基于宏观超预期状态的行业配置策略

金融工程/2024.12.04 基于宏观超预期状态的行业配置策略梁誉耀(分析师) 021-38038665 liangyuyao026735@gtjas.com 登记编号S0880524080003 本报告导读： 金融工 程 数量化专 题 证券研究报 告 本文监测各宏观指标的超预期状态，测算各行业对于宏观指标超预期状态的敏感程度，并以此构建了投资策略。 投资要点： 宏观经济数据的真实值与市场预测值之间的差异（超预期量）可能影响投资者的决策，从而影响资产价格。我们从Wind和Bloomberg收集了22个宏观预期指标，共分为6类。Bloomberg在多数指标上的预测准确度更高。 我们将超预期量（真实值-预测值）划分为六种状态，分别为超（低于）预期、连续超（低于）预期、边际状态、趋势状态、绝对高低 和反转。每种状态内部又涉及多组参数，以此来遍历指标的参数空间，整体评估指标对资产价格的影响。以MLF1年利率为例，在2022年至2024年整体处于超预期状态。 宏观指标对行业的影响方向往往难以确定，若单从逻辑进行判断，则可能既有正向的逻辑也有反向的逻辑。比如利率对银行盈利的影响，降低利率时银行贷款的收益率下降，是反向逻辑；但降低利 率可能导致贷款量增加，是正向逻辑。因此，本文以数值测试得出的实验方向为主，并以逻辑常识进行修正，最终确定指标方向。 根据各组参数的回测结果，我们得到了各指标对于各行业的重要性得分。以钢铁为例，固定资产投资、房地产开发和工业生产等对 其较重要。例如，LPR1年、LPR5年等利率类指标得分较高，表 明钢铁行业对融资成本的变化较为敏感；同时，制造业PMI和工业增加值同比得分较高，反映了经济扩张和制造业活跃对行业需求的正向带动。 使用指标得分加权，我们可以计算各行业的得分。半个月调仓一次，得分Top5行业组合年化超额收益率为14.84%，超额收益较为稳定。该策略的年化双边换手为23.34倍，胜率为55.34%。此外，采用拟合度最低的指标间等权策略的年化超额为6.14%，虽然超额收益有所降低但仍然存在，这说明模型的过拟合风险可控。截至2024年11月20日，电子、机械设备、综合、家用电器和计算机的得分较高。 风险提示：本文模型根据历史数据建立，随着市场环境的变化，指标的作用方向和作用强度可能发生变化，请注意模型失效的可能性。此外，本结论仅从量化模型推导得出，与研究所其他研究团队的观点不重合，有关研究所其他研究团队对上述行业的观点，请参考相关已发布的研究报告。 相关报告 量化视角多维度构建大小盘风格轮动策略 2024.11.02 从股本分布看宽基指数择时2024.08.30 全自动构建全一级行业景气指数的方法 2024.08.19 从股价抛压视角构造行业轮动策略2024.07.19 如何使用期权对冲指数波动风险2024.07.12 目录 1.引言3 2.构建宏观超预期量3 2.1.选择预期数据3 2.2.处理发布日期5 2.3.分类宏观经济指标6 2.4.计算超预期量8 3.构建宏观超预期投资模型9 3.1.定义指标状态9 3.2.确定指标方向12 3.2.1.计算实验方向12 3.2.2.确定最终方向14 3.3.计算参数、状态、和指标的得分15 3.4.计算行业得分22 4.策略回测：降低参数优化层次以减小过拟合嫌疑24 5.总结28 6.风险提示29 1.引言 宏观经济数据的真实值与市场预测值之间的差异（超预期量）可能影响投资者的决策，从而影响资产价格。 本文内容如下：第一，本文收集了22个宏观预期指标。第二，我们对数据进行了简单的分析，将Wind和彭博两大数据提供商的预期数据进行了比对。第三，我们定义了各宏观指标的超预期状态，共分六种状态，每种状态内部又涉及多组参数，以此来遍历指标的参数空间，整体评估指标对资产价格的影响。第四，对于测试表现不合常识的指标，我们从逻辑出发对其作用方向进行了调整。最终，我们得到了各指标在各种状态下对于各个行业的重要性得分，并据此构建了宏观超预期视角下的行业打分与量化投资策略。 2.构建宏观超预期量 2.1.选择预期数据 第一步是收集宏观指标的真实值与预测值数据。彭博和万得是中国宏观经济一致预期数据的两大主要提供商。在宏观经济数据公布之前，彭博和万得会收集经济学家的研究报告或通过调查问卷获取预期数据，并将这些结果汇总生成宏观一致预期数据。 （1）数据来源 Wind的宏观预期数据主要来源于国内券商的首席经济学家和券商研究所的宏观首席分析师，其预期数据基于这些机构撰写的研究报告中的预测数据，并通过计算预测值的平均值得出。 图1：Wind中国预测板块 数据来源：Wind，国泰君安证券研究 图2：Wind一致预测数据说明 数据来源：Wind，国泰君安证券研究 相比之下，Bloomberg的宏观预期数据主要来自外资银行或外资券商的经 济学家。除了提供预测的平均值、最小值和最大值外，Bloomberg还额外收录了预测的中位数和预测标准差。 图3：Bloomberg宏观预测数据明细 数据来源：Bloomberg，国泰君安证券研究 （2）数据更新机制 Wind和Bloomberg的数据更新时间不定，通常取决于重大的金融机构预测报告的发布频率和数据更新周期。尽管如此，Bloomberg会在重要经济数据发布前及时更新预期数据，以确保用户能够获得最新的信息。彭博定期更新中国宏观经济预测数据，通常每周发布一次摘要表，展示对关键经济指标的中位数预测。这些指标包括PPI同比增长率、工业增加值同比增长率、固定资产投资累计同比增长率和M2同比增长率等。 图4：Bloomberg彭博中国经济预测调查：摘要表 数据来源：Bloomberg，国泰君安证券研究 （3）预测准确度 为了评估Bloomberg和Wind预测值的数据准确度，我们计算了部分同比指标的预期误差的均方根误差（RMSE），和社会融资规模和新增人民币贷款的预期误差比例。 � 𝑅𝑀𝑆�=√1∑(𝑦𝑝𝑟𝑒�−𝑦𝑎𝑐𝑡𝑢𝑎𝑙)2 ��� 𝑖=1 �−� 𝑝𝑟𝑒�𝑎𝑐𝑡𝑢𝑎� 预期误差比例= �� � 𝑎𝑐𝑡𝑢𝑎� � 其中：𝑦𝑎𝑐𝑡𝑢𝑎�为第i个真实值；𝑦𝑝𝑟𝑒�为第i个预测值；n为样本数。Bloomberg �� 预测值数据选择的是预测值均值。 由图5：可以看出，除了工业增加值同比和新增人民币贷款外，其他指标中Bloomberg的预测误差普遍较小，预测精度优于Wind。 图5：彭博预测值准确度优于wind预测 数据来源：Bloomberg，Wind，国泰君安证券研究 2.2.处理发布日期 关于宏观经济指标真实值的发布时间，目前国内的Wind和iFind只能提供最近的更新时间，无法查询历年的具体发布时间记录。彭博可以通过Excel插件进行读取。结果显示，大多数指标集中在以下时间段发布 表1：中国宏观经济指标发布时间点（北京时间） 经济指标发布时间 LPR1年(%)；LPR5年(%)；财新制造业PMI:中采非制造业PMI;财新服务业PMI 9:00-10：00 CPI同比(%);PPI同比(%)9:30 工业增加值同比(%);固定资产投资完成额累计同比(%);房地产开发投资完成额累计同比(%);城镇调查失业率(%) 10:00-11：00 数据来源：Bloomberg，国泰君安证券研究 需要注意的是，由于彭博终端提供的宏观经济指标发布时间基于美国时间 （ECO_RELEASE_DT），与中国时间存在12小时的时差，因此在北京时 间中午12点前公布的指标，其美国时间记录需要做+1天的调整，以确保反映实际的中国发布时间。 2.3.分类宏观经济指标 最后，基于Wind和Bloomberg我们选择如下22个宏观经济指标，大致可以分成10大类： (1)经济:财新制造业PMI、财新服务业PMI、中采非制造业PMI (2)失业率：城镇调查失业率(%) (3)通胀：CPI同比(%)、PPI同比(%) (4)利率：LPR1年(%)、LPR5年(%)、MLF1年(%) (5)信用：M1同比(%)、M2同比(%)、新增人民币贷款(亿元)、社会融资规模(亿元)、MLF1年贷款金额(亿元) (6)工业：工业增加值同比(%) (7)消费：社会消费品零售总额同比(%) (8)投资：固定资产投资完成额累计同比(%)、房地产开发投资完成额累计同比(%) (9)进出口：进口同比(%)、出口同比(%)、贸易差额(亿美元) (10)外汇储备：外汇储备(亿美元) 表2：选择的中国宏观经济指标 宏观维度宏观经济指标最早数据日最近数据日有效数据个数真实值来源预期值来源发布日期来源 财新制造业 经济 失业率 PMI 财新服务业PMI 中采非制造业PMI 城镇调查失业率(%) 2009-11-012024-10-31181WindBloombergBloomberg 2021-12-032024-11-0536BloombergBloombergBloomberg 2018-01-312024-10-3182BloombergBloombergBloomberg 2020-06-152024-11-1550WindBloombergBloomberg CPI同比(%)2001-07-192024-11-09251WindBloombergBloomberg 通胀 PPI同比(%)2005-08-102024-11-09232WindBloombergBloomberg LPR1年(%)2019-11-202024-11-2061BloombergBloombergBloomberg 利率LPR5年(%)2019-11-202024-11-2061BloombergBloombergBloomberg MLF1年(%)2022-04-152024-10-2530WindBloombergBloomberg M1同比(%)2016-03-112024-11-11105WindBloombergBloomberg M2同比(%)2004-07-132024-11-11232WindBloombergBloomberg 新增人民币贷 款(亿元) 信用 社会融资规模 (亿元)MLF1年贷款金额(亿元)工业增加值同 工业 比(%) 社会消费品零 消费售总额同比(%) 固定资产投资完成额累计同 比(%) 投资 房地产开发投 资完成额累计同比(%) 2010-05-102024-11-11175WindBloombergBloomberg 2018-12-112024-11-1172WindBloombergBloomberg 2022-06-152024-10-2526BloombergBloombergBloomberg 2001-03-142024-11-15217BloombergBloombergBloomberg 2001-12-142024-11-15217WindBloombergBloomberg 2005-09-152024-11-15212WindBloombergBloomberg 2020-06-152024-11-1550WindBloombergBloomberg 进出口 贸易差额 进口同比(%)2008-04-122024-11-07190WindBloombergBloomberg 出口同比(%)2003-06-112024-11-07232WindBloombergBloomberg 贸易差额(亿 2008-04-122024-11-07190WindWindBloomberg 美元) 外汇储备(亿 2008-04-112024-11-07135WindBloombergBloomberg 美元) 数据来源：Bloomberg，Wind，国泰君安证券研究 需要说明的是，由于Bloomberg的预测精度高于Win