|
|
本文构建了一套宏观因子体系，并从多个维度实证了其与金融资产的关系
本文构建了一套宏观因子体系，并从多个维度实证了宏观因子和金融资产（大类资产、板块、行业）间的关系，主要工作如下：1、基于宏观指标和资产价格合成了增长、通胀、利率、信用、汇率五个宏观因子；2、基于有放回抽样的单元线性回归考察各个宏观因子对不同金融资产的影响，并梳理背后的驱动逻辑；3、构建风险归因体系，考察不同金融资产在宏观因子视角下的风险构成，也即对金融资产进行风险画像；4、实证宏观因子框架在投资时钟构建、主导因子挖掘以及宏观因子资产化三个方向上的应用。实证结果表明，本文构建的宏观因子体系对金融资产具备较高的解释能力。
宏观因子构建：波动率倒数加权合成增长、通胀、利率、信用、汇率因子
结合国内投资实践和海外研究成果，构建增长、通胀、利率、信用、汇率五个因子来刻画主要的宏观风险，每个因子都是通过筛选合适的代理指标并基于波动率倒数加权法合成：1、增长代理指标为PMI同比差分序列、基建投资同比增速、工业企业利润总额同比增速；2、通胀代理指标为猪肉价格、布伦特原油、螺纹钢价格的对数同比序列；3、利率代理指标为国债1年期到期收益率和国债10年期到期收益率的同比差分序列；4、信用代理指标为5年期AAA中短期票据收益率和5年期国债到期收益率的差值的同比差分序列；5、汇率代理指标为美元兑人民币中间价的同比差分序列。
宏观因子对金融资产的影响实证：基于有放回抽样的单元线性回归方法
以复合后的宏观因子作为自变量，对各个金融资产进行单元线性回归，考察各个宏观因子对不同金融资产的影响：1、对金融资产收盘价进行对数同比处理，与宏观因子统一口径；2、采用有放回抽样的方式来规避单次运行受到的特质噪声影响，也即在全局考察区间内随机抽取起止日期，生成自变量和因变量，进行单元线性回归，记录因子暴露、T值、R2，并且统计1000次模拟的中位数作为最终结果；3、为了减少回归残差的异方差性对假设检验的影响，利用Newey-West自相关相容协方差方法对残差自相关性进行处理。结果表明，定量分析结果与定性逻辑梳理的契合度较高。
金融资产风险画像：考察不同金融资产在宏观因子上的风险构成
构建风险归因体系，考察不同金融资产在宏观因子视角下的风险构成：1、随机抽取考察区间，合成宏观因子；2、对宏观因子进行正交化处理，降低因子间的共线性风险；3、基于正交后的宏观因子对各金融资产的对数同比序列做多元线性回归，计算因子暴露矩阵和残差序列；4、基于Boudt(2016)中提到的方法构建风险归因体系，对金融资产进行风险画像；同样地，为了规避单次运行受到特质噪声影响，上述步骤需要重复1000次，并取中位数作为最终结论。结果表明，宏观因子能较好的解释金融资产的价格波动，而且不同金融资产间的风险画像具备较高的区分度，与直观逻辑相符。
宏观因子体系实证应用：投资时钟构建、主导因子挖掘、宏观因子资产化
本文从三个维度实证了宏观因子体系的应用：1、投资时钟构建，以增长和通胀为例，可将宏观环境划分为复苏、过热、滞胀、衰退四个状态，每个状态下推荐配置的金融资产可以通过因子暴露方向和显著度决定；2、主导因子挖掘，通过哑变量回归考察目标区间市场的主导宏观风险是什么，核心是考察在哪个因子维度上，行业的分化更大，最新结论显示，利率和信用是当前市场的主导风险，说明短期来看流动性仍然是权益市场的胜负手；3、宏观因子资产化，用资产组合的方式复制宏观因子的走势，这样因子可直接投资，对于宏观量化研究大有裨益，后续报告会继续推进相关研究。
风险提示：模型根据历史规律总结，历史规律可能失效；模型结论基于统计工具得到，在极端情形下或存在解释力不足的风险。
|
|
