【专题报告】宏观因子FMP组合

研究背景 资产配置是投资组合管理中的一项重要策略，通过在不同资产类别之间进行分散投资，以实现风险和收益的平衡。在现代投资理论中，风险暴露的控制是资产配置的核心要素之一。随着全球金融市场的不断发展和演变，基于资产类别进行分散投资的传统资产配置方法面临越来越多的挑战。近年来的市场波动事件表明，仅依靠资产类别的多样化已不足以应对极端市场状况带来的风险，尤其是在金融危机期间，许多资产类别在危机中表现出高度的相关性，从而导致投资组合在关键时刻失去了应有的防御功能。在这种背景下，宏观因子量化方法逐渐受到关注和重视。宏观因子量化方法通过识别并利用驱动资产回报的系统性宏观风险因子，可以辅助理解和预测市场行为，帮助投资者在不同的经济环境下实现更有效的风险管理和收益优化。 宏观因子的因子模拟组合构建方法 从不同的逻辑角度出发，共有两种构建因子模拟组合（Factor Mimicking Portfolio,FMP）的逻辑思路，最小化错误定价组合和最大化相关性组合。本文详细的介绍了两种因子模拟组合构建方法的底层逻辑，以及相应的公式推导，并列出了在构建因子模拟组合中可能遇到的问题以及解决方法，最终给出了构建因子投资组合的具体流程与步骤。 宏观因子的因子模拟组合构建过程 本文使用的宏观因子包括经济增长、通胀、利率、信用利差、期限利差、汇率以及流动性等七个因子，在构建模拟组合的时候先使用Lasso筛选出与目标因子相关的特征，再使用PCA（PrincipalComponentsAnalysis）提取这些特征的主成分，最后使用这些主成分来拟合原始因子，并在拟合的过程中通过使用自定义参数K来控制拟合效果，最终将得到的拟合出来的因子值作为原始因子值的工具变量，从而计算出每个因子模拟组合。这样操作的目的是为了解决参数估计中的EIV（ErrorsinVariables）问题，并且在这种方法下得到的因子模拟组合的暴露更加统一，即在目标因子上的暴露为1，其余因子暴露皆为0。 宏观因子模拟组合对资产的解释度 我们将得到的宏观因子与大类资产和行业指数收益率做回归，得到了资产在各个宏观因子上的暴露情况。综合来看所计算的宏观因子组合对于大部分大类资产以及行业指数的解释度较高，且暴露情况符合经济逻辑，由此可以将其用于资产组合的风险归因以及资产配置。 风险提示： 本报告中所有统计结果和模型方法均基于历史数据，不代表未来趋势。 投资主题 报告亮点 本文使用了最大化相关性组合的思路，使用了PCA、工具变量等技术构建了7个不同宏观因子的因子模拟，此方法下构建出来的模拟组合在目标因子上的暴露为1，其余因子上的暴露为0，并且对大部分资产收益率的解释力度较强。 投资逻辑 风险控制对于组合管理而言是至关重要的一环，我们构建的宏观因子模拟组合可以帮助投资者在因子暴露的层面对组合的风险暴露进行更好的控制与管理。 一、研究背景 资产配置是投资组合管理中的关键策略之一，通过在不同资产类别之间分散投资，以平衡风险与收益。在现代投资理论中，控制风险暴露是资产配置的核心要素之一。传统的资产配置方法主要基于各类资产本身的特性，通常通过在股票、债券、现金及其他资产之间进行分配来分散风险。这一策略涉及对投资资金进行精细分配，涵盖股票、固定收益证券、现金等价物、房地产和大宗商品等多种资产类别。每种资产类别都有其独特的风险和收益特征，并在不同的经济周期中表现出不同的市场相关性。 通过精心设计的资产配置方案，投资者能够在风险承受能力与预期收益之间实现精准平衡，从而达成投资目标。要实现这一目标，不仅需要对各类资产的风险收益特性有深刻理解，还需具备对市场条件、经济周期及资产间相互作用的敏锐洞察。专业的资产配置策略为投资者提供了一个结构化的框架，在追求长期资本增值的同时，维持投资组合的稳定性。 随着市场环境的日益复杂和投资工具的多样化，单纯依赖资产种类或风险特征的传统配置方法已难以全面有效地控制风险暴露。近年来，因子投资逐渐受到广泛关注和应用。 因子投资通过识别驱动资产收益的共同因子，从更深层次理解和控制风险暴露。以因子为核心的风险管理方法能够更精确地揭示并调整投资组合中的潜在风险来源，提供更有效的风险控制手段。在这种背景下，投资者不再仅仅关注具体的资产，而是更注重这些资产背后的风险因子，从而实现更科学和高效的风险管理。这种转变反映了大类资产配置方法的进化，是应对复杂市场环境和提升投资绩效的重要途径。 （一）以资产种类为核心 资产配置的早期形式可以追溯到20世纪初期，当时的投资者通过简单的资产分散化策略，如将资金按照一定比例分配到股票和债券上，来降低单一资产类别的风险。这种分散化策略虽然缺乏系统的理论和量化分析，但已经体现了风险管理的基本思想。 1952年，Harry Markowitz提出了均值-方差模型（MVO），这一模型通过数学方法量化了资产的风险和收益，为资产配置提供了一个系统化和量化的框架。MVO模型的核心在于通过优化组合的风险和收益，寻找到在给定风险水平下预期收益最大化的投资组合。 图表1 MVO示意图 上图展示了由4个随机生成的资产所构成的10000个不同权重的随机组合，这样做的目的是模拟不同投资组合的表现。图表的横轴表示风险（标准差），纵轴表示回报，点的颜色表示夏普比率。 在MVO框架中，最重要的概念就是有效前沿(Efficient Frontier)。有效前沿代表了在给定风险水平下能够实现的最大预期回报，或者在给定预期回报水平下能够实现的最小风险。 这条前沿展示了所有可能的最优投资组合，任何位于有效前沿上的组合都被认为是“有效的”，因为它们提供了最佳的风险-回报权衡，而在此图中，有效前沿则是位于所有可能组合点的上边界的平滑弧线。 （二）以风险为核心 在以资产分类为核心的传统资产配置策略中，MVO方法占据了重要地位，通过优化资产类别之间的权重，实现预期回报与风险的最佳平衡。然而，随着金融市场的日益复杂和波动加剧，仅仅依靠资产类别的多样化不足以应对系统性风险和极端市场环境，这促使投资者开始探索以风险为核心的新型资产配置策略，更好地实现资产风险的分散化与风险暴露的控制。 桥水基金（Bridgewater Associates）提出的全天候策略（All Weather Strategy）便是这种方法的典型代表。该策略的核心理念是通过风险配置而非资产种类配置来实现投资组合的稳定性和持续回报，通过识别并管理不同经济环境和市场条件下的优势大类资产来实现风险的分散化。该策略认为，市场的表现受到四大主要经济环境（增长、通胀、衰退和通缩）的影响。通过对这四种经济环境的深入分析，全天候策略将投资组合的风险暴露进行动态调整，以确保在每一种经济环境下都能有效分散和控制风险。这种以风险为核心的方法，使得全天候策略能够在各种市场情景中实现稳定和持续的投资回报。具体来说，全天候策略会根据不同经济环境下的风险特征，动态调整各类资产（如股票、债券、大宗商品和现金）的配置比例，从而在不同的市场周期中实现最佳的风险收益平衡。 全天候策略以其独特的风险配置理念和动态调整机制，为投资者提供了一种在复杂多变的市场环境中实现稳健投资的有效途径。这一策略的成功应用，也为风险平价（Risk Parity）等现代投资理论的发展奠定了重要基础。 图表2桥水基金全天候策略 （三）以因子为核心 以资产或者以风险为核心的资产配置方法的主要优点在于其简便性和直接性，投资者可以通过分散投资于不同资产类别来降低风险。然而，这种方法也存在一些局限性，特别是在市场出现系统性风险时，各资产类别之间的相关性可能会显著增加，导致分散投资的效果减弱，引用Sébastien Page在《When Diversification Fails》文中的描述“diversification seems to disappear when investors need itthe most”，换句话说在市场下行甚至是金融危机的时候，不同资产间的相关性会显著提高，从而导致组合的风险分散能力降低。 鉴于此，投资者和资产管理者开始探索新的策略，以期在多变的市场环境中实现更为有效的风险管理和收益最大化。这种探索引导我们走向了以因子为核心的资产配置策略，该策略通过识别和利用驱动资产收益的关键经济和市场因子，提供了一种更为深入和系统化的投资方法。这种方法不仅考虑了资产的个体特性，还考虑了它们在更广泛经济环境中的作用和表现。 一般来说，在因子投资的框架下，资产的收益率存在表达式： 𝑅=𝛼+𝛽𝑋+𝜀 𝑡 𝑡 𝑡𝑡 𝑡 其中𝑅为资产超额收益率向量，𝛼为不能被因子解释的alpha收益率，𝛽和𝑋分别为因子的暴露矩阵和因子收益率向量，𝜀为资产的特质收益率向量。 𝑡 𝑡 𝑡 𝑡 𝑡 基于因子的资产配置策略首先需要确定影响资产回报的主要因子，这些因子可以通过历史数据分析、经验总结和其他统计方法来识别。接着，利用这些因子构建资产的风险和回报模型，量化每种资产对不同因子的暴露程度。在得到每种资产在不同因子上的暴露之后，计算得到组合在不同因子上的暴露，最后结合市场预期和经济环境，动态调整资产的配置比例以匹配投资者对于不同因子的目标暴露需求。 由此可见对于以因子为核心的资产配置模型而言，因子的选择往往是至关重要的一环，那么宏观因子是否对于大类资产配置有着指导意义呢？其实许多我们熟知的策略比如著名的美林时钟和上文提到的全天候策略即使没有对宏观因子做出定量分析，都在他们的配置框架中引入了宏观因子的思想。 美林时钟通过分析经济周期的四个阶段（复苏、过热、衰退和萧条），为投资者提供在不同经济环境下的投资指南，帮助他们在每个经济阶段选择最优的资产类别。这一框架利用了经济增长和通胀等宏观因子，对市场变化做出了预测和应对，为投资者提供了指导性意见。 图表3美林时钟 美林时钟和全天候策略的成功侧面验证了宏观因子在大类资产配置方面的有效性，也为投资者提供了强有力的工具，使他们能够做出更为科学和理性的投资决策。然而，这两种方法对于宏观因子的运用主要停留在定性研究阶段，这在应对复杂多变的市场环境时存在一定的局限性和不确定性。在这种背景下，宏观因子量化研究方法逐渐受到关注和重视。 对宏观因子进行定量研究的必要性在于，了解大类资产在宏观因子上的具体暴露，可以显著提升资产配置策略的系统性，让我们能够测量和分析不同资产类别对关键宏观因子的敏感性，包括经济增长、通货膨胀、利率变化等，以动态地调整投资组合以响应实时的经济数据和市场变化。但宏观指标普遍存在频率低，不可交易等特点，所以为了对宏观因子进行定量研究，我们需要对宏观因子构建模拟组合。 二、宏观因子的因子模拟组合构建方法 从不同的逻辑角度出发，共有两种构建因子模拟组合（Factor Mimicking Portfolio,FMP）的逻辑思路，最小化错误定价组合（Pukthuanthong2022）和最大化相关性组合（Jurczenko 2022）。 （一）最小化错误定价组合 回顾上文提到的因子模型： 𝑅=𝛼+𝛽𝑋+𝜀 𝑡 𝑡 𝑡𝑡 𝑡 在因子模型中𝛼定义为所选因子无法解释的部分，即模型的错误定价部分，而最小化错误定价组合顾名思义就是构建一个因子模拟组合让最终拟合出来的𝛼尽可能小，则有： 𝑡 𝑡 ′ min𝛼𝛴𝛼 𝑤 ′ ̃ 𝑠.𝑡.𝑐𝑜𝑣(𝑤𝑅,𝑅)=𝑐𝑜𝑣(𝑋,𝑅) 其中w为FMP中各资产的权重，Σ为用于控制不同资产间的错误定价部分的权重矩阵由 ̃ ̃ 使用者定义，X为我们不可交易的因子X=X+ε，X为因子在超额收益空间的投影，即X为超额收益的线性组合，ε为均值为0统计误差且cov(ε,R)=0。在以上最小化问题中，限制条件为模拟组合与任意资产收益率的协方差与因子与该资产收益率的协方差相当，即最终模拟组合的波动率等于原始因子的波动率，由此可推导出因子