本文参考了Fama-MacBeth的做法模拟宏观风险因子，将配置资产进而配置宏观风险的正向逻辑转化为配置宏观风险通过配置资产落地的逻辑展开。真实宏观因子数据使用相关月度宏观指标的预测值或资产月度收益(利率/信用)，分别与各资产做单变量时序回归获得风险载荷，并对历史载荷进行半衰期加权，以平滑资产波动带来的载荷不稳定，最终通过将宏观因子风险拆解为底层资产组合构建宏观因子风险平价组合。
　　针对宏观因子进行风险平价的优化结果呈现出一定的经济增长弹性，收益和波动较基于资产的风险平价均有所提高。两种方式下结果差异一方面由于各类资产的宏观风险暴露并不单一，且除以上宏观风险外，其他宏观要素或资产特异性风险等也是资产波动的重要构成，因此要求宏观风险波动配平时会提高经济增长对应资产的权重，从而带来收益和波动/回撤的双重提高。第二方面仍然是由于标的资产价格变化速度和幅度强于宏观风险因子，使得无论采用PCA还是本文中的宏观因子模拟方式，与真实宏观风险之间仍有一定误差且风险载荷变化滞后于资产真实敞口，也会带来一定的波动。但整体来看，将因子投资的范围提高到资产层面，可以更好地管理因子组合和风险，基于宏观因子的风险平价模型还提供了中波组合的一种构建思路。此外，在宏观因子的应用上，既可以仅针对顶层进行因子配置，同时也可以参考BlackRock等机构提出的思路，将顶层因子与资产内部的因子进行组合，可以进一步降低因子篮内部相关性。
　　文章还讨论了股债相关性变化的影响因素。参考AQR的做法，将股债相关性拆解为经济增长的波动/通胀波动/经济增长与通胀相关性三个部分，并得到了与美国市场相似的结论，即三个变量均显著，且经济增长波动为股债相关性带来负贡献，利率波动为股债相关性带来正贡献，唯一有所不同是经济增长与利率的相关性为在国内资产研究中为股债相关性的正贡献变量。加入通胀水平因子后解释度进一步提升且国内数据显示通胀水平为股债相关性的显著正变量。基于此，我们使用历史三年窗口计算各变量的系数，宏观数据滞后一个月，分别与真实值加入后的变量数据以及使用一致预测数据加入后的变量数据进行复合以计算下月的股债相关性变化。结果显示，历史检验的股债相关性的估计值/预测值与真实值三者具有相同的趋势性，符号基本一致。该研究结果可以为股债配置比例调整提供参考，同时在量化资产组合优化中可以通过改变历史股债相关性加入一定的预期风险控制效果。
　　风险提示：市场变化、政策变化风险，模型失效风险