华泰金工 | 国内宏观净预期差与大类资产配置_新浪财经

　　炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

　　来源：华泰证券金融工程

　　相较于注重刻画中长期经济周期的宏观因子1.0，宏观因子2.0更注重刻画更高频率的宏观现实和宏观预期。本研究是宏观因子2.0的首篇报告，从国内宏观预期差的角度切入，主要做了三件事情：1）指标刻画。使用分析师对宏观指标的预测值和宏观指标的真实公布值刻画“卖方预期差”，并剔除市场提前计入的预期，提纯出真正对交易有价值的净预期差。2）指标筛选与因子合成。针对单个资产进行指标筛选，量身定做宏观净预期差因子。3）因子应用。对主要股债商资产进行择时，均有不错的效果；且能对资产配置组合进行有效增强，组合的业绩指标均有明显改善。

　　核心观点

　　宏观因子2.0系列首篇：国内宏观净预期差与大类资产配置

　　“过度预期证伪”是预期差影响资产价格的核心逻辑

　　资产价格是预期和现实博弈的产物。分析师对宏观指标的事前预测值和宏观指标的真实公布值是一对天然对应的宏观预期与宏观现实，可以用来捕捉资产价格在预期和现实博弈下的规律。由于分析师预测值是公开数据，市场可以提前消化吸收并交易在资产价格里，所以能否准确把握“过度预期”是能否抓住预期证伪阶段资产机会的关键。

　　用“卖方预期差”与“买方提前计入预期”的差值刻画“过度预期”

　　使用“卖方预期差”与“买方提前计入预期”的差值刻画“过度预期”，称为净预期差。对于“卖方预期差”，使用Bloomberg提供的分析师预测数据进行刻画。首先，对预测值进行异常值处理。然后，使用真实值远离预测中值的程度刻画预期差。最后，使用一些数学手段对指标进行标准化处理，确保指标在截面和时序上可比。对于“买方提前计入预期”，前期报告《行业配置策略：高频宏观因子》（2023-06-13）中构建的高频宏观因子是资产组合被赋予了宏观含义的产物，可以被视为买方的宏观预期。通过T检验捕捉宏观数据发布前买方预期趋势的突变，可以衡量提前计入的预期大小。

　　筛选出不同宏观状态下的有效指标，量身定做单资产的宏观净预期差因子

　　在经济周期的不同阶段，市场逻辑和投资群体的差异可能导致不同资产交易的宏观维度存在差异。我们结合T检验和胜率-赔率法筛选出单个资产在不同宏观状态下的有效净预期差指标，并按照指标在超预期和不及预期状态下对资产后续表现的区分情况，将指标划分为超预期正向指标、超预期反向指标、不及预期正向指标和不及预期反向指标。最后，对单个资产筛选得到的所有净预期差指标序列进行截面上的加总和时序上的拼接，得到量身定做的宏观净预期差因子。

　　加入宏观净预期差因子可以有效提高资产配置组合的表现

　　使用风险预算模型作为底层模型，在考虑宏观净预期差信号前，使用截面动量筛选出强势的细分资产，作为配置的对象。策略的调仓频率与宏观指标发布时间有关，只在强势的细分资产中有至少一个资产的宏观观点发生变化的截面进行调仓。回测区间2014-01-01至2024-08-09内，动量和宏观增强策略相对风险平价基准的业绩指标均有明显提升。今年以来的策略表现优异，累计收益为9.42%，相对风险平价基准的累计超额为4.69%。

　　正文

　　本文研究导读

　　市场预期偏离现实是常态，预期差收敛是收益之源。

　　资产价格与宏观状态的交互模式是资产配置领域的重要议题。主流的宏观因子体系注重对宏观现实的刻画和对“宏观现实→资产”的静态映射规律的捕捉，孵化出了以美林时钟为代表的诸多资产配置理念。但近年来，随着全球宏观环境的动荡加剧，我们会发现“宏观现实→资产”的映射规律常会阶段性失效。

　　溯本求源，我们认为并不是“宏观现实→资产”的规律不复存在，而是主流的低频宏观现实因子体系难以适应宏观交易日益复杂、切换过快的市场环境。一方面，资本市场并不是宏观经济的简单映射，市场的交易往往是宏观现实和宏观预期的博弈；另一方面，低频的宏观因子不可避免地存在滞后性问题，只能给出右侧偏中长期的交易信号，难以及时捕捉宏观和资产的动态互动模式。所以，我们需要挖掘更全面更高频的宏观增量信息，对主流的宏观因子体系进行升级。

　　本研究是华泰金工宏观因子2.0的开篇，尝试从宏观预期差的角度切入，寻找宏观预期对宏观因子体系的增量信息。具体地，本研究将使用Bloomberg提供的分析师对低频宏观指标的预测数据，循着预期差“三部曲”——计入过度预期、过度预期证伪、预期逐渐修正的逻辑链条，充分利用宏观预测值和实际公布值的信息，构建更高频的国内宏观净预期差因子，并开展资产配置。本研究的亮点在于：（1）区别于仅使用真实值和分析师预期计算预期差的做法，我们将剔除市场提前反应，提纯出对交易真正有价值的净预期差；（2）区别于全体资产共用一套宏观因子的做法，我们将针对单个细分资产进行指标筛选，量身定做各自的净预期差因子。

　　背景一：“宏观现实→资产”的映射关系不稳定

　　华泰金工宏观因子1.0注重刻画宏观现实和挖掘“宏观现实→资产”的映射关系。在前期报告《宏观因子指数回顾、改进与应用》（2022-02-12）中，我们结合了经济学逻辑和统计学手段，从海量的宏观指标中筛选出了能够反映宏观经济运行现状的指标，并将其合成为增长、通胀、信用、货币等宏观因子，然后构建了美林时钟和“信用-货币”轮盘，来捕捉“宏观现实→资产”映射关系，并基于此构建了投资时钟策略。

　　但在实际应用的过程中，这类“宏观现实→资产”的映射关系常会阶段性失效。以2023年为例，以PMI虚拟同比（即MA12）表征增长，PPI同比表征通胀，2023年2月至2023年5月处于增长上行、通胀下行阶段，对应美林时钟典型的经济复苏期，理论上应该利好股票，利空债券。但资本市场走出了完全相反的行情，债券强势上涨，股票震荡下跌。

　　可以从预期和现实博弈的角度对这一现象进行分析。既然资产价格是预期和现实博弈的产物，那么“宏观→资产”映射关系中不仅只有“宏观现实→资产”映射关系，还应该有“宏观预期→资产”映射关系。一方面，在反映宏观现实的低频指标未更新时，市场往往会提前形成宏观预期，并反映在资产价格里；一旦低频指标更新，只有未被预期到的部分，才会继续影响资产价格。另一方面，当市场产生非常强烈的一致预期时，宏观现实的效力可能会大幅减弱，宏观预期可能成为主导资产价格走势的关键因素。

　　回到2023年的例子，市场其实已经提前对疫情防疫政策优化后的经济增长有了强预期，表现为2022年底的股涨债跌。2023年虽然进入复苏阶段，但是力度未及市场预期。强预期和弱现实的博弈加大，导致“宏观现实→资产”的映射关系失效。因此，为更充分地还原资产价格的宏观定价空间，有必要在现有的宏观因子体系中，加入对宏观预期的刻画。

　　背景二：“卖方预期差”是量化宏观预期的一种思路

　　市场上有一类公开的宏观预期数据——卖方分析师的宏观预测值，且这一宏观预期有一个天然对应的宏观现实——宏观指标的真实公布值，这为本研究提供了有效抓手。从经济学理论出发，假设投资者是理性的，他们在市场上的交易行为会受到先验预期及吸收了新信息的后验预期驱动。前者对应宏观预期，后者对应宏观真实公布值和宏观预期之差，当预期差包含了足够多的新信息，以至于可能对市场产生冲击，便成为了资产后续表现的重要驱动因素。例如，2020年4月30日公布中采制造业PMI为50.8，一致预期为50.2，大幅超预期的数据提振了市场情绪，前期震荡走跌的中证800指数在5月迎来了开门红，这表明中采制造业PMI的预期差对后市产生了影响。

　　Bloomberg是一家主流的数据提供商，提供各期宏观预测的明细数据，便于我们量化宏观一致预期。Bloomberg收录了中国几乎所有重要的宏观指标，并且提供了真实值、真实值公布日期、预测机构、预测学者、预测值和预测日期等明细指标，蕴含充分的信息以供挖掘。此外，Bloomberg会保留宏观数据发布的具体公布时间，精确到分钟。因此，使用Bloomberg的数据进行回测能确保不使用到未来信息，具备严谨性。

　　除了Bloomberg直接提供的数据外，考虑到市场对“M1同比-M2同比”剪刀差一直有较高的关注度，我们根据预测值的公布机构和预测学者对M1同比和M2同比的预测数据进行匹配，补充计算了M1-M2的预测明细。本研究使用的指标信息如下表所示。

　　“去伪存真”：卖方净预期差刻画

　　预期差从出现到回归会经历三个阶段：计入过度预期、过度预期证伪、预期逐渐修正。能否准确把握“过度预期”是能否抓住证伪阶段资产机会的关键点。“过度预期”并不等同于仅用真实值减去预测值得到的预期差的概念，而是指预期差中未被市场提前预期并计入（price-in）的部分。我们认为，市场上的投资者会提前对卖方宏观预测值这一公开信息做出反应，并交易在资产价格里，这和我们观察到市场常会在重要指标公布前出现躁动的现象是吻合的。新的宏观现实中未被预期到的部分，才会继续影响资产价格，所以需要在预期差中把市场提前计入的部分剔除，进行“去伪存真”。为了便于理解，本文用净预期差表示“过度预期”，以此进行概念的区分。

　　具体而言，宏观指标公布前，分析师公布预测值即卖方预期，市场充分考虑一致预期并转化为交易决策。宏观指标公布时，交易主体能第一时间获悉真实发布值与分析师一致预期的预期差。宏观指标公布后，市场进入过度预期修正阶段，定价预期差中未被市场提前消化的部分。将这一过程转化为数学语言：

　　1）计算宏观指标公布值与预测值的差值，即卖方预期差。

　　2）计算市场提前计入的预期，即买方price-in。

　　3）计算卖方净预期差，等于卖方预期差减去买方price-in。

　　下面我们逐一介绍卖方预期差和买方price-in的计算方法。

　　刻画卖方预期差：借鉴T检验思想

　　卖方预期差的计算思路是：充分利用预测值的分布信息，使用单边T检验，计算真实发布值偏离预测中值的程度，以刻画预期差。计算过程需注重各指标预期差在截面和时间序列上的可比性，便于同一指标的纵向比较和不同指标的横向合成。具体步骤如下：

　　1）数据预处理：部分指标存在明显的异常值，会干扰预期差的计算。考虑到预测数据是小样本，且多数情况下有偏，我们采用中位数去极值法（Median Absolute Deviation， MAD）将异常值拉回。

　　2）计算截面S值：借鉴Scotti和Chiara（2016）的做法，用宏观真实公布值减去分析师预测值的中位数，再除以截面预测分歧度，得到S值，和T统计量的计算方法类似。S值为正表示超预期，为负表示不及预期，绝对值越大表示预期差越强。

　　3）处理小样本T分布：在预测机构数较少的情况下，S值属于小样本T分布而不是正态分布，相同的S值对应的p值不同，不可以直接进行比较。为进行统一，我们基于累计分布函数将T分布的S值转化为正态分布的g（S）值，使得指标截面可比。

　　4）特征缩放：我们使用如下所示的比正态分布累积函数更平滑的sigmoid函数，将g（S）值缩放至[-1，1]区间内，得到无量纲的指标。使用更平滑的函数可以加大对预期差程度较大的事件的区分度。例如，当g（SPMI）=3，g（SGDP）=7时，显然GDP超预期的程度更大，应该对市场产生更大的冲击。但若使用正态分布累积函数，得到的差值仅为1.000-0.998=0.002，而使用我们指定的函数f（·），得到的GDP和PMI的冲击差为0.941-0.635=0.306。

　　如此，便能得到每次宏观数据公布后相对应的“卖方预期差”——f（g（S））。接下来，我们要剔除这其中已经被市场交易主体提前计入的部分。

　　剔除买方price-in：Factor mimicking刻画买方预期

　　在前期报告《行业配置策略：高频宏观因子》（2023-06-13）中，我们采用Factor mimicking的思路，用资产组合走势模拟高频宏观因子。资产价格是交易者预期最直观的体现，高频宏观因子是资产组合被赋予了宏观含义的产物，可以被视为买方的宏观预期指数。该因子的优点之一在于日频更新，可较为及时地捕捉买方预期的动向。因此，可以用临近宏观指标公布日高频因子的异动程度，刻画市场提前计入的宏观预期。

　　在介绍买方price-in的衡量方式之前，我们先简要回顾高频宏观因子组合的构建步骤：

　　1）确定宏观维度：选取合适的宏观指标作为宏观维度的基准指标，作为自变量。

　　2）筛选代理资产：以资产的收益率序列为因变量，开展有放回抽样的一元线性回归，并记录回归系数t值和R2的中位数，选择解释度较高者作为最终的模拟资产组合。

　　3）加权合成因子：先计算模拟资产组合中各资产的日度环比收益率，组合里做空的资产的环比收益率需乘以-1；再以各资产滚动3年的年度同比收益率的标准差的倒数归一化取值作为权重，对日度环比收益率序列进行加权，得到模拟资产组合的环比收益率，进而计算其净值和同比变化。

　　本研究用到的宏观维度包括增长、生活端通胀和生产端通胀。下面展示了因子构建的细节和最终的结果。不难发现，高频宏观因子的同比值序列和低频宏观指标有较好的相关性和一定的领先性，蕴含更丰富的信息，可表征买方预期。

　　“异动”本质上捕捉的是买方预期趋势的突变，可以使用T检验来衡量。首先我们在每一个宏观指标数据公布的截面，向前框选出2N个交易日，对前N个和后N个交易日的买方预期序列进行T检验，得到t统计量。然后使用相同的特征缩放函数f（t）进行转化，和卖方预期差统一量纲。最后用卖方预期差减去买方提前price-in的部分，就得到了单指标的净预期差。我们将净预期差大于零定义为指标超预期，小于零定义为指标不及预期。

　　“量体裁衣”：单资产净预期差指标筛选与因子合成

　　过往研究注重探索大类资产背后的共同驱动因素，试图归纳出通用结论。诚然，大类资产受到共同的宏观风险驱动已是不争的事实，经典的美林时钟便是这一视角下的产物。但是细化到具体的经济周期、宏观维度乃至宏观指标上，往往需要用“量体裁衣”的思路来规避诸如“美林电风扇”的规律失效问题。我们认为在经济周期的不同阶段，市场交易逻辑和市场参与者可能存在差异，导致驱动不同资产的宏观因素可能存在差异，需要针对单个资产设计严谨的指标筛选流程，量身定做净预期差因子。

　　具体来看，我们在设计筛选流程前需要先考虑两个问题：

　　1）不同的宏观现实状态下，市场对同一宏观指标的净预期差的反应可能不同。例如，对于股票，在实体经济有效需求不足时，PPI超预期往往代表着经济的回暖和需求的回升，加强投资者信心从而利好股市；而在需求过热时，超预期的通胀指标可能加剧投资者对经济过热导致后续出台经济降温政策的担忧，利空股市。因此，我们在筛选指标时，不仅需要关注全状态下都有效的“全才生”指标，也需要在不同的宏观状态下寻找出“偏科生”指标。宏观现实状态的划分方式有很多，本研究使用的是华泰金工宏观因子1.0。

　　2）市场对同一宏观指标超预期和不及预期两种状态的反应可能是不对称的。投资者有非理性交易的倾向，例如“消极性偏差”会导致投资者对悲观信息的反应更强烈，而对利好钝化。这会导致市场在指标超预期和不及预期时的反应程度可能是不对称的，一个宏观指标可能只在特定的预期差状态下才有效，所以需要分别考察指标超预期和不及预期时对后续资产走势影响的程度和方向。

　　指标筛选方法：T检验法 & 胜率-赔率法

　　筛选指标时，我们关注的核心问题是“该宏观指标的超预期和不及预期两种状态是否能有效区分金融资产的后续表现？如能，两种状态下的影响都显著吗？”。从数学角度理解，我们可以将单个指标分为超预期和不及预期两种情况，分别统计每种情况下，资产在指标公布后一段时间内的收益，得到两组样本，然后借助T检验的方法比较两组样本的均值是否有显著差异以及单组样本的均值是否显著异于零。从投资角度理解，我们可以分别统计两种情况下，根据预期差信号进行择时，持有资产一段时间后的胜率和赔率，看两组样本的胜率和赔率是否有显著差异以及单组样本的胜率和赔率是否可观。

　　T检验法可以充分考虑收益率分布的信息，但对样本分布要求较严格。胜率-赔率法对收益率分布没有要求，且和实战更为适配，但无法充分利用分布信息。因此，本研究综合使用这两种方法。需要说明的是，我们会按照全状态、增长上行/下行、通胀上行/下行、货币宽松/收紧、信用扩张/收缩共计9种宏观现实状态，以及指标公布后5、10、15、20个交易日共计4个统计窗口分别进行统计。对于每个待研究资产，都可以得到单个宏观指标的如下所示的“体检表”。

　　设待研究的资产为A，计算净预期差的宏观指标为B，宏观状态为S；统计窗口为M。宏观指标B在宏观状态S下的非零净预期差个数为K，其中超预期的个数为K1，不及预期的个数为K2。下面介绍指标筛选的具体流程。

　　步骤1：筛选出具有区分度的指标

　　当宏观指标B在至少一个M={5，10，15，20}窗口下满足T检验和胜率-赔率的入选规则，且不同窗口下的结果不矛盾时，我们便将其纳入资产A在宏观状态S下的待分类指标池。

　　需要说明的是，一个宏观指标可能只被划分进一种指标类别，也可能同时被划分进两种指标类别，例如同时作为超预期正向指标和不及预期反向指标，或者同时作为不及预期正向指标和超预期反向指标。

　　筛选结果举例：沪深300指数

　　本部分将以沪深300指数为例，分别展示经上述流程筛选出的“全才生”和“偏科生”指标。为直观呈现宏观指标的有效性，我们采用事件驱动法的思想，以宏观指标公布日为0时刻，统计该指标公布前5个交易日至后15个交易日，沪深300指数的平均收益表现。

　　“全才生”指标：财新制造业PMI

　　财新制造业PMI是我们筛选出的对沪深300指数有效的“全才生”指标。该指标在全部宏观状态下，都对沪深300指数在指标公布后的表现有显著区分能力，且同时被划分为超预期正向指标和不及预期反向指标。从事件驱动分析的统计结果也可以看出，在财新制造业PMI超预期时，沪深300指数后续会走强；在财新制造业PMI不及预期时，沪深300指数后续会走弱，这和我们的主观认知是一致的。

　　“偏科生”指标：PPI同比

　　PPI同比是我们筛选出的对沪深300指数有效的“偏科生”指标。在货币宽松状态下，PPI同比是一个不及预期反向指标，即PPI同比不及预期时，沪深300指数后续会走弱。这也符合宏观逻辑，货币宽松往往以实体经济需求不足为大背景，PPI不及预期可能表示需求仍偏弱使得投资者对风险资产的态度变得悲观。

　　宏观净预期差因子合成

　　经过前述筛选流程，我们会得到待研究资产在不同宏观状态下的“宏观预期à资产”的映射关系矩阵，如下图所示。

　　基于此映射关系矩阵，我们可以通过截面合成和时序拼接的方式构建单资产的宏观净预期差因子。首先，我们将每一个宏观指标的净预期差值按照指标类别进行调整，统一处理为正向指标。然后，将同一天公布的所有宏观指标的净预期差值相加，得到单个公布日的合成净预期差。最后，将不同公布日的净预期差值进行时序上的拼接，得到最终的宏观净预期差因子。举例来说，假设待研究资产为A，t时刻公布了宏观指标B的真实值，计算得到净预期差值为xt。若宏观指标B在t时刻对应的宏观状态S下，不是资产A的有效预期差指标，则将xt设置为0，表示不发出观点；若宏观指标B是资产A的有效指标，则按照宏观指标B的指标分类，进行处理，得到处理后的净预期差值yt：

　　1）若宏观指标B为超预期正向指标，则当xt＞0时，yt=xt；当xt≤0时，yt=0。

　　2）若宏观指标B为超预期反向指标，则当xt＞0时，yt=-xt；当xt≤0时，yt=0。

　　3）若宏观指标B为不及预期正向指标，则当xt≥0时，yt=0；当xt＜0时，yt=xt。

　　4）若宏观指标B为不及预期反向指标，则当xt≥0时，yt=0；当xt＜0时，yt=-xt。

　　t+1时刻公布了宏观指标C和宏观指标D的真实值，先根据t+1时刻的宏观状态P对指标C和指标D的预期差值进行调整，再相加得到yt+1。如此，便可以得到资产A的宏观净预期差因子序列Y={yt}，yt越大越利好资产A。我们将yt大于零定义为宏观净预期差因子超预期，将yt小于零定义为宏观净预期差因子不及预期。

　　至此，我们使用宏观数据预测值、真实公布值和买方预期计算得到单个宏观指标的净预期差值，然后使用“量体裁衣”的方法得到单个资产的宏观净预期差因子。由于宏观数据的公布日是不定期的，所以宏观净预期差因子是非等间隔的时间序列，且同一月份会有多个宏观指标交替公布，所以因子的频率高于月频。下一章节，我们进入应用部分，主要考察宏观净预期差因子在单资产择时和多资产配置方面的效果。

　　宏观净预期差应用于资产配置

　　单资产择时

　　为了充分展示宏观净预期差因子多空信号的有效性，我们分超预期做多、不及预期做多和多空择时三种场景进行策略回测：

　　1）超预期做多：只在因子大于零时做多资产，其余时刻空仓。

　　2）不及预期做多：只在因子小于零时做多资产，其余时刻空仓。

　　3）多空择时（单期信号）：因子大于零时做多资产，因子小于零时做空资产。

　　4）多空择时（两期信号）：因子连续两期超预期时做多资产，因子连续两期不及预期时做空资产，其余情况空仓。这种处理方式虽然一定程度上牺牲了策略的灵敏性，但是可以降低换手率，且相对保守的观点也比较贴合部分右侧交易者的心理，注重信号的持续性，在信号前后矛盾时会保守操作，倾向于出现确定性趋势后再进攻。

　　回测的具体设置如下：

　　1）回测期：2014-01-01至2024-08-09

　　2）资产池：选取主要的股债商资产进行择时。为剔除指数自身的票息或分红对策略效果的干扰，回测时均使用净价指数。指数代码详见图表30

　　3）调仓方式：不定期调仓

　　4）费率：暂不考虑

　　回测结果表明，宏观净预期差策略能够对典型的大类资产进行有效的择时。超预期做多场景和不及预期做多场景的净值区分度显著。择时策略的平均持仓天数在10-16天，属于半月频调仓的策略。综合考虑两期信号虽然牺牲了部分收益，但择时信号的延续性更好，换手相较于单期信号场景降低了一倍，择时的胜率和赔率普遍得到了提升。尤其对于债券资产，两期信号场景能够大幅提升策略的业绩表现。

　　多资产配置

　　在单资产择时有效的基础上，我们进一步将宏观净预期差因子应用于大类资产配置。出于资产池完备性的考虑，我们在上一小节资产池的基础上加入黄金资产，但不对该资产发表宏观净预期差观点。因为黄金是全球定价的商品，国内宏观信息并不是其定价的核心要素。对于股债资产，我们使用全收益指数进行策略的回测，因为资产配置模拟的是投资者真实持有资产获得的收益，分红和票息收益也应该考虑在内。下表展示了回测时使用的细分资产代码。

　　策略方面，我们仅给出一种使用风险预算模型的示例，将宏观净预期差观点转化为对风险预算比例的调整，从而与资产的仓位建立联系。且为贴合投资实战，我们加入资产本身的截面动量信息作为战术层面的观点补充。在实际投资过程中投资者可以根据需求灵活设计。

　　具体地，我们先设定各大类资产的初始风险预算比例，然后在股票资产和商品资产中根据截面夏普动量选出强势的细分资产，再根据宏观净预期差观点调整初始风险预算比例，优化求解主动管理组合的权重。我们不固定调仓频率，只在强势的细分资产中有至少一个资产的宏观观点发生变化的截面进行调仓，进行投资组合再平衡。不定期调仓可以增加策略的灵活性，同时避免日历效应带来的潜在的过拟合风险。在每一个需要调仓的截面，资产的最终权重=风险预算优化器（基础预算*动量乘子*宏观乘子）：

　　1）基础预算：对股票、债券、商品各大类资产分别赋予1/3的风险预算，大类内部各细分资产平均分配大类预算。

　　2）动量乘子：使用120日截面夏普动量优选资产，将4种股票资产（2016年9月22日之前，A50指数无法获得截面动量信号，故备选股票资产为3种）中截面夏普动量最大的资产的动量乘子设为1，其余设为0。将3种商品资产（2014年1月24日之前，黄金ETF指数无法获得截面动量信号，故备选商品资产为2种）中截面夏普动量最大的商品资产的动量乘子设为1，其余设为0。债券资产只有一个，直接将动量乘子设为1。

　　3）宏观乘子：综合考虑各资产相邻两期的宏观净预期差观点，当因子连续两期看多时，将对应资产的初始风险预算比例扩大2倍；当因子连续两期看空时，将对应资产的初始风险预算比例缩小2倍；当前后两期观点矛盾时，不对该资产进行风险预算比例的调整。

　　4）权重求解：基于调整后的风险预算比例=基础预算*动量乘子*宏观乘子，使用风险预算模型进行优化求解。

　　回测结果分析

　　回测的具体设置如下：

　　1）回测期：2014-01-01至2024-08-09

　　2）资产池：4种股票资产，1种债券资产，3种商品资产，详见图表46

　　3）调仓方式：不定期调仓

　　4）费率：双边千二

　　基准组合为使用初始风险预算比例优化求解得到的组合。回测结果表明，引入截面夏普动量所代表的趋势信息对基准策略表现有小幅提升，年化收益率提高了1.12%，夏普比提高了0.14。引入宏观净预期差观点可以进一步提高策略的绩效表现，年化收益率和夏普比在动量增强组合的基础上分别提高了1.12%和0.03。分年度来看，动量和宏观增强的主动管理组合每一年都录得正收益，近五年的最大回撤仅为2.70%，表现稳健。

　　今年以来策略分析

　　今年以来（截至2024-08-09），宏观净预期差策略的累计收益为9.42%，相对风险平价基准的累计超额为4.69%，表现优异。对超额收益进行归因，结果表明贡献主要来自截面夏普动量对红利低波和A50的成功押注以及宏观净预期差对二者的有效增强。宏观净预期差今年以来对A50指数共发出了25次信号，有效信号次数为12次，择时累计收益为9.64%，超额收益为2.99%；对红利低波指数发出了19次信号，有效信号次数为6次，择时累计收益为6.83%，超额收益为0.44%。

　　策略的大幅回撤集中发生在4月下旬，最大回撤日为4月29日，主要是7-10年国债、红利低波和黄金的集体短暂回调所致。黄金在组合中是被动配置的，故不作过多分析。前期资产上涨时积累的大量交易盘和投机盘加剧了国债指数和红利低波指数的波动，市场过热的交易实际上偏离了现实基本面。我们的宏观净预期差因子也比较及时地捕捉到了这一情况，在4月16日就对国债指数发出了看空观点，提前调降了债券的风险预算比例，一定程度上降低了债券下跌对策略的冲击，但仍无法避免资产集体回调带来的较大回撤。

　　更多思考

　　市场会对时效性更强的指标给予更大的关注度

　　我们统计沪深300、中证500、红利低波、A50、7-10年国债、南华工业品和南华农产品共计7个资产的8种宏观状态（增长上行/下行，通胀上行/下行，货币宽松/收紧和信用扩张/收缩）下，各宏观指标的入选情况，发现PMI这类时效性更强的指标的入选次数普遍高于其他指标。其中，中采制造业PMI以81次的入选次数位列榜首（一个指标最多入选7*8*2=112次）。这说明宏观指标的时效性是影响市场对预期差的反应程度的重要因素。这启示我们，提高宏观因子的时效性，如Nowcasting，值得关注。