大类资产配置月报：股债框架下宏观风险配置策略(2022年4月期)

- 1 - 敬请参阅最后一页特别声明 于子洋 联系人 （8621）60753902 yuziyang＠gjzq.com.cn 张剑辉 分析师 SAC执业编号：S1130519100003 (8610)66211648 zhangjh＠gjzq.com.cn 股债框架下宏观风险配臵策略（2022年4月期） 基本结论  月度行情回顾（2022年3月） 2022年3月大类资产表现排序为大宗商品市场领先债券市场与权益市场，人民币继续走强。权益市场受国外政治、国内经济与疫情等因素影响，3月上半月调整较大，而3月16日金稳委会议后，市场驱动因素已从情绪逐渐回归基本面；债券收益率全月维持震荡；大宗商品则继续快速上涨，上涨幅度较大。 2022年3月，宏观风险配臵策略收益率为-0.10%，全年已实现收益率0.73%,年化收益率为3.17%,年化波动率为1.88%，年化夏普比率1.68。  股债框架下的宏观风险最新配臵建议：配臵结论基本保持稳定，股票整体仓位微降，相较长期继续低配股票 截至2022年3月底，我们构建的股债框架下的宏观风险配臵组合（完全量化，未对宏观风险进行主观预测）建议如下：沪深300配臵比例为0.39%，中证500比例为0.92%，中债10年期国债比例为47.22%，中债3-5年期国债比例为48.50%，中债信用债比例为42.97%，总体杠杆1.4倍。 最新一期模型整体略微减少了对于经济增长因子暴露最多的股票资产的配臵，长期债券和短期债券配臵有所上升。  宏观风险配臵策略 宏观风险配臵策略主要是从战略资产配臵的角度出发，在各大类资产间进行长期的、整体性的规划，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臵转为宏观风险因子配臵。 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臵需求，努力探求股票和债券两大类资产间的配臵关系，并适当探求细分资产或风格轮动。本模型通过主成分分析的方法，构建了基于股债的宏观因子体系，宏观因子包括：经济增长、利率、信用、期限利差与规模风格。最后模型通过风险预算模型优化求解大类资产的配臵权重。 从2011年至今，宏观风险配臵策略年化收益率为6.29%，年化波动率为2.12%，夏普比为2.97，最大回撤为5.84%。从历年风险收益表现看，配臵效果保持较好的稳定性。 风险提示：历史数据不被重复验证风险、大类资产与宏观风险因子的相关关系失去稳定性的风险、国际政治摩擦升级等带来各大类资产同向大幅波动风险。 2022年4月1日 大类资产配置月报 量化投资策略报告 证券研究报告 金融产品研究中心 2022年3月量化投资策略报告 - 2 - 敬请参阅最后一页特别声明 第一部分：行情回顾及最新配臵建议 1.1 大类资产行情回顾 2022年3月大类资产表现排序为大宗商品市场领先债券市场与权益市场，人民币继续走强。权益市场受国外政治、国内经济与疫情等因素影响，3月上半月调整较大，而3月16日金稳委会议后，市场驱动因素已从情绪逐渐回归基本面，全月来看，上证综指2022年3月下跌6.07%，沪深300下跌7.84%，创业板指下跌7.70%；债券市场上，债券收益率全月维持震荡，10年期国开债活跃券3月收益率持平，3月31日收3.03%；大宗商品则继续快速上涨，原油价格全月上涨8.74%，黄金上涨1.41%，南华综合指数整体上涨10.49%。 图表1：国内大类资产2022年3月表现 大类资产 2022年3月 2022年至今 000001.SH 上证综指 -6.07% -10.65% 000016.SH 上证50 -5.91% -11.47% 000300.SH 沪深300 -7.84% -14.53% 000905.SH 中证500 -7.71% -14.06% 399006.SZ 创业板指 -7.70% -19.96% CBA00101.CS 中债新综合财富 0.08% 0.77% CBA02701.CS 中债信用债财富 -0.03% 0.65% SCFI.WI 上期所原油 8.74% 33.69% AUFI.WI 上期所黄金 1.41% 5.08% NH0100.NHF 南华综合指数 10.49% 23.00% CNYX-BIS 人民币汇率指数 0.15% 1.78% USDCNY 美元兑人民币 0.51% -0.47% 来源：wind，国金证券研究所；截至2022年3月末 图表2：国内大类资产2022年3月表现 来源：wind，国金证券研究所 1.2 宏观风险配臵策略3月表现及最新配臵建议 股债框架下的宏观风险最新配臵建议：配臵结论基本保持稳定，股票整体仓位微升，但相较长期继续低配股票。 2022年3月，宏观风险配臵策略收益率为-0.10%，全年已实现收益率0.73%,年化收益率为3.17%,年化波动率为1.88%，年化夏普比率1.68。 10.49% 8.74% 1.41% 0.51% 0.15% 0.08% -0.03% -5.91% -6.07% -7.70% -7.71% -7.84% -10%-5%0%5%10%15% rPpPmMtR6MdN8OoMrRmOnPkPnNtPlOqQoMaQmMwPMYnNnMwMpNnO2022年3月量化投资策略报告 - 3 - 敬请参阅最后一页特别声明 图表3：宏观风险配臵策略2021年以来净值表现 来源：wind，国金证券研究所；截至2022年3月末 截至2022年3月末，我们构建的股债框架下的宏观风险配臵组合（完全量化，未对宏观风险进行主观预测）建议如下：沪深300配臵比例为0.39%，中证500比例为0.92%，中债10年期国债比例为47.22%，中债3-5年期国债比例为48.50%，中债信用债比例为42.97%，总体杠杆1.4倍。最新一期模型整体略微减少了对于经济增长因子暴露最多的股票资产的配臵，长期债券和短期债券配臵有所上升。 图表4：近3个月宏观风险配臵策略配臵比例 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 中债信用债 杠杆 2022-01-28 0.04% 1.18% 47.28% 48.39% 43.11% 140.00% 2022-02-28 0.50% 1.03% 47.15% 48.36% 42.97% 140.00% 2022-03-31 0.39% 0.92% 47.22% 48.50% 42.97% 140.00% 来源：wind，国金证券研究所 第二部分 宏观风险配臵策略原理 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，因此配臵理念从资产配臵转变为风险配臵。风险配臵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。这两点是资产配臵科学决策的关键。 本篇报告是刻画以宏观风险因子为核心的股债配臵策略，主要解决上述的第二个挑战。由于宏观数据的公布频率较低，且时效性较差，本策略不通过宏观数据来构建宏观风险因子，而是将大类资产的收益拆解为不同宏观风险的暴露，从而构建宏观因子。本文采用主成分分析的方法构建了利率、经济增长、信用、期限利差、规模风格5大宏观风险因子，并通过风险预算模型赋予宏观风险不同的风险预算，由此得出大类资产的配臵权重，从而控制宏观风险暴露，提升收益风险比。 通过模型优化，可以将组合风险按照配臵系数分散到不同的宏观风险上，即可实现宏观层面的风险分散，而非资产层面的均衡。而通过建立宏观风险因 2022年3月量化投资策略报告 - 4 - 敬请参阅最后一页特别声明 子与金融资产之间的映射关系，我们可以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的预判时，就可以给对应的宏观因子配臵更高风险预算。 2.1以宏观因子为框架的大类资产配臵 宏观因子大类资产配臵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：经济增长、通胀、利率、汇率等宏观因子。宏观风险资产配臵中的超额收益主要来源于以宏观因子体系之间的低相关性取代大类资产中时变动态相关性，以及对于未来宏观风险的预判把握准确性。 图表5：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臵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。 刻画宏观因子走势一般有两种途径：一是使用真实宏观经济数据构建的宏观因子，但是由于宏观数据的公布频率较低，时效性较差，且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。二是通过主成分分析将大类资产的收益拆解为不同宏观风险的暴露，提取资产价格背后对应的宏观因子。本报告使用了方法二（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。 2.2 主成分分析 主成分分析也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。使用主成分分析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。主成分分析后得到的宏观风险因子的正交性天然满足了底层配臵模型对于输入变量低相关性的要求，通过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。 具体来说，记含푝个资产的收益率矩阵为푋： 푋=[푥11⋯푥1푝⋮⋱⋮푥푛1⋯푥푛푝] 2022年3月量化投资策略报告 - 5 - 敬请参阅最后一页特别声明 为得到宏观因子，我们首先将大类资产的收益率矩阵进行标准化处理: 푥푖푗∗=푥푖푗−푥푗̅푣푎푟(푥푗) 其次，需计算标准化处理后大类资产矩阵的相关系数矩阵푅： 푅=[푟11⋯푟1푝⋮⋱⋮푟푝1⋯푟푝푝] 接着，用雅克比方法求相关系数矩阵푅的特征值（휆1，휆2，...，휆푛），和相应的特征向量퐸： 퐸=[푒11⋯푒1푝⋮⋱⋮푒푝1⋯푒푝푝] 最后，降维后的主成分푅퐹即宏观因子收益率矩阵，可以表示为原有输入变量푋通过特征矩阵퐸映射得到的线性组合： 푅퐹=퐸∙푋 因此，通过特征矩阵퐸，我们可以实现由大类资产到宏观因子的拆解，同时，特征矩阵퐸代表着由原始收益矩阵转变为宏观因子收益矩阵的线性组合系数。线性组合的不同，代表着降维后的主成分综合了大类资产中某种不同的共性，从而使得主成分构成了不同的宏观风险因子。 2.3 风险预算模型 在大类资产投资中，风险平价模型是其中一个较为经典的模型，它利用大类资产间的低波动特征，让各类资产的风险暴露处于相同的水平，从而抵御突发的风险事件，平滑组合的投资波动。而风险平价严格限制不同资产的风险水平，无法根据资产的不同特性和投资者的具体需求进行调整。在此基础上，风险预算模型应运而生，风险预算模型可以根据投资者的判断和喜好，将不同大类资产的风险设定在特定符合需求的水平。对于宏观风险配臵策略，投资者本身愿承担的宏观风险各不相同，不同的宏观风险因子应设定在不同的水平上，因此，风险预算模型更加符合我们的风险控制目标。 风险预算模型的原理是，通过约定各个投资资产对于组合的风险贡献，以各个资产的风险贡献的跟踪误差最小化为优化指标，计算得到各个资产的配臵权重，达到主观控制和调整资产风险的目的。 为进行风险预算模型的优化求解，在通过主成分分析得出宏观风险因子之后，我们首先要实现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。已知大类资产收益率矩阵푋的协方差矩阵为Ω，由于协方差矩阵是对称矩阵，