2024年数量化专题：基于宏观超预期状态的行业配置策略

1. 引言

宏观经济数据的真实值与市场预测值之间的差异（超预期量）可能影响投资 者的决策，从而影响资产价格。 本文内容如下：第一，本文收集了 22 个宏观预期指标。第二，我们对数据 进行了简单的分析，将 Wind 和彭博两大数据提供商的预期数据进行了比对。 第三，我们定义了各宏观指标的超预期状态，共分六种状态，每种状态内部 又涉及多组参数，以此来遍历指标的参数空间，整体评估指标对资产价格的 影响。第四，对于测试表现不合常识的指标，我们从逻辑出发对其作用方向 进行了调整。最终，我们得到了各指标在各种状态下对于各个行业的重要性 得分，并据此构建了宏观超预期视角下的行业打分与量化投资策略。

2. 构建宏观超预期量

2.1. 选择预期数据

第一步是收集宏观指标的真实值与预测值数据。彭博和万得是中国宏观经 济一致预期数据的两大主要提供商。在宏观经济数据公布之前，彭博和万得 会收集经济学家的研究报告或通过调查问卷获取预期数据，并将这些结果 汇总生成宏观一致预期数据。

（1） 数据来源

Wind 的宏观预期数据主要来源于国内券商的首席经济学家和券商研究所 的宏观首席分析师，其预期数据基于这些机构撰写的研究报告中的预测数 据，并通过计算预测值的平均值得出。

相比之下，Bloomberg 的宏观预期数据主要来自外资银行或外资券商的经济学家。除了提供预测的平均值、最小值和最大值外，Bloomberg 还额外收 录了预测的中位数和预测标准差。

（2） 数据更新机制

Wind 和 Bloomberg 的数据更新时间不定，通常取决于重大的金融机构预 测报告的发布频率和数据更新周期。尽管如此，Bloomberg 会在重要经济数 据发布前及时更新预期数据，以确保用户能够获得最新的信息。彭博定期更 新中国宏观经济预测数据，通常每周发布一次摘要表，展示对关键经济指标 的中位数预测。这些指标包括 PPI 同比增长率、工业增加值同比增长率、固 定资产投资累计同比增长率和 M2 同比增长率等。

2.2. 处理发布日期

关于宏观经济指标真实值的发布时间，目前国内的 Wind 和 iFind 只能提供 最近的更新时间，无法查询历年的具体发布时间记录。彭博可以通过 Excel 插件进行读取。结果显示，大多数指标集中在以下时间段发布。

需要注意的是，由于彭博终端提供的宏观经济指标发布时间基于美国时间 （ECO_RELEASE_DT），与中国时间存在 12 小时的时差，因此在北京时间中午 12 点前公布的指标，其美国时间记录需要做+1 天的调整，以确保反 映实际的中国发布时间。

2.3. 分类宏观经济指标

最后，基于 Wind 和 Bloomberg 我们选择如下 22 个宏观经济指标，大致可 以分成 10 大类： (1) 经济:财新制造业 PMI、财新服务业 PMI、 中采非制造业 PMI (2) 失业率：城镇调查失业率(%) (3) 通胀：CPI 同比(%)、PPI 同比(%) (4) 利率：LPR1 年(%)、LPR5 年(%)、MLF1 年(%) (5) 信用：M1 同比(%)、M2 同比(%)、新增人民币贷款(亿元)、社会融资规 模(亿元) 、MLF1 年贷款金额(亿元) (6) 工业：工业增加值同比(%) (7) 消费：社会消费品零售总额同比(%) (8) 投资：固定资产投资完成额累计同比(%)、房地产开发投资完成额累计 同比(%) (9) 进出口：进口同比(%)、出口同比(%)、贸易差额(亿美元) (10) 外汇储备：外汇储备(亿美元)

需要说明的是，由于 Bloomberg 的预测精度高于 Wind，且提供的预测值指 标更丰富，所以预测值主要以 Bloomberg 为准，若 Bloomberg 缺失预测值， 如贸易差额(亿美元)则以 Wind 为准；表中的有效数据代表真实值、预测值 和发布日期都存在。

这个箱线图展示了不同宏观经济指标在每个月中的发布天数分布情况。财 新服务业 PMI 和中采非制造业 PMI 发布时间主要集中在每个月的月末和月 初，通常在 1 号、30 号和 31 号，显示出它们较为固定的发布规律；CPI 同 比和 PPI 同比发布主要集中在 9-14 号，不过，图中也显示了一些离群点， 说明偶尔会有不同于常规的发布天数；财新制造业 PMI，在图中以灰色带 状显示，箱体（IQR 范围）特别宽，说明其发布时间的不确定性较强。

2.4. 计算超预期量

构造宏观超预期量=宏观真实值-宏观预期值。 以社会融资规模(亿元)和财新服务业 PMI 为例，其真实值普遍高于预测值， 超预期量大部分时间为正值。这表明市场在预测社会融资规模时相对保守。 相比之下，财新服务业 PMI 的超预期量则呈现出正负交替的特点。

3. 构建宏观超预期投资模型

3.1. 定义指标状态

我们将超预期量的当前情况划分为六种状态，分别为超（低于）预期、连续 超（低于）预期、边际状态、趋势状态、绝对高低和反转。 （1）超（低于）预期状态：实际发布值大于预期值（即超预期量大于 0） 即为超预期；实际发布值小于预期值（即超预期量小于 0）即为低于预期。 （2）连续超（低于）预期：连续多期超（低于）预期。 （3）边际状态：比较当期与上一期超预期量的大小来判断超预期量是上升 还是下降。 （4）趋势状态：使用差分确定超预期量的变化趋势，当超预期量的变动值 连续多期大于 0，认为真实值相对预测值有上升趋势；当超预期量的变动值 连续多期小于 0，认为真实值相对预测值有下降趋势。 （5）绝对高低：使用滚动窗口计算当前值在过去一段时间内的分位数水平。 如果当前值处于高分位（如 0.9、0.95、0.99），且超预期量大于零，则为大 幅超预期；如果处于低分位（如 0.1，0.05，0.01），且超预期量小于零，则 为大幅低于预期。 （6）反转状态：如果超预期量连续两期低于预期而后一期超预期，则记为 正向反转；如果超预期量连续两期超预期而后一期低于预期，则记为负向反 转。

以 MLF 1 年利率为例，在 2022 年至 2024 年整体处于超预期状态，尤其在 2022 年 5 月和 2024 年 2 月，超预期量达到了高峰，仅仅出现 4 次低预期状 态，这表明 MLF1 年利率在这两年普遍被低估。

3.2. 确定指标方向

宏观指标对行业的影响方向往往难以确定，若单从逻辑进行判断，则可能既 有正向的逻辑也有反向的逻辑。比如利率对银行盈利的影响，降低利率时银 行贷款的收益率下降，是反向逻辑；但降低利率可能导致贷款量增加，是正 向逻辑。因此，本文以数值测试得出的实验方向为主，并以逻辑常识进行修 正，最终确定指标方向。

3.2.1. 计算实验方向

我们通过“参数-状态-指标”逐层确定了宏观经济指标在各个申万一级行业 下的实验方向，步骤如下：

我们要求各个状态的触发次数至少为 5 次，但对于时间段较短的宏观 经济指标（如“MLF1 年(%)”等），设置了较低的触发阈值（3 次）。 这是因为触发次数过少会削弱胜率和盈亏比等统计指标的有效性。

计算各组参数下的胜率、盈亏比和平均收益等指标，采用投票的方式 确定参数方向。若正向参数优于负向参数，则将该参数组的方向标记 为 1；反之标记为-1；若无显著差异，则标记为 0。

在获得各参数的方向后，使用投票法得出状态的实验方向，再投票得 出指标的实验方向。 以社会融资规模和通信为例，首先筛选出正、负状态触发次数大于等于 5 的 参数组合，计算该行业在这些参数状态触发时绝对收益和相对收益的胜率、 盈亏比及平均收益。接着，通过对比胜率、盈亏比及平均收益得出其方向 1 和-1；在同一参数组合中，通过比较 1 和-1 的比例来确定参数方向。接着， 在相同的状态类型下，根据参数方向比例确定状态方向；最终，综合各状态 方向得出指标的实验方向。社融对于通信影响的实验方向最终确定为正向。

3.2.2. 确定最终方向

在标定最终方向时，以实验方向为主，然后判断实验方向是否明显不符合常 识或逻辑。如果实验方向与逻辑明显冲突，则将该实验方向的结论修改为符 合逻辑的方向；如果实验方向的结果不合逻辑，且逻辑方向并不明显，则将 最终方向设置为 0，即对该行业不使用该指标。对于符合逻辑的实验方向则 不做调整。

3.3. 计算行业得分

我们首先统计了各指标、各状态下的触发参数组数占比，把它作为该状态的 触发得分，以状态得分作为权重进行相乘，得到各行业在每个宏观经济指标 上的加权得分。随后，通过对所有宏观指标得分取均值得到各行业的综合得 分。 行业得分大多集中于 15-30 分之间。得分越高，该行业在半个月内的超额收 益和胜率越高。得分在 23-30 分的行业的平均月超额收益为 1.1%，胜率为 56%。

截至 2024 年 11 月 20 日，电子、机械设备、综合、家用电器和计算机的得 分较高。

4. 策略回测：降低参数优化层次以减小过拟合嫌疑

每半个月调仓一次，调仓时间为每月的首个交易日和 14 号之后的第一个交 易日。在每个调仓日，根据行业得分从高到低进行排序，选取得分最高的前 5 个行业作为目标行业，并按照得分进行配权，构建投资组合。回测基准为 申万一级行业等权，回测时间为 2010.1.1-2024.10.31。 Top5 行业策略年化超额收益率达到 19.20%，累积超额收益曲线稳定上行， 换手率为双边年化 23.70 倍，胜率为 58.15%。模型得分对行业的未来收益 具有一定的区分能力，排名越靠后的组合的收益越低。Top6-10 组合的年化 超额降至 10.31%，Top26-31 降为-9.77%。

模型中参数的层次从细到粗为“参数组-状态-指标”，上一节为使用状态得 分进行加权的结果。为了降低模型的过拟合嫌疑，将层次从状态层面降至指 标层面，使用指标得分而非状态得分，最后甚至指标得分都不使用而直接采 取指标间等权进行测试。 降低了参数拟合的程度之后，模型仍有一定的超额收益，说明模型较为有 效。从 Top5 组合的表现来看，从状态得分加权下降至使用指标得分，其年 化超额从 19.20%降至 14.84%，年化双边换手为 23.34 倍，胜率为 55.34%； 若再降至使用指标间等权，则年化超额降至 6.14%。即使是拟合程度最低的 指标间等权策略，也仍具有一定的超额收益，这说明模型较为有效。

将指标得分加权策略的调仓频率调整为每个月 1 次，调仓时间为每个月 15 号之后(包含 15 号）， 年化超额收益率从 14.84%下降至 12.30%，双边换手 也降至 17.7 倍。

5. 总结

宏观经济数据的真实值与市场预测值之间的差异（超预期量）可能影响投资 者的决策，从而影响资产价格。我们从 Wind 和 Bloomberg 收集了 22 个宏 观预期指标，共分为 6 类。Bloomberg 在多数指标上的预测准确度更高。 我们将超预期量（真实值-预测值）划分为六种状态，分别为超（低于）预 期、连续超（低于）预期、边际状态、趋势状态、绝对高低和反转。每种状 态内部又涉及多组参数，以此来遍历指标的参数空间，整体评估指标对资产 价格的影响。以 MLF 1 年利率为例，在 2022 年至 2024 年整体处于超预期 状态。 宏观指标对行业的影响方向往往难以确定，若单从逻辑进行判断，则可能既 有正向的逻辑也有反向的逻辑。比如利率对银行盈利的影响，降低利率时银 行贷款的收益率下降，是反向逻辑；但降低利率可能导致贷款量增加，是正 向逻辑。因此，本文以数值测试得出的实验方向为主，并以逻辑常识进行修 正，最终确定指标方向。

根据各组参数的回测结果，我们得到了各指标对于各行业的重要性得分。以 钢铁为例，固定资产投资、房地产开发和工业生产等对其较重要。例如， LPR1 年、LPR5 年等利率类指标得分较高，表明钢铁行业对融资成本的变 化较为敏感；同时，制造业 PMI 和工业增加值同比得分较高，反映了经济 扩张和制造业活跃对行业需求的正向带动。 使用指标得分加权，我们可以计算各行业的得分。半个月调仓一次，得分 Top5 行业组合年化超额收益率为 14.84%，超额收益较为稳定。该策略的年 化双边换手为 23.34 倍，胜率为 55.34%。此外，采用指标间等权的简单策 略年化超额为 6.14%，虽然收益有所降低但仍然存在超额，这说明模型的过 拟合风险可控。截至 2024 年 11 月 20 日，电子、机械设备、综合、家用电 器和计算机的得分较高。

编辑：火腿肠