固收深度研究：变局下的大类资产宏观因子体系.pdf

固收深度研究：变局下的大类资产宏观因子体系。近年来，大类资产配置最大的痛点之一是全球经济周期规律弱化，过去一些 经典的宏观模型，比如美林时钟等适用范围的局限性越发明显。我们希望通 过构建一套全面、精准的全球宏观因子框架，能够高频、动态地跟踪市场主 线的变化，实现对每个因子进行细化跟踪，并辅助进行大类资产中长期走势 判断。基于该框架，我们构建了两个版本的资产配置模型：风险平价模型与 风险预算模型，并以月度为调仓频率进行了模型构建，2019 年至今，二者 均在有效控制回撤的前提下，具备获取持续超额回报的能力。

全球宏观因子介绍

宏观因子是影响大类资产价格长期走势的核心驱动因素，也是我们理解资产 配置的出发点。但传统方法存在披露滞后、噪声大等诸多缺陷。我们希望通 过构建一套全面、精准的全球宏观因子框架，能够高频、动态地跟踪市场主 线的变化，实现对“增长、通胀、流动性、法币信用、AI 科技、风险偏好” 等宏观维度进行细化跟踪。为此，我们尝试将 FMP 与 PCA 两种方法结合， 先对选取的资产序列进行 FMP 操作，构建可投资的初级因子代理序列，再 用 PCA 对这些初级因子进行合成，以得到相对稳健且可解释性较高的最终 因子。

全球宏观因子合成

全球宏观因子合成流程可以概括为“FMP–PCA–FMP”三步走：第一步 用 FMP 把资产序列处理成带有清晰经济含义、且具备可投资性的初级因子 代理；第二步用 PCA 在这些初级因子之间提取共同主成分，放大共同信号、 削弱特异噪声，从而兼顾解释性与稳健性；第三步再把主成分映射回资产端， 得到最终可用于监测与配置的宏观因子序列。为避免“统计合成”带来的污 染和不稳定问题，报告还在过程中做了几类关键技术处理：对代理变量标准 化并进行截尾/缩尾以压制极端值；在最终映射时用 Ridge 回归提高估计系 数稳定性；并对科技因子做部分正交化以提升因子“纯净度”。

全球宏观因子走势、解释能力与资产配置模型应用

从宏观因子的同比数据来看，增长、通胀、流动性因子都有 3~4 年运行周 期；流动性因子往往率先见底反弹，领先在 1 年左右。在解释能力上，全球 宏观因子对资产收益率具有较强的解释力度。因子贡献上，以 MSCI 全球指 数为例，2025 年推动 MSCI 全球指数上涨的主要动力来自于增长因子、AI 科技因子以及流动性因子。在资产配置应用上，我们基于全球宏观因子构建 两类投资组合：一类是宏观因子风险平价策略（增长、通胀、法币信用与 AI 科技四因子各 1/4 风险权重），另一类是风险预算策略（增长、通胀各 30%， 法币信用、AI 科技各 20%）。回测对比显示，自 2019 年以来宏观因子风险 平价/风险预算显示出约 12.6%/11.5%的年化收益、约 14%的波动控制、约 24.3%/23.7%的最大回撤，其卡玛比率表现更优，同时在夏普维度也整体领 先于多数对照组合。