PoKer World辅助器是一款可以让一直输的玩家，快速成为一个“必胜”的ai辅助神器，有需要的用户可以加我们Q-Q群免费测试，先看效果下载使用。手机打牌可以一键让你轻松成为“必赢”。其操作方式十分简单，打开这个应用便可以自定义手机打牌系统规律，只需要输入自己想要的开挂功能，一键便可以生成出手机打牌专用辅助器，不管你是想分享给你好友或者手机打牌 ia辅助都可以满足你的需求。同时应用在很多场景之下这个手机打牌计算辅助也是非常有用的哦，使用起来简直不要太过有趣。特别是在大家手机打牌时可以拿来修改自己的牌型，让自己变成“教程”，让朋友看不出。凡诸如此种场景可谓多的不得了，非常的实用且有益，
1、界面简单，没有任何广告弹出，只有一个编辑框。

2、没有风险，里面的手机打牌黑科技，一键就能快速透明。

3、上手简单，内置详细流程视频教学，新手小白可以快速上手。

4、体积小，不占用任何手机内存，运行流畅。

手机打牌系统规律输赢开挂技巧教程

1、用户打开应用后不用登录就可以直接使用，点击手机打牌挂所指区域

2、然后输入自己想要有的挂进行辅助开挂功能

3、返回就可以看到效果了，手机打牌辅助就可以开挂出去了

1、一款绝对能够让你火爆辅助神器app，可以将手机打牌插件进行任意的修改;

2、手机打牌辅助的首页看起来可能会比较low，填完方法生成后的技巧就和教程一样;

3、手机打牌辅助是可以任由你去攻略的，想要达到真实的效果可以换上自己的手机打牌挂。

手机打牌辅助ai黑科技系统规律教程开挂技巧

1、操作简单，容易上手;

2、效果必胜，一键必赢;

3、轻松取胜教程必备，快捷又方便2025年06月15日 23时49分00秒

---

　　炒股就看金麒麟分析师研报，**，专业，及时，全面，助您挖掘潜力主题机会！

　　郭磊宏观茶座广[文]发证券资深宏观[章]分析师 陈礼清 博士

　　报告摘要

　　第一，在不同的[来]宏观环境下有效[自]控制风险，降低[高]波动率、取得相[祥]对稳健的回报成[号]为资产管理市场[文]越来越主流的诉[章]求。前期报告《[来]解读“全天候”[自]策略》是我们对[高]这一问题进行探[祥]讨的序章。与传[号]统普通资产风险[文]平价模型不同，[章]“全天候”更精[来]准的定位是“宏[自]观因子”风险平[高]价，“全天候”[祥]策略穿越周期的[号]实现路径是均衡[文]化“宏观因子”[章]。传统配置模型[来]并不会根据宏观[自]场景的变化而及[高]时调整权重，在[祥]市场遭遇极端冲[号]击时，其分散风[文]险的功能往往被[章]大幅削弱。比如[来]流动性危机发生[自]时，资产面临系[高]统性的抛压，尾[祥]部风险会大幅推[号]升资产之间的相[文]关性，传统配置[章]模型就会失效。[来]而“宏观因子”[自]相较普通大类资[高]产相关性更低，[祥]可以更有效地实[号]现“降维”、归[文]因，及权重调整[章]。本文尝试将类[来]似“全天候”的[自]因子配置模式在[高]中国市场中落地[祥]，扩展出适合国[号]内市场的宏观因[文]子，构建本土化[章]的宏观因子风险[来]平价配置框架。[自]

　　第二，搭建宏观[高]因子配置框架要[祥]做哪些工作？我[号]们参照对哈佛捐[文]赠基金（HMC[章]）影响较大的B[来]lyth（20[自]16）的研究，[高]分成四步：一是[祥]“筛选因子”，[号]宏观因子的“适[文]配度”直接决定[章]了后续进行平价[来]优化是否真正识[自]别和分散了风险[高]。二是“计算风[祥]险暴露”，即搭[号]建“因子”与“[文]资产”的量化桥[章]梁，利用线性回[来]归模式测算出资[自]产对因子的风险[高]暴露程度。三是[祥]“确定”目标风[号]险暴露，即先按[文]照某一法则或偏[章]好确定对各因子[来]风险暴露多少是[自]合适的；四是“[高]匹配”目标风险[祥]暴露，即利用最[号]优化框架反推资[文]产权重。

　　第三，构造宏观[章]因子的主流做法[来]分为三种。方式[自]一是直接用低频[高]经济数据，比如[祥]GDP、PPI[号]等，这种做法经[文]济意义比较直观[章]，但对资产价格[来]的解释存在时变[自]性；方式二是主[高]成分分析降维（[祥]PCA），这种[号]做法简便、客观[文]、更具因子分散[章]效果，但不稳定[来]、经济意义弱、[自]权重不唯一；方[高]式三是通过回归[祥]的方法拟合出更[号]高频的宏观因子[文]，这种做法高频[章]、可交易，但需[来]要先设定宏观维[自]度，事先构建低[高]频因子作为锚，[祥]复杂度较高。我[号]们在上述三种方[文]法的基础上做出[章]改进，结合上述[来]几种方法优点，[自]构造更灵敏的宏[高]观因子。我们的[祥]方法可总结为“[号]定维度、筛资产[文]、高频化”三个[章]步骤。具体而言[来]，我们利用PC[自]A识别宏观维度[高]，利用资产多空[祥]模拟组合进行“[号]高频化”，利用[文]因子多寡分层次[章]设计“轻量化”[来]（类全天候）、[自]“三维度”（M[高]1-BCI-P[祥]PI框架）、“[号]广谱性”（多因[文]子）三套宏观因[章]子平价方案。

　　第四，在上述思[来]路的基础上，借[自]鉴Kelly（[高]2014）的做[祥]法，我们对自2[号]017年至今的[文]股债商汇共10[章]种大类资产日收[来]益率数据进行主[自]成分降维，发现[高]前六大主成分、[祥]前七大主成分分[号]别解释了资产价[文]格波动的82%[章]、89%。通过[来]各主成分在资产[自]上的载荷系数方[高]向与大小比较，[祥]我们发现在不包[号]含美股的大类资[文]产组合中，国内[章]增长、通胀、利[来]率、汇率、信用[自]是核心的五大宏[高]观风险；若包含[祥]美股，再额外加[号]入海外经济风险[文]因子。我们从经[章]济逻辑出发构造[来]原始低频（月频[自]）宏观因子，以[高]M1、BCI、[祥]PPI分别作为[号]流动性、增长、[文]通胀因子的代理[章]变量。出于稳健[来]性考量，我们亦[自]尝试综合PMI[高]与BCI两个景[祥]气指标来丰富“[号]增长维度”，通[文]过拆分消费品通[章]胀（融合CPI[来]同比与BCI消[自]费品前瞻指数）[高]与工业品通胀（[祥]融合PPI同比[号]与BCI中间品[文]前瞻指数）来细[章]化“通胀维度”[来]。

　　第五，接下来，[自]如何将“低频”[高]宏观因子转化为[祥]“高频”因子体[号]系？我们借鉴因[文]子模拟（Fac[章]tor Mimicki[来]ng）法。首先[自]是以资产价格收[高]益率为自变量，[祥]低频宏观因子为[号]因变量进行逐步[文]单变量一元回归[章]，筛选与每个维[来]度因子强相关的[自]大类资产。然后[高]是“高频化”合[祥]成。我们构建了[号]滚动窗口期的多[文]元领先滞后回归[章]模型，将归一化[来]处理后的回归系[自]数与高频资产价[高]格周环比或日环[祥]比交乘，得到高[号]频宏观因子。以[文]增长因子为例，[章]模拟组合为做多[来]螺纹钢期货、恒[自]生指数、南华沪[高]铜指数；而工业[祥]通胀因子的高频[号]模拟组合为做多[文]CRB工业原料[章]现货指数、螺纹[来]钢期货、WTI[自]原油期货以及做[高]空中证国债及政[祥]策性金融债7-[号]10年。通过资[文]产多空模拟组合[章]获得了8个可供[来]使用的宏观高频[自]因子池，即利用[高]回归方式将“不[祥]可交易”的宏观[号]原始指标转化为[文]“高频、具有拟[章]合度、可交易”[来]的宏观因子收益[自]率。

　　第六，然后，如[高]何搭建“因子”[祥]与资产的桥梁？[号]我们利用资产收[文]益率对各因子收[章]益率进行时序线[来]性回归，得到资[自]产对因子的风险[高]暴露矩阵。该矩[祥]阵直观显示了资[号]产对不同宏观变[文]量的敏感度。我[章]们的估计方式为[来]带约束的稳健O[自]LS回归，并且[高]使用滚动窗口与[祥]随机重抽样方式[号]确定系数，以便[文]于捕捉敏感度的[章]时变动态特征。[来]首先上述因子均[自]通过了低多重共[高]线性检验，各因[祥]子的方差膨胀系[号]数（VIF）均[文]处于1.0~1[章].5之间（显著[来]小于5），并且[自]因子间相关系数[高]较低，多数绝对[祥]值小于0.1。[号]其次矩阵系数显[文]示，大盘股（沪[章]深300为代表[来]）相对中盘股（[自]中证500为代[高]表）对经济增长[祥]更敏感，而中盘[号]股对流动性环境[文]更敏感；恒生指[章]数有相似特征，[来]并且对汇率因子[自]（美元指数日收[高]益率）有着一定[祥]负向暴露；标普[号]500对美国经[文]济因子有显著正[章]向暴露等。方程[来]的R方大小表示[自]因子体系对某一[高]资产价格的解释[祥]力度。股债资产[号]的R方较大（利[文]率债为0.93[章]、企业债为0.[来]57、沪深30[自]0为0.6、中[高]证500为0.[祥]86），表明宏[号]观主导驱动的特[文]征较明显。伦敦[章]金现、布伦特原[来]油期货、美元兑[自]人民币中间价相[高]对靠后，R方分[祥]别为0.48、[号]0.43、0.[文]44，表明除宏[章]观因子体系以外[来]的特质性因子亦[自]会参与定价，比[高]如OPEC+增[祥]产节奏、地缘风[号]险，逆周期调节[文]因子等。通过风[章]险暴露矩阵的“[来]桥梁”，我们将[自]“因子”代替“[高]资产”的角色代[祥]入前期报告中的[号]风险平价框架，[文]获得符合“每一[章]因子对整个组合[来]的风险贡献相等[自]”条件下的资产[高]配置比例。

　　第七，首先是“[祥]轻量化”方案。[号]由于多资产收益[文]率被压缩至“增[章]长、通胀”两因[来]子，该风险平价[自]框架较为简洁。[高]回测结果显示“[祥]增长、通胀”因[号]子风险平价给出[文]了一个不加杠杆[章]的更优收益实践[来]方式。2016[自]年以来，该方案[高]年化收益7.7[祥]%，年化波动率[号]5.4%，夏普[文]比率1.14，[章]最大回撤8.5[来]%。而相同资产[自]、相同时段，运[高]用简单资产维度[祥]的风险平价策略[号]、全资产等权重[文]策略、波动率倒[章]数加权的策略年[来]化收益分别为4[自].6%、4.8[高]%、4.7%，[祥]年化波动率分别[号]为1.5%、8[文].7%、1.7[章]%，夏普比率分[来]别为2.09、[自]0.38、1.[高]83，最大回撤[祥]分别为2.5%[号]、14.2%、[文]2.8%。从上[章]述结果来看，简[来]单的资产风险平[自]价组合虽然仍具[高]有最高夏普，但[祥]稳健有余，弹性[号]不足，也正因此[文]，简单资产维度[章]风险平价往往需[来]要依赖“加杠杆[自]”来放松一定波[高]动率约束，来获[祥]得增厚收益；而[号]“增长、通胀”[文]因子平价策略收[章]益率的提升在没[来]有杠杆的情况下[自]进行，并且没有[高]带来波动率的大[祥]幅度提升，年化[号]波动率均维持在[文]5%附近，兼顾[章]了收益与风险。[来]从明细权重横向[自]看，由于模型仍[高]基于“风险平价[祥]”框架，波动率[号]更低的债性资产[文]仍在长时间序列[章]上占大头。自2[来]016年以来债[自]券资产平均权重[高]为54.6%，[祥]其中利率债占比[号]为20.9%，[文]信用债占比为3[章]3.8%；权益[来]资产平均权重为[自]10.2%，其[高]中A股资产平均[祥]权重为5.2%[号]，港股资产平均[文]权重为5.0%[章]；商品资产平均[来]权重为20.3[自]%；黄金资产平[高]均权重为5.7[祥]%。纵向看，近[号]年A股、港股资[文]产的权重提示有[章]所上升，分别自[来]2022年的0[自].1%、0.3[高]%年均权重上升[祥]至2024年以[号]来的3.1%、[文]7.8%；而债[章]券资产权重有所[来]回落；黄金资产[自]权重则有所上升[高]。

　　第八，然后是“[祥]三维度”方案。[号]“M1-BCI[文]-PPI”三因[章]子风险平价策略[来]2016年以来[自]的年化收益为9[高].0%，年化波[祥]动率为7.8%[号]，夏普比率为0[文].96，与“B[章]CI-PPI”[来]的轻量化配置模[自]型基本相当，但[高]收益更具优势。[祥]该策略优势主要[号]集中在2016[文]年-2019年[章]，2020年以[来]来与简单资产风[自]险平价的收益基[高]本相当。若拆分[祥]通胀为“工业通[号]胀、消费通胀”[文]，则在2020[章]年以来同样具有[来]8.4%的年化[自]收益，主要在于[高]规避了2020[祥]年上半年的大类[号]资产价格较明显[文]回调的风险。从[章]资产明细权重来[来]看，该模型在各[自]个资产的分配权[高]重与“增长+通[祥]胀”双轮模型大[号]体一致，但更为[文]分散。债性资产[章]仍占相对大头，[来]但有所下降，2[自]016年以来债[高]券资产平均权重[祥]为47.8%（[号]轻量化模型中的[文]占比为54.6[章]%）；权益资产[来]中港股资产权重[自]增加，平均为8[高].8%（轻量化[祥]模型中的占比为[号]5.0%）。商[文]品资产占比亦有[章]所增加，“南华[来]农产品+南华沪[自]铜+原油”平均[高]权重为24.9[祥]%（轻量化模型[号]中的占比为20[文].3%）。纵向[章]规律与轻量化模[来]型近似，近年A[自]股、港股资产、[高]黄金等权重同样[祥]提示上升，债券[号]资产权重有所回[文]落。

　　第九，然后是“[章]广谱性”方案。[来]从策略回测结果[自]来看，不考虑“[高]美国名义增长因[祥]子”的宏观多因[号]子风险平价策略[文]自2016年以[章]来的年化收益为[来]7.5%，年化[自]波动率为4.0[高]%，夏普比率为[祥]1.49。收益[号]与轻量化配置模[文]型相近，略低于[章]三因子配置模型[来]，但夏普更具优[自]势（1.49 1.14 0.96）。若[高]加入标普500[祥]，在收益与波动[号]率均有所下降，[文]夏普比率保持在[章]1.4附近。值[来]得注意的是，近[自]年来在国内运用[高]多因子平价与简[祥]单资产平价的差[号]异趋于减小，这[文]可能反映了近年[章]来国内股债、商[来]品、黄金等多资[自]产因主要受宏观[高]因素驱动而本身[祥]就能反映某一类[号]宏观风险，资产[文]间的相关性趋于[章]下降。换言之，[来]近年以国内股债[自]融合黄金、商品[高]等的大类资产池[祥]本身就对“风险[号]平价”配置框架[文]的适用性上升。[章]从横截面上看权[来]重，因子考察维[自]度更多后，配置[高]框架更接近“简[祥]单资产风险平价[号]”框架，债券类[文]资产占比重新上[章]升，自2016[来]年以来的占比是[自]61.9%；权[高]益类资产的占比[祥]下降到了5%附[号]近。纵向规律上[文]也略有不同，近[章]年权益资产权重[来]变化不大，债券[自]资产权重有所下[高]降。简而言之，[祥]对于整个策略的[号]波动而言，多因[文]子风险平价配置[章]模型让策略回报[来]在时序维度更稳[自]健、更分散；但[高]在资产横向配比[祥]维度，而且因为[号]债性资产的“低[文]波”优势，重新[章]给予更集中的权[来]重。这也是在策[自]略效果比较中，[高]我们看到它波动[祥]率更低，具有三[号]套因子配置模型[文]中最高夏普（1[章].49 1.14 0.96）的原[来]因。

　　第十，简单总结[自]宏观因子风险平[高]价框架。因子并[祥]不是越多越好，[号]因子体系亦不是[文]越复杂越有效，[章]选择哪一种方式[来]，应与当下的宏[自]观环境、资产定[高]价范式以及投资[祥]者在意的侧重点[号]相互适配。仅有[文]“增长、通胀”[章]因子的“轻量化[来]”的类全天候配[自]置框架简洁，并[高]且更具收益优势[祥]，部分解决了简[号]单的资产风险平[文]价组合稳健有余[章]、弹性不足，需[来]要依赖于“加杠[自]杆”放松波动率[高]约束才能获得增[祥]厚收益的问题。[号]“三维因子”风[文]险平价框架进一[章]步放松了对夏普[来]比率的要求，收[自]益更具优势，资[高]产配比更为分散[祥]。更具广谱性的[号]宏观多因子配置[文]框架的完整性更[章]高，考虑风险层[来]次更多，具有更[自]高的夏普优势，[高]但也由于风险考[祥]虑更多，平价优[号]化后的资产配比[文]上反而更向债性[章]资产集中，收益[来]优势并不明显，[自]近年表现与简单[高]资产风险平价趋[祥]于一致。

　　第十一，最后，[号]宏观因子风险平[文]价框架有值得思[章]考和改进的三个[来]方向：一是该方[自]案简化大类资产[高]是宏观因子的线[祥]性函数，“线性[号]”假设在未来值[文]得商榷；二是高[章]频化宏观因子过[来]程存在缺陷，方[自]法论从“因子投[高]资”得到借鉴，[祥]但单一市场具有[号]定价的统一性，[文]拓宽至大类资产[章]维度，直接用统[来]一的多空模拟组[自]合来表达各个资[高]产世界里面的某[祥]一个宏观因子可[号]能有待改善；三[文]是风险暴露矩阵[章]的估计似乎面临[来]“动态性”与“[自]稳健性”的互斥[高]关系，如何兼顾[祥]平衡两者亦值得[号]思考。

　　报告简版

　　（简版1315[文]8字）

　　第一

　　在不同的宏观环[章]境下有效控制风[来]险，降低波动率[自]、取得相对稳健[高]的回报成为资产[祥]管理市场越来越[号]主流的诉求。前[文]期报告《解读“[章]全天候”策略》[来]是我们对这一问[自]题进行探讨的序[高]章。与传统普通[祥]资产风险平价模[号]型不同，“全天[文]候”更精准的定[章]位是“宏观因子[来]”风险平价，“[自]全天候”策略穿[高]越周期的实现路[祥]径是均衡化“宏[号]观因子”。传统[文]配置模型并不会[章]根据宏观场景的[来]变化而及时调整[自]权重，在市场遭[高]遇极端冲击时，[祥]其分散风险的功[号]能往往被大幅削[文]弱。比如流动性[章]危机发生时，资[来]产面临系统性的[自]抛压，尾部风险[高]会大幅推升资产[祥]之间的相关性，[号]传统配置模型就[文]会失效。而“宏[章]观因子”相较普[来]通大类资产相关[自]性更低，可以更[高]有效地实现“降[祥]维”、归因，及[号]权重调整。本文[文]尝试将类似“全[章]天候”的因子配[来]置模式在中国市[自]场中落地，扩展[高]出适合国内市场[祥]的宏观因子，构[号]建本土化的宏观[文]因子风险平价配[章]置框架。

　　资产和因子的关[来]系类似于食物与[自]营养元素（An[高]drew Ang，201[祥]0）。组合收益[号]本质是承担市场[文]中不同风险而获[章]得的补偿（Sh[来]arpe， 1964； Lintner[自]， 1965； Ross， 1976）。因[高]子风险平价（F[祥]actor Risk Parity）[号]其首次作为学术[文]概念系统论述出[章]现在Attil[来]io Meucci 2009年的论[自]文中，其通过主[高]成分分析（PC[祥]A）提取资产收[号]益协方差矩阵在[文]统计意义上不相[章]关因子，并以此[来]构建分散性的投[自]资组合。Qia[高]n（2012、[祥]2016）亦指[号]出风险平价模型[文]的重点应是“风[章]险”，而不是平[来]价公式，对“风[自]险”的理解该回[高]到更为本质的“[祥]宏观”层面，而[号]不是简单的资产[文]波动率。

　　在前期报告《解[章]读“全天候”策[来]略》中，我们借[自]鉴钱恩平（20[高]05）的做法尝[祥]试构建了基于国[号]内ETF（资产[文]维度）的风险平[章]价模型，该模型[来]通过将每类资产[自]在组合中的风险[高]贡献度均等化来[祥]优化组合夏普，[号]再通过杠杆来提[文]升年度收益，最[章]终在目标波动率[来]为6%的约束下[自]，基于传统的资[高]产风险平价组合[祥]可以获得自20[号]15年以来6.[文]4%的年化收益[章]，0.92的夏[来]普比率。

　　资产间的低相关[自]性是传统配置模[高]式能获得“免费[祥]午餐”的核心要[号]素。而在实际操[文]作中，当市场遭[章]遇极端冲击，出[来]于流动性的考虑[自]，多类资产可能[高]面临系统性的抛[祥]压，进而尾部风[号]险推升资产相关[文]性大幅度上升，[章]传统配置模式的[来]分散性就会失效[自]。“宏观风险因[高]子”相较普通大[祥]类资产相关性亦[号]更低，同时这是[文]一个“化繁为简[章]”的过程。从数[来]理上看，该过程[自]将涵盖较多资产[高]数量的资产空间[祥]降维至更小更具[号]共性的几个因子[文]空间。

　　因子配置模型还[章]可以做到更好地[来]归因，一方面辅[自]助分解收益来源[高]，另一方面，我[祥]们还可以主观根[号]据对未来的宏观[文]场景的预判调整[章]资产权重，而传[来]统基于资产的配[自]置方式仅从资产[高]的风险收益特征[祥]出发，资产权重[号]调整并不能反映[文]宏观变化。

　　第二

　　搭建宏观因子配[章]置框架要做哪些[来]工作？我们参照[自]对哈佛捐赠基金[高]（HMC）影响[祥]较大的Blyt[号]h（2016）[文]的研究，分成四[章]步：一是“筛选[来]因子”，宏观因[自]子的“适配度”[高]直接决定了后续[祥]进行平价优化是[号]否真正识别和分[文]散了风险。二是[章]“计算风险暴露[来]”，即搭建“因[自]子”与“资产”[高]的量化桥梁，利[祥]用线性回归模式[号]测算出资产对因[文]子的风险暴露程[章]度。三是“确定[来]”目标风险暴露[自]，即先按照某一[高]法则或偏好确定[祥]对各因子风险暴[号]露多少是合适的[文]；四是“匹配”[章]目标风险暴露，[来]即利用最优化框[自]架反推资产权重[高]。

　　Blyth（2[祥]016）提出了[号]“基于因子的灵[文]活资产配置模型[章]”（Flexi[来]ble Indeter[自]minate Factor-[高]based Asset Allocat[祥]ion， FIFAA），[号]并成为哈佛捐赠[文]基金（Harv[章]ard Managem[来]ent Company[自]， HMC）在20[高]15年9月之后[祥]转向“因子化思[号]维”的策略载体[文]。从事后回溯来[章]看，在FIFA[来]A策略模式下，[自]哈佛捐赠基金近[高]十年、近五年的[祥]平均年度回报分[号]别为8.1%、[文]10.4%。

　　“筛选因子”是[章]选择及生成适合[来]本土大类资产的[自]宏观因子。宏观[高]因子的“适配度[祥]”直接决定了后[号]续进行平价优化[文]是否真正识别和[章]分散了风险。“[来]计算风险暴露”[自]，通常是利用线[高]性回归模式测算[祥]出资产对因子的[号]风险暴露程度。[文]

　　“确定目标风险[章]暴露”，即按照[来]某一法则或偏好[自]确定对各因子风[高]险暴露多少是合[祥]适的，若是采用[号]因子风险平价思[文]路，该步骤是通[章]过“各个因子对[来]组合的风险贡献[自]度一致”这一优[高]化过程来设定目[祥]标风险暴露。

　　“匹配目标风险[号]暴露”，若第三[文]步的目标因子风[章]险暴露为主观设[来]定，则该步骤为[自]利用最优化框架[高]（如Blyth[祥]最优化框架、G[号]reenber[文]g最优化框架）[章]反推出资产权重[来]；若为因子风险[自]平价，则直接根[高]据符合因子风险[祥]平价条件与风险[号]暴露矩阵重新回[文]到资产层面确定[章]组合内部的资产[来]配比。

　　第三

　　构造宏观因子的[自]主流做法分为三[高]种。方式一是直[祥]接用低频经济数[号]据，比如GDP[文]、PPI等，这[章]种做法经济意义[来]比较直观，但对[自]资产价格的解释[高]存在时变性；方[祥]式二是主成分分[号]析降维（PCA[文]），这种做法简[章]便、客观、更具[来]因子分散效果，[自]但不稳定、经济[高]意义弱、权重不[祥]唯一；方式三是[号]通过回归的方法[文]拟合出更高频的[章]宏观因子，这种[来]做法高频、可交[自]易，但需要先设[高]定宏观维度，事[祥]先构建低频因子[号]作为锚，复杂度[文]较高。我们在上[章]述三种方法的基[来]础上做出改进，[自]结合上述几种方[高]法优点，构造更[祥]灵敏的宏观因子[号]。我们的方法可[文]总结为“定维度[章]、筛资产、高频[来]化”三个步骤。[自]具体而言，我们[高]利用PCA识别[祥]宏观维度，利用[号]资产多空模拟组[文]合进行“高频化[章]”，利用因子多[来]寡分层次设计“[自]轻量化”（类全[高]天候）、“三维[祥]度”（M1-B[号]CI-PPI框[文]架）、“广谱性[章]”（多因子）三[来]套宏观因子平价[自]方案。

　　构造宏观因子的[高]主流做法分为三[祥]种：一是直接利[号]用低频经济数据[文]作为宏观因子，[章]如使用实际GD[来]P、PPI等来[自]代表增长、通胀[高]因子。二是采用[祥]统计方式从资产[号]中直接提取（比[文]如主成分分析降[章]维）。该方法将[来]资产波动降维至[自]几个线性无关的[高]主成分（公因子[祥]），避免了“维[号]度灾难”。三是[文]基于资产的多空[章]组合构建与低频[来]宏观数据最吻合[自]的宏观模拟组合[高]来代替因子（F[祥]actor Mimicki[号]ng）。利用模[文]拟组合来刻画高[章]频因子本质是剥[来]离出市场主体在[自]资产价格中对于[高]某一宏观指标的[祥]计价交易程度（[号]Price in程度）。并[文]且资产价格日频[章]波动，对宏观指[来]标的高频化也可[自]以达到日频程度[高]。理论上，越是[祥]临近某一关键宏[号]观数据公布，相[文]对应的日频宏观[章]模拟组合也或将[来]发生明显边际变[自]化，较为灵敏地[高]反映市场计入的[祥]预期变化。

　　方法一低频且公[号]布滞后，虽有经[文]济含义，但对资[章]产价格的解释力[来]度存在时变性。[自]后两种方式的假[高]设是宏观因子虽[祥]不可交易，但是[号]隐藏于大类资产[文]表现中，可以从[章]资产价格或者资[来]产组合反推得到[自]更高频的实时因[高]子。其中PCA[祥]提取后的主成分[号]暴露系数并不稳[文]定，权重亦不唯[章]一，提取后的公[来]因子并不具有明[自]显的经济逻辑。[高]但好处在于PC[祥]A提取的主成分[号]具有统计意义的[文]不相关性，能更[章]好的分散风险，[来]可辅助判断需考[自]量的资产宏观维[高]度。

　　方法三是以低频[祥]的宏观指标作为[号]因变量，以与宏[文]观指标具有“强[章]相关”的资产价[来]格作为自变量构[自]建回归模型，最[高]终通过回归系数[祥]与自变量交乘拟[号]合出更为高频的[文]宏观因子。其中[章]若资产与因子逻[来]辑对应关系较为[自]直接，则直接采[高]用该资产价格作[祥]为某一因子的代[号]理指标。

　　我们结合后两种[文]方法优点来构造[章]更为灵敏的高频[来]宏观因子，进一[自]步可以总结为三[高]个步骤——“定[祥]维度、筛资产、[号]高频化”：即利[文]用PCA识别驱[章]动大类资产收益[来]率变化的主要宏[自]观成分；进一步[高]筛查与每个维度[祥]因子强相关的大[号]类资产；最后使[文]用资产模拟组合[章]来构造高频宏观[来]因子。

　　此外，为了兼顾[自]策略效率与全面[高]性，我们在后文[祥]尝试按照因子多[号]寡的复杂度以递[文]进方式分别构建[章]三套方案：（1[来]）只考虑“增长[自]+通胀”双轮的[高]类全天候“轻量[祥]化”模型；（2[号]）兼顾“增长、[文]通胀、流动性”[章]的三维风险平价[来]配置模型；（3[自]）更具广谱性的[高]多因子宏观风险[祥]平价框架。

　　第四

　　在上述思路的基[号]础上，借鉴Ke[文]lly（201[章]4）的做法，我[来]们对自2017[自]年至今的股债商[高]汇共10种大类[祥]资产日收益率数[号]据进行主成分降[文]维，发现前六大[章]主成分、前七大[来]主成分分别解释[自]了资产价格波动[高]的82%、89[祥]%。通过各主成[号]分在资产上的载[文]荷系数方向与大[章]小比较，我们发[来]现在不包含美股[自]的大类资产组合[高]中，国内增长、[祥]通胀、利率、汇[号]率、信用是核心[文]的五大宏观风险[章]；若包含美股，[来]再额外加入海外[自]经济风险因子。[高]我们从经济逻辑[祥]出发构造原始低[号]频（月频）宏观[文]因子，以M1、[章]BCI、PPI[来]分别作为流动性[自]、增长、通胀因[高]子的代理变量。[祥]出于稳健性考量[号]，我们亦尝试综[文]合PMI与BC[章]I两个景气指标[来]来丰富“增长维[自]度”，通过拆分[高]消费品通胀（融[祥]合CPI同比与[号]BCI消费品前[文]瞻指数）与工业[章]品通胀（融合P[来]PI同比与BC[自]I中间品前瞻指[高]数）来细化“通[祥]胀维度”。

　　“定维度”方面[号]，我们借鉴Ke[文]lly（201[章]4）做法，对自[来]2017年至今[自]的股债商汇共1[高]0种大类资产日[祥]收益率数据（经[号]标准化处理）进[文]行主成分降维，[章]发现前六大主成[来]分、前七大主成[自]分分别解释了资[高]产价格波动的8[祥]2%、89%，[号]说明大类资产价[文]格波动核心取决[章]于6~7个主要[来]成分。以第一主[自]成分为例，第一[高]主成分在中国权[祥]益资产（中证5[号]00、沪深30[文]0、恒生指数）[章]上的载荷较大，[来]处于0.45~[自]0.51之间，[高]在商品（南华沪[祥]铜、南华农产品[号]）上亦有明显的[文]正向暴露，而在[章]国内债券上的载[来]荷为负，对应国[自]内经济增长风险[高]。最终显示，在[祥]不包含美股的大[号]类资产组合中，[文]国内增长、通胀[章]、流动性（利率[来]）、汇率、信用[自]是核心的五大宏[高]观风险；若包含[祥]美股，则需要额[号]外考虑海外经济[文]风险因子。

　　鉴于主成分分析[章]提取的因子并不[来]稳定，实际经济[自]含义也因为统计[高]处理过程中的严[祥]格正交处理而存[号]在一定偏差，因[文]此本文进一步基[章]于资产多空组合[来]构建宏观模拟组[自]合（Facto[高]r Mimicki[祥]ng）来高频化[号]宏观因子。这一[文]过程的起点是构[章]造一个低频的因[来]子“锚”。

　　关于低频的宏观[自]流动性、国内增[高]长、通胀因子，[祥]我们前期报告《[号]M1、BCI、[文]PPI与宏观择[章]时》中分别以经[来]二次单边HP滤[自]波处理后的M1[高]、BCI、PP[祥]I作为代理变量[号]。

　　并且出于稳健性[文]考量，我们亦尝[章]试从两个方面丰[来]富“增长、通胀[自]”的构成方式：[高]

　　一是在增长维度[祥]，综合PMI与[号]BCI两个景气[文]指标；

　　二是在通胀维度[章]，拆分为消费品[来]通胀与工业品通[自]胀，消费品方面[高]融合CPI同比[祥]与BCI消费品[号]前瞻指数同比变[文]动，工业品方面[章]融合PPI同比[来]与BCI工业品[自]前瞻指数同比变[高]动。

　　关于海外经济因[祥]子，我们采用“[号]美国ISM制造[文]业PMI、服务[章]业PMI同比变[来]动与美国红皮书[自]商业零售销售同[高]比（经标准化以[祥]及波动率倒数加[号]权）”作为代理[文]变量。

　　关于利率、汇率[章]、信用因子，参[来]照Fergis[自] 等做法，由于这[高]三类可以本身就[祥]有直接基础性资[号]产与其高度相关[文]，我们直接采用[章]中国国债总价指[来]数、美元指数日[自]收益率以及“中[高]证信用债3-5[祥]年AA指数与中[号]证国开债3-5[文]年指数”收益率[章]的轧差作为代表[来]。

　　第五

　　接下来，如何将[自]“低频”宏观因[高]子转化为“高频[祥]”因子体系？我[号]们借鉴因子模拟[文]（Factor[章] Mimicki[来]ng）法。首先[自]是以资产价格收[高]益率为自变量，[祥]低频宏观因子为[号]因变量进行逐步[文]单变量一元回归[章]，筛选与每个维[来]度因子强相关的[自]大类资产。然后[高]是“高频化”合[祥]成。我们构建了[号]滚动窗口期的多[文]元领先滞后回归[章]模型，将归一化[来]处理后的回归系[自]数与高频资产价[高]格周环比或日环[祥]比交乘，得到高[号]频宏观因子。以[文]增长因子为例，[章]模拟组合为做多[来]螺纹钢期货、恒[自]生指数、南华沪[高]铜指数；而工业[祥]通胀因子的高频[号]模拟组合为做多[文]CRB工业原料[章]现货指数、螺纹[来]钢期货、WTI[自]原油期货以及做[高]空中证国债及政[祥]策性金融债7-[号]10年。通过资[文]产多空模拟组合[章]获得了8个可供[来]使用的宏观高频[自]因子池，即利用[高]回归方式将“不[祥]可交易”的宏观[号]原始指标转化为[文]“高频、具有拟[章]合度、可交易”[来]的宏观因子收益[自]率。

　　因子模拟（Fa[高]ctor Mimicki[祥]ng）需要先筛[号]查与每个维度因[文]子强相关的大类[章]资产。即以资产[来]价格收益率为自[自]变量，进行逐步[高]单变量一元回归[祥]，记录每一个单[号]变量回归的系数[文]T值与拟合优度[章]R2；以增长因[来]子为例，无论是[自]单纯利用BCI[高]，还是融合BC[祥]I与PMI构建[号]的原始增长因子[文]，均与恒生指数[章]、螺纹钢期货、[来]南华沪铜指数具[自]有强相关性。其[高]中单纯的BCI[祥]增长因子与商品[号]（螺纹钢期货、[文]南华沪铜指数）[章]相关性更强，单[来]元回归R方可以[自]达到0.4左右[高]。

　　“高频化”合成[祥]中，我们采用滚[号]动多元回归法来[文]定权，即以月频[章]宏观因子为因变[来]量，以筛选出来[自]的强关联资产价[高]格对数同比作为[祥]自变量，进行滚[号]动6个月多元回[文]归，获取资产与[章]宏观因子的相关[来]系数，对相关系[自]数进行归一化处[高]理得到构造高频[祥]因子环比序列的[号]权重。

　　以增长因子为例[文]，模拟组合为做[章]多螺纹钢期货、[来]恒生指数、南华[自]沪铜指数；

　　而工业通胀因子[高]的高频模拟组合[祥]为做多CRB工[号]业原料现货指数[文]、螺纹钢期货、[章]WTI原油期货[来]以及做空中证国[自]债及政策性金融[高]债7-10年。[祥]

　　对比高频宏观模[号]拟组合同比与原[文]始宏观因子同比[章]，无论是国内增[来]长、通胀、海外[自]经济增长、流动[高]性因子，两者均[祥]有较高的吻合度[号]。

　　第六

　　然后，如何搭建[文]“因子”与资产[章]的桥梁？我们利[来]用资产收益率对[自]各因子收益率进[高]行时序线性回归[祥]，得到资产对因[号]子的风险暴露矩[文]阵。该矩阵直观[章]显示了资产对不[来]同宏观变量的敏[自]感度。我们的估[高]计方式为带约束[祥]的稳健OLS回[号]归，并且使用滚[文]动窗口与随机重[章]抽样方式确定系[来]数，以便于捕捉[自]敏感度的时变动[高]态特征。首先上[祥]述因子均通过了[号]低多重共线性检[文]验，各因子的方[章]差膨胀系数（V[来]IF）均处于1[自].0~1.5之[高]间（显著小于5[祥]），并且因子间[号]相关系数较低，[文]多数绝对值小于[章]0.1。其次矩[来]阵系数显示，大[自]盘股（沪深30[高]0为代表）相对[祥]中盘股（中证5[号]00为代表）对[文]经济增长更敏感[章]，而中盘股对流[来]动性环境更敏感[自]；恒生指数有相[高]似特征，并且对[祥]汇率因子（美元[号]指数日收益率）[文]有着一定负向暴[章]露；标普500[来]对美国经济因子[自]有显著正向暴露[高]等。方程的R方[祥]大小表示因子体[号]系对某一资产价[文]格的解释力度。[章]股债资产的R方[来]较大（利率债为[自]0.93、企业[高]债为0.57、[祥]沪深300为0[号].6、中证50[文]0为0.86）[章]，表明宏观主导[来]驱动的特征较明[自]显。伦敦金现、[高]布伦特原油期货[祥]、美元兑人民币[号]中间价相对靠后[文]，R方分别为0[章].48、0.4[来]3、0.44，[自]表明除宏观因子[高]体系以外的特质[祥]性因子亦会参与[号]定价，比如OP[文]EC+增产节奏[章]、地缘风险，逆[来]周期调节因子等[自]。通过风险暴露[高]矩阵的“桥梁”[祥]，我们将“因子[号]”代替“资产”[文]的角色代入前期[章]报告中的风险平[来]价框架，获得符[自]合“每一因子对[高]整个组合的风险[祥]贡献相等”条件[号]下的资产配置比[文]例。

　　我们首先计算了[章]各个因子的方差[来]膨胀系数（VI[自]F）。该方法可[高]以检验自变量的[祥]相互解释程度。[号]检验结果发现，[文]合成的各个宏观[章]因子方差膨胀系[来]数均处于1.0[自]~1.5之间；[高]统计经验值为V[祥]IF小于5，则[号]说明因子间并不[文]能交叉解释，不[章]存在明显的多重[来]线性。

　　此外因子间的相[自]关系数亦较低，[高]在2016年1[祥]月4日至202[号]5年5月14日[文]的时间区间上，[章]除了利率因子与[来]信用因子存在中[自]等强度的负相关[高]性（-0.5左[祥]右）以外，其余[号]分属于不同类别[文]的宏观因子之间[章]相关性绝对值均[来]小于0.1。

　　为了估计资产在[自]宏观因子上的暴[高]露程度，我们用[祥]资产收益率对宏[号]观因子进行带约[文]束的稳健OLS[章]回归。

　　从系数可知，沪[来]深300与中证[自]500在增长、[高]流动性因子上有[祥]较高的正向暴露[号]，中证500对[文]流动性因子的暴[章]露值更高，说明[来]中国权益资产收[自]益与经济增长、[高]消费通胀因子的[祥]高频收益率同向[号]波动，并且大盘[文]股相对中盘股对[章]经济增长更敏感[来]，而中盘股对流[自]动性环境更敏感[高]。

　　港股资产代表恒[祥]生指数不仅对国[号]内增长、流动性[文]等因子有较高的[章]正向暴露，对汇[来]率因子有着一定[自]负向暴露。由于[高]汇率因子的代理[祥]变量是美元指数[号]日收益率，因而[文]说明港股资产与[章]美元指数呈负向[来]关系。

　　标普500对于[自]美国经济高频因[高]子有明显的正向[祥]暴露。

　　债券资产方面，[号]国债、企业债均[文]在利率因子上呈[章]负向暴露，国债[来]系数绝对值更大[自]，企业债还在信[高]用因子上呈负向[祥]暴露。

　　商品方面，首先[号]是贵金属，CO[文]MEX黄金在汇[章]率因子上有明显[来]负向暴露，提示[自]黄金收益率与美[高]元收益率总体上[祥]呈现负向关系。[号]同时，黄金对美[文]国经济增长因子[章]亦呈一定负向暴[来]露。

　　其余商品中，南[自]华农产品指数与[高]南华沪铜指数均[祥]对国内工业通胀[号]呈明显正向暴露[文]，其次是对流动[章]性因子亦有一定[来]正向暴露，表明[自]通胀上行、流动[高]性改善环境下商[祥]品价格倾向于上[号]行。布伦特原油[文]期货、南华沪铜[章]指数还对汇率因[来]子呈负向暴露，[自]表明美元走软时[高]，油铜价格具有[祥]“计价”维度的[号]支撑。

　　利率债资产的R[文]方最大，达到0[章].93，其定价[来]逻辑几乎可以完[自]全有利率因子解[高]释。企业债的拟[祥]合方程R方同样[号]达到0.57。[文]两者综合说明债[章]券资产被宏观面[来]所解释的程度更[自]高，并且归因也[高]较单一。

　　沪深300与中[祥]证500同样基[号]本为宏观驱动，[文]拟合方程R方分[章]别为0.60、[来]0.86，但归[自]因来看涉及宏观[高]变量更广泛，既[祥]涉及增长、通胀[号]，也涉及流动性[文]、利率等因子。[章]

　　港股与美股资产[来]的因子拟合方程[自]R方分别为0.[高]45、0.50[祥]，提示港股与美[号]股资产的宏观驱[文]动成分相对中等[章]，低于沪深30[来]0与中证500[自]，也低于国内债[高]券资产。

　　布伦特原油期货[祥]、美元兑人民币[号]中间价可被宏观[文]因子所解释的力[章]度同样相对靠后[来]，R方分别为0[自].43、0.4[高]4。这说明原油[祥]、人民币汇率可[号]能受到除宏观因[文]子体系以外的特[章]质性因子影响，[来]比如OPEC+[自]增产节奏、地缘[高]风险，逆周期调[祥]节因子等。

　　第七

　　首先是“轻量化[号]”方案。由于多[文]资产收益率被压[章]缩至“增长、通[来]胀”两因子，该[自]风险平价框架较[高]为简洁。回测结[祥]果显示“增长、[号]通胀”因子风险[文]平价给出了一个[章]不加杠杆的更优[来]收益实践方式。[自]2016年以来[高]，该方案年化收[祥]益7.7%，年[号]化波动率5.4[文]%，夏普比率1[章].14，最大回[来]撤8.5%。而[自]相同资产、相同[高]时段，运用简单[祥]资产维度的风险[号]平价策略、全资[文]产等权重策略、[章]波动率倒数加权[来]的策略年化收益[自]分别为4.6%[高]、4.8%、4[祥].7%，年化波[号]动率分别为1.[文]5%、8.7%[章]、1.7%，夏[来]普比率分别为2[自].09、0.3[高]8、1.83，[祥]最大回撤分别为[号]2.5%、14[文].2%、2.8[章]%。从上述结果[来]来看，简单的资[自]产风险平价组合[高]虽然仍具有最高[祥]夏普，但稳健有[号]余，弹性不足，[文]也正因此，简单[章]资产维度风险平[来]价往往需要依赖[自]“加杠杆”来放[高]松一定波动率约[祥]束，来获得增厚[号]收益；而“增长[文]、通胀”因子平[章]价策略收益率的[来]提升在没有杠杆[自]的情况下进行，[高]并且没有带来波[祥]动率的大幅度提[号]升，年化波动率[文]均维持在5%附[章]近，兼顾了收益[来]与风险。从明细[自]权重横向看，由[高]于模型仍基于“[祥]风险平价”框架[号]，波动率更低的[文]债性资产仍在长[章]时间序列上占大[来]头。自2016[自]年以来债券资产[高]平均权重为54[祥].6%，其中利[号]率债占比为20[文].9%，信用债[章]占比为33.8[来]%；权益资产平[自]均权重为10.[高]2%，其中A股[祥]资产平均权重为[号]5.2%，港股[文]资产平均权重为[章]5.0%；商品[来]资产平均权重为[自]20.3%；黄[高]金资产平均权重[祥]为5.7%。纵[号]向看，近年A股[文]、港股资产的权[章]重提示有所上升[来]，分别自202[自]2年的0.1%[高]、0.3%年均[祥]权重上升至20[号]24年以来的3[文].1%、7.8[章]%；而债券资产[来]权重有所回落；[自]黄金资产权重则[高]有所上升。

　　“轻量化”的类[祥]全天候配置将多[号]资产收益率压缩[文]至“增长、通胀[章]”两因子维度，[来]框架相对简洁。[自]我们以资产风险[高]平价策略、全部[祥]资产等权重策略[号]、波动率倒数加[文]权策略作为三个[章]比较基准；调仓[来]法则为月度再平[自]衡，每月初利用[高]新滚动窗口内（[祥]比如6个月）样[号]本进行风险平价[文]优化生成新的各[章]资产配比仓位。[来]回测区间均统一[自]为2016年1[高]月1日至202[祥]5年6月9日。[号]

　　回测结果来看，[文]2016年以来[章]“增长+通胀”[来]因子双轮驱动的[自]轻量化风险平价[高]策略年化收益为[祥]7.7%，年化[号]波动率为5.4[文]%，夏普比率为[章]1.14，最大[来]回撤出现在20[自]17年三季度，[高]曾达8.5%。[祥]而相同资产、相[号]同时段，运用简[文]单资产维度的风[章]险平价策略年化[来]收益为4.6%[自]，年化波动率为[高]1.5%，夏普[祥]比率为2.09[号]，最大回撤为2[文].5%；简单的[章]全资产等权重策[来]略年化收益为4[自].8%，年化波[高]动率为8.7%[祥]，夏普比率为0[号].38，最大回[文]撤为14.2%[章]；按照过去6个[来]月波动率倒数加[自]权的策略年化收[高]益为4.7%，[祥]年化波动率为1[号].7%，夏普比[文]率为1.83，[章]最大回撤为2.[来]8%。

　　简单的资产风险[自]平价组合稳健有[高]余，弹性不足，[祥]平价过程核心是[号]通过降低组合波[文]动来使得组合获[章]得更具优势的“[来]夏普比率”，适[自]合追求“稳健”[高]性的投资者。但[祥]以此获得收益本[号]身吸引力并不大[文]，也正因此，简[章]单资产维度风险[来]平价往往需要依[自]赖“加杠杆”来[高]放松一定波动率[祥]约束，来获得增[号]厚收益（详见前[文]期报告《解读“[章]全天候”策略》[来]）。

　　而“增长、通胀[自]”因子风险平价[高]给出了一个不加[祥]杠杆的更优收益[号]实践方式。该方[文]案较简单资产风[章]险平价年化超额[来]收益约3.1%[自]；2020年以[高]来的样本年化超[祥]额收益约2.1[号]%。而这种收益[文]率的提升并没有[章]带来波动率的大[来]幅度提升，年化[自]波动率均维持在[高]5%附近，兼顾[祥]了收益与风险。[号]

　　此外，考虑到本[文]身的风险平价过[章]程是一个满仓策[来]略，对极端风险[自]存在“脆弱性”[高]，即我们前期报[祥]告《解读“全天[号]候”策略》指出[文]“东方不亮西方[章]亮”的前提假设[来]是资产有轮动表[自]现，风险平价并[高]不适用于多资产[祥]共振下跌、相关[号]性剧烈上升的情[文]景。为了预防极[章]端情形的发生，[来]我们还假设资金[自]的10%~15[高]%始终配置现金[祥]，将剩下的资金[号]用于“平价优化[文]”。虽然该处理[章]方式下，年化收[来]益均低于全仓优[自]化的方案（7.[高]1%＜7.7%[祥]），但仍分别超[号]过简单资产风险[文]平价、等权、波[章]动率加权策略2[来].5%、2.3[自]%、2.4%。[高]

　　分年度考察来看[祥]，简单的“增长[号]、通胀”因子风[文]险平价在201[章]6年以来多数年[来]份跑赢简单资产[自]风险平价。其中[高]2016年、2[祥]019年、20[号]20年、较为明[文]显。近两年两者[章]差距有所收窄，[来]但因子风险平价[自]仍具有大约年化[高]0.5%~1.[祥]0%的优势。

　　从资产的明细权[号]重来看，自20[文]16年以来的各[章]资产权重显示，[来]债券资产平均权[自]重为54.6%[高]，其中利率债（[祥]以中债国债7-[号]10财富总指数[文]为代表）占比为[章]20.9%，信[来]用债（以中债企[自]业债AA3-5[高]财富总指数为代[祥]表）占比为33[号].8%；权益资[文]产平均权重为1[章]0.2%，其中[来]A股资产（沪深[自]300+中证5[高]00）平均权重[祥]为5.2%，港[号]股资产（恒生指[文]数）平均权重为[章]5.0%；商品[来]资产（南华农产[自]品+南华沪铜+[高]原油）平均权重[祥]为20.3%；[号]黄金资产平均权[文]重为5.7%。[章]

　　纵向来看，近年[来]A股、港股资产[自]的权重提示有所[高]上升，分别自2[祥]022年的0.[号]1%、0.3%[文]年均权重上升至[章]2024年以来[来]的3.1%、7[自].8%；而债券[高]资产权重有所回[祥]落，利率债、信[号]用债年均权重分[文]别自2022年[章]的40.5%、[来]39.5%下降[自]至2024年至[高]今的28.6%[祥]、28.7%；[号]黄金资产在20[文]21年、202[章]2年的年均权重[来]仅为2.2%、[自]1.6%，但2[高]023年、20[祥]24年以来的平[号]均权重上升至6[文].2%、4.4[章]%。

　　第八

　　然后是“三维度[来]”方案。“M1[自]-BCI-PP[高]I”三因子风险[祥]平价策略201[号]6年以来的年化[文]收益为9.0%[章]，年化波动率为[来]7.8%，夏普[自]比率为0.96[高]，与“BCI-[祥]PPI”的轻量[号]化配置模型基本[文]相当，但收益更[章]具优势。该策略[来]优势主要集中在[自]2016年-2[高]019年，20[祥]20年以来与简[号]单资产风险平价[文]的收益基本相当[章]。若拆分通胀为[来]“工业通胀、消[自]费通胀”，则在[高]2020年以来[祥]同样具有8.4[号]%的年化收益，[文]主要在于规避了[章]2020年上半[来]年的大类资产价[自]格较明显回调的[高]风险。从资产明[祥]细权重来看，该[号]模型在各个资产[文]的分配权重与“[章]增长+通胀”双[来]轮模型大体一致[自]，但更为分散。[高]债性资产仍占相[祥]对大头，但有所[号]下降，2016[文]年以来债券资产[章]平均权重为47[来].8%（轻量化[自]模型中的占比为[高]54.6%）；[祥]权益资产中港股[号]资产权重增加，[文]平均为8.8%[章]（轻量化模型中[来]的占比为5.0[自]%）。商品资产[高]占比亦有所增加[祥]，“南华农产品[号]+南华沪铜+原[文]油”平均权重为[章]24.9%（轻[来]量化模型中的占[自]比为20.3%[高]）。纵向规律与[祥]轻量化模型近似[号]，近年A股、港[文]股资产、黄金等[章]权重同样提示上[来]升，债券资产权[自]重有所回落。

　　“三维因子”风[高]险平价配置结果[祥]（BCI代表增[号]长维度、PPI[文]代表通胀维度、[章]M1代表流动性[来]维度）显示自2[自]016年以来，[高]策略年化收益为[祥]9.0%，年化[号]波动率为7.8[文]%。夏普比率为[章]0.96，与“[来]BCI-PPI[自]”的轻量化配置[高]模型基本相当，[祥]但收益更具优势[号]。

　　若拆分通胀为“[文]工业通胀、消费[章]通胀”，则在2[来]020年以来同[自]样具有8.4%[高]的年化收益，主[祥]要在于规避了2[号]020年上半年[文]的大类资产价格[章]较明显回调的风[来]险。

　　若固定15%的[自]现金仓位，则剩[高]余85%的仓位[祥]进行平价优化后[号]的策略年化收益[文]自2016年以[章]来为8.0%，[来]较满仓策略下降[自]1.0个百分点[高]。

　　同样从颗粒度更[祥]细致的分月度、[号]分年度考察来看[文]，在“增长、通[章]胀”基础上融入[来]了流动性的三维[自]因子平价较简单[高]“增长、通胀”[祥]因子风险平价年[号]度超额收益分布[文]更为分散，并且[章]同样显示，三维[来]因子平价相较于[自]简单资产风险平[高]价的超额优势主[祥]要集中在202[号]0年之前，而近[文]年来资产风险平[章]价的效果更具优[来]势。

　　从资产的明细权[自]重来看，一则，[高]债性资产仍占相[祥]对大头，但较轻[号]量化“增长+通[文]胀”双轮模型中[章]的权重减少。2[来]016年以来债[自]券资产平均权重[高]为47.8%（[祥]轻量化模型中的[号]占比为54.6[文]%），其中利率[章]债（以中债国债[来]7-10财富总[自]指数为代表）占[高]比为14.7%[祥]，信用债（以中[号]债企业债AA3[文]-5财富总指数[章]为代表）占比为[来]33.1%；

　　二则，权益资产[自]仍占10%附近[高]，但较轻量化“[祥]增长+通胀”双[号]轮模型中的权重[文]增加，并且主要[章]是其中的港股资[来]产权重增加。2[自]016年以来权[高]益资产平均权重[祥]为13.8%，[号]其中A股资产（[文]沪深300+中[章]证500）平均[来]权重为5.0%[自]，港股资产（恒[高]生指数）平均权[祥]重为8.8%（[号]轻量化模型中的[文]占比为5.0%[章]）。

　　三则，商品资产[来]占比亦有所增加[自]，而是否考虑国[高]内的流动性因子[祥]对黄金占比影响[号]不大，基本仍维[文]持在5.5%~[章]6.0%附近。[来]2016年以来[自]的商品资产（南[高]华农产品+南华[祥]沪铜+原油）平[号]均权重为24.[文]9%（轻量化模[章]型中的占比为2[来]0.3%）。

　　四则，纵向规律[自]与轻量化模型近[高]似，近年A股、[祥]港股资产权重同[号]样提示上升，分[文]别自2022年[章]的2.3%、3[来].7%年均权重[自]上升至2024[高]年以来的3.9[祥]%、12.5%[号]；而债券资产权[文]重有所回落，自[章]2022年、2[来]023年的83[自].8%、64.[高]1%下降至20[祥]24年至今的4[号]4.5%；黄金[文]资产在2021[章]年、2022年[来]的年均权重仅为[自]0.1%、1.[高]9%，但202[祥]3年、2024[号]年以来的平均权[文]重上升至8.5[章]%、6.1%。[来]

　　第九

　　然后是“广谱性[自]”方案。从策略[高]回测结果来看，[祥]不考虑“美国名[号]义增长因子”的[文]宏观多因子风险[章]平价策略自20[来]16年以来的年[自]化收益为7.5[高]%，年化波动率[祥]为4.0%，夏[号]普比率为1.4[文]9。收益与轻量[章]化配置模型相近[来]，略低于三因子[自]配置模型，但夏[高]普更具优势（1[祥].49 1.14 0.96）。若[号]加入标普500[文]，在收益与波动[章]率均有所下降，[来]夏普比率保持在[自]1.4附近。值[高]得注意的是，近[祥]年来在国内运用[号]多因子平价与简[文]单资产平价的差[章]异趋于减小，这[来]可能反映了近年[自]来国内股债、商[高]品、黄金等多资[祥]产因主要受宏观[号]因素驱动而本身[文]就能反映某一类[章]宏观风险，资产[来]间的相关性趋于[自]下降。换言之，[高]近年以国内股债[祥]融合黄金、商品[号]等的大类资产池[文]本身就对“风险[章]平价”配置框架[来]的适用性上升。[自]从横截面上看权[高]重，因子考察维[祥]度更多后，配置[号]框架更接近“简[文]单资产风险平价[章]”框架，债券类[来]资产占比重新上[自]升，自2016[高]年以来的占比是[祥]61.9%；权[号]益类资产的占比[文]下降到了5%附[章]近。纵向规律上[来]也略有不同，近[自]年权益资产权重[高]变化不大，债券[祥]资产权重有所下[号]降。简而言之，[文]对于整个策略的[章]波动而言，多因[来]子风险平价配置[自]模型让策略回报[高]在时序维度更稳[祥]健、更分散；但[号]在资产横向配比[文]维度，而且因为[章]债性资产的“低[来]波”优势，重新[自]给予更集中的权[高]重。这也是在策[祥]略效果比较中，[号]我们看到它波动[文]率更低，具有三[章]套因子配置模型[来]中最高夏普（1[自].49 1.14 0.96）的原[高]因。

　　更具广谱性的宏[祥]观多因子配置框[号]架不仅涵盖增长[文]、消费通胀、工[章]业通胀、宏观流[来]动性，还涵盖了[自]利率条件、汇率[高]、信用利差。并[祥]且，我们还以是[号]否加入“美国名[文]义增长”分为两[章]套方案。如果加[来]入“美国名义增[自]长因子”，则回[高]测标的池中额外[祥]增加“标普50[号]0”。策略基准[文]、调仓法则以及[章]回测区间均与轻[来]量化与三因子配[自]置保持一致。

　　从策略回测结果[高]来看，不考虑“[祥]美国名义增长因[号]子”的宏观多因[文]子风险平价策略[章]自2016年以[来]来的年化收益为[自]7.5%，年化[高]波动率为4.0[祥]%，夏普比率为[号]1.49。收益[文]与轻量化配置模[章]型相近，略低于[来]三因子配置模型[自]，但夏普更具优[高]势（1.49 1.14 0.96）。

　　若加入标普50[祥]0，在收益与波[号]动率均有所下降[文]，夏普比率保持[章]在1.4附近。[来]

　　但无论何种多因[自]子配置模型，2[高]020年以来并[祥]不明显跑赢简单[号]资产风险平价策[文]略。颗粒度更细[章]的分月度、分年[来]度策略结果也显[自]示，多因子配置[高]方案在2021[祥]年后与资产平价[号]方案的超额收益[文]趋于下降。

　　从资产的明细权[章]重来看，债券类[来]资产自2016[自]年以来的占比是[高]61.9%（轻[祥]量化配置模型、[号]三因子配置模型[文]分别是54.6[章]%、47.8%[来]），利率债占比[自]37.8%、信[高]用债占比24.[祥]1%；

　　权益类资产的占[号]比下降到了5%[文]附近，其中A股[章]资产（沪深30[来]0+中证500[自]）平均权重为2[高].2%，港股资[祥]产为3.4%。[号]（轻量化配置模[文]型、三因子配置[章]模型分别是10[来].2%、13.[自]8%）；

　　商品资产占比有[高]所下降，“南华[祥]农产品+南华沪[号]铜+原油”三者[文]自2016年以[章]来的平均权重为[来]14.6%（轻[自]量化配置模型、[高]三因子配置模型[祥]分别是20.3[号]%、24.9%[文]）。

　　黄金占比小幅抬[章]升，自2016[来]年以来的平均权[自]重为6.7%（[高]轻量化配置模型[祥]、三因子配置模[号]型分别是5.7[文]%、5.6%）[章]。

　　纵向规律上也略[来]有不同，近年权[自]益资产权重变化[高]不大，债券资产[祥]权重有所下降，[号]商品与人民币权[文]重上升。202[章]1、2022年[来]债券资产权重分[自]别为80.6%[高]、71.9%，[祥]但2024年以[号]来降至48.0[文]%；汇率层面的[章]人民币权重从2[来]020年的0.[自]9%上升至20[高]24年以来的3[祥]0.7%；商品[号]资产（南华农产[文]品+南华沪铜+[章]原油）权重从2[来]022年的5.[自]1%上升至20[高]24年以来的1[祥]4.4%。

　　综合来看，多因[号]子风险平价配置[文]模型回报在时序[章]维度上更具有分[来]散性，但相较“[自]增长+通胀”、[高]“增长+通胀+[祥]宏观流动性”的[号]三因子仍在债券[文]资产上占有更多[章]比重，并且近年[来]来的分散化过程[自]是向“非权益”[高]资产分散，而前[祥]两者则是向权益[号]资产分散。

　　事实上，这也是[文]在策略效果比较[章]中，我们看到它[来]波动率更低，具[自]有三套因子配置[高]模型中最高夏普[祥]（1.49 1.14 0.96）的原[号]因。

　　最后我们还尝试[文]兼顾资产短期动[章]量效应（半衰期[来]考量）进行增强[自]实践。上述配置[高]方案的前提假设[祥]是在滚动窗口期[号]内（180个交[文]易日）资产风格[章]稳健，一个静态[来]的协方差矩阵可[自]以作为“风险平[高]价”优化框架的[祥]输入变量；而近[号]年风格年内存在[文]波动，资产波动[章]率的时变与集聚[来]性可能会对近端[自]月份产生较大影[高]响，而对远端影[祥]响呈现衰减式。[号]因此，我们将因[文]子收益率的协方[章]差矩阵处理成“[来]半衰”模式，即[自]45个交易日为[高]半衰节点，距离[祥]当前的过去第一[号]个“45日”协[文]方差矩阵应被赋[章]予更高的权重，[来]将过去180个[自]交易日的四个4[高]5交易日子矩阵[祥]分别赋予0.4[号]、0.3、0.[文]2、0.1的权[章]重。从策略结果[来]来看，“增长+[自]通胀”的轻量化[高]模型、“增长+[祥]通胀+流动性”[号]的三因子模型在[文]半衰模式下可以[章]分别提高0.1[来]%、0.4%的[自]年化收益；若考[高]虑10%固定配[祥]置现金的限制，[号]则半衰模式可以[文]分别提高0.3[章]%、0.5%的[来]年化收益。叠加[自]动量效应后，策[高]略波动率也有所[祥]上升，两类模型[号]的夏普比率均有[文]小幅下降，但仍[章]均维持在1以上[来]。换言之，叠加[自]半衰期设置也可[高]以是一种不增加[祥]杠杆模式下的收[号]益增厚方向。广[文]谱性的多因子配[章]置模型在半衰模[来]式下有更出色风[自]险调整后收益，[高]自2016年的[祥]夏普比率为1.[号]68。分年度收[文]益表现也可以看[章]到，多因子配置[来]模型在考虑了半[自]衰期后每年的收[高]益波动有所减少[祥]。月度收益表现[号]也波动温和，月[文]度收益基本上维[章]持在[-1%，[来]1%]之间变动[自]。

　　第十

　　简单总结宏观因[高]子风险平价框架[祥]。因子并不是越[号]多越好，因子体[文]系亦不是越复杂[章]越有效，选择哪[来]一种方式，应与[自]当下的宏观环境[高]、资产定价范式[祥]以及投资者在意[号]的侧重点相互适[文]配。仅有“增长[章]、通胀”因子的[来]“轻量化”的类[自]全天候配置框架[高]简洁，并且更具[祥]收益优势，部分[号]解决了简单的资[文]产风险平价组合[章]稳健有余、弹性[来]不足，需要依赖[自]于“加杠杆”放[高]松波动率约束才[祥]能获得增厚收益[号]的问题。“三维[文]因子”风险平价[章]框架进一步放松[来]了对夏普比率的[自]要求，收益更具[高]优势，资产配比[祥]更为分散。更具[号]广谱性的宏观多[文]因子配置框架的[章]完整性更高，考[来]虑风险层次更多[自]，具有更高的夏[高]普优势，但也由[祥]于风险考虑更多[号]，平价优化后的[文]资产配比上反而[章]更向债性资产集[来]中，收益优势并[自]不明显，近年表[高]现与简单资产风[祥]险平价趋于一致[号]。

　　第十一

　　最后，宏观因子[文]风险平价框架有[章]值得思考和改进[来]的三个方向：一[自]是该方案简化大[高]类资产是宏观因[祥]子的线性函数，[号]“线性”假设在[文]未来值得商榷；[章]二是高频化宏观[来]因子过程存在缺[自]陷，方法论从“[高]因子投资”得到[祥]借鉴，但单一市[号]场具有定价的统[文]一性，拓宽至大[章]类资产维度，直[来]接用统一的多空[自]模拟组合来表达[高]各个资产世界里[祥]面的某一个宏观[号]因子可能有待改[文]善；三是风险暴[章]露矩阵的估计似[来]乎面临“动态性[自]”与“稳健性”[高]的互斥关系，如[祥]何兼顾平衡两者[号]亦值得思考。

　　风险提示：一是[文]回归模型构建基[章]于历史数据，可[来]能在未来有较大[自]经济冲击或者市[高]场改变时可能存[祥]在误差；二是模[号]型仍有待将各类[文]参数进行敏感性[章]分析，提高策略[来]的稳健性；三是[自]基本面层面可能[高]存在明显改变预[祥]期的事件，比如[号]国内地产政策效[文]果不及预期；新[章]一轮地方政府化[来]债影响超预期；[自]后续财政政策力[高]度超预期等。

　　目录

　　正文

　　PART1

　　引子：初识“因[祥]子风险平价”

　　何为“因子”？[号]因子是真正使得[文]投资不同资产能[章]获得收益的核心[来]驱动因素，资产[自]和因子的关系类[高]似于食物与营养[祥]元素（Andr[号]ew Ang，201[文]0）。因子投资[章]理念可以追溯至[来]资本资产定价模[自]型（CAPM）[高]，即组合收益是[祥]一系列风险因素[号]的线性组合，组[文]合收益本质是承[章]担市场中不同风[来]险而获得的补偿[自]（Sharpe[高]， 1964； Lintner[祥]， 1965； Ross， 1976）。

　　因子进一步大体[号]可以分为两类，[文]一是宏观因子，[章]用于解释跨资产[来]收益差异；二是[自]风格因子，多用[高]于解释资产内部[祥]风险收益差异。[号]比如低估值股票[文]较高估值股票更[章]具超额收益，可[来]以理解为是“价[自]值因子”在其中[高]驱动。从“资产[祥]配置”深入到“[号]因子配置”的过[文]程，就是将组合[章]模型从资产之间[来]的分散化配比转[自]为风险因子的配[高]比。

　　具体而言，每个[祥]资产的收益可以[号]表示为宏观因子[文]F的标准线性组[章]合，其中Ft是[来]以收益率作为表[自]现形式的风险因[高]子，而回归系数[祥]bt是资产对各[号]个风险因子的暴[文]露矩阵，是一种[章]资产相对宏观因[来]子的反应敏感度[自]：

　　何为“因子风险[高]平价（Fact[祥]or Risk Parity）[号]”？其首次作为[文]学术概念系统论[章]述出现在Att[来]ilio Meucci 2009年的论[自]文中，其通过主[高]成分分析（PC[祥]A）提取资产收[号]益协方差矩阵在[文]统计意义上不相[章]关因子，并以此[来]构建分散性的投[自]资组合。Qia[高]n（2012、[祥]2016）亦指[号]出风险平价模型[文]的重点应是“风[章]险”，而不是平[来]价公式，对“风[自]险”的理解应该[高]回到更为本质的[祥]“宏观”层面，[号]而不是简单的资[文]产波动率。

　　在前期报告《解[章]读“全天候”策[来]略》中，我们借[自]鉴钱恩平（20[高]05）的做法尝[祥]试构建了基于国[号]内ETF（资产[文]维度）的风险平[章]价模型，该模型[来]通过将每类资产[自]在组合中的风险[高]贡献度均等化来[祥]优化组合夏普，[号]再通过杠杆来提[文]升年度收益，最[章]终在目标波动率[来]为6%的约束下[自]，基于传统的资[高]产风险平价组合[祥]可以获得自20[号]15年以来6.[文]4%的年化收益[章]，0.92的夏[来]普比率。

　　同时，在上述报[自]告中，我们指出[高]了“全天候”策[祥]略与传统普通资[号]产风险平价模型[文]的异同点，“全[章]天候”本质上是[来]“宏观因子风险[自]平价”模型，并[高]不是简单基于“[祥]资产风险”进行[号]配置的方案。“[文]宏观因子风险平[章]价”模型穿透资[来]产本质，聚焦于[自]宏观风险（增长[高]、通胀超过/低[祥]于预期），资产[号]组合只是宏观风[文]险因素的交易表[章]达。换言之，其[来]认为真正驱动资[自]产价格波动的力[高]量是宏观风险，[祥]“穿越周期”的[号]实现路径也理应[文]转变为均衡化资[章]产背后更为本质[来]的“宏观因子”[自]。

　　“因子配置”较[高]传统“资产配置[祥]”的优势在何处[号]？传统的资产风[文]险平价模型是一[章]种对MVO的另[来]辟蹊径，但它并[自]未跳脱直接基于[高]资产本身风险收[祥]益特征去构建组[号]合的配置框架。[文]其中资产间的低[章]相关性是传统配[来]置模式能获得“[自]免费午餐”的核[高]心要素。而在实[祥]际操作中，当市[号]场遭遇极端冲击[文]，出于流动性的[章]考虑，多类资产[来]可能面临系统性[自]的抛压，进而尾[高]部风险推升资产[祥]相关性大幅度上[号]升，传统配置模[文]式的分散性就会[章]失效。从底层因[来]素来看，传统配[自]置模式并未根据[高]宏观场景的变化[祥]而及时调整权重[号]，无法真正从“[文]风险源”进行风[章]险分散化。而因[来]子配置正是上述[自]局限性的补充。[高]“因子”具有更[祥]低更稳定的相关[号]性，就宏观视角[文]来看，“宏观风[章]险因子”相较普[来]通大类资产相关[自]性亦更低。比如[高]通胀、增长属于[祥]宏观面的“量价[号]”两个维度，通[文]常轮动搭配，也[章]因此衍生出“投[来]资时钟”。

　　除了上述特点外[自]，基于宏观因子[高]的配置模型与其[祥]他因子模型一样[号]，可以更有效地[文]“降维”。因子[章]投资的核心是一[来]个“化繁为简”[自]的过程。从数理[高]上看，该过程将[祥]涵盖较多资产数[号]量的资产空间降[文]维至更小更具共[章]性的几个因子空[来]间。桥水“全天[自]候”的一大优点[高]就是将十余种大[祥]类资产的风险配[号]置最终归结在增[文]长、通胀两个因[章]子维度的平价方[来]案。

　　再次，基于因子[自]的配置模型可以[高]做到更好的归因[祥]，分解收益来源[号]。而一般大类资[文]产的价格更受宏[章]观环境影响。对[来]于宏观因子配置[自]模型而言，我们[高]可以根据对未来[祥]的宏观场景的预[号]判调整资产权重[文]，如股债商资产[章]的收益可以分解[来]对应到增长、通[自]胀因子的变化。[高]而传统基于资产[祥]的配置方式仅从[号]资产的风险收益[文]特征出发，资产[章]权重调整并不能[来]反映宏观变化。[自]

　　本文尝试将类似[高]“全天候”的因[祥]子配置模式在中[号]国市场中落地，[文]并且扩展出适合[章]国内市场的宏观[来]因子维度，构建[自]本土化的宏观因[高]子风险平价配置[祥]框架。

　　PART2

　　构建基于宏观因[号]子的风险平价配[文]置框架

　　（一）参考FI[章]FAA策略的“[来]四步走”

　　Blyth（2[自]016）提出了[高]“基于因子的灵[祥]活资产配置模型[号]”（Flexi[文]ble Indeter[章]minate Factor-[来]based Asset Allocat[自]ion， FIFAA），[高]并成为哈佛捐赠[祥]基金（Harv[号]ard Managem[文]ent Company[章]， HMC）在20[来]15年9月之后[自]转向“因子化思[高]维”的策略载体[祥]。从事后回溯来[号]看，在FIFA[文]A策略模式下，[章]哈佛捐赠基金近[来]十年、近五年的[自]平均年度回报分[高]别为8.1%、[祥]10.4%。

　　本文参考该文献[号]将本土化宏观因[文]子风险平价框架[章]的搭建亦分为四[来]个步骤。

　　一是“筛选因子[自]”，即选择以及[高]生成适合本土大[祥]类资产的宏观因[号]子。宏观因子的[文]“适配度”直接[章]决定了后续进行[来]平价优化是否真[自]正识别和分散了[高]风险。

　　二是“计算风险[祥]暴露”，即搭建[号]“因子”与“资[文]产”的量化桥梁[章]，利用线性回归[来]模式测算出资产[自]对因子的风险暴[高]露程度。

　　三是“确定目标[祥]风险暴露”，即[号]按照某一法则或[文]偏好确定对各因[章]子风险暴露多少[来]是合适的，即设[自]定目标风险暴露[高]。比如因子风险[祥]平价是通过“各[号]个因子对组合的[文]风险贡献度一致[章]”这一优化过程[来]来设定目标风险[自]暴露。

　　四是“匹配目标[高]风险暴露”，若[祥]第三步的目标因[号]子风险暴露为主[文]观设定，则该步[章]骤为利用最优化[来]框架（如Bly[自]th最优化框架[高]、Greenb[祥]erg最优化框[号]架）反推出资产[文]权重；若为因子[章]风险平价，则直[来]接根据符合因子[自]风险平价条件与[高]风险暴露矩阵重[祥]新回到资产层面[号]确定组合内部的[文]资产配比。

　　（二）步骤一：[章]识别、构造高频[来]宏观因子

　　1．主流的三种[自]方法及其优缺点[高]

　　在基于宏观因子[祥]的风险平价模型[号]中，首先关键是[文]宏观因子的构建[章]，主流做法分为[来]三种：

　　一是直接利用低[自]频经济数据作为[高]宏观因子，如使[祥]用实际GDP、[号]PPI等来代表[文]增长、通胀因子[章]。

　　二是采用统计方[来]式从资产中直接[自]提取（比如主成[高]分分析降维（P[祥]CA，Prin[号]cipal Compone[文]nt Analysi[章]s））。该方法[来]将资产波动降维[自]至几个线性无关[高]的主成分（公因[祥]子），避免了“[号]维度灾难”。如[文]Meucci（[章]2009）、B[来]ruder Roncall[自]i（2012）[高]。实践中较为知[祥]名的是，Kel[号]ly（2014[文]）在《Prac[章]tical Applica[来]tions for Factor Based Asset Allocat[自]ion》中将1[高]3类大类资产收[祥]益率进行主成分[号]分析，提取增长[文]、利率、通胀三[章]大宏观因子，并[来]且测算出简洁的[自]宏观因子框架对[高]资产组合的风险[祥]贡献度达到80[号]%。

　　三是基于资产的[文]多空组合构建与[章]低频宏观数据最[来]吻合的宏观模拟[自]组合来代替因子[高]（Factor[祥] Mimicki[号]ng）。如Gr[文]eenberg[章]，Babu and Ang（201[来]6）与Bass[自]， Gladsto[高]ne and Ang（201[祥]7），采用该方[号]式构建了“增长[文]、实际利率、通[章]胀、信用、新兴[来]市场、商品”六[自]因子框架，六大[高]因子分别用股指[祥]宽基指数、通胀[号]挂钩债券，多名[文]义债券与空通胀[章]挂钩债券，多公[来]司债券空名义债[自]券，新兴市场国[高]家股权风险溢价[祥]、主权信用违约[号]掉期指数以及新[文]兴国家汇率，加[章]权高盛商品指数[来]来刻画。由此可[自]见，利用模拟组[高]合来刻画高频因[祥]子（Facto[号]r Mimicki[文]ng）本质是剥[章]离出市场主体在[来]资产价格中对于[自]某一宏观指标的[高]计价交易程度（[祥]Price in程度）。并[号]且资产价格日频[文]波动，对宏观指[章]标的高频化也可[来]以达到日频程度[自]。

　　理论上，我们可[高]以通过这种方式[祥]观察到，越是临[号]近某一关键宏观[文]数据公布，相对[章]应的日频宏观模[来]拟组合也或将发[自]生明显边际变化[高]，较为灵敏地反[祥]映市场计入的预[号]期变化。

　　第一种方法相对[文]低频，并且公布[章]具有滞后性，虽[来]然具有经济含义[自]，但对资产价格[高]的解释力度存在[祥]时变性。

　　后两种方式的假[号]设是宏观因子虽[文]然不可交易，但[章]是隐藏于大类资[来]产表现中，可以[自]从资产价格或者[高]资产组合反推得[祥]到更高频的实时[号]因子（Chen[文]，Roll和R[章]oss， 1986）。

　　第二种方法中，[来]虽然因子可以简[自]便地从资产价格[高]中提取，但PC[祥]A提取后的主成[号]分暴露系数并不[文]稳定，权重亦不[章]唯一，提取后的[来]公因子并不具有[自]明显的经济逻辑[高]。但好处在于P[祥]CA提取的主成[号]分具有统计意义[文]的不相关性，能[章]更好的分散风险[来]，并且在因子维[自]度未知的情况下[高]，可以辅助判断[祥]需要考量的大类[号]资产宏观象限维[文]度。

　　第三种方法简言[章]之是以低频的宏[来]观指标作为因变[自]量，以与宏观指[高]标具有“强相关[祥]”的资产价格作[号]为自变量构建回[文]归模型，最终通[章]过回归系数与自[来]变量交乘拟合出[自]更为高频的宏观[高]因子。其中若资[祥]产与因子逻辑对[号]应关系较为直接[文]，则直接采用该[章]资产价格作为某[来]一因子的代理指[自]标。

　　2．我们的融合[高]方案：“定维度[祥]、筛资产、高频[号]化”

　　我们结合后两种[文]方法的优点来构[章]造更为灵敏的高[来]频宏观因子，主[自]要可总结为三个[高]步骤“定维度、[祥]筛资产、高频化[号]”：

　　第一，确定宏观[文]维度体系，即利[章]用PCA识别驱[来]动国内大类资产[自]收益率变化的主[高]要宏观成分，与[祥]常规低频关键宏[号]观变量做比对，[文]确定后续高频化[章]过程中需要的宏[来]观因变量；

　　第二，筛查与每[自]个维度因子强相[高]关的大类资产，[祥]即以资产价格收[号]益率为自变量，[文]进行逐步单变量[章]一元回归，记录[来]每一个单变量回[自]归的系数T值与[高]拟合优度R2；[祥]

　　第三，使用资产[号]模拟组合来构造[文]高频宏观因子，[章]即以第一步确定[来]的月频宏观变量[自]为因变量，以基[高]础资产价格月同[祥]比为自变量，构[号]建滚动窗口期的[文]多元领先滞后回[章]归模型，最后使[来]用归一化处理后[自]的回归系数与高[高]频资产价格周环[祥]比或日环比交乘[号]，得到周度、日[文]度高频宏观因子[章]。

　　“定维度”方面[来]，我们借鉴Ke[自]lly（201[高]4）做法，对自[祥]2017年至今[号]的股债商汇共1[文]0种大类资产日[章]收益率数据（经[来]标准化处理）进[自]行主成分降维，[高]发现前六大主成[祥]分、前七大主成[号]分分别解释了资[文]产价格波动的8[章]2%、89%，[来]说明大类资产价[自]格波动核心取决[高]于6~7个主要[祥]成分。进一步观[号]察主成分在各资[文]产上的载荷大小[章]可知原始资产指[来]数与提取的公共[自]因子之间的相关[高]性程度。我们发[祥]现，各主成分具[号]有一定经济含义[文]。

　　第一主成分在中[章]国权益资产（中[来]证500、沪深[自]300、恒生指[高]数）上的载荷较[祥]大，处于0.4[号]5~0.51之[文]间，在商品（南[章]华沪铜、南华农[来]产品）上亦有明[自]显的正向暴露，[高]而在国内债券上[祥]的载荷为负，对[号]应国内经济增长[文]风险。

　　第二主成分在美[章]元指数上录得0[来].65的正向载[自]荷，而与黄金、[高]中国债券呈明显[祥]负向关系，对应[号]汇率（美元）风[文]险。

　　第三主成分在中[章]国国债、企业债[来]上均录得显著正[自]向载荷，前者为[高]0.71，后者[祥]为0.57，而[号]在国内权益子亦[文]均有正向载荷，[章]对应宏观流动性[来]或者利率风险。[自]流动性宽松下股[高]债均受益，宽基[祥]股指与债券指数[号]均上涨。

　　第四主成分在商[文]品（南华农产品[章]指数、南华沪铜[来]指数）上的正向[自]载荷明显高于其[高]他资产，在股债[祥]资产上录得负向[号]载荷，对应通胀[文]风险。

　　第五主成分则在[章]美股上录得0.[来]85的正向载荷[自]，而在其他资产[高]的载荷大小均低[祥]于0.3，并且[号]在中国权益资产[文]、伦敦黄金现货[章]上均录得负向载[来]荷，对应海外经[自]济风险。

　　第六主成分在国[高]内利率债与信用[祥]债上载荷差别较[号]大，并且方向相[文]反，对应信用风[章]险。第七主成分[来]占比较小，并且[自]与第六主成分有[高]些近似，核心暴[祥]露亦在利率债、[号]信用债上。

　　鉴于主成分分析[文]提取的因子并不[章]稳定，实际经济[来]含义也因为统计[自]处理过程中的严[高]格正交处理而存[祥]在一定偏差，因[号]此本文只采用P[文]CA方法来匡定[章]因子维度，进一[来]步基于资产多空[自]组合构建宏观模[高]拟组合（Fac[祥]tor Mimicki[号]ng）来高频化[文]宏观因子。

　　从上述PCA检[章]验中可以看到，[来]在不包含美股的[自]大类资产组合中[高]，国内增长、通[祥]胀、流动性（利[号]率）、汇率、信[文]用是核心的五大[章]宏观风险；若包[来]含美股，则需要[自]额外考虑海外经[高]济风险因子。

　　在确定了对大类[祥]资产最为关键的[号]核心宏观维度后[文]，我们接着构建[章]相比主成分更加[来]具有经济逻辑的[自]“低频宏观经济[高]因子”，以此为[祥]后续“高频化”[号]过程提供因子“[文]锚”。

　　同时，为了兼顾[章]策略效率与全面[来]性，我们在后文[自]尝试按照因子多[高]寡的复杂度以递[祥]进方式分别构建[号]三套方案：

　　（1）只考虑“[文]增长+通胀”双[章]轮的“轻量化”[来]模型；

　　（2）兼顾“增[自]长、通胀、流动[高]性”的三维风险[祥]平价配置模型；[号]

　　（3）更具广谱[文]性的，涵盖“国[章]内增长、通胀（[来]消费通胀、工业[自]通胀）、流动性[高]、利率、汇率、[祥]信用、海外经济[号]”七大核心维度[文]的宏观风险平价[章]框架。

　　关于宏观流动性[来]、国内增长、通[自]胀因子，我们前[高]期报告《M1、[祥]BCI、PPI[号]与宏观择时》中[文]分别以经二次单[章]边HP滤波处理[来]后的M1、BC[自]I、PPI作为[高]代理变量。只是[祥]前期报告利用因[号]子周期轮动来进[文]行大盘择时，本[章]报告中我们尝试[来]利用上述代理变[自]量搭建宏观风险[高]平价配置框架。[祥]

　　此外，出于稳健[号]性考量，我们亦[文]尝试从两个方面[章]丰富“增长、通[来]胀”的构成方式[自]：

　　一是在增长维度[高]，综合PMI与[祥]BCI两个景气[号]指标，并用过去[文]六个月波动率倒[章]数进行加权；

　　二是在通胀维度[来]，拆分为消费品[自]通胀与工业品通[高]胀，消费品方面[祥]融合CPI同比[号]与BCI消费品[文]前瞻指数同比变[章]动，工业品方面[来]融合PPI同比[自]与BCI工业品[高]前瞻指数同比变[祥]动，并且均使用[号]过去六个月波动[文]率倒数加权。

　　关于海外经济因[章]子，我们采用“[来]美国ISM制造[自]业PMI、服务[高]业PMI同比变[祥]动与美国红皮书[号]商业零售销售同[文]比（经标准化以[章]及波动率倒数加[来]权）”作为代理[自]变量。

　　关于利率、汇率[高]、信用因子，参[祥]照Fergis[号]等做法，由于这[文]三类可以本身就[章]有直接基础性资[来]产与其高度相关[自]，我们直接采用[高]中国国债总价指[祥]数、美元指数日[号]收益率以及“中[文]证信用债3-5[章]年AA指数与中[来]证国开债3-5[自]年指数”收益率[高]的轧差作为代表[祥]。此外，除经济[号]类数据需要利用[文]滤波平滑过滤毛[章]刺以外，利率、[来]汇率、信用一类[自]直接用资产价格[高]表示的因子并不[祥]需要平滑处理。[号]

　　在获得国内外增[文]长、消费通胀、[章]工业通胀、流动[来]性等“经济类”[自]原始因子后，我[高]们就可以进一步[祥]借鉴贝莱德（2[号]018）运用的[文]因子模拟（Fa[章]ctor Mimicki[来]ng）方法，通[自]过资产多空组合[高]将具有“经济”[祥]逻辑但低频的原[号]始因子转化为实[文]时、高频、可交[章]易的宏观因子。[来]

　　“筛资产”是我[自]们为第三步“高[高]频化”做预备的[祥]过程。传统宏观[号]变量存在滞后、[文]公布节点晚、指[章]标繁多等问题，[来]而因子投资中的[自]风险因子输入应[高]该是与因变量资[祥]产收益率同频的[号]“组合”收益率[文]。因此我们需要[章]在选择合适宏观[来]原始变量的基础[自]上，通过因子模[高]拟组合的方式先[祥]找到与低频因子[号]最相关的资产，[文]基于这些资产日[章]频或周频收益率[来]来高频化原始宏[自]观因子。

　　具体而言，我们[高]以各个宏观因子[祥]作为因变量，以[号]资产价格收益率[文]为自变量，对3[章]3种大类资产进[来]行遍历单元回归[自]，回归起止时段[高]为2014年1[祥]月至2025年[号]4月。并且为了[文]削弱模型受到自[章]相关与异方差干[来]扰，我们利用N[自]ewey-We[高]st进行参数调[祥]整。最终，筛选[号]每个单变量回归[文]的系数在95%[章]显著水平下显著[来]的资产保留，视[自]为与该宏观因子[高]具有强相关性的[祥]资产。

　　以增长因子为例[号]。无论是单纯利[文]用BCI，还是[章]融合BCI与P[来]MI构建的原始[自]增长因子，均与[高]恒生指数、螺纹[祥]钢期货、南华沪[号]铜指数具有强相[文]关性。其中单纯[章]的BCI增长因[来]子与商品（螺纹[自]钢期货、南华沪[高]铜指数）相关性[祥]更强，单元回归[号]R方可以达到0[文].4左右。

　　工业通胀因子方[章]面，无论是单纯[来]利用PPI，还[自]是融合PPI与[高]BCI工业品前[祥]瞻构建的原始工[号]业因子，均与C[文]RB工业原料、[章]螺纹钢期货、W[来]TI原油呈显著[自]正向关系、与中[高]证国债及政策性[祥]金融债7-10[号]年指数成显著负[文]相关。并且前三[章]者商品价格单变[来]量对融合PPI[自]与BCI工业品[高]前瞻的通胀因子[祥]解释力度较高，[号]R方分别达到了[文]0.64、0.[章]56、0.41[来]。

　　消费品通胀因子[自]则与WTI原油[高]、南华生猪指数[祥]呈显著正向关系[号]、中证长期国债[文]指数呈显著负向[章]关系。

　　国内流动性因子[来]则与中证200[自]0、中证公司债[高]7-10年指数[祥]均呈显著正向关[号]系，表明流动性[文]宽松对股债的影[章]响是同向的。

　　美国增长原始因[来]子则与标普50[自]0、CRB工业[高]原料现货指数呈[祥]正向关系，并且[号]任一资产均对美[文]国增长因子解释[章]力度较高，R方[来]分别为0.47[自]、0.46。

　　在获得可供高频[高]拟合宏观因子的[祥]强关联资产后，[号]下一步的关键是[文]如何在合成中赋[章]权。我们采用滚[来]动多元回归法来[自]定权，即以月频[高]宏观因子为因变[祥]量，以筛选出来[号]的强关联资产价[文]格对数同比作为[章]自变量，进行滚[来]动6个月多元回[自]归，获取资产与[高]宏观因子的相关[祥]系数，对相关系[号]数进行归一化处[文]理得到构造高频[章]因子环比序列的[来]权重。

　　在得到高频因子[自]的环比序列后，[高]我们以起始点为[祥]基期进行回溯净[号]值化。最终将净[文]值序列进行同比[章]处理，与同比口[来]径的原始宏观因[自]子进行比对。其[高]中流动性因子的[祥]处理方式更为简[号]洁，由于小盘股[文]（以中证200[章]0为代表）与国[来]内信用债均对流[自]动性因子的解释[高]力度相当（单变[祥]量回归R方接近[号]），我们直接将[文]基础资产等权加[章]总合成。对比高[来]频宏观模拟组合[自]同比与原始宏观[高]因子同比，无论[祥]是国内增长、通[号]胀、海外经济增[文]长、流动性因子[章]，两者均有较高[来]的吻合度。

　　至此我们通过资[自]产多空模拟组合[高]获得了8个宏观[祥]高频因子，利用[号]回归方式将“不[文]可交易”的宏观[章]原始指标转化为[来]“高频、具有拟[自]合度、可交易”[高]的宏观因子收益[祥]率。

　　（三）步骤二：[号]计算资产的因子[文]暴露度

　　得到高频化宏观[章]因子后，接下来[来]是搭建“因子”[自]与“资产”的桥[高]梁——资产的因[祥]子暴露，我们利[号]用资产收益率对[文]各因子收益率进[章]行时序线性回归[来]，回归系数即为[自]资产对因子的风[高]险暴露程度。

　　作为一个时序回[祥]归，自变量之间[号]的低相关性与较[文]低的多重共线性[章]是回归有效性的[来]前提条件。PC[自]A主成分因子直[高]接从统计正交的[祥]方式形成了各个[号]互不相关的因子[文]，但根据经济逻[章]辑与模拟组合合[来]成的宏观因子并[自]不严格正交。

　　我们首先计算了[高]各个因子的方差[祥]膨胀系数（VI[号]F）。该方法可[文]以检验自变量的[章]相互解释程度。[来]检验结果发现，[自]合成的各个宏观[高]因子方差膨胀系[祥]数均处于1.0[号]~1.5之间；[文]统计经验值为V[章]IF小于5，则[来]说明因子间并不[自]能交叉解释，不[高]存在明显的多重[祥]线性。

　　再看因子相关系[号]数，在2016[文]年1月4日至2[章]025年5月1[来]4日的时间区间[自]上，除了利率因[高]子与信用因子存[祥]在中等强度的负[号]相关性（-0.[文]5左右）以外，[章]其余分属于不同[来]类别的宏观因子[自]之间相关性绝对[高]值均小于0.1[祥]。

　　我们利用本文开[号]篇的方程式（1[文]）测算大类资产[章]在上述宏观因子[来]上的风险暴露程[自]度，其中的回归[高]系数bt是资产[祥]对各个风险因子[号]的暴露矩阵。

　　为了估计资产在[文]宏观因子上的暴[章]露程度，我们用[来]资产收益率对宏[自]观因子进行带约[高]束的稳健OLS[祥]回归。约束条件[号]为主观识别资产[文]类别与因子的因[章]果关系，如权益[来]、商品资产并不[自]是信用因子（信[高]用利差）的函数[祥]，因此我们仅在[号]债券资产维度利[文]用全部八因子进[章]行回归，而其余[来]资产使用不考虑[自]信用因子的七因[高]子回归。

　　在具体回归过程[祥]中，为了提升结[号]果稳健性，我们[文]采用滚动Boo[章]tstrap抽[来]样方式进行随机[自]采样1000次[高]回归。滚动窗口[祥]期选择每个时点[号]的过去180天[文]，每次以随机起[章]始点的60天跨[来]度进行回归。

　　并且在汇总回归[自]结果中，为了排[高]除异常值干扰，[祥]我们最终以回归[号]系数的中位数作[文]为资产在各因子[章]上的暴露值，并[来]且优先保留R方[自]大于0.4方程[高]的中位数，若单[祥]次回归R方均小[号]于0.4，则保[文]留R方大于0.[章]2方程的中位数[来]。我们以202[自]2年12月1日[高]作为例子观察资[祥]产的因子暴露矩[号]阵。

　　从系数可知，A[文]股资产代表沪深[章]300与中证5[来]00在增长、流[自]动性因子上有较[高]高的正向暴露，[祥]并且沪深300[号]对增长、消费通[文]胀因子的暴露值[章]更高，而中证5[来]00对流动性因[自]子的暴露值更高[高]，说明中国权益[祥]资产收益与经济[号]增长、消费通胀[文]因子的高频收益[章]率同向波动，并[来]且大盘股相对中[自]盘股对经济增长[高]更敏感，而中盘[祥]股对流动性环境[号]更敏感。港股资[文]产代表恒生指数[章]不仅对国内增长[来]、流动性等因子[自]有较高的正向暴[高]露，对汇率因子[祥]有着一定负向暴[号]露。由于汇率因[文]子的代理变量是[章]美元指数日收益[来]率，因而说明港[自]股资产与美元指[高]数呈负向关系。[祥]标普500对于[号]美国经济高频因[文]子有明显的正向[章]暴露。

　　债券资产方面，[来]国债、企业债均[自]在利率因子上呈[高]负向暴露，国债[祥]系数绝对值更大[号]，企业债还在信[文]用因子上呈负向[章]暴露。这种负向[来]关联对应利率与[自]信用利差上行对[高]应利率债券、信[祥]用债券价格下行[号]，与常识相符。[文]

　　商品方面，首先[章]是贵金属，CO[来]MEX黄金在汇[自]率因子上有明显[高]负向暴露，提示[祥]黄金收益率与美[号]元收益率总体上[文]呈现负向关系。[章]同时，黄金对美[来]国经济增长因子[自]亦呈一定负向暴[高]露。

　　其余商品中，南[祥]华农产品指数与[号]南华沪铜指数均[文]对国内工业通胀[章]呈明显正向暴露[来]，其次是对流动[自]性因子亦有一定[高]正向暴露，表明[祥]通胀上行、流动[号]性改善环境下商[文]品价格倾向于上[章]行。布伦特原油[来]期货、南华沪铜[自]指数还对汇率因[高]子呈负向暴露，[祥]表明美元走软时[号]，油铜价格具有[文]“计价”维度的[章]支撑。

　　比较方程的R方[来]大小可以观察各[自]个因子对资产价[高]格的解释力度。[祥]利率债资产的R[号]方最大，达到0[文].93，其定价[章]逻辑几乎可以完[来]全有利率因子解[自]释。企业债的拟[高]合方程R方同样[祥]达到0.57。[号]两者综合说明债[文]券资产被宏观面[章]所解释的程度更[来]高，并且归因也[自]较单一。沪深3[高]00与中证50[祥]0同样基本为宏[号]观驱动，拟合方[文]程R方分别为0[章].60、0.8[来]6，但归因来看[自]涉及宏观变量更[高]广泛，既涉及增[祥]长、通胀，也涉[号]及流动性、利率[文]等因子。

　　港股与美股资产[章]的因子拟合方程[来]R方分别为0.[自]45、0.50[高]，提示港股与美[祥]股资产的宏观驱[号]动成分相对中等[文]，低于沪深30[章]0与中证500[来]，也低于国内债[自]券资产。

　　布伦特原油期货[高]、美元兑人民币[祥]中间价可被宏观[号]因子所解释的力[文]度同样相对靠后[章]，R方分别为0[来].43、0.4[自]4。这说明原油[高]、人民币汇率可[祥]能受到除宏观因[号]子体系以外的特[文]质性因子影响，[章]比如OPEC+[来]增产节奏、地缘[自]风险，逆周期调[高]节因子等。

　　简单而言，该矩[祥]阵直观显示了资[号]产对不同宏观变[文]量的敏感度，由[章]于我们使用滚动[来]窗口与随机重抽[自]样方式确定系数[高]，该风险暴露系[祥]数能捕捉到敏感[号]度的时变动态特[文]征，并且具有随[章]机检验下的一般[来]性特征。

　　（四）步骤三四[自]：以“风险平价[高]”确定目标风险[祥]暴露

　　在获得因子风险[号]暴露，第三步是[文]确定资产组合应[章]该使用的目标暴[来]露。一种方式是[自]采用“基准+偏[高]离”的做法在恒[祥]定权重的基准暴[号]露上做一定程度[文]的因子偏离，比[章]如利用Blyt[来]h最优化框架在[自]给定组合的因子[高]目标暴露后反推[祥]出达到目标暴露[号]对应的资产权重[文]。

　　另一种方式是类[章]似于牛晓健（2[来]021），将“[自]因子”代替“资[高]产”的角色代入[祥]风险平价框架，[号]最优化等式即为[文]“因子风险平价[章]”过程，最终回[来]到资产层面解出[自]符合因子风险平[高]价的资产权重。[祥]本文是“全天候[号]”策略的本土化[文]测试，因此选择[章]后一种方法。

　　普通资产维度风[来]险平价过程，就[自]是让各个资产对[高]整个组合的风险[祥]贡献相等的过程[号]。若转化宏观因[文]子风险平价，即[章]是让每一因子对[来]整个组合的风险[自]贡献相等。若以[高]收益率的标准差[祥]作为风险的度量[号]。含有N个资产[文]的整个组合风险[章]可以表示为：

　　其中的某个资产[来] i 的边际风险（m[自]arginal[高] risk contrib[祥]ution， MRC）为：

　　其中的某个资产[号]i 对组合的风险贡[文]献度（Tota[章]l Risk Contrib[来]ution， TRC）等于“[自]敏感度*资产权[高]重”：

　　风险平价的过程[祥]，就是让各个资[号]产风险贡献相等[文]的过程，即每类[章]资产的风险贡献[来]占组合风险的N[自]分之一：

　　至此，传统资产[高]维度的风险平价[祥]即求解以下的优[号]化问题——最小[文]化风险贡献偏离[章]目标的平方和，[来]风险贡献偏离度[自]，越小表示越接[高]近风险平价。模[祥]型的输入为N类[号]资产的协方差矩[文]阵，最优配置下[章]的权重为wi。[来]一般情况下，风[自]险平价模型并不[高]存在解析解，通[祥]常为非线性数值[号]解：

　　而宏观因子风险[文]平价则是通过实[章]时变化的资产因[来]子风险暴露矩阵[自]（基于K个宏观[高]因子）将各个资[祥]产收益率进行转[号]化和分解。其中[文]，B为资产在宏[章]观因子上的风险[来]暴露矩阵（n*[自]k），S是对角[高]矩阵（n*n）[祥]，对角线上的每[号]个元素就是对应[文]资产的残差序列[章]标准差，因此残[来]差序列矩阵。

　　而整个资产组合[自]的收益率是新权[高]重与各个资产收[祥]益率交乘：

　　进一步，某一个[号]因子j 对整个组合的风[文]险贡献度占比为[章]：

　　其中的协方差矩[来]阵

　　是因子协方差矩[自]阵与单位阵的组[高]合。

　　因子风险平价框[祥]架下各个因子风[号]险贡献相等，即[文]每个因子的风险[章]贡献占组合风险[来]的K分之一：

　　类似于上式（8[自]），因子风险平[高]价转为求解以下[祥]的优化问题，其[号]中两个常用的约[文]束条件是资产权[章]重为1；由于不[来]能做空而资产权[自]重大于0：

　　因此，宏观因子[高]风险平价框架是[祥]在“宏观”维度[号]均衡化风险，最[文]终给出的投资组[章]合配比方案使得[来]组合风险被平均[自]分配在不同宏观[高]因子上，也由此[祥]该方案理论上将[号]具有更好的风险[文]分散效果。

　　PART3

　　宏观因子风险平[章]价策略回测结果[来]

　　（一）轻量化配[自]置模型：基于“[高]增长+通胀”双[祥]轮

　　我们首先来检测[号]“轻量化”的全[文]天候配置结果，[章]即只采用“增长[来]、通胀”两变量[自]进行分散配置。[高]

　　（1）回测标的[祥]：涉及股债商汇[号]四大品种10类[文]资产，分别为中[章]证500、沪深[来]300、恒生指[自]数、中债企业债[高]AA3-5财富[祥]总指数、中债国[号]债7-10财富[文]总指数、南华农[章]产品指数、南华[来]沪铜指数、伦敦[自]金现、布伦特原[高]油期货、美元兑[祥]人民币中间价。[号]

　　（2）策略基准[文]：以资产风险平[章]价策略、全部资[来]产等权重策略、[自]波动率倒数加权[高]策略作为三个比[祥]较基准；

　　（3）调仓法则[号]：月度再平衡，[文]每月初利用新滚[章]动窗口内（比如[来]6个月）样本进[自]行风险平价优化[高]生成新的各资产[祥]配比仓位；

　　（4）回测区间[号]：2016年1[文]月1日-202[章]5年6月9日。[来]

　　从策略回测结果[自]来看，2016[高]年以来“增长+[祥]通胀”因子双轮[号]驱动的轻量化风[文]险平价策略年化[章]收益为7.7%[来]，年化波动率为[自]5.4%，夏普[高]比率为1.14[祥]，最大回撤出现[号]在2017年三[文]季度，曾达8.[章]5%。

　　而相同资产、相[来]同时段，运用简[自]单资产维度的风[高]险平价策略年化[祥]收益为4.6%[号]，年化波动率为[文]1.5%，夏普[章]比率为2.09[来]，最大回撤为2[自].5%；

　　简单的全资产等[高]权重策略年化收[祥]益为4.8%，[号]年化波动率为8[文].7%，夏普比[章]率为0.38，[来]最大回撤为14[自].2%；

　　按照过去6个月[高]波动率倒数加权[祥]的策略年化收益[号]为4.7%，年[文]化波动率为1.[章]7%，夏普比率[来]为1.83，最[自]大回撤为2.8[高]%。

　　总结来看，首先[祥]，风险平价策略[号]在国内市场具备[文]有效性。即便在[章]收益端，三个基[来]准策略（等权、[自]波动率加权、简[高]单资产风险平价[祥]）的年化收益相[号]当，但资产风险[文]平价具有更占优[章]的风险调整后的[来]收益，即最高的[自]夏普比率。但简[高]单的资产风险平[祥]价组合稳健有余[号]，弹性不足，平[文]价过程核心是通[章]过降低组合波动[来]来使得组合获得[自]更具优势的“夏[高]普比率”，适合[祥]追求“稳健”性[号]的投资者。但以[文]此获得收益本身[章]吸引力并不大，[来]也正因此，简单[自]资产维度风险平[高]价往往需要依赖[祥]“加杠杆”来放[号]松一定波动率约[文]束，来获得增厚[章]收益（详见前期[来]报告《解读“全[自]天候”策略》）[高]。

　　其次，简单的“[祥]增长、通胀”因[号]子风险平价给出[文]了一个不加杠杆[章]的更优收益实践[来]方式。该方案较[自]简单资产风险平[高]价年化超额收益[祥]约3.1%；2[号]020年以来的[文]样本年化超额收[章]益约2.1%。[来]而这种收益率的[自]提升并没有带来[高]波动率的大幅度[祥]提升，年化波动[号]率仍维持在5%[文]附近，兼顾了收[章]益与风险。

　　此外，考虑到本[来]身的风险平价过[自]程是一个满仓策[高]略，对极端风险[祥]存在“脆弱性”[号]，即我们前期报[文]告《解读“全天[章]候”策略》指出[来]“东方不亮西方[自]亮”的前提假设[高]是资产有轮动表[祥]现，风险平价并[号]不适用于多资产[文]共振下跌、相关[章]性剧烈上升的情[来]景。

　　因此，为了预防[自]极端情形的发生[高]，我们还假设资[祥]金的10%~1[号]5%始终配置现[文]金，将剩下的资[章]金用于“平价优[来]化”。虽然该处[自]理方式下，年化[高]收益均低于全仓[祥]优化的方案（7[号].1%＜7.7[文]%），但仍分别[章]超过简单资产风[来]险平价、等权、[自]波动率加权策略[高]2.5%、2.[祥]3%、2.4%[号]。

　　颗粒度更细致的[文]分月度、分年度[章]考察来看，简单[来]的“增长、通胀[自]”因子风险平价[高]在2016年以[祥]来多数年份跑赢[号]简单资产风险平[文]价。其中201[章]6年、2019[来]年、2020年[自]、较为明显。近[高]两年两者差距有[祥]所收窄，但因子[号]风险平价仍具有[文]大约年化0.5[章]%~1.0%的[来]优势。

　　从资产的明细权[自]重来看，由于模[高]型仍基于“风险[祥]平价”框架，波[号]动率更低的债性[文]资产仍在长时间[章]序列上占大头。[来]自2016年以[自]来的各资产权重[高]显示，债券资产[祥]平均权重为54[号].6%，其中利[文]率债（以中债国[章]债7-10财富[来]总指数为代表）[自]占比为20.9[高]%，信用债（以[祥]中债企业债AA[号]3-5财富总指[文]数为代表）占比[章]为33.8%；[来]权益资产平均权[自]重为10.2%[高]，其中A股资产[祥]（沪深300+[号]中证500）平[文]均权重为5.2[章]%，港股资产（[来]恒生指数）平均[自]权重为5.0%[高]；商品资产（南[祥]华农产品+南华[号]沪铜+原油）平[文]均权重为20.[章]3%；黄金资产[来]平均权重为5.[自]7%。

　　纵向来看，近年[高]A股、港股资产[祥]的权重提示有所[号]上升，分别自2[文]022年的0.[章]1%、0.3%[来]年均权重上升至[自]2024年以来[高]的3.1%、7[祥].8%；而债券[号]资产权重有所回[文]落，利率债、信[章]用债年均权重分[来]别自2022年[自]的40.5%、[高]39.5%下降[祥]至2024年至[号]今的28.6%[文]、28.7%；[章]黄金资产在20[来]21年、202[自]2年的年均权重[高]仅为2.2%、[祥]1.6%，但2[号]023年、20[文]24年以来的平[章]均权重上升至6[来].2%、4.4[自]%。

　　（二）三维配置[高]模型：兼顾“增[祥]长、通胀、流动[号]性”

　　接着我们来测试[文]“三维因子”配[章]置结果，其中B[来]CI代表增长维[自]度、PPI代表[高]通胀维度、M1[祥]代表流动性维度[号]。此外，我们还[文]拆分通胀为工业[章]通胀、消费通胀[来]因子进行稳健性[自]检验。

　　只要因子中不涵[高]盖“美国名义增[祥]长因子”，则我[号]们回测标的均为[文]不涉及“标普5[章]00”的10类[来]资产——中证5[自]00、沪深30[高]0、恒生指数、[祥]中债企业债AA[号]3-5财富总指[文]数、中债国债7[章]-10财富总指[来]数、南华农产品[自]指数、南华沪铜[高]指数、伦敦金现[祥]、布伦特原油期[号]货、美元兑人民[文]币中间价。

　　策略基准、调仓[章]法则以及回测区[来]间均与“轻量化[自]”的全天候配置[高]模型结果保持一[祥]致。

　　从策略回测结果[号]来看，2016[文]年以来的“M1[章]-BCI-PP[来]I”三因子风险[自]平价策略年化收[高]益为9.0%，[祥]年化波动率为7[号].8%。夏普比[文]率为0.96，[章]与“BCI-P[来]PI”的轻量化[自]配置模型基本相[高]当，但收益更具[祥]优势。但该策略[号]优势主要集中在[文]2016年-2[章]019年，20[来]20年以来与简[自]单资产风险平价[高]的收益基本相当[祥]。

　　若拆分通胀为“[号]工业通胀、消费[文]通胀”，则在2[章]020年以来同[来]样具有8.4%[自]的年化收益，主[高]要在于规避了2[祥]020年上半年[号]的大类资产价格[文]较明显回调的风[章]险。

　　我们同样测试了[来]部分仓位始终维[自]持现金的配置效[高]果。若维持15[祥]%的现金仓位，[号]则剩余85%的[文]仓位进行平价优[章]化后的策略年化[来]收益自2016[自]年以来为8.0[高]%，较满仓策略[祥]下降1.0个百[号]分点。

　　同样从颗粒度更[文]细致的分月度、[章]分年度考察来看[来]，在“增长、通[自]胀”基础上融入[高]了流动性的三维[祥]因子平价较简单[号]“增长、通胀”[文]因子风险平价年[章]度超额收益分布[来]更为分散，并且[自]同样显示，三维[高]因子平价相较于[祥]简单资产风险平[号]价的超额优势主[文]要集中在202[章]0年之前，而近[来]年来资产风险平[自]价的效果更具优[高]势。

　　从资产的明细权[祥]重来看，该模型[号]在各个资产的分[文]配权重与“增长[章]+通胀”双轮模[来]型大体一致，但[自]更为分散。

　　一则，债性资产[高]仍占相对大头，[祥]但较轻量化“增[号]长+通胀”双轮[文]模型中的权重减[章]少。2016年[来]以来债券资产平[自]均权重为47.[高]8%（轻量化模[祥]型中的占比为5[号]4.6%），其[文]中利率债（以中[章]债国债7-10[来]财富总指数为代[自]表）占比为14[高].7%，信用债[祥]（以中债企业债[号]AA3-5财富[文]总指数为代表）[章]占比为33.1[来]%；

　　二则，权益资产[自]仍占10%附近[高]，但较轻量化“[祥]增长+通胀”双[号]轮模型中的权重[文]增加，并且主要[章]是其中的港股资[来]产权重增加。2[自]016年以来权[高]益资产平均权重[祥]为13.8%，[号]其中A股资产（[文]沪深300+中[章]证500）平均[来]权重为5.0%[自]，港股资产（恒[高]生指数）平均权[祥]重为8.8%（[号]轻量化模型中的[文]占比为5.0%[章]）。

　　三则，商品资产[来]占比亦有所增加[自]，而是否考虑国[高]内的流动性因子[祥]对黄金占比影响[号]不大，基本仍维[文]持在5.5%~[章]6.0%附近。[来]2016年以来[自]的商品资产（南[高]华农产品+南华[祥]沪铜+原油）平[号]均权重为24.[文]9%（轻量化模[章]型中的占比为2[来]0.3%）。

　　四则，纵向规律[自]与轻量化模型近[高]似，近年A股、[祥]港股资产权重同[号]样提示上升，分[文]别自2022年[章]的2.3%、3[来].7%年均权重[自]上升至2024[高]年以来的3.9[祥]%、12.5%[号]；而债券资产权[文]重有所回落，自[章]2022年、2[来]023年的83[自].8%、64.[高]1%下降至20[祥]24年至今的4[号]4.5%；黄金[文]资产在2021[章]年、2022年[来]的年均权重仅为[自]0.1%、1.[高]9%，但202[祥]3年、2024[号]年以来的平均权[文]重上升至8.5[章]%、6.1%。[来]

　　（三）广谱性配[自]置模型：涵盖七[高]大宏观因子

　　最后我们考察更[祥]具广谱性的宏观[号]多因子配置结果[文]，即不仅涵盖增[章]长、消费通胀、[来]工业通胀、宏观[自]流动性，还涵盖[高]了利率条件、汇[祥]率、信用利差。[号]并且，我们还以[文]是否加入“美国[章]名义增长”分为[来]两套方案。如果[自]加入“美国名义[高]增长因子”，则[祥]回测标的池中额[号]外增加“标普5[文]00”。策略基[章]准、调仓法则以[来]及回测区间均与[自]轻量化与三因子[高]配置保持一致。[祥]

　　从策略回测结果[号]来看，不考虑“[文]美国名义增长因[章]子”的宏观多因[来]子风险平价策略[自]自2016年以[高]来的年化收益为[祥]7.5%，年化[号]波动率为4.0[文]%，夏普比率为[章]1.49。收益[来]与轻量化配置模[自]型相近，略低于[高]三因子配置模型[祥]，但夏普更具优[号]势（1.49 1.14 0.96）。

　　若加入标普50[文]0，在收益与波[章]动率均有所下降[来]，夏普比率保持[自]在1.4附近。[高]

　　但无论何种多因[祥]子配置模型，2[号]020年以来并[文]不明显跑赢简单[章]资产风险平价策[来]略。颗粒度更细[自]的分月度、分年[高]度策略结果也显[祥]示，多因子配置[号]方案在2021[文]年后与资产平价[章]方案的超额收益[来]趋于下降。

　　这与前两者因子[自]配置模型的信号[高]类似，说明近年[祥]来在国内运用因[号]子平价与简单资[文]产平价的差异趋[章]于减小，可能反[来]映了近年来国内[自]股债、商品、黄[高]金等多资产因主[祥]要受宏观因素驱[号]动而本身就能反[文]映某一类宏观风[章]险，资产间的相[来]关性趋于下降。[自]

　　换言之，近年以[高]国内股债融合黄[祥]金、商品等的大[号]类资产池本身就[文]对“风险平价”[章]配置框架的适用[来]性上升。

　　从资产的明细权[自]重来看，债券类[高]资产自2016[祥]年以来的占比是[号]61.9%（轻[文]量化配置模型、[章]三因子配置模型[来]分别是54.6[自]%、47.8%[高]），利率债占比[祥]37.8%、信[号]用债占比24.[文]1%；

　　权益类资产的占[章]比下降到了5%[来]附近，其中A股[自]资产（沪深30[高]0+中证500[祥]）平均权重为2[号].2%，港股资[文]产为3.4%。[章]（轻量化配置模[来]型、三因子配置[自]模型分别是10[高].2%、13.[祥]8%）；

　　商品资产占比有[号]所下降，“南华[文]农产品+南华沪[章]铜+原油”三者[来]自2016年以[自]来的平均权重为[高]14.6%（轻[祥]量化配置模型、[号]三因子配置模型[文]分别是20.3[章]%、24.9%[来]）。

　　黄金占比小幅抬[自]升，自2016[高]年以来的平均权[祥]重为6.7%（[号]轻量化配置模型[文]、三因子配置模[章]型分别是5.7[来]%、5.6%）[自]。

　　纵向规律上也略[高]有不同，近年权[祥]益资产权重变化[号]不大，债券资产[文]权重有所下降，[章]商品与人民币权[来]重上升。202[自]1、2022年[高]债券资产权重分[祥]别为80.6%[号]、71.9%，[文]但2024年以[章]来降至48.0[来]%；汇率层面的[自]人民币权重从2[高]020年的0.[祥]9%上升至20[号]24年以来的3[文]0.7%；商品[章]资产（南华农产[来]品+南华沪铜+[自]原油）权重从2[高]022年的5.[祥]1%上升至20[号]24年以来的1[文]4.4%。

　　综合来看，多因[章]子风险平价配置[来]模型回报在时序[自]维度上更具有分[高]散性，但相较“[祥]增长+通胀”、[号]“增长+通胀+[文]宏观流动性”的[章]三因子仍在债券[来]资产上占有更多[自]比重，并且近年[高]来的分散化过程[祥]是向“非权益”[号]资产分散，而前[文]两者则是向权益[章]资产分散。

　　事实上，这也是[来]在策略效果比较[自]中，我们看到它[高]波动率更低，具[祥]有三套因子配置[号]模型中最高夏普[文]（1.49 1.14 0.96）的原[章]因。

　　PART4

　　融合资产短期动[来]量效应：考虑半[自]衰期

　　（一）半衰加权[高]处理方式

　　回顾策略构建过[祥]程发现，我们会[号]在每个调仓期，[文]使用过去180[章]个交易日用于协[来]方差估计，并进[自]行月度调仓，这[高]隐含着风格持续[祥]半年以上保持不[号]变的假设。

　　事实上，近年来[文]市场风格短期变[章]化剧烈，并不会[来]维持很长的时间[自]。因此，我们基[高]于资产短期动量[祥]的思想，尝试将[号]资产的短期动量[文]效应应用到协方[章]差的估计上。

　　为了进一步提升[来]组合的风险调整[自]后的收益情况，[高]我们对大类资产[祥]的协方差矩阵进[号]行了半衰调整，[文]赋予近期数据更[章]高的权重。资产[来]的波动率具有时[自]变性和聚集性，[高]当一段时间内的[祥]资产波动较大，[号]未来一段时间往[文]往跟着大的波动[章]。对于历史样本[来]数据，近期的资[自]产收益率与波动[高]率对当下市场的[祥]影响更大。考虑[号]到波动率的时变[文]性与聚集性，在[章]对收益率矩阵的[来]协方差矩阵进行[自]估计时，可以使[高]用时间衰减加权[祥]法（半衰权重法[号]）。

　　具体而言，以4[文]5个交易日为半[章]衰节点，滚动计[来]算180交易日[自]里每45日的协[高]方差矩阵，分别[祥]为；由于资产波[号]动率具有自相关[文]性与“聚集”效[章]应，即大波动后[来]跟随大波动，小[自]波动与小波动聚[高]集，近期的波动[祥]率（协方差矩阵[号]）对当下配置更[文]为关键。因此，[章]距离当前的过去[来]第一个“45日[自]”协方差矩阵应[高]被赋予更高的权[祥]重，第二个“4[号]5日”协方差矩[文]阵的权重相应降[章]低一些。我们将[来]过去180个交[自]易日的四个45[高]交易日子矩阵分[祥]别赋予0.4、[号]0.3、0.2[文]、0.1的权重[章]：

　　（二）半衰宏观[来]因子风险平价策[自]略回测结果

　　从策略结果来看[高]，“增长+通胀[祥]”的轻量化模型[号]、“增长+通胀[文]+流动性”的三[章]因子模型在半衰[来]模式下可以分别[自]提高0.1%、[高]0.4%的年化[祥]收益；若考虑1[号]0%固定配置现[文]金的限制，则半[章]衰模式可以分别[来]提高0.3%、[自]0.5%的年化[高]收益。但叠加动[祥]量效应后，策略[号]波动率也有所上[文]升，两类模型的[章]夏普比率均有小[来]幅下降，但仍均[自]维持在1以上。[高]换言之，叠加半[祥]衰期设置可以是[号]一种不增加杠杆[文]模式下的收益增[章]厚方向。

　　广谱性的多因子[来]配置模型在半衰[自]模式下的表现有[高]所分化，不考虑[祥]“美国名义增长[号]”因子的多因子[文]平价策略年化收[章]益较非半衰模式[来]下降1.5%，[自]而考虑了“美国[高]名义增长”因子[祥]的方案则较非半[号]衰模式上升了0[文].2%。但后者[章]具有更出色风险[来]调整后收益，夏[自]普比率基本上突[高]破了此前因子平[祥]价模型中的1.[号]5上限。满仓策[文]略下，自201[章]6年的夏普比率[来]为1.68；若[自]进一步固定15[高]%现金配置以应[祥]对极端情形，则[号]夏普比率为1.[文]71。总结来看[章]，多因子平价由[来]于考虑风险因子[自]更多，本身更具[高]优势的就是风险[祥]调整后收益；而[号]半衰期的作用是[文]融合资产短期动[章]量趋势，是收益[来]增强的一种方式[自]，两者综合之后[高]，使得多因子风[祥]险平价模型获得[号]较“轻量化”、[文]“三因子”配置[章]模型更优的夏普[来]比率。

　　分年度收益表现[自]也可以看到，多[高]因子配置模型在[祥]考虑了半衰期后[号]每年的收益波动[文]有所减少。月度[章]收益表现也波动[来]温和，月度收益[自]基本上维持在[[高]-1%，1%][祥]之间变动。

　　PART5

　　几点思考

　　一则，宏观因子[号]风险平价模型的[文]有效性前提是，[章]大类资产是宏观[来]因子的线性函数[自]，但事实上这更[高]多是一种统计意[祥]义的简化。宏观[号]因子与资产未来[文]收益的关系同样[章]是时变、具有不[来]确定性的，并且[自]可能并不呈现简[高]单的线性特征。[祥]

　　二则，宏观因子[号]的高频化方式可[文]能存在缺陷。直[章]接采用资产指数[来]或者资产多空组[自]合来表示更高频[高]的宏观因子，参[祥]考的是类似于C[号]APM模型或者[文]Fama多因子[章]模型的构造方式[来]，比如任何股票[自]都是市场宽基股[高]指的线性函数。[祥]在单一市场内部[号]，该方式用市场[文]指数代替市场风[章]险兼具简洁性和[来]代表性；但拓宽[自]至大类资产配置[高]维度，权益资产[祥]本身作为一个整[号]体，其与债券资[文]产在增长因子上[章]的暴露并不相同[来]。

　　三则，宏观因子[自]风险平价的效果[高]仍有待于增强，[祥]以及因子与资产[号]的关系（风险暴[文]露矩阵）的估算[章]需要兼顾“动态[来]性”与“稳健性[自]。前者可以尝试[高]进一步对平价的[祥]基准暴露进行适[号]当偏离，或者融[文]入其他择时模型[章]。后者仍有待于[来]寻找更优的方式[自]估计因子与资产[高]之间的“风险暴[祥]露矩阵”。从上[号]文时序上的表现[文]结果来看，因子[章]风险平价在不同[来]时期的效果存在[自]一定差异，风险[高]暴露矩阵的估计[祥]需要兼顾“动态[号]性”；但滚动一[文]定窗口期的传统[章]动态做法可能使[来]得结果并不稳健[自]。

　　风险提示：一是回归模型构建基于历史数据，可能在未来有较大经济冲击或者市场改变时可能存在误差；二是模型仍有待将各类参数进行敏感性分析，提高策略的稳健性；三是基本面层面可能存在明显改变预期的事件，比如国内地产政策效果不及预期；新一轮地方政府化债影响超预期；后续财政政策力度超预期等。