基于動態(tài)宏觀事件因子的股債輪動策略

一、動態(tài)宏觀事件的構建邏輯宏觀擇時的常用方法當量化分析師嘗試使用宏觀數據構建模型對未來資產收益率進行判斷時一般有兩種方式：1）進行線性回歸擬合，將未來資產的收益率作為因變量，將宏觀數據作為自變量進行線性回歸通過回歸模型預期未來資產收益率或者漲跌方向2)構建事件驅動模型通過統計某類特定的宏觀事件發(fā)生時未來資產的漲跌情況從中篩選出勝率高的宏觀事件從而構建事件因子但是對于宏觀數據來說其與未來資產的收益率不一定呈現線性相關的關系,或者僅有弱相關性，例如圖表1中展示的PPI同比與全A收益率的相關性只有-0.1336，并沒有一個非常強的相關性，但是在某一時間段內，可能與資產收益率的相關性劇增，例如圖表2中紅框所框出來的部分。所我們希望使用構建宏觀事件的方式，去捕捉這類宏觀數據的顯著變化的時點，來輔助我們來做投資決。圖表1：全A與PPI同比的線性相關性相關性:相關性:-.13603萬得全萬得全次月收益010-.1-.2-.3-.4-0 -5 0 5 10 15PP同比，圖表2：全A與PPI同比的走勢7,0006,0004,0003,0002,0001,0000萬得全A點位 PPI同比(右軸)_逆序

-10-50510，動態(tài)事件驅動的優(yōu)勢傳統的事件驅動類策略的構建流程一般為使用樣本內時間段數據去測試事件的勝率和可靠性等等然后在樣本外長期沿用并不做任何改變或者說沒有一個完善的體系去規(guī)范樣本外該事件因子是否是持續(xù)有效使得投資者在樣本外的使用過程中無法很好的把控事件因子與資產收益率之間關系的變動例如圖表3中顯示的南華工業(yè)品指數同比與PPI同比的相關性，在2012年之前，南華工業(yè)品指數同比的走勢對于PPI同比有一定的領先性但是隨著時間的推移目前南華工業(yè)品指數同比基本對于PPI同比的領先性逐漸減弱。圖表4中，LME銅價與全A指數同比的走勢變化，也體現了同樣的結論。若我們不能及時把握數據與資產關系變化的話，很有可能滯后或者甚至做出錯誤的投資決策。為了一定程度上解決傳統事件驅動類策略的弊端本文嘗試構建動態(tài)事件驅動策略框架。將事件因子的評價環(huán)節(jié)包含在每期事件因子的選擇當中，動態(tài)選擇與資產走勢更相關的事件因子，解決樣本外因子的評價問題和動態(tài)因子優(yōu)選問題，使得投資者只需要關注于挑選更多有效的宏觀數據進模型中，提升模型的信息輸入就好。圖表3：PPI同比與南華工業(yè)品指數同比時滯關系的變化15105010PPI同比 南華工業(yè)品指:同比右軸)

1010806040200204060Wind，圖表4：全A同比與LME銅價同比時滯關系的變化30202010105005010萬得全A:月:同比 期貨官方價:LME3個月銅:同比右軸)Wind，二、宏觀事件因子構建框架及流程構建動態(tài)事件因子框架要考慮的關鍵點為了構建動態(tài)事件因子的框架，我們有幾個核心問題需要解決：1)確定使用哪類型的數據以怎樣的數據結構去搭建哪些的事件因子這第一個問題是我們找尋與資產收益率相關的宏觀數據并且構建能夠刻畫他們與資產關系的事件從而捕獲兩者之間的關系；確定篩選因子的指標：當我們用量化的方式去衡量大批量事件因子的好壞，無法人為的逐個用肉眼確認所以我們需要找到一些用哪類型的指標來篩選優(yōu)秀或者符合需求的事件因子；確定篩選因子的滾動時間窗口長度：當我們有了合適的篩選指標之后，用多長的滾動時間窗口去計算該指標來判斷事件因子的好壞也是一個我們需要決策的維度。確定最終選用因子的標:在我們將上述關鍵點都解決之后，我們只需要確認最終因子的篩選指標就可以完成整個事件因子計算和篩選的流程框架。在后續(xù)的章節(jié)2.2宏觀數據的選和23宏觀數據的預處我們將完成對于問題1的理解和處理方式，而章節(jié)2.4宏觀事件因子構我們會完成對問題2，3，4的解答。宏觀數據的選用關于數據方面我們本次報將經濟通脹貨幣和信用四大類的30余個因子包括PMI、PPISHIBORM1等數據納入了測試的范圍當中后續(xù)還可以對更廣泛的數據做進一步的測試。圖表5：經濟、通脹、貨幣和信用類指標數據分類指標名稱頻率數據發(fā)布時間制造業(yè)PMI月當月月末制造業(yè)PMI:生產月當月月末制造業(yè)PMI:新訂單月當月月末制造業(yè)PMI:新出口訂單月當月月末PMI:新訂單-PMI:產成品庫存月當月月末經濟工業(yè)增加值:當月同比月次月月中產量:發(fā)電量:當月值月次月月中消費者信心指數月次月月末固定投資完成額:第一產業(yè)月次月月中國債利差10Y-1M日當日收盤國債利差10Y-3M日當日收盤PPI:同比月次月月中通脹CPI:同比月次月月中PPI-CPI剪刀差月次月月中PMI:原材料價格月當月月末SHIBOR:隔夜日當日收盤SHIBOR:2周日當日收盤SHIBOR:1個月日當日收盤銀行間質押式回購加權利率:7天日當日收盤銀行間質押式回購加權利率:14天日當日收盤銀行間質押式回購加權利率:1個月日當日收盤銀行間質押式回購加權利率:3個月日當日收盤貨幣同業(yè)存單:1個月日當日收盤同業(yè)存單:3個月日當日收盤逆回購利率:7天-銀行間質押式回購加權利率:7天日當日收盤中美國債利差10Y日當日收盤中國國債美國TIPs利差:10年日當日收盤國開債國債利差:10年日當日收盤AA級企業(yè)債國債:10年利差日當日收盤中間價:美元兌人民幣日當日收盤M1:同比月次月月中信用M2:同比月次月月中M1-M2剪刀差月次月月中社會融資規(guī)模:當月值月次月月中社會融資規(guī)模存量:同比月次月月中金融機構:中長期貸款余額月次月月中Wind圖表6：事件因子構建流程圖宏觀數據的預處理對于數據的預處理方面，我們分了4個小步驟：對齊數據頻率我們將指標的頻率全部統一成了月頻的數據對于日頻數據的換頻操作上我們有兩種的處理方式第一種為取每月的最后一個交易日的數據作為當月的數據，或者是取月內日頻數據的均值作為當月的數據。填充數據缺失值對于由于數據公布時間不一致導致有些月份數據的缺失我們需要對其進行填充。這里我們采用的方式是取數據過去12個月指標的一階差分值的中位數疊加上一期的數值進行填充。??=??1+??????????12季節(jié)性調整和濾波處理這個步驟的處理需要看數據本身來確定因為有數指標對于資產的指示作用可能隱含在“噪音”當中，當我們做季節(jié)性調整或者濾波處理，可能會把這部分重要的信息給過濾掉效果反而不好所以此步驟需要結合數據判斷本文的研究嘗試用量化的形式通過同時構建數據的4種處理方式的因子最終篩選出更適合該指標的處理方:不做處理的原始數據b)做季節(jié)性調整的數據；c)做濾波處理的數據； d)做完季節(jié)性調整后再進行濾波處理的數據在季節(jié)性調整方面我們采用傳統的X13-ARIMA-SEATS方法對數據季節(jié)性調濾波處理方面為了使得每個時點的過濾后數據不包含未來信息并未采用傳統經濟分析常用的雙向HP濾:???????=∑ ????????.??=????(??).????1而是選擇使單向HP濾波，避免數據處理過程中隱含的未來函數。???????=∑ ????????.??=??????(??).????1數據格式變動根據對數據的理解不同的數據使用不同的數據格式使數據更能捕捉資產收益率變動方向。圖表7：數據格式的變動數據格式 解釋data_raw 原始數據data_YoY 數據的同比變化data_MoM 數據的環(huán)比變化data_diff 數據的差額變化data_MA12 數據的12個月移動平均data_diff_roll12_sum 數據的新增量的滾動12個月求和data_diff_roll12_sum_YoY 數據的新增量的滾動12個月求和同比變在做完4個步驟的數據預處理之后，我們進入事件因子的構建階段。宏觀事件因子構建關于事件因子的構建，我們將其拆解成7個小步:確定事件的突破方向通過計算經過預處理后的數據與資產標的下一期收益率的相關性，來確定事件的突破方向。當相關性為正相關時，我們對該數據構建正向突破(變動)的事件，反之則構建反向突(變動)的事件。確定數據與資產的領先滯后:我們在章節(jié)1.2動態(tài)事件驅動的優(yōu)中提及銅價同比與全A指數同比的領先關系，隨著時間的推移發(fā)生了變化，所以為了能動態(tài)識別數據與資產目前的領先滯后關系我們對數據衍生出滯后0-4期的事件因子然后通過篩選因子的指標來衡量，那個時滯期數下的事件因子更為合適。生成事件因子在本次的框架中我們構建了三類的事件因子包括數據突破數據均線數據突破數據中位數以及數據的同向變化并且給這些因子事件賦予了不同的參數，這樣一共構建了36個不同的因子事件。圖表8：事件因子的構建因子事件 參數數據突破數據均線 均線長度：2-12數據突破數據中位數 滾動窗口：2-12數據同向變動 同向變動期數:1-5圖表9：各類衡量指標介

在生成完所有的事件因子之后我們就可以進入對事件因子的評價和篩選階段但首先我們需要確定下用哪些衡量指標在圖表9種我們列了4種不同的衡量指標包:勝率、收益率勝率波動調整收益率和開倉波動調整收益率其中勝率只是考慮了該事件因子的開倉成功率而收益率勝率除了成功率之外還包含了盈虧比的信息相對是個更好的指標而波動調整收益率除了考慮前面提及的兩個因素外更融入了波動率的信息但是這個指包含不開倉時間段的信息導致不開倉時間長也可能有高數值但我們更想獲取的是開倉期間波動調整收益率更高的事件因子所以就有了第四個指標開倉波動調整收益率但是這個指標也有自身的問題就是如果數據期數較少的話可能計算的數值會較為敏感導致篩選出來的事件因子好壞不一所以該指標更適用于對長時間段的因子評價和篩選當中基于這些指標不同的特點，我們決定選擇用收益率勝率作為每期事件因子的篩選指標；用開倉波動調整收益率作為后續(xù)確定數據滾動時間窗口的指。事件因子衡量指標 指標構建 指標優(yōu)劣勢∑??1,??>0∑勝率 ?? ??∑??

，??為總開倉次數 只考慮指標成功率∑????,??>0收益率勝率

???? ????∑??|??

，??為總開倉次數 除了成功率，還包含盈虧比的信息事件因子衡量指標 指標構建 指標優(yōu)劣勢?? ∑?????? ∑??波動調整收益率

√1 ∑??(????)2

倉時間段的信息，導致不開倉時間長的事件也可能有高數值???1???? ∑?????? ，??為總開倉次數 綜合考慮指標成功率，收益率和波動率的信息，開倉波動調整收益率

√1 ∑(????)2

且重點關注開倉階段的信息，但是要求數據量大些???1?? ??因子事件初篩:確定好篩選指標之后我們對每期生成因子做個初步的有效性篩選。包括a)滿足t檢驗，能在95的置信區(qū)間內拒絕事件信號發(fā)出之后，下一期資產收益為0的原假設b)事件收益率勝>55;c)該事件的發(fā)生次>滾動窗口的時間期數/6。疊加事件因:在通過初篩選的事件因子當中，選擇收益率勝率最高的事件因子作為當期的基礎事件因子然后從剩余通過初篩選的事件因子中選出與基礎事件因子低于0.85的次高收益率勝率事件因子，將其與基礎事件因子進行疊加若疊加因子事件的勝率高于基礎因子事件則選用疊加事作為當期的事件因子反之則僅用最高勝率事作為當期的事件因子。若經歷了步驟4和5，當期沒有能通過篩選的事件因子，則本期該宏觀指標標記為空倉且當期不加入其歸屬的大類因子打分當中本質上這步實現了動態(tài)剔除低勝率的事件因子。確定評判事件的最優(yōu)滾動窗口在通過前6個步驟計算之后我們可以獲得該宏觀數據每期動態(tài)選出的事件因子并且基于每期事件因子給出的擇時信號獲得該宏觀數據的歷史凈值表現。然后我們對樣本內時間(2005年1月-2017年12月)的數據計算開倉波動調整收益率尋找對于不同宏觀數據最合適的滾動時間窗口對于滾動時間窗口的參數，我們測試了48，60，72，84，96個月時間維度。每個宏觀數據都通過對比不同時間窗口的開倉波動調整收益率來選出最優(yōu)參數。三、宏觀事件因子表現宏觀事件因子測試結果示例PPI同PPI代表著上游工業(yè)品價格而中國作為一個制造業(yè)大國工業(yè)品價格的回落能夠有效減緩中下游產業(yè)的成本壓力中下游企業(yè)的毛利率和營收得以提升推動實體經濟進行擴張增長對于PPI同比這個指標樣本期內最高開倉波動調整收益率的是用原始數據構建的48期滾動窗口，所以我們對這個指標使用這個參數。圖表10：PPI同比各情形樣本內時間段開倉波動調整收益率滾動窗口長度 原始數據 HP濾波 X13季節(jié)調整 X13-HP481.501.041.040.96600.87-0.100.870.07721.490.210.960.14840.420.200.670.31960.170.060.200.14圖表11：PPI同比事件因子擇時凈值 圖表12：PPI同比事件因子擇時表現 01/2005-11/2022 PPI同比 萬得全A 年化收益率 13.14 10.88 年化波動率 18.07 28.94 最大回撤 -21.21 -68.61夏普比率 0.71 0.46收益回撤比 0.62 0.16Wind， Wind，工業(yè)增加值同比：工業(yè)增加值代表著制造業(yè)生產數量的變化，是通過排除了產品價格變動的影(PPI包含的部)直接通過生產產品數據變化的角度來觀察經濟增長的情況。對于工業(yè)增加值同比這個指標樣本期內最高開倉波動調整收益率的是用經過X13季節(jié)調整后數據構建的72期滾動窗口，所以我們對這個指標使用這個參數。圖表13：工業(yè)增加值同比各情形樣本內時間段開倉波動調整收益率滾動窗口長度 原始數據 HP濾波 X13季節(jié)調整 X13-HP480.840.071.670.57601.020.631.310.61721.640.551.700.89840.680.460.970.91960.690.900.971.22Wind圖表14：工業(yè)增加值同比事件因子擇時凈值 圖表15：工業(yè)增加同比事件因子擇表現 01/2005-11/2022工業(yè)增加值同比 萬得全年化收益率 10.14 年化波率 14.34 28.94最大回撤 -28.70 -68.61夏普比率 0.66 0.46收益回撤比 0.35 0.16逆回購利:7天-銀行間質押式回購加權利:7天:MA20逆回購利率是央行政策操作利率銀行間質押式回購加權利率市場的交易利率該差值擴大說明銀行間市場資金流動性在變寬松反之流動性則在逐步收緊過程通過這個指標我們可以觀測整體市場的流動性是偏寬松還是偏緊的對于這個指標來說樣本期內最高開倉波動調整收益率的是用原始數據構建的96期滾動窗口，所以我們對這個指標使用這個參數。圖表16：各情形樣本內時間段開倉波動調整收益率滾動窗口長度 原始數據 HP濾波 X13季節(jié)調整 X13-HP481.410.210.600.5860-0.120.10-0.260.79720.420.941.041.44滾動窗口長度 原始數據 HP濾波 X13季節(jié)調整 X13-HP84961.871.001.50 1.392.700.540.941.19Wind圖表17：逆回-銀行間質押式回購利因子擇時凈值 圖表18：逆回購-銀行間質押式回購利因子擇表現逆回購利率-銀行間質2 01/2005-

押式回購加權利

萬得全A年化收益率 14.23 10.8886 年化波動率 17.34 28.944最大回撤 -25.62 -68.6120夏普比率 0.78 0.460萬得全A 逆回購利率天-銀行間質押式回購加權利率天M

收益回撤比 0.56 0.16Wind Wind最終篩選的宏觀因子最后我們通過計算樣本內時間2005年1月-207年1230余個宏觀數據構建的事件因子的開倉波動調整收益率，挑選出了樣本內表現較好的11個因子，我們將其列在了圖表19當中，并且說明了每個數據的數據格式、數據處理方法和對應的滾動窗口期我們將這11個因子分成了兩大:經濟增長和貨幣流動性經濟增長包含經濟通脹和信用三者都是不同維度描述經濟的運行情況另外將貨幣類的指標單獨劃分成一類用來刻畫市場的流動性。圖表19：最終篩選的宏觀因子因子分類因子名稱數據處理方法滾動窗口M1:同比原始數據84PPI:YoY原始數據48經濟增長PPI-CPI剪刀差X1348工業(yè)增加值同比X1372國債利差10Y-1M原始數據84產量:發(fā)電量:當月值:MA3:環(huán)比X13-HP84M1-M2剪刀差HP72中美國債利差:10年原始數據84貨幣流動性中國國債美國TIPs利差:10年X1396銀行間質押式回購加權利率:7天原始數據48逆回購利率:7天-銀行間質押式回購加權利率:7天:MA20原始數據96四、擇時與股債策略表現宏觀事件因子擇時策略構建在選定了最終使用的宏觀指標之后我們使用這些宏觀數據構建的宏觀事件因子來搭建擇時策略我們定義當大類因子內部的細分因子大于2/3的因子發(fā)出看多信號則當期該大類因的信號標記為1當大類因子內部的細分因少于1/3的因子發(fā)出看多信時，則當大類因信號標記為0若當大類因子內部的細分因發(fā)出看多信的比處于兩個區(qū)間之后則大類因子標記對具的比例最后我們將兩個大類因子的得分取平均值，合成最當期的股票倉信。圖表20：擇時策略倉位確定流程圖圖表21和圖表22展示的是該宏觀事件因子擇時策略的表現從2005年1月至2022年11月年化收益率為18.73，同期全A指數為10.88，相對Wind全A有約8的年化超額收益該擇時策略在波動率端也有比較好的表現年化波動率由指數原來的波動率下降到了15.17最大回撤明顯下降從指數的68.81下降到了13.77比率上升到了1.13。圖表21：宏觀事件因子擇時策略凈值2520151050股票擇時 wind全AWind，圖表22：宏觀事件因子擇時策略表現01/2005-11/2022股票擇時Wind全A年化收益率18.7310.88年化波動率15.1728.94最大回撤-13.77-68.61夏普比率1.130.46收益回撤比1.360.16Wind (注：該策略表現未包含交易費用)當我們從圖表23中觀測擇時策略的逐年表現中可以發(fā)現，該策略主要是通過在股指出現回撤的階段控制住下行波動獲取明顯的超額收益在股指上行階段也盡可能的獲取正收益但無法獲取比股指收益更高的收益這一方面是由于擇時策略整體的股票平均倉位較低僅有約40導致的另外也反映了單純通過月頻宏觀因子的擇時很難獲取微觀結上的擇時高收益，需要有其他維度的數據進行補充。圖表23：宏觀事件因子擇時策略逐年收益2000%1000%1000%5.0%00%5.0%10.0%時 indA 超額收右)，圖表24：宏觀事件因子擇時策略股票倉位10%10%8%6%4% 2%0%股票 股票平均倉位圖表25：近期細分因子信

，另外，我們也在圖表25中，列出了近期各細分因子的擇時信號圖表中的N/A則是代表著該因子在當期沒法篩選出符合篩選條件的事件因子所以做了空倉處理在當期的大類因子合成信號打分當中則會將其剔除出打分的計算從而達到動態(tài)篩選優(yōu)秀的宏觀事件的效果另外，11月的擇時倉位是30，而12月由逆回購:7天-銀行間質押利:7_MA20事件因子的轉向，使得整體的擇時倉位上升到了50。大類因子 細分因子2022/8/312022/9/302022/10/312022/11/302022/12/31M1:同比1N/AN/AN/AN/APPI:同比00001PPI-CPI剪刀差經濟增長工業(yè)增加值同比1011010101國債利差10Y-1M11N/A1N/A產量:發(fā)電量:當月值_MA3:環(huán)比00011M1-M2剪刀差貨幣流動性中美國債利差10Y10N/A0N/A0N/A0N/A0中國國債美國TIPs利差:10年00000銀行間質押利率:7天0N/A000逆回購:7天-銀行間質押利率:7天_MA2000001宏觀事件因子的風險預算配置策略構建另外我們也嘗試了使用擇時策略中獲得的股票倉信息搭配風險預算模型來構建不同風險偏好的股債輪動策略。這里我們使用全A指數作為股票資產，中債綜合財富總值指數作為債券資產來搭建股債輪動的模型。在此之前，我們測試了基于兩(486個交易日)滾動窗口期計算協方差矩陣的不同權益風險貢獻度下的風險預算模型。圖表26中展示的是不同權益貢獻度下的風險預算策略凈值，而圖表27中展示的對應權益風險貢獻度下策略所配置的權益?zhèn)}位權重變化可以看到由于債券資產的高夏普導致權益類資產需要獲得非常高的風險貢獻度才能夠提升權益的倉位占比。圖表26：不同權益風險貢獻度的風險預算策略凈值400350300250200150100050000權益貢獻度:60% 權益貢獻度:90% 權益貢獻度:95% 權益貢獻度:98% 權益貢獻度:99%，圖表27：不同權益風險貢獻度的風險預算策略的權益?zhèn)}位變化8.0%7.0%6.0%5.0%4.0%3.0%2.0%1.0%00%度:60% 度:90% 權益貢獻度:95% 權益貢獻度:98%Wind，根據測算不同權益風險貢獻度下的權益權重數據我們構建了三類不同風險等級的股債輪動模:進取:基于章節(jié)4.1構建的股指擇時模型來搭建股票倉位變動范圍0-100使股指擇時模型的股票倉位作為策略的股票倉位，剩余的倉位分配給債券。穩(wěn)健:基于風險預算模型來搭建，每期權益的風險貢獻度為90-100，具體的變數=90+(100-90)*股指擇時模型股票倉。保守:基于風險預算模型來搭建每期權益的風險貢獻度為60-90具體的變動值=60+(90-60)*股指擇時模型股票倉位。圖表28和圖表9中展示了這三類配置策略和基準的股債64組合未考慮交易成本的表現，回測期從2005年1月至202年1月期間保守，穩(wěn)健和進取三策略年化收益率分別為6.26，11.96和22.44，同期股債64年化收益率為9.25，穩(wěn)健和進取型從收角度都穩(wěn)穩(wěn)跑贏基準保守型雖然收益沒有跑贏但是波動率最大回撤和夏普率都是4者里面最高的適合風險偏好較低的投資者而其他兩個風險偏好的策略也同樣在各維度上表現優(yōu)于基準。圖表28：宏觀事件因子配置策略凈值8 407 356 305 254 203 152 101 50 0股債64 保守 穩(wěn)健 進取右軸)Wind，圖表29：宏觀事件因子配置策略表現01/2005-11/2022股債64保守穩(wěn)健進取年化收益率9.256.2611.9622.44年化波動率17.243.398.7114.94最大回撤-46.24-3.55-6.77-13.72夏普比率0.531.461.211.36收益回撤比0.201.761.771.64Wind配置策