2026年中银宽基指数定量配置系列专题（二）：宏观因子优选风格配置策略

研究背景及模型框架

（一）风格与指数选择

宏观因子资产化：基于经典经济学逻辑，根据宏观变量的变化对“成长/红利”（高/低估值）、 “大/小盘”两组风格的占优情况进行综合研判并生成信号，构建以“中证红利”、“创业板指”、“上 证 50”、“中证 1000”为标的池的宽基指数策略，并在信号生成后及时调仓。 风格选择：A 股股指核心风格主要包含高/低估值、大/小市值、动量/反转三个维度，动量/反转风格 因暂无对应 ETF 的指数而未被纳入模型。 指数选择：综合多数机构投资者的投资白名单范围，高/低估值维度选择以创业板指数、中证红利 指数分别代表成长、红利风格；大/小市值维度选择使用中证市值指数，以平均市值最大的上证 50 指数代表大盘风格，平均市值较低的中证 1000 指数代表小盘风格。（中证 2000 指数因未被纳入部 分机构投资白名单而未被选入指数池）

（二）策略核心步骤

宏观因子资产化框架可以概括为三个核心部分：“宏观单因子构建 宏观交易逻辑净值化 因子 动态优选与复合”。

（三）信息时效性：传统宏观建模 vs 中银宏观因子 PIT 方法

以 2025 年 10 月一系列宏观数据披露流程为例，对比传统宏观与中银宏观 PIT 建模法： 传统宏观建模常用的方法是将每月所有宏观数据统一滞后 1-2 个月，用于未来信号预测； 中银量化方法：精准获取宏观数据并于披露日当日进行实时建模，14:00 之前发布数据形成的信号 以当日收盘价交易，14:00 之后发布数据形成的信号在次日以收盘价交易。

（四）经济数据发布日历：基于万得数据库方法

宏观数据发布日历官方查询途径：统计局数据可从官网查询具体发布日期和时间，但实际时间可能 会调整；央行数据则较难提前知晓，且月度与季度重要数据通常在盘后时间公布。 万得宏观发布日历查询途径：通过“万得 宏观 信息速览 全球经济日历”路径查询，即可获 取各类宏观指标的精确发布日期与时间。

（五）传统建模的局限性（基于宏观因子对资产收益进行预测）

传统宏观因子对资产预期收益预测的方法论：通常使用中长周期窗口滚动线性或非线性时序法进行 预测。考虑宏观因子常为月度低频指标，为实现统计结果的稳健性，用于建模的历史样本常需要 5 年甚至更长周期。以滚动窗口线性时序建模为例，限于时序样本有限且宏观因子种类众多，技术上 常采用 Lasso 或 ElasticNet 等方法进行特征优选，再通过“滚动窗口样本内特征与参数估计寻优， 逐期进行样本外预测”的模式实现； 关于传统模型方法论的局限性： 传统建模的底层假设为：过去 n 年宏观与资产预期收益的映射关系在未来保持一致；现实中资产收 益受货币政策、财政政策、国际关系等因素影响，上述假设本质是要求宏观政策制定者在理念与管 理模式上与过去 n 年保持一致。对于发展模式快速切换的情景，该假设显然不够合意； 在模型估计上，如果预测时点与历史宏观管理周期不一致甚至政策理念相反，则模型预测误差将显 著增大，这也是模型重大风险来源之一。

宏观单因子构建

（一）宏观指标选择

基于经典风格研判框架，对“大/小市值”、“高/低估值”两组风格轮动有关的宏观因子可从[1]经 济增长、[2]通货膨胀、[3]货币与信贷政策三个维度进行挖掘。

（二）因子库计算

宏观因子标准化构建：模型从[1]指标原值、[2]趋势动量、[3]均线斜率和[4] 均线偏离度四个维度批 量化构建单因子，逻辑简单且效果相对较优。 因子值>0 趋势向上；因子值＜0 趋势向下。

各类因子库构建逻辑：通过纳入趋势动量、均线斜率、均线偏离度三种衍生因子提升备选因子库的 丰富度。各因子大类存在因子数量不均衡的现象，后续按照因子大类分层优选因子时，需要考虑各 类因子抽取的数量如何分配。 以“经济增长库”为例解析因子库数量合计原理：指标原值仅包含同比或环比指标，由于经济增长 类原始指标中不包含同比、环比类指标，因此经济增长类因子中 “指标原值”数量为 0；基于图表 5 中展示的 15 个 PMI 子类指标，可以基于 6 个不同周期生成 90 个趋势动量指标；同理基于 5 个不 同周期可以生成 75 个均线斜率和均线偏离度指标，因此经济增长库一共包含 240 个单因子。

（三）风格优选的因子信号逻辑设定

宏观指标对应风格轮动研判框架：从定量角度，尽可能简化单一指标对两组风格轮动的研判逻辑。 同一逻辑适用于所有因子计算方式（原值、趋势动量、均线斜率和均线偏离度）。