报告摘要：
　　在不同的宏观环境下有效控制风险，降低波动率、取得相对稳健的回报成为资产管理市场越来越主流的诉求。前期报告《解读“全天候”策略》是我们对这一问题进行探讨的序章。与传统普通资产风险平价模型不同，“全天候”更精准的定位是“宏观因子”风险平价，“全天候”策略穿越周期的实现路径是均衡化“宏观因子”。传统配置模型并不会根据宏观场景的变化而及时调整权重，在市场遭遇极端冲击时，其分散风险的功能往往被大幅削弱。比如流动性危机发生时，资产面临系统性的抛压，尾部风险会大幅推升资产之间的相关性，传统配置模型就会失效。而“宏观因子”相较普通大类资产相关性更低，可以更有效地实现“降维”、归因，及权重调整。本文尝试将类似“全天候”的因子配置模式在中国市场中落地，扩展出适合国内市场的宏观因子，构建本土化的宏观因子风险平价配置框架。
　　资产和因子的关系类似于食物与营养元素（Andrew Ang，2010）。组合收益本质是承担市场中不同风险而获得的补偿（Sharpe,1964; Lintner,1965; Ross,1976）。因子风险平价（Factor Risk Parity）其首次作为学术概念系统论述出现在Attilio Meucci 2009年的论文中，其通过主成分分析（PCA）提取资产收益协方差矩阵在统计意义上不相关因子，并以此构建分散性的投资组合。Qian(2012、2016)亦指出风险平价模型的重点应是“风险”，而不是平价公式，对“风险”的理解该回到更为本质的“宏观”层面，而不是简单的资产波动率。
　　在前期报告《解读“全天候”策略》中，我们借鉴钱恩平（2005）的做法尝试构建了基于国内ETF（资产维度）的风险平价模型，该模型通过将每类资产在组合中的风险贡献度均等化来优化组合夏普，再通过杠杆来提升年度收益，最终在目标波动率为6%的约束下，基于传统的资产风险平价组合可以获得自2015年以来6.4%的年化收益，0.92的夏普比率。
　　资产间的低相关性是传统配置模式能获得“免费午餐”的核心要素。而在实际操作中，当市场遭遇极端冲击，出于流动性的考虑，多类资产可能面临系统性的抛压，进而尾部风险推升资产相关性大幅度上升，传统配置模式的分散性就会失效。“宏观风险因子”相较普通大类资产相关性亦更低，同时这是一个“化繁为简”的过程。从数理上看，该过程将涵盖较多资产数量的资产空间降维至更小更具共性的几个因子空间。
　　因子配置模型还可以做到更好地归因，一方面辅助分解收益来源，另一方面，我们还可以主观根据对未来的宏观场景的预判调整资产权重，而传统基于资产的配置方式仅从资产的风险收益特征出发，资产权重调整并不能反映宏观变化。
　　搭建宏观因子配置框架要做哪些工作？我们参照对哈佛捐赠基金（HMC）影响较大的Blyth（2016）的研究，分成四步：一是“筛选因子”，宏观因子的“适配度”直接决定了后续进行平价优化是否真正识别和分散了风险。二是“计算风险暴露”，即搭建“因子”与“资产”的量化桥梁，利用线性回归模式测算出资产对因子的风险暴露程度。三是“确定”目标风险暴露，即先按照某一法则或偏好确定对各因子风险暴露多少是合适的；四是“匹配”目标风险暴露，即利用最优化框架反推资产权重。
　　Blyth(2016)提出了“基于因子的灵活资产配置模型”(Flexible Indeterminate Factor-based Asset Allocation,FIFAA)，并成为哈佛捐赠基金(Harvard Management Company, HMC)在2015年9月之后转向“因子化思维”的策略载体。从事后回溯来看，在FIFAA策略模式下，哈佛捐赠基金近十年、近五年的平均年度回报分别为8.1%、10.4%。
　　“筛选因子”是选择及生成适合本土大类资产的宏观因子。宏观因子的“适配度”直接决定了后续进行平价优化是否真正识别和分散了风险。“计算风险暴露”，通常是利用线性回归模式测算出资产对因子的风险暴露程度。
　　“确定目标风险暴露”，即按照某一法则或偏好确定对各因子风险暴露多少是合适的，若是采用因子风险平价思路，该步骤是通过“各个因子对组合的风险贡献度一致”这一优化过程来设定目标风险暴露。
　　“匹配目标风险暴露”，若第三步的目标因子风险暴露为主观设定，则该步骤为利用最优化框架（如Blyth最优化框架、Greenberg最优化框架）反推出资产权重；若为因子风险平价，则直接根据符合因子风险平价条件与风险暴露矩阵重新回到资产层面确定组合内部的资产配比。
　　构造宏观因子的主流做法分为三种。方式一是直接用低频经济数据，比如GDP、PPI等，这种做法经济意义比较直观，但对资产价格的解释存在时变性；方式二是主成分分析降维（PCA），这种做法简便、客观、更具因子分散效果，但不稳定、经济意义弱、权重不唯一；方式三是通过回归的方法拟合出更高频的宏观因子，这种做法高频、可交易，但需要先设定宏观维度，事先构建低频因子作为锚，复杂度较高。我们在上述三种方法的基础上做出改进，结合上