宏观经济因子区分及数据框架 [page::3][page::6]

• 区分五个宏观经济风险因子（TERM、MARKET、USD、OIL、DEF）与四个宏观经济状态变量（CLI、G7.INFLATION、G7.Short.Rate、VIX）。

- 使用多资产回报及多因子风险平价模型，涵盖股票、债券、信用和商品四类资产大类。

因子风险平价方法及分散化表现 [page::4][page::5][page::8]

• 采用最小线性扭矩（MLT）及Choleski分解两种方法实现宏观因子正交和因子风险平价组合构建。

- 模拟投资组合展示了不同因子对各资产的典型暴露关系，宏观风险因子组合能较好分散资产风险。

• 结果显示宏观经济风险因子能解释资产收益波动超过50%，且MARKET和TERM因子贡献显著。

投资组合收益及风险指标对比 [page::12][page::13]

| 策略 | 平均年收益(%) | 年化波动(%) | 夏普比率 | 最大回撤(%) | 有效押注数量(ENB) |
|--------------|---------------|-------------|---------|------------|-----------------|
| FRP 5RF Opt | 5.10 | 6.62 | 0.77 | 17.5 | 5.00 |
| FRP 5RF LO | 3.60 | 5.92 | 0.61 | 18.43 | 3.85 |
| FRP 4SV Opt | 3.43 | 5.13 | 0.67 | 13.62 | 2.81 |
| FRP 4SV LO | 3.20 | 4.37 | 0.73 | 10.67 | 2.14 |
| 最小方差 | 2.34 | 3.69 | 0.63 | 10.76 | 2.57 |
| 等风险贡献 | 2.90 | 4.49 | 0.65 | 14.52 | 2.52 |
| 等权重 | 3.40 | 6.48 | 0.52 | 26.47 | 1.82 |

• 五因子风险平价组合收益最高但最大回撤也较大，四状态变量组合风险及回撤表现最佳，适合稳健配置。

动态宏观因子配置及状态依赖性分析 [page::15][page::16][page::17][page::18]

• 采用马尔可夫切换VAR模型识别不同宏观经济状态，状态1为正常，状态2为高波动经济环境，状态识别清晰且与NBER衰退期吻合。

• 高不确定性时期宏观风险因子相关性升高，五因子组合分散效果下降，四状态变量组合表现稳健，实现更低回撤与更好风险调整收益。

- 资产类别间相关性在经济状态变化中表现出差异，风险因子相关性是驱动因素。

稳健性检验与数据延迟影响 [page::19]

• MLT与Choleski分解结果致，表现稳健一致。

- 调整延迟和实时数据（CLI vs PMI）略有影响，但总体框架稳健可靠。

总结 [page::20]

• 资产回报受长短期宏观因子共同驱动，五宏观风险因子面临经济逆境时分散能力下降，四宏观经济状态变量因子可有效提升组合上行空间和风险管理。

- 因子风险平价结合宏观变量动态调整是分散大类资产风险、更好捕获宏观溢价的有效路径。[page::0][page::4][page::20]

对《均衡配置宏观经济因子：分散效果如何？——“学海拾珠”系列之一百六十五》报告的详细分析

---

1. 元数据与报告概览

• 报告标题：均衡配置宏观经济因子：分散效果如何？——“学海拾珠”系列之一百六十五

- 发布日期：2023年11月8日

• 发布机构：华安证券研究所

- 主要分析师：炜（执业证书号S0010520070001），吴正宇（执业证书号S0010522090001）

• 主题：围绕宏观经济风险因子和宏观经济状态变量的资产配置与分散化效果，探究在不同经济环境下，均衡配置这两类因子的风险和收益表现及其相互比较。

报告核心论点

报告区分了两类关键宏观经济变量：

• 宏观经济风险因子（五个）： 作为风险的主要来源，解释了超过50%的月度组合回报变化。

- 宏观经济状态变量（四个）： 被视为预期回报的最终长期来源，驱动资产回报时间序列的共同变动。

结论指出，均衡配置宏观经济风险因子通常有较强的风险分散潜力，但当经济环境恶化时，这些因子的相关性增加，导致较大回撤。相比之下，基于宏观经济状态变量的配置虽然整体波动较低，但拥有更大的上行潜力和较好回撤控制能力，能有效提升风险调整收益。

该报告旨在通过实证分析、模型搭建及动态状态识别，探索宏观因子的风险管理作用和投资组合构建方法，同时强调在不同经济周期下宏观因子的表现差异及其对投资组合性能的影响。[page::0], [page::3]

---

2. 逐章深度解读

2.1 引言与研究背景

• 作者首先指出，熊市环境下传统大类资产的相关性升高，导致传统资产类别风险策略失效，无法有效分散风险。

- 对比资产回报，宏观因子作为资产回报的主要驱动因素，能更有效管理投资组合风险。

• 文献综述强调现有研究如何定位宏观因子及其对资产配置的影响，包括Bass et al.（2017）、Brooks（2017）、Urczenko和Teiletche（2019）等。

- 数据构建上，五个宏观风险因子包括市场溢价、期限利差、美元指数、石油价格和信用风险溢价；四个状态变量包括经济产出缺口、通胀、利率风险和波动率（VIX）。

• 研究采用因子风险平价（FRP）组合构建框架，追求对正交宏观因子的均衡风险分配，结合基于VAR模型的递归识别方式和马尔可夫切换模型刻画状态依赖风险溢价。[page::3], [page::4]

2.2 因子风险平价模型构建

• 最小线性扭矩（MLT）法：对原始宏观因子做线性变换实现正交因子，计算投资组合权重。模型解决了因子间的相关性问题，且允许构建模拟因子投资组合，尽管实务中需考虑空头及杠杆限制。基于此，本文设计了无约束优化（FRPOpt）与仅多头且有限制（FRP LO）两类组合。

• Choleski分解法：用于对宏观经济状态变量（产出、通胀、利率和波动率）构造VAR模型，通过递归识别实现冲击正交化，以期获得更纯粹的宏观冲击识别，进而估计因子载荷和权重。这一方法依赖递归顺序，但经济变量的选择合理，减少识别误差。
• 作者将上述两种方法应用于不同组别的宏观因子，验证其在投资组合构造上的效果与实现可能性。[page::5]

2.3 数据描述

• 资产样本分布于股票、政府债券、信用债和大宗商品四大类，覆盖标准普尔500、MSCI EAFE、新兴市场、Russell2000、全球政府债券、信用债和大宗商品指数。

- 宏观风险因子具体介绍：
- MARKET：以MSCI World指数衡量的全球股票市场回报，代表财富效应。
- TERM：全球10年期与3个月国债收益率差的变化，反映期限结构变化和货币政策冲击。
- USD：美元贸易加权汇率指数，量化汇率风险。
- OIL：WTI原油价格指数，作为供需和通胀冲击代理。
- DEF：信用风险度量，即公司债券违约价差。

• 宏观状态变量:

- 产出缺口（CLI指标）
- 通胀（CPI推动）
- 短端利率（G7国家3个月国债收益率）
- 风险厌恶/波动率（VIX）

• 上述数据遵从时间序列统计规律及经济逻辑，且映射出风险因子与状态变量在资产回报中的不同作用。递归排序强调不同变量的结构特性和即时反应速度。[page::6], [page::7]

2.4 分散化的宏观因子投资实证分析

宏观风险因子模型

• 构建了多因子OLS回归模型，用于检验五个风险因子对12种资产的解释力。

- 发现：
- TERM因子对所有债券指数系数显著为负，符合利率与债券价格负相关关系。
- 市场因子（MARKET）对股票及信用指数具有显著正效应。
- OIL指标对商品类资产正相关，而对股票中部分（比如新兴市场）负相关。
- DEF因素与信用资产和黄金呈负相关。

• 模型能够解释资产回报超过50%，验证了五因子风险模型对横截面变化的捕捉能力。

- 使用最小线性扭矩获取正交风险因子，并通过图表3展示五个扭矩因子与原始五个风险因子的载荷结构，支持风险因子的经济含义。

• 图表4和5显示了模拟投资组合对资产的暴露和累积表现，标示不同因子与资产的关系明确，支持构建基于这些因子的风险平价组合。[page::7], [page::8], [page::9]

宏观状态变量模型

• 使用Choleski分解和OLS回归，四宏观状态变量模型的拟合度普遍低于风险因子模型，表明状态变量对资产回报的即时解释力有限。

- 各变量承担不同风险溢价来源：
- CLI高载荷对应新兴市场股票；通胀高载荷对应商品价格等。
- VIX对股票及高波动资产显示正暴露，而对债券和黄金显示负暴露，体现避险特征。

• 模拟组合之间的相关性低，且有互补效果，反映出状态变量之间的低相关性和风险分散潜力。

- 图表7-9明晰展示资产对各变量的敏感性及组合表现，进一步支持状态变量在长期风险回报配置中的作用。[page::10], [page::11], [page::12]

组合表现比较

• 基于五个风险因子的FRP策略实现最高年化收益（5.10%），但波动性和最大回撤较高，夏普比率普通。

- 基于四个状态变量的FRP策略收益较低（约3.2%-3.4%），但最大回撤最低，夏普比率较优，表明其因子组合更为稳健。

• 资产配置中，状态变量组合更青睐政府债券等低风险资产，体现防御性。

- 与基于资产大类的基准策略（最小方差、ERC、等权重）相比，FRP策略在风险调整后的表现具有一定优势，尤其在下行风险控制方面表现突出。

• 有效押注数量分析显示，风险因子策略押注更多，状态变量策略押注较少，反映策略对风险来源的不同理解及分散程度。[page::12], [page::13], [page::14]

2.5 动态宏观因子配置

• 引入马尔可夫切换向量自回归（MS-VAR）模型建模经济状态，捕捉宏观冲击条件协方差的状态依赖特征。

- 估计结果区分两种宏观状态，状态2代表“差的经济状态”且宏观因子的波动性显著提高，说明风险集中与波动性上升。

• MS-VAR模型与NBER官方衰退期匹配较好，甚至识别更多短暂衰退或高风险区间。

- 比较静态和动态FRP投资组合表现，状态变量异方差未对表现产生明显影响，推测可能因资产暴露于状态间变化有限。

• 不同经济状态下，资产与宏观因子间相关性差异明显：

- 好状态：信贷与股票及债券关系温和。
- 差状态：信贷与股票相关性升高，债券与信贷相关性趋近零，体现风险溢价渠道主导。
- 基于状态变量的组合在任一经济状态下均显现良好分散性，且稳定性优于风险因子组合。

• 状态下投资策略绩效分析表明：

- 好状态下，FRP策略收益相对较低，但波动低。
- 差状态下，FRP风险因子组合回撤明显增大，状态变量组合回撤最低，表现更平稳。

• 这一部分强化了经济环境对宏观因子表现的调节作用，并提示基于状态变量构建的组合更适合动态风险管理。[page::15], [page::16], [page::17], [page::18]

2.6 稳健性检验

• 验证了使用最小线性扭矩方法（MLT）正交宏观因子的稳健性，无论是否对宏观因子标准化处理，结果与基于Choleski方法一致。

- 采用替代产出指标（如CLI的滞后值、初始披露数据、本地PMI指标）进行测试，发现：
- CLI滞后或调整数据不会显著影响投资组合表现，表明报告滞后问题影响有限。
- 使用初始披露数据（vintage）会略微增加波动率与回撤，影响风险调整收益表现。
- PMI指标基于短期经济波动，相关性较低，导致组合表现下降，提示投资组合更依赖于长期稳定的经济指标。

• 该部分的仔细测试增强了方法的可信度和适用性提示，但也揭示了选择合适经济指标的重要性。[page::19]

---

3. 图表深度解读

图表1 ：文章框架（思维导图）

• 结构清晰地阐明了研究问题、文献回顾、数据构建、模型搭建及结论。

- 明确分为两类宏观经济变量，探讨其分散效益和经济状态下的表现。[page::3]

图表2：宏观风险因子回归模型系数

• 展示各宏观因子对不同资产超额收益的显著性影响，反映各因子在风险与收益建模中的有效性。

- TERM因子与债券逆相关；MARKET因子正向影响股票类资产。

• 细节体现了经济现象对应模型的合理性。[page::7]

图表3：互不相关的宏观因子载荷

• 条形图显示通过最小线性扭矩正交后的宏观因子与原始经济因子的负载，均显示较纯粹的因子特征。

- 直观看出因子的经济含义及其在资产风险中的作用。[page::8]

图表4、5：模拟投资组合载荷和绩效

• 组合载荷视图指明每个模拟宏观因子组合对不同资产的暴露程度，如TERM承担主要债券风险，MARKET对应股票，OIL对应商品等。

- 累积表现曲线显示各模拟组合随时间的累计收益趋势，验证其能为投资者带来持续的回报增长。[page::9]

图表6：宏观经济状态变量因子回归

• 估计系数显示较低拟合度，表明状态变量解释短期资产回报变动不强，但其经济含义和风险溢价作用仍被认可。

- 不同资产对产出、通胀、利率、VIX的敏感性差异明显，反映多样化风险敞口组合的潜力。[page::10]

图表7-9：宏观经济变量模拟组合载荷、累积表现及相关性

• 与风险因子载荷类似，展示状态变量模拟因子对资产暴露，突出状态变量组合的低相关性和稳健性。

- 累积表现曲线进一步显示状态变量组合收益走势和风险调整后性能。

• 相关性矩阵表明状态变量模拟组合之间负相关度较高，有利于分散风险。[page::11], [page::12]

图表10-13：组合表现、累计表现、配置及有效押注数量

• 关键数据：

- 风险因子5因子组合年均回报最高（5.1%），波动率较大，夏普比率偏中等（0.77）。
- 4状态变量组合回撤最小，夏普介于0.67-0.73之间。
- 等权重与ERC基准组合表现落后于宏观因子策略。

• 配置图显示投资集中于债券和股票，不同策略对风险因子敞口的贡献不同，需求不同风险偏好对应不同配置策略。

- 有效押注数量趋势表明风险因子策略的多样性大于状态变量策略，反映出研究者对两组因子风险本质不同的理解。[page::12], [page::13], [page::14]

图表14-16：MS-VAR统计量、状态转换概率及组合表现

• MS-VAR模型区分两种状态，第二状态的宏观变量波动更大，符合经济衰退期波动率高的特征。

- 状态转换概率与NBER衰退周期高度吻合，表明模型在经济状态识别上有效。

• 组合比较显示动态调整相较静态效果变化不大，提示波动性变化无显著影响组合权重配置。[page::15], [page::16]

图表17-19：不同经济状态资产与宏观因子相关性，状态依赖表现及前沿

• 资产和宏观因子间相关性因经济状态显著变化，差状态下风险因子间相关性升高，降低分散效益。

- 状态变量组合表现更稳定，显示更优的下行风险控制能力。

• 投资组合前沿图显示好状态风险调整回报相对较低，差状态下FRP组合表现优于资产类基准组合。

- 该系列图表直观展示了状态依赖性对资产组合表现和风险结构的深刻影响。[page::17], [page::18]

图表20：稳健性检验结果表格

• 不同处理方法（MLT原始、标准化，Choleski）及不同经济指标（CLI延迟、原版、PMI）下组合表现均表现一致，支持研究结果的稳健性。

- PMI指标带来的波动率和回撤增大，提示选择适用的宏观指标对策略构建重要性。

• 该图表为本文整体结论的实证支持提供保障。[page::19]

---

4. 估值分析

尽管报告主要围绕宏观经济因子的风险回报特征分析，无直接企业估值，但其因子风险平价模型属于资产配置和风险管理框架，底层方法涉及：

• 使用最小线性扭矩变换对宏观因子实现正交（消除相关性），对应的风险因子权重通过反演资产暴露矩阵获得。

- 应用Choleski分解在递归识别 framework 下实现因子正交，依赖VAR模型创新项。

• 因子风险平价策略（FRP）是等风险分配于不同独立因子以实现风险分散的模型，权重的计算依赖协方差矩阵的逆开方，优化组合风险贡献的均衡度量。

- 马尔可夫切换VAR模型（MS-VAR）捕捉经济状态变化中的风险异方差，动态调整因子协方差矩阵，适应非线性宏观经济环境。

这些方法均基于现代资产组合理论和多因素风险模型，强调因子间独立性和动态风险管理以优化风险调整后的资产配置效率。[page::4], [page::5], [page::15]

---

5. 风险因素评估

报告中明确指出的风险因素：

• 宏观风险因子的状态相关性风险：在经济环境恶化时，五大风险因子之间相关性上升，导致分散效益减弱，投资组合回撤放大。

- 宏观经济状态变量的低即时解释力：状态变量在解释资产短期回报时表现有限，投资者可能忽视短期风险暴露。

• 数据延迟与后续修正风险：宏观数据存在报告滞后和修订问题，会对实时投资组合构建产生影响，尤其影响配置稳定性。

- 模型识别与参数选择风险：如Choleski分解的递归顺序影响因子识别，MS-VAR模型参数估计的稳定性和有效性对策略表现关键。

• 因子暴露不稳定风险：资产对宏观因子敞口的时变特性增加模型实施复杂度，带来额外的策略管理风险。

报告强调上述风险基于历史海外文献及实证数据，提醒投资者谨慎使用，且未提供直接投资建议。[page::0], [page::19], [page::20]

---

6. 审慎视角与细微差别

• 潜在偏见：报告着重肯定宏观经济风险因子和状态变量的地位，可能低估了这些宏观指标在快速变化金融环境中的实时捕捉能力。

- 经济环境变化的影响：由于经济结构变化及货币政策转变，风险因子和状态变量的稳定性与代表性可能削弱，未来表现不确定。

• 样本选择和指标局限性：宏观数据选取偏重OECD及发达市场，可能未充分覆盖新兴市场特征，且数据频率与滞后问题仍未根本解决。

- 模型假设简化：假设宏观因子独立且风险敞口稳定，动态暴露的影响分析有限，可能影响策略表现解释。

• 递归识别顺序的任意性：Choleski分解依赖递归排序，尽管作者选取广泛指标，顺序选择仍存在主观成分，影响因子提取结果。

整体来看，报告针对宏观因子的因子风险平价构建与状态分析复杂，分析稳健，但对于模型外生假设及未来适应性需谨慎对待。[page::5], [page::19]

---

7. 结论性综合

本报告聚焦通过因子风险平价理念，系统区分并配置两大类宏观经济因子——风险因子和状态变量，从而优化投资组合的风险分散和收益表现。研究实证显示：

• 五大宏观风险因子（风险源）能够解释资产回报的主要短期波动，合理均衡配置可带来较高的年化收益，但经济下行时相关性增大导致回撤扩大。

- 四个宏观经济状态变量（长期回报驱动）拟合度低但持久，配置稳健且能显著降低最大回撤，提供了更好的风险调整回报，尤其在经济逆境下表现突出。

• 宏观经济风险因子间的高相关性是传统因子风险策略回撤大的关键原因，而状态变量策略则显示更强的分散性和韧性。

- 动态状态识别及马尔可夫切换模型的引入有助于捕捉经济不确定性变化，优化配置，提升组合在不同经济环境下的适应性。

• 稳健性检验充分验证了核心模型的有效性和方法的适用性，同时指出宏观数据的实际应用仍面临滞后、修订及指标选择的挑战。

图表层面，基于不同宏观因子的模拟投资组合暴露清晰划分资产与因子之间的风险结构，揭示了不同组合策略的风险来源，累计表现凸显多因子策略的长期增值能力和风险管理效果；动态模型进一步深化了对经济周期下风险溢价动态变动的理解，揭示状态依赖的相关性趋势。

综上，作者高度认同宏观经济因子在资产配置中的价值，强调通过因子风险平价方法实现的均衡配置可以提升投资组合风险调整后表现，但同时提醒在经济环境变化和宏观因子相关性波动中需谨慎操作，状态变量策略因其较强的稳健性在宏观经济下行阶段尤为值得关注。[page::0], [page::12], [page::18], [page::20]

---

总结

本报告为投资策略构建者和风险管理者提供了关于宏观经济因子风险分配的深入洞见，突出在不同经济环境下因子相关性和风险溢价机制的差异，强调均衡配置的优缺点及动态调整的重要性。其科学的模型搭建、严谨的实证检验与细致的状态识别，赋予宏观因子投资策略更高的理论可信度和实务价值，为跨资产多因子资产配置与风险管理提供了系统框架和切实参考。

报告