的回报单个因子应至少对部分资产的收益具有统计显著的影响3可交易性因子基于可交易的资产构建以提供相应经济变量的高频变化对于基础资产的交易成本或流动性若因子集更多应用于解释市场则无需考虑若直接用于构造实际投资的组合则应纳入考虑以有效地管理风险敞口4预期便利性若存在根据因子进行主动配置的需求则应考虑对因子的收益和风险形成高质量预期的便利性5相关性由于经济变量本身相互关联因此宏观因子的相关性在所难免甚至不同市场隐含的宏观因子可能会出现矛盾要求正交性或使因子偏离其经济含义因子之间的两两相关性不至于过高即可三宏观因子构造实证31宏观因子选择与计算选择美国增长欧洲增长中国增长美国金融条件欧洲金融条件通胀预期原油供给等变量对增长类因子以若干与增长高度相关的变量的第一主成分度量对金融条件类因子以高盛金融条件指数度量以5年期通胀掉期度量通胀预期对原油供给变量两年期布伦特原油掉期的溢价度量此外对原始的欧洲增长中国增长及原油供给变量取剔除美国增长后的残差以滚动3年的z-score标准值作为各因子的最终数值图表14依据增长及通胀的暴露确定资产因子所属宏观因子类别因子构造说明增长美国10年期美债收益率贸易加权加元和标普500消费行业指数的第一主成分欧洲非必需消费品工业指数vs欧洲必需消费品10年德国国债实际收益率和贸增长欧洲易加权瑞典克朗的第一主成分恒生指数沪深300vs标普50010年期中国国债收益率人民币NDF远期的第增长中国一主成分金融条件美国高盛美国金融条件指数金融条件欧洲高盛欧洲金融条件指数通胀预期5年期通胀掉期原油供给布伦特原油两年掉期溢价资料来源中信建投由于市场数据频率较高构造因子时可以日频估算但由于基础资产范围广泛分布于全球为减少信息流和交易时间不完全重叠的潜在问题我们以周度数据估算请参阅最后一页的重要声明12金融工程研究金融工程深度报告32宏观因子与经济变量高相关对三个增长类因子从构成来看各增长因子的成分系数基本都大于05且除中国增长因子中人民币远期的系数为负子成分的方向均与指数一致图表15美国增长因子vs美国ISM制造业PMI080604020010德顺瑞消贸沪铜国人-02国周年费易深期民典300债国期克美行加货币-04债行朗债业权远实业收指加期-06际指益数元收数率-08益率欧洲增长美国增长中国增长数据来源BloomBergWind中信建投对比因子的月度均值和对应的经济变量从下图中可以看到基于市场变量得到的增长类风险因子与对应国家地区的制造业PMI高度相关二者同比变化的R2在0506左右基于市场的原油供给因子与全球原油产量同比负相关且在领先三期时负相关性达到峰值图表16美国增长因子vs美国ISM制造业PMI图表17美国增长因子同比vs美国ISM制造业PMI同比ISM制造业PMI美国增长因子ISM制造业PMI同比307052565432060R062215551105005美国增长因子同比45-1-2040-3-6-4-20246810-535-430-5-10-15-20数据来源BloomBergWind中信建投数据来源Wind中信建投请参阅最后一页的重要声明13金融工程研究金融工程深度报告图表18欧洲增长因子vs欧元区制造业PMI图表19欧洲增长因子同比vs欧元区制造业PMI同比欧元区制造业PMI欧洲增长因子欧元区制造业PMI同比407056543060322055150100R04745-1040-6-4-202468-2欧洲增长因子同比35-3-1030-4-20-30数据来源Wind中信建投数据来源Wind中信建投图表20中国增长因子vs官方制造业PMI图表21中国增长因子同比vs官方制造业PMI同比官方制造业PMI中国增长因子官方制造业PMI同比206055841556310542521550R0600480-8-6-4-20246846-1-5中国增长因子同比44-242-3-1040-4-15-20数据来源Wind中信建投数据来源Wind中信建投图表22原油供给因子3M与全球原油产量同比图表23全球原油产量同比yoy与原油供给因子3M同比原油供给因子3M全球原油产量同比全球原油产量同比25-41500-3201000-215-1500100原油供给因子3M同比1000520-500-10-8-6-4-2024683-54-1000-105R0216-1500-15数据来源Wind中信建投数据来源Wind中信建投请参阅最后一页的重要声明14金融工程研究金融工程深度报告33因子的解释力度与资产暴露度在权益国债商品汇率四类资产中选择以下系列细分资产考察宏观因子对其收益的解释力度及各类资产的关于各宏观因子的暴露度图表24四种大类资产细分标的权益国债商品汇率美国中国美国奥地利美油白银美元挪威克朗法国日本法国爱尔兰布油铂金欧元瑞典克朗意大利韩国意大利希腊柴油大豆英镑匈牙利福林西班牙澳大利亚西班牙葡萄牙煤炭小麦日元南非兰特德国瑞士德国中国天然气棉花中国人民币波兰兹罗提英国印度英国日本铜玉米瑞士法郎韩元匈牙利墨西哥匈牙利韩国铝糖印度卢比墨西哥比索加拿大以色列加拿大澳大利亚铅咖啡印度尼西亚卢比澳大利亚元瑞典印尼瑞典瑞士锌橙汁土耳其里拉加拿大元挪威南非挪威镍生猪捷克克朗波兰土耳其荷兰锡活牛以色列谢克尔捷克巴西黄金饲牛巴西里尔数据来源Bloomberg中信建投解释力度期限越长解释效果越好对于各大类资产计算宏观因子对其细分资产收益率的解释程度R2取截面均值得到R2的时间序列从结果来看宏观因子对各类资产的月收益率的解释程度最低其次为季度收益率年收益率的解释作用最大即随着时间的拉长宏观因子对各类资产收益率的解释程度逐步提升横向对比来看宏观因子对资产的收益率解释力度从高到底依次为股票外汇商品国债图表25宏观因子对各类资产月季年收益率的解释度R2数据来源BloomBergWind中信建投请参阅最后一页的重要声明15金融工程研究金融工程深度报告对细分资产的收益率解释度上宏观因子对各资产年收益率影响程度存在分化以权益资产为例总体来看发达市场的R2较高R2较低的权益资产以新兴市场的股票指数为主图表26宏观因子对权益细分资产年收益率的解释度R295908580757065605550美澳墨英挪瑞德瑞波法加韩南意捷西印巴匈印日土中以国大西国威士国典兰国拿国非大克班度西牙尼本耳国色利哥大利牙利其列亚数据来源BloomBergWind中信建投资产的因子暴露度对于各类资产在宏观因子的暴露度以完整的单一资产历史收益率序列为因变量对各宏观因子进行回归回归时限定股票类商品类黄金除外资产关于增长类因子的系数为正关于金融条件类因子系数为负限定国债类资产关于增长类因子金融条件类因子系数均为负限定外汇类资产关于美国增长的系数为负美元除外另有部分资产含有区域因子的系数绝对值大小关系限定从结果来看大部分系数符合逻辑和设定的限制如股票类资产在增长和金融条件类因子上的暴露系数外汇美元人民币资产在增长类因子和金融条件指数上的系数等部分资产在地域相关因子上的绝对值关系与预期不符如欧洲国家在欧洲增长上的暴露系数小于美国增长或许与因子的构造分项含有相对指标有关另外国债指数在中国增长因子上的暴露为正可能与周期交错有关除了反映资产背后的重要宏观驱动因素因子暴露系数还可应用于主动宏观配置组合的构造对此本文暂不涉及请参阅最后一页的重要声明16金融工程研究金融工程深度报告图表27各类细分资产部分在宏观因子上的暴露系数细分资美国增欧洲增中国增美国FCI欧元FCI原油供通胀产长长长收紧收紧给股票美国052018013-022-021004005英国050019010-010-027009009法国045006016-012-014010007印度046022039-002-015014011德国039012022-015-008009008日本028003003-009-014002003中国017008046-002-011000021国债美国-075-075000-027000001010德国-059-059000-008-021002-002英国-052-075000-006-018016012法国-049-046000-011-029018-023日本-037-041-003000-019002027中国-020-013-032000-008005-017商品美油040007000-010000-009018铜031000007-006-001008008白银024000009000000029006大豆013000026-001000015003黄金000-050000-003000021000外汇美元034-020-005038-028-014-010欧元000004013-031029013006人民币-007-029057-014-043016004数据来源BloomBergWind中信建投四宏观因子应用实证41市场隐含因子按前文所述方法采用扩展的窗口计算宏观因子并基于此分不同的资产类别进行Fama-Macbeth的时序和截面回归从而可以得到不同市场隐含的各宏观变量因子首先时序上以单个资产的月收益率n对因子的月度变化值f回归得到资产关于因子的暴露系数nnfnn7nfn11截面上以不同资产的月收益率n对因子的暴露系数n回归得到市场隐含的因子数值f请参阅最后一页的重要声明17