股债框架下的宏观风险配置策略（2020年第一期）

- 1 - 敬请参阅最后一页特别声明 熊颖瑜 联系人 （8621）60753902 Xiongyingyu＠gjzq.com.cn 张剑辉 分析师 SAC执业编号：S1130519100003 (8610)66211648 zhangjh＠gjzq.com.cn 股债框架下的宏观风险配置策略（2020年第一期） 重要观点：股票增大减小，债券减中增长  根据资产配置的时间跨度目标，区分为以下两种配置方案，一是战略资产配置，二是战术资产配置。前者根据投资者的风险承受能力，在各大类资产间进行长期的、整体性的规划，追求长期组合结构最佳，而不以短期时效性为目标。风险平价策略即战略资产配置的一种。后者是指投资者根据市场状态对组合进行积极的动态调整，抓住金融市场中的投资机会并试图打败市场的行为，追求短期时效性。  本文的资产配置策略主要是从战略性配置的角度出发，寻找不同资产价格变化的共同驱动力，将传统的大类资产层面配置转为宏观风险因子配置。构建从表层的大类资产向底层的宏观风险的穿透，使组合的配置不再局限于资产间的收益表现，转而关注由隐含因子刻画的宏观风险因子轮动，使得组合真正实现风险的均衡。  大类资产的相关性在不同长度时间窗口是有差异的。不同宏观因子主导下，大类资产协方差矩阵会有所不同。本模型构建大类资产与宏观风险之间的转换矩阵，通过动态调配宏观风险贡献，得到宏观因子权重后反推到所需的大类资产的权重。  本模型考虑国内银行保险等资产管理机构的中长期主要资产配置需求，努力探求A股股票和债券两大类资产间的配置关系，并适当细分探求细分资产或风格轮动，暂不考虑部分由非投资因素影响配置的现金资产、净值化程度不高的非标资产以及股权资产，同时对于配置尚较少的黄金、原油、海外市场等资产也尚不纳入考量。本模型通过主成分降维的方法，构建了基于股债的宏观因子体系，其主要因子：经济增长、利率、信用、 期限利差与大小盘因子。大量研究结论显示，该构建方法具有高频性、稳定性与强解释力。  通过宏观风险归因我们发现：风险平价组合均不等同于宏观风险均衡。风险平价在利率因子上存在过高的暴露。回测结果显示，本模型对于基于资产的风险平价模型有较为显著的改进效果，可提高风险收益特征。策略构建的股债框架下的五因子的宏观因子风险配置在过去十年年化收益为 5.8%（1.4倍杠杆），夏普比率3，相比于比较基准（风险平价组合）超额收益较为稳定，最大回撤5.4%。且由于底层的宏观风险得到了更好的分散，不再过多地将组合的走势暴露在利率因素上。  截止2020年2月中，我们构建的股债框架下的宏观风险配置组合（完全量化，未对宏观风险进行主观预测）建议如下：沪深300比例为4.60%，中证500比例0.11%，中债10年期国债43.95%，中债3-5年期国债48.63%，中债1-3年信用债42.70%，总体杠杆1.40倍。相对于2019年三季度末整体杠杆不变，股票资产整体配置比例上升，其中沪深300股票大幅增加、中证500股票则下降；债券资产从中短期向长期增配。读者可以根据对宏观因素的判断，参照调整各类风险配置比例。 风险提示：诸如中美贸易摩擦升温、地缘政治摩擦冲击、货币政策变化等等对宏观经济影响的不确定性。 2020年02月19日 大类资产配置季报 量化投资策略报告 证券研究报告 金融产品研究中心 2020年2月固定收益类基金投资策略报告 - 2 - 敬请参阅最后一页特别声明 第一部分：宏观风险配置模型核心逻辑及原理 1.1 主要思路 近现代风险均衡策略和Barra风险模型均意识到资产预期收益来自于承担宏观或者风格的风险，因此配置理念从资产配置转变为风险配置。风险配置模型往往面临两方面比较大的挑战：第一是需要把握宏观经济的波动性特征，特别是周期性波动的内在规律；第二是需要建立从宏观经济到各类资产风险收益特征的内在逻辑关联，并验证其有效性。这两点是资产配置科学决策的关键。 本篇报告刻画以宏观风险因子为核心的股债配置策略，主要解决上段描述的第二个挑战。通过建立宏观风险因子与金融资产之间的映射关系来实现组合的风险控制以及组合的宏观风险暴露分析。当我们对宏观风险因子有高把握预判，就可以给对应的宏观因子配置更多风险预算；该宏观因子框架有利于改善风险平价模型在利率风险暴露过多的情况，提升整体风险收益比。 1.2 以宏观因子为框架的大类资产配置 宏观因子大类资产配置的一个重要部分就是研究在不同的经济增长水平、信贷政策以及通胀水平下各类资产的相对强弱变化。以股票、债券、商品、外汇、现金为标的的宏观因子风险体系主要包括：增长、通胀、利率、汇率、波动率、风险溢价等宏观因子。 图表1：宏观因子体系 来源：国金证券研究所 以宏观因子为框架的大类资产配置最早出现在海外对冲基金SSGA的因子体系：SSGA 因子体系分为宏观因子和风格因子两个维度，其中宏观因子包括经济增长风险、利率风险、流动性风险和通胀风险四大类。风格因子包括规模、波动率、期限、质量、流动性、动量、价值、信用等。 区别于部分模型依靠外部变量来确定宏观因子，SSGA 的宏观风险因子体系通过对多个大类资产进行PCA 降维分析来确定的宏观因子，既将每一个宏观因子表示成大类资产的组合。 宏观风险资产配置中的 Alpha主要来自于三个地方： （1）宏观因子体系的认识：通过对经济、通胀、利率以及信用等宏观风险因子有深刻的理解及预判，投资者就可以比市场大部分投资者更准确评估资产预期收益，从而做出更加合理地配置资产组合。 （2）资产-风险映射：通过计算资产在不同宏观风险因子上的暴露，即资 2020年2月固定收益类基金投资策略报告 - 3 - 敬请参阅最后一页特别声明 产受哪些宏观因子驱动，清晰的资产风险结构可以更好地分散资产配置组合风险。这也是本模型重点解决的内容。与其说组合里持有一揽子资产，不如说是投资者持有一揽子宏观（风格）因子。因为宏观因子间的相关性比资产之间的相关性低，所以具有更好的风险分散属性。 （3）资产之间的动态相关性：合理的刻画资产之间的动态相关性有利于减少组合的尾部风险。资产本身相关性长期来看并不一致。在一些极端的经济状况下，资产价格的相关性会大幅提升。下图分别比较了全样本数据和 NBER 划分经济衰退期的差异。权益属性资产在金融危机时期，尾部风险大幅提高。 图表3：全样本资产价格的相关性 全样本 黄金 原油 商品 标普300 巴克莱美国国债指数 LME铜价 黄金 100% 原油 21.48% 100% 商品 48.67% 48.12% 100% 标普300 -8.25% 9.48% 22.13% 100% 巴克莱美国国债指数 8.60% -13.97% -9.48% -6.38% 100% LME铜价 26.73% 24.06% 47% 17.26% -19.10% 100% 来源：wind，国金证券研究所 图表4：NBER经济衰退期资产价格的相关性 全样本 黄金 原油 商品 标普300 巴克莱美国国债指数 LME铜价 黄金 100% 原油 36.22% 100% 商品 53.99% 59.56% 100% 标普300 -12.51% 12.42% 35.26% 100% 巴克莱美国国债指数 16.82% -36.48% -7.54% -2.70% 100% LME铜价 88.28% 57.15% 70.92% 33.31% -20.87% 100% 来源：wind，国金证券研究所 换到国内来看，2006-2008年间，股票的走势和原油的走势均为同向波动，且相关性较强，其背后的主要驱动因子为对经济增长的预期，经济强增长图表 2 SSGA宏观因子体系 来源： SSGA ,国金证券研究所 2020年2月固定收益类基金投资策略报告 - 4 - 敬请参阅最后一页特别声明 时，权益类资产的预期增长率上升推动资产价格上升，同时由于活跃的生产活动推高对大宗商品的需求导致商品价格上涨，而反之亦然。但股票和商品之间的强相关性在2014年下半年至2015年下半年间却出现了明显的失效，该段时间众所周知是A股的‚大牛市‛，美股同样稳步上涨，但商品的表现却明显走弱。而回顾该段时间的经济增长表现却是没有出现明显的改变，换言之在该窗口期内，原有的经济增长预期已不再是影响该段时间‚股票-商品‛的核心影响因子。而是在供给持续加大的背景下，美元的暴涨导致需求大幅下行引起商品价格暴跌，因而‚汇率‛因子取代‚经济增长‛因子在其中起到了主导作用。 1.3 主成分分析原理介绍 刻画宏观因子走势有两种途径：一是使用真实经济数据构建的宏观因子。但是由于各种经济变量之间存在并不稳定的领先滞后期，所以这一方法下的宏观因子刻画对于投资时间窗口的影响也难以精确把握。二是通过主成分降维（PCA）提取资产价格背后对应的宏观因子，这也是本模型使用的方法（海外投资机构道富、高盛等主要采取此种方法）。由于宏观因子本身由资产价格构造，因此属于同步同频的高频因子，对于短期的情绪也能有较好的把握。 资产降维就是采用量化方法将大类资产走势中‚共性‛的驱动因子提取出来，且有效地去除自身的噪音。使用PCA的方式构建宏观因子有其特有的优势：每一个宏观因子都是大类资产的组合，避免了由于真实宏观因子低频、滞后性带来的麻烦。PC因子的正交性天然满足了底层配置模型对于输入变量低相关性的要求，通过转向宏观因子的风险控制更容易降低组合在极端情况下的波动。 1.4 宏观因子的收益矩阵与风险矩阵 建立宏观因子到大类资产的映射：降维后的主成分RF均为原有输入变量X通过特征矩阵E映射得到的线性组合： 定义 12nE = e ,e ,...,e 为n维特征向量组成的特征矩阵，则 TR F = E X , 因此，通过特征矩阵E,我们可以实现由大类资产到宏观因子的拆解。 收益率矩阵定义比较简单： _Tr is kfa c to ra s s s e tRE R 从大类资产的协方差矩阵到风险因子的协方差矩阵的转换，则再一次需要用到 PCA的特殊性质：正定性。 已知大类资产a s s s e tR 的协方差矩阵，由于协方差矩阵是是对称矩阵，可以使 用特征矩阵进行对角化分解： 1EE   其中， 对角元素为特征向量对应的特征值。 1000000n1 11111nnnn nneeXRFR FeeX 2020年2月固定收益类基金投资策略报告 - 5 - 敬请参阅最后一页特别声明 1.5 回测模型 本模型考虑国内银行保险等资产管理机构的中长期主要资产配置需求，努力探求A股股票和债券两大类资产间的配置关系，并适当细分探求细分资产或风格轮动，暂不考虑部分由非投资因素影响配置的现金资产、净值化程度不高的非标资产以及股权资产，同时对于配置尚较少的黄金、原油、海外市场等资产也尚不纳入考量。 因此，在回测模型中我们主要用到的资产为A股（二级市场）和债券，具体细分标的资产选择为：'沪深 300'、'中证500'、'中债10年期国债总财富'、'中债3-5年国债总财'、'中债1-3年期信用债'，而其他资产暂不做考虑。回测时间起始点：‘2010-01-01’；结束点：‘2019-12-31’。 上述细分标的资产的走势图如下：资产走势受到几个共同因子的驱动。接下来就是如何提取共同驱动因子以及如何运用该因子优化组合。 图表5：大类资产走势 来源：wind，国金证券研究所 从资产降维的结果来看，影响国内资产配置（主要是股债）组合收益可以分解为经济增长风险、利率风险、 信用风险、期限利差风险、和大小盘轮动等宏观风格因子。宏观因子都是服从经济逻辑，模型有较高解释性。对上述资产进行主成分分析，得到在5个主成分上的暴露整体如下： 第一主