2023年大类资产配置量化模型研究 基于宏观因子的大类资产配置框架分析

1. 因子配置背景介绍

1.1. 配置模型的发展历程

大类资产配置是投资组合收益的重要来源，一直以来都是业界和学术界 的研究热点。自从 Markowitz（1952）的均值-方差（MVO）模型将资产 配置推向量化时代，大类资产配置模型理论经历了资产配置、风险配置、 因子配置的三个阶段，推动着资产配置投资实践不断向前发展1。 在资产配置阶段，1952 年马科维茨的 MVO 模型首次采用均值和方差来 刻画资产收益与风险，并指出最优的投资组合并非单纯追求最高收益或 最小风险，而是在两者之间找到平衡；1992 年高盛的 Fischer Black 和 Robert Litterman 在 MVO 的基础上提出了 Black-Litterman 模型，将主观 观点引入投资模型中，有效地解决了均值-方差模型对于预期收益敏感的 问题，实现了量化和主观观点的结合2。

在风险配置阶段，1996 年桥水基金（Bridgewater）达里奥提出全天候策 略（All Weather Strategy），成为了风险平价（Risk Parity）模型的雏形。 2005 年钱恩平首次正式提出了“风险平价”的概念，即把投资组合的整 体风险分摊到每类资产中去，使得每类资产对投资组合整体风险的贡献 相等，并从理论上证明了基于风险贡献配置资产可以更好的分散风险， 能够得到有效的投资组合3。 2008 年金融危机以后，人们发现在极端的市场环境下资产间的相关性会 显著增加，传统资产配置方法并不能有效地分散风险。研究者开始探索 资产价格背后一系列共同的风险因子，希望从因子层面进行配置，进而 做到真正的风险分散。近年来基于因子的配置模型已经得到了迅速发展， 贝莱德的 Bass（2017）在文章中指出，大约有 90%的大型机构投资者已 经在其投资过程中使用了因子分析，以提高风险分散度、提升收益风险 比并降低成本。目前全球知名投资机构的资产配置已经逐步实现了从资 产到因子的变化，如贝莱德、SSGA、HMC、PIMCO、高盛等均围绕因 子投资思想重塑资产配置体系、投资组合策略和绩效评估方法。

1.2. 因子配置模型的理论介绍

1.2.1. 因子投资思想

因子投资是一种系统性的投资思想，使用风险因子描述资产（可以是个 券，也可以是大类资产）共同承担的某一方面的共性风险，相应的因子 收益指的是暴露于该风险所带来的补偿，即风险溢价。因子投资的思想 起源于经典的 CAPM 模型（Sharpe，1964），后来经过 Rosenberg（1975）、 Ross（1976）、Fama（1992）等学者的发展，成为金融投资领域重要的学 术分支和理论方法，能够广泛且持续地解释投资收益和风险来源。

在传统的收益分类定义中，人们将主动管理获取的超额收益称为 alpha 收益，而将市场共同的被动收益称为 beta 收益。根据因子投资的思想， 可以将那些由于暴露在同一组风险因子下获取的收益称为 beta 收益，而 将无法由风险因子所解释的收益称为 alpha 收益。因此随着人们对资产 收益来源的研究不断深入，发现的风险因子也越来越多，投资收益中更 多的部分可以被划分为 beta 收益，而无法解释的 alpha 收益部分越来越 少。

1.2.2. 因子资产配置模型的相关研究

2004 年美林证券提出了“美林时钟”，使用增长和通胀 2 个指标将经济 分为 4 个阶段，并根据经验和历史数据建立了经济周期和大类资产之间 的主观联系，蕴含了使用宏观因子进行资产配置的朴素思想。2008 年金 融危机以后，人们发现由于暴露于同一组因子，在极端市场情况下资产 间的相关性会大幅上升，传统资产配置方法并不能有效地分散风险，因 此转而去寻找驱动资产价格变化的底层逻辑，因子投资理念在大类资产 配置领域得到迅速发展，学术界和海外投资机构都展开了大量研究。

Boudt（2013）提出了一种基于因子的风险归因方法，将投资组合波动率 分解为各个因子的风险贡献，并且可以作为资产配置的约束条件；Kelly （2014）使用主成分分析（PCA）从资产价格中提取了增长、利率、通 胀三大因子；Blyth（2016）总结出一个基于因子进行资产配置的通用框 架，被市场上广泛接受并使用；BlackRock 的 Greenberg（2016）和 Bass （2017）使用资产的多空组合来复制宏观因子走势，从而构建了高频、 无滞后、可投资的资产化因子。Bender（2019）将风险因子分为宏观因 子和风格因子两大类，其中宏观因子刻画了与经济增长、利率、通货膨 胀、信用、流动性等相关的风险，是驱动大类资产价格变化的主要因素； 风格因子则来源于股票异象的横截面资产定价，反映相同资产类别内的 风险及收益，包括价值因子、动量因子、规模因子等。

1.2.3. 使用宏观因子做资产配置的优势

我们认为，基于因子的配置模型至少有如下三点优势：

（1）因子解释了资产组合风险和回报的关键驱动因素，便于更好地理解 和分散风险。大类资产配置的目的是分散风险，从 MVO、BL 模型到风 险平价、风险预算模型，实质上都是基于资产本身的风险收益特征进行 配置，并未考虑到驱动资产价格变动的背后因素。事实上，大类资产价 格的变动是受到经济、通胀、利率等一组共同的宏观风险因子的驱动， 基于因子的配置模型对这些风险来源进行深入研究，透过了资产价格的 “表象”而直达 “内在”，便于做到真正意义上的风险分散。

（2）将预测资产转化为预测宏观因子，可以降低预测的复杂性。传统的 资产配置模型依赖于对资产池中所有资产风险收益指标的预测，使用宏 观因子配置模型可以将对数十种资产收益风险的预测简化为对少数几 个宏观因子的预测，而后者是更直观的。在该框架下，如果投资者对经 济、通胀、利率、信用等宏观状态有更深刻的理解和预判，就能比市场 大部分人做出更加合理的资产组合配置。

（3）因子间相关性更低，参数更容易估计。一方面，从相关性角度看， 因子之间的相关性明显低于大类资产之间的相关性，且相关性更加稳定， 当极端情形下资产间相关性大幅上升时，因子间的相关性变化幅度更小， 针对因子进行配置能更有效地分散风险。另一方面，因子波动率的稳定 性明显高于资产波动率，这意味着在实际计算层面，因子配置模型中的 参数估计会更加准确。 因子配置具有诸多优势，本文构造了一个基于宏观因子的资产配置框架， 在该框架下，投资者可以很容易地将自身对于宏观经济的观点转化为投 资组合，也可以对已有的组合风险进行宏观因子层面的分解，接下来我 们将详细地介绍具体做法。需要指出的是，本文旨在建立一个基于宏观 因子的资产配置框架，宏观因子的预测不是本文的研究范畴。

2. 基于宏观因子的资产配置框架

Blyth（2016）4等曾提出一个基于因子进行资产配置的经典框架，被市场 上广泛接受并使用。该框架具体包括四个步骤：选取合适的因子、计算 资产的因子暴露、确定因子目标暴露、匹配因子目标暴露。本文借鉴了 Blyth 的框架流程，在参考大量海内外文献的基础上，结合国内实际，分 别提出了 4 个步骤的具体实现方法，接下来依次进行详细说明。

2.1. 第一步：选取合适的因子

2.1.1. 宏观因子的选取及生成思路

选择并生成合适的宏观因子是配置模型最关键的第一步。在这一步中， 首先要选择合适的宏观因子，我们希望所选的因子能尽可能多地解释资 产价格的变动，同时具有现实意义；其次要确定宏观因子的生成方法， 以便于后续工作的展开。

从海内外经验来看，在确定因子时，根据经验主观选取或通过资产降维 （PCA）的方式是两种主流方法，最终的宏观因子选择也不完全相同， 比较主流的包括增长、通胀、利率、股权、信用等。我们认为，并不存 在一个适配所有情况的宏观因子体系，但在选择因子时，至少应该遵循 以下几个原则： （1）选取的因子应是大类资产价格变动的核心驱动因素，能够解释不同 资产的风险和收益的来源。 （2）宏观因子要有经济学含义，且投资者有能力进行一定预测。 （3）因子频率不宜过低，且最好有一定的可投资性，方便后续因子暴露 计算、因子投资等工作开展。 （4）因子之间相关性不宜过高，便于后续进行管理。 （5）因子数量一般以 3-7 个为宜，过多则会加大预测的复杂性。 由于我们目前对国内市场并没有一个非常有把握的因子方案，我们决定借鉴 Bass 和牛晓健等人的方法，首先通过资产降维（PCA）的方式，找 到不同资产之间的共性影响因素，并分析其经济学上的含义，确定因子 选择的范围和数量；然后比较几种主流的因子构造方式，最终得到我们 的因子体系。

2.1.2. 通过资产降维（PCA）确定因子范围

主成分分析（PCA）是一种常用的数据降维方法，通过选取方差最大的 方向来达到保存主要信息并降维的效果。通过对大类资产收益率进行主 成分分析，可以提取对资产价格波动解释度最大且互相正交的一组主成 分，再对主成分进行经济学含义的分析，可以帮助我们确定所选因子的 范围。为了覆盖多种大类资产，并且综合海外因素的影响，我们使用沪 深 300、中证 500、国债、企业债、南华商品、沪金、布伦特原油这 7 种 资产过去 15 年的日频收益率进行主成分分析。可以看出，前 5 个主成 分共解释了资产价格波动的 93.07%，前 6 主成分共解释了资产价格波动 的 98.27%，这意味着 5 到 6 个宏观因子足够覆盖绝大部分的价格波动。

接下来我们根据主成分在各个资产上的载荷大小及方向关系，对其进行 经济学含义的解读。第 1 主成分在股票和商品上的载荷较大，且与在债 券上的载荷方向相反，对应于经济增长风险；第 2 主成分在债券上的载 荷较大，对应于利率风险；第 3 主成分在美元兑人民币上的载荷较大， 且与在商品上的载荷方向相反，对应汇率（美元）风险；第 4 主成分在 商品上的载荷较大，且与在 A 股上的载荷方向相反，对应通胀风险；第 5 主成分较难根据载荷大小和方向判断出对应的宏观风险；第 6 主成分 在国债和企业债上的载荷较大、且方向相反，对应信用风险（信用利差）。 第 7 主成分在沪深 300 和中证 500 上的载荷方向相反，由于大盘股和小 盘股受流动性的影响不同，可以对应流动性风险；

根据 PCA 的结果，我们可以判断增长、通胀、利率、汇率、信用和流动 性是影响资产价格变动最主要的六大宏观风险。从主成分分解的计算方 法可知，每个主成分实际上就是资产的一个互不相关的线性组合，天然 具有“解释度高、正交、日频可得、可投资性”等特点，因此有学者如 Kelly 等直接使用 PCA 提取的主成分作为宏观因子。但我们经过实践后，发现 在一个因子数量较多的体系中，通过 PCA 方法提取宏观因子存在着不 少缺陷，主要包括：

（1）PCA 的结果并不稳定。PCA 的结果依赖于输入的资产组，当输入 的资产组合不同时，提取的主成分可能差别很大，即使给定一组资产， 在不同时间区间进行分解时，也会产生不同的结果。不稳定性体现在两 点：一是主成分的暴露系数的数值与符号不稳定，二是主成分解释度排 序不稳定，如第 3 主成分时而代表汇率风险，时而代表通胀风险。这种 不稳定将极大影响量化建模的结果。

（2）部分主成分缺乏经济学含义。PCA提取出的主成分实际上是原始数 据的线性组合，我们主要通过在资产暴露的数值大小与不同资产之间暴 露的方向关系来确定主成分的经济学含义，这就导致出现有些主成分可 能难以解释的现象（如上述第 5 主成分）。

（3）利率、信用和汇率因子有直接对应的经济指标。利率因子可以直接 使用国债收益率来代替，信用因子可以考虑使用中期票据和国开债收益 率的差值来代替，汇率可以直接使用美元指数来代替。对于这些有直接 对应经济指标的因子，若是使用主成分来表示反而徒增噪音。

综上，我们只从 PCA 的结果来确定因子数量和因子范围，在构造因子时 并不打算直接采用 PCA 的结果，而是从宏观经济指标出发完成上述 6 个 因子的构造。此外，我们也思考了 PCA 方法的适用性，虽然在构造多个 因子时 PCA 方法存在较大缺陷，但用来计算单一因子时上述缺陷将大 大减少。比如我们可以使用一组受通胀影响最大的资产（猪肉、石油等 商品）提取主成分，将解释度最大的主成分作为通胀因子等。感兴趣的 投资者可以尝试研究。

2.1.3. 从宏观经济指标出发构造因子

确定因子数量和范围后，下一步要构造具体的因子。构造的因子应满足 我们此前总结的解释度高、有经济学含义、高频可得、相关性低等特点，我们总结了国内外文献的三种构造方式： （1）直接使用真实的宏观指标。如使用 GDP、PMI 等代表增长因子， 使用 CPI 和 PPI 代表通胀因子，这种方法的使用者不多，主要原因是真 实的宏观指标存在频率太低、发布滞后等比较明显的缺点。而且真实经 济指标往往是同比数据而不是 portfolio return 形式的数据，使用 1.2.1 的 公式时需要先做时序回归再做截面回归，会增加扰动。 （2）使用 PCA 分解的方式构造宏观因子。上节已经进行过讨论，使用 PCA 方法构造单一因子可能比较有效。 （3）使用资产投资组合作为宏观因子的代理变量。这种方法通过构造模 拟资产组合来拟合宏观经济指标，在海外使用较多，因为其金融产品比 较发达，有足够多的资产构造组合。如使用股票、商品和房地产信托组 合作为增长的代理变量，做多政府债券、做空通胀挂钩债券的组合作为 通胀的代理变量等。

综合考虑国内现实情况，我们决定采取第三种方法来构造宏观因子，步 骤分为两步：首先寻找合适的宏观经济原始指标，其次选择资产组合来 拟合原始经济指标，作为宏观因子的高频代理变量。 已知因子寻找对应宏观经济原始指标时，我们认为选取的指标首先要经 济学含义清楚，与因子相互对应；其次是要被大众认同，被广泛地跟踪、 观察和预测。在与宏观团队探讨后，我们决定经济原始指标选取如下： （1）增长因子：从 GDP 的支出项出发，考虑将 PMI 的同比差分、固定 资产投资完成额同比、社会消费品零售总额同比、进出口金额同比四个 同比指标根据波动率倒数进行加权构造。 （2）通胀因子：使用 CPI 同比与 PPI 同比按波动率倒数加权来构造。 （3）利率因子：使用 10 年期国债收益率表示。 （4）信用因子：使用 3 年期 AA 中短期票据收益率与 3 年期国开债收 益率的差来刻画信用利差的变化。 （5）汇率因子：使用美元指数来代替汇率因子。 （6）流动性因子：我们希望刻画的是流入金融市场的资金量，使用 M2 同比与社融存量同比的差来构造。

2.1.4. 使用资产组合构建高频宏观因子

上一节我们使用经济指标构造了增长、通胀、利率、信用、汇率和流动 性 6 个原始宏观因子，这些原始因子符合经济学逻辑，被市场广泛地跟 踪、观察和预测，但不可避免地存在频率低、更新滞后、同比环比口径 不一等问题，适用于主观跟踪、观察和预判，但难以用于量化建模。为 了得到更加高频的因子值，我们参考文献，尝试使用资产组合来构造高 频化的宏观因子。本文以周频为例构造高频因子，由于在后续的量化建 模过程中需要使用因子收益率，此处均构造高频化因子的环比收益率序 列，再转为与原始因子值一致的口径进行对比，评估高频化的效果。

（1）利率、信用、汇率高频宏观因子构建

利率、信用、汇率三个因子都有明确对应的资产，原始宏观因子也都是 高频化的指标序列，资产组合的构造方式比较简单： ①利率因子：为保证组合净值方向与原始因子（10 年期国债收益率）变 动方向一致，我们选择做空国债净价指数，具体使用中债-国债总净价指 数环比收益率的相反数作为利率高频因子收益率的代表； ②信用因子：做多企业债、做空国开债指数，具体先将中债-企业债 AA 财富(3-5 年)指数和中债-国开债总财富(3-5 年)指数去趋势后取环比收益 率的相反数，然后二者相减得到信用高频因子收益率的代表； ③汇率因子：做多美元指数，直接使用美元指数收益率作为汇率高频因 子收益率的代表。 由于原始因子为净值口径，将高频化因子转为净值进行对比，可以看出 高频化因子基本可以完全复制原始因子的走势。

（2）增长、通胀、流动性高频宏观因子构建

增长、通胀、流动性这三个原始因子都由低频的经济数据合成，且国内 暂时缺乏直接对应的资产，我们需要自行确定资产及对应的权重。构建 资产组合的方法有多种，如根据经验选择一组资产并通过主观加权、波 动率倒数加权、PCA 分解等方式赋予资产的权重。本文尝试通过回归的 方式，确定构建资产组合所选择的资产以及对应的权重系数。我们以增 长因子为例说明这一过程： ①单变量回归筛选资产池。主观筛选沪深 300、恒生指数、CRB 工业原 料指数、南华能化、房地产开发行业指数等 20 余个与增长因子有关的资 产作为待选资产池。接下来以原始宏观因子为因变量，资产价格为自变 量，进行一元回归。为了保持因变量和自变量的口径统一，我们对资产 价格计算对数同比，并使用 HP 滤波平滑。从回归的结果中筛选解释度 最高的恒生指数、CRB 工业原料指数、南华沪铜和房地产开发行业指数 4 个资产作为资产池。 ②多变量领先滞后回归，确定回归系数及领先期。以恒生指数、CRB工 业原料指数、南华沪铜和房地产开发行业指数 4 个资产的对数同比序列 为自变量，对原始增长因子进行多变量的领先滞后回归，确定领先期及 各资产回归系数，即资产权重。 ③环比收益率加权得到高频化因子的环比收益率。通过多变量回归我们 确定了领先滞后期及回归系数，接下来以归一化的回归系数为权重，对 自变量的环比序列进行加权，从而得到了高频化因子的环比序列。

类似地，我们通过猪肉价格、布伦特原油和普钢螺纹这三种资产的价格 作为基础资产对原始通胀因子进行复制；以申万大盘市盈率和申万小盘 市盈率作为基础资产复制流动性因子。最终将增长、通胀、流动性高频 因子的同比序列与原始宏观因子（同比口径）进行对比，可以发现高频 化后的因子基本复制了原始因子的走势。

2.2. 第二步：计算资产的因子暴露

在得到宏观因子后，下一步是建立从因子到大类资产的映射关系。从 1.2.1 的公式出发，一般使用资产收益率对因子收益率作时序回归的方式 确定资产对各个因子的暴露程度，从而得到资产与宏观因子之间的关系。

2.2.1. 因子是否需要正交化？

在回归之前，我们需要考虑一个问题，宏观因子之间的相关性如何，回 归前是否需要自变量正交处理？如果宏观因子之间的相关性过大，就可 能导致回归模型出现多重共线性进而影响回归的结果。 对此，我们通过计算因子相关系数及方差膨胀系数（VIF）来对宏观因子间的共线性程度进行检验。方差膨胀系数（VIF）是一种常用的共线性检 验手段，用于衡量线性模型自变量之间的相互解释程度。一般来说在 VIF 小于 5 时可以认为自变量之间不存在多重共线性的问题。 经过检验发现，我们设计的 6 个宏观因子之间相关性并不高，相关系数 绝对值平均只有 0.12，方差膨胀系数 VIF 也都远小于 5，因子之间不存 在明显的共线性问题。同时，我们也希望在后续计算因子暴露时，保存 高频因子与原始宏观因子之间的直观联系，因此后续计算中不做任何正 交化处理。此外，我们也尝试了因子正交的结果，并在后文附录中附上 了正交方法，感兴趣的投资者可以自行查看。

2.2.2. 基于先验信息的 LASSO 回归计算资产的因子暴露

对于股票类资产，增长和流动性是主要的驱动因素。股票类资产均对增 长因子有较高的正向暴露，且大盘指数、港股对增长因子的暴露更高， 这与经济增长时股票特别是大盘股表现较好的常识相符。股票类资产均 对流动性因子呈正向暴露，意味着其均受益于流动性上行的宏观环境； 其中中证 500 和中证 1000 的暴露更高，这提示我们在宏观流动性趋松 的环境下中小盘股更具配置价值。除了增长因子和流动性因子外，股票 类资产对其他宏观因子的暴露都较低。 对于债券类资产，利率和信用是主要的驱动因素。债券类资产都对利率 因子呈负向暴露，当利率下行时，债券类资产的价格相应上行。信用因 子很好地刻画了国债与企业债之间的区别，当信用利差下行时，对应企 业债价格上涨。转债兼具股票和债券的双重特点，除了对利率和信用因 子有暴露外，对增长因子和流动性因子也具有较高的暴露。

黄金主要受到汇率因子和利率因子的驱动作用。黄金是一种特殊的商品 类资产，其价格受保值需求和避险需求的双重影响，保值需求根据“初 级黄金公式”可以表示为 3.2*CRB 综指-226*10Y 美债实际利率，足以 解释 98%的金价波动。由于本文暂未考虑海外利率类因子，而利率因子 和汇率因子与海外利率的相关性较高，因此从暴露值中可以看到黄金对 汇率因子和利率因子有较高的负向暴露，而对通胀因子有比较低的正向 暴露，与“初级黄金公式”相符。 对于大宗商品类资产，通胀因子和增长因子起到主要驱动作用。当增长、 通胀均处于上行周期时，商品的需求旺盛，并且相比于股票类资产有更 强的抗通胀能力，商品价格相应上行。流动性上行显然会导致商品价格 上涨，因此商品对流动性因子也呈正向暴露。由于我们对海外商品资产 布伦特原油进行了汇率换算，因此布伦特原油对汇率的暴露为正，而工 业品资产因受美元定价导致对汇率呈负向暴露。

从资产价格解释程度来看，债券类资产的 R 方最大，对应其定价逻辑最 为简单，国债价格的变动基本完全由利率所解释，而企业债的解释程度 低于国债。股票类资产的 R 方次之，其中恒生指数>中证 1000>中证 500> 沪深 300 和上证 50，恒生指数主要受增长因子解释程度较高，而流动性 因子的引入提高了小盘股的解释程度。商品类资产的 R 方低于债券和股 票，其中受益于通胀因子的解释能力，原油商品的 R 方远大于其他商品 类资产，而南华农产品的 R 方最低，这意味着农产品或受到其他因素的 影响。此外，黄金的解释度（R 方）几乎是除南华农产品外最低的，我 们认为主要是由于黄金的价格受到避险情绪影响较大，而避险情绪并不 在我们的因子体系中所导致。 至此，我们得到了大类资产与宏观因子间的定量关系，与传统的经济周 期理论、投资时钟理论等相互印证，可以进行更精细的量化建模分析， 这也是宏观因子体系的实际意义所在。

2.3. 第三步：确定因子的目标暴露

因子配置框架的第三步是确定资产组合的因子目标暴露。常见有三种方 法：一是针对投资机构的偏好、资金属性、投资目标等，直接设置一个 因子目标暴露，如 Bass 等（2017）对美国捐赠基金、美国养老保险、公 共福利支出计划三个投资组合直接进行因子配置的改进；二是以传统资 产配置模型生成的资产组合为基准，在此基准上结合主观宏观观点设置 一定的因子偏离，如 Blyth（2016）、Boudt（2013）等，本文采取此种方 法；三是将因子本身的风险和收益值代入风险平价、均值方差等资产配 置模型，通过最优化得到因子目标暴露，如牛晓健（2021）等。

2.3.1. 通过基准及主观偏离确定因子目标暴露

在实际投资中，进行资产配置时往往存在一个基准组合，投资者根据自 身对宏观经济的判断在基准组合的因子暴露之上进行主动偏离，以获取 超额收益。本文也采用这种基准+偏离的管理模式，以基准组合的因子暴 露为基础，每期调仓时根据投资者的宏观观点对基准组合的因子暴露进 行偏离，从而确定因子目标暴露。

（1）以恒定混合策略为基准

考虑股票、债券、商品、黄金、汇率五种大类资产，所使用的细分资产 类别及基准权重如下表所示。根据资产因子暴露值，可以滚动计算出资 产组合的因子暴露。

总体而言恒定混合策略通过均衡配置各大类资产，在宏观因子上的暴露 比较分散。对于利率因子有 0.3 以上的暴露（以绝对值计，下同），对于 增长因子、流动性因子有 0.2 左右的暴露，对于通胀因子和信用因子有 0.1 左右的暴露，对汇率因子的暴露较小。

（2）以风险平价策略为基准

作为对比，我们也尝试计算了风险平价策略的因子暴露水平，虽然在波 动率层面该策略做到了风险均衡配置，但是在宏观因子层面过多地暴露 于利率因子，暴露值的波动也比较大。为了后续进行因子暴露偏离计算 及相关展示，本文采取恒定混合策略作为我们的基准策略。

在获得每期的基准因子暴露后，根据投资者的宏观观点，我们对基准值 进行偏离，如若是认为接下来将是经济上行、通胀下行的宏观环境，则 我们增加组合对增长因子的暴露，减少对通胀因子的暴露，从而便得到 了资产组合的因子目标暴露。

2.3.2. 其他方法确定因子目标暴露

除了在给定基准暴露的基础上进行偏离外，还可以完全由主观判断指定 因子目标暴露，或者借鉴 MVO、风险平价等方法的思路，将因子暴露作 为优化目标，进行因子最优化来确定因子目标暴露，我们后续将对后者 进行研究。

2.4. 第四步：匹配因子的目标暴露

以资产的因子暴露矩阵为桥梁，我们可以计算资产组合的因子暴露；反 过来当给定了资产组合的因子目标暴露后，通过最优化求解的方式，叠加一定约束条件，我们也可以得到满足因子暴露目标的资产配置权重。 通过梳理海外文献，我们发现主要有两种广为使用的最优化框架，以下 分别称为 Blyth5最优化框架和 Greenberg6最优化框架。

3. 配置框架的实证效果分析

在上文中，我们已经完整地构造了一套基于宏观因子的资产配置框架， 在该框架下，我们可以很容易地将宏观观点转化为大类资产组合。由于 本文研究不包含宏观观点的生成，我们采用因子偏离进行实证分析，即 假设每期调仓时都有固定的宏观观点，对资产组合施加恒定的因子暴露偏离值，通过观察资产组合的超额收益与对应经济指标走势是否一致， 来评估框架的科学性。 假定组合对增长因子的目标暴露偏离为 0.05，即始终看多增长因子，如 果因子配置框架有效，则资产组合相比基准的相对收益应该与增长因子 的走势相吻合。增长因子上行意味着我们对宏观环境的预测是准确的， 此时资产组合通过额外的风险暴露应当获取正向的超额收益；增长因子 下行意味着对宏观环境的预测是错误的，此时对增长因子的额外暴露导 致组合跑输基准。 我们在每月月末进行资产因子暴露的计算，然后以 2.3.1 中的恒定混合 策略为基准，对各因子设置固定的暴露偏离值，从而得到因子目标暴露， 最后求解最优化框架即得到次月的资产配置权重。回测周期为 2010 年 2 月至 2023 年 5 月，调仓频率为月度调仓。

3.1. 因子偏离实证

分别对增长、通胀、利率、信用、汇率、流动性 6 个因子施加 0.05 的暴 露偏离值，来考察组合相对收益能否反应出宏观环境的实际变化。

（1）做多增长因子。我们计算了策略组合与基准组合在各个资产上偏离 权重的时序均值，可以发现策略组合主要减配了美元兑人民币、中债企 业债、南华农产品和中证 500，增配了南华工业品、沪深 300 和中债国 债。这意味着当投资者认为将发生经济增长上行时，通过因子配置框架 将仓位从对增长因子负暴露的美元兑人民币转移到对增长因子暴露较 高的沪深 300 和南华工业品，从而增加资产组合对增长因子的暴露；至 于中证 500 的仓位变动，可以认为是为了平衡其他因子暴露不变而进行 的调整。因子配置框架的目标是给定一个整体性的配置方案，只要求最 终的组合暴露符合目标，并不能保证每种资产的权重都按照主观逻辑进 行调整。

相对净值曲线代表了做多增长因子所带来的超额收益和损失，从相对净 值与增长因子的走势对比上看，做多增长因子的资产组合能够较好地反 映出宏观环境的实际变化。我们在量化建模的过程中使用的是高频化因 子，因此将相对净值与高频化增长因子进行对比，可以发现二者走势高 度一致，这意味着配置框架在建模层面的有效性；而由于在对宏观环境 进行预测时一般针对的是同比口径的原始因子，将相对净值与原始因子 进行对比，可以发现相对净值曲线也能较好地符合原始因子走势。

（2）做多通胀因子。从各资产的权重偏离值来看，组合主要减配了沪深 300、中证转债、中债国债和美元兑人民币，增配了中债企业债、南华工 业品、布伦特原油和中证 500。当投资者认为将发生通胀上行时，通过 因子配置框架将仓位从对通胀因子暴露较低的沪深 300 和中证转债转移 到对通胀因子暴露较高的南华工业品和布伦特原油，从而增加资产组合 对通胀因子的暴露。

（3）做多利率因子。从各资产的权重偏离值来看，组合主要减配了中债 国债和中证转债，增配了中债企业债和美元兑人民币。当投资者认为将 发生利率上行时，通过因子配置框架将仓位从对利率因子负向暴露较高 的中债国债转移到负向暴露较低的中债企业债，从而减少资产组合对利 率因子的负向暴露。

从相对净值与利率因子的走势对比上看，做多利率因子的资产组合能较 好对应实际利率的变化情况。相对净值与高频化利率因子、原始利率因 子的走势都较为相符。当利率上行时，做多利率的资产组合通过减少利 率债的仓位，正确地减少了在利率因子上的负向暴露，从而获取了相应 的超额收益；类似地在利率下行时，由于宏观观点误判导致组合跑输基 准。

（4）做多信用因子。从各资产的权重偏离值来看，组合主要将仓位从企 业债调至国债，同时减配了部分中证转债。当投资者认为将发生信用利 差上行时，通过因子配置框架将仓位从对信用因子负向暴露较高的中债 企业债和中证转债转移到负向暴露较低的中债国债，从而减少资产组合 对信用因子的负向暴露。

从相对净值与信用因子的走势对比上看，做多信用因子的资产组合在整 体趋势上能够对应实际信用的变化情况。信用因子上行意味着信用债的 相对吸引力下降，资产组合通过减少信用债的仓位而增加国债仓位，获 取了相应的超额收益；类似地在信用因子下行时，由于宏观观点误判导 致组合跑输基准。

（5）做多汇率因子。从各资产的权重偏离值来看，组合主要减配了沪金 和中证转债，增配了中债企业债和南华工业品。当投资者认为将发生汇 率上行时，通过因子配置框架减仓对汇率因子负向暴露较高的沪金，从 而增加资产组合对汇率因子的暴露。

从相对净值与汇率因子的走势对比上看，二者的相关性不如之前的几组 实验，对汇率因子进行主动管理较难做到像其他因子那样对应宏观环境 的变化。这是因为主要大类资产与汇率因子的关联程度都不高，暴露较 高的沪金本身定价逻辑复杂，被宏观因子所解释的程度仅 14%，而美元 兑人民币受政策影响较大。可以看到在 2014-2015 年我们的框架无法对 组合实现汇率因子的目标偏离，而当年组合的相对净值走势也大幅跑偏 汇率因子。在后续的研究中，可以考虑引入一些与汇率关联程度更高的 资产以提高组合的对冲能力。

（6）做多流动性因子。从各资产的权重偏离值来看，组合主要减配了沪 深 300、恒生指数和中债企业债，大幅增配了中证 500，这也符合流动性 趋松利好小盘股的常识。当投资者认为将发生流动性上行时，通过因子 配置框架将仓位从对流动性因子暴露较低的沪深 300 转移到暴露较高的 中证 500，从而增加资产组合对流动性因子的暴露。

从相对净值和流动性因子的走势对比上看，做多流动性因子的资产组合 能够较好符合实际流动性的变化情况。当流动性上行时，组合通过增配 小盘股获得了相对基准的超额收益，而在流动性下行时也因此跑输基准。

综上所述，我们通过因子偏离实证说明了本文构造的框架能够有效地将 宏观观点反映在资产配置权重上，对基准组合进行主动偏离从而适应宏 观环境的变化，通过承担不同因子的额外风险暴露获取超额收益。同时 在测试中也能发现因子配置框架的一些不足，对于汇率因子尚缺乏有效 进行对冲的资产，同时我们并不清楚因子暴露的量纲所代表的含义，由 于不同因子自身的风险特征不一致，调整同样的暴露值给组合波动率带 来的影响或有差异，这些将是我们未来改进迭代模型的思路。

3.2. 资产组合的宏观风险分解

因子配置框架除了可以用于将宏观观点落地为资产配置方案之外，还能 用于宏观风险分解，即进行资产组合收益的宏观风险归因。

（1）对各大类资产进行风险分解。对于股票类资产，增长风险和流动性 风险是最主要的风险来源，对于债券类资产，利率风险和信用风险是最 主要的风险来源。商品类资产的风险结构较为复杂，其中增长、通胀和 汇率都贡献了部分风险。从异质风险占比来看，商品类资产中的异质风 险普遍占比较高，这说明商品类资产的风险结构较为复杂，目前的宏观 因子体系或许不能较好解释其价格波动，而国债的风险结构最为清晰， 异质风险占比最少。

（2）对资产组合进行风险分解。分别对上文中的恒定混合策略和风险平 价策略进行宏观风险分解，可以发现恒定混合策略主要的风险来源是增 长、通胀和流动性，分别贡献了 17.82%、18.31%和 27.14%的组合风险； 而对于风险平价策略并不能做到因子层面上的“风险平价”，单是利率因 子就贡献了 54.19%的组合风险。风险平价策略的异质风险占比低于恒定 混合策略，二者分别为 26.27%和 34.81%，这是因为风险平价策略中占 较大比例仓位的国债具有更为清晰的风险结构。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）