《20220606-国金证券-大类资产配置月报基于宏观因子风险预算的资产配置策略.pdf》由会员分享，可在线阅读，更多相关《20220606-国金证券-大类资产配置月报基于宏观因子风险预算的资产配置策略.pdf（16页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、 - 1 - 敬请参阅最后一页特别声明 于子洋于子洋 联系人联系人 （ 8621）60753902（ 8621）60753902 张剑辉张剑辉 分析师分析师 SAC 执业编号：执业编号：S1130519100003 (8610)66211648 基于宏观因子风险预算基于宏观因子风险预算的的资产配臵资产配臵策略策略 基本结论基本结论 本文从马科维茨的均值方差模型和风险平价模型出发，为减少大类资产动态时变相关性对于模型的尾部风险，报告将传统的大类资产层面配臵转为宏观因子的配臵。模型从战略资产配臵的角度出发，在绝对收益的目标下，对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
2、，从而实现更加稳定的资产配臵。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，我们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，最终构建了追求绝对收益的 3 种宏观因子配臵策略。 我们通过主成分分析的方法，构建了基于国内股债的宏观因子体系。经历史数据检验，宏观因子具有较明确的经济学含义，构造出的 5 个宏观因子分别代表着利率因子、经济增长因子、信用因子、期限利差因子与规模风格因子。其中解释力度最强的是利率因子和经济增长因子。经济增长因子年化收益最高，但波动也最剧烈；利率因子受市场收益率变动影响较大，反映了债券市场整体的情况。 配臵策略的构建上，报告首先从宏
3、观风险的角度，构建了固定预算的风险预算模型策略。从 2013 年至今，在 1.4 倍杠杆下，风险预算配臵策略年化收益率为 6.03%，年化波动率为 2.73%，夏普比为 2.21，最大回撤为 6.42%。经参数敏感性检验，模型参数选择上并不敏感。 随后我们引入了宏观因子收益率的考量，构建了风险预算的自适应模型。我们尝试了两种不同的方法引入收益率，第一种方法我们直接以预期收益率作为宏观因子风险预算的权重，第二种方法，我们用单位风险上提供的预期收益率（夏普比）作为宏观因子风险预算的权重。 自适应模型方法一的年化收益率为 7.05%，年化波动率为 3.35%，夏普比为2.10，最大回撤为 10.52
4、%。自适应模型方法二的年化收益率为 6.32%，年化波动率为 1.52%，夏普比为 4.16，最大回撤为 4.45%。与风险预算模型相比，风险预算模型更偏向于在大类资产之间进行配臵，不同时期配臵比例的变化相对较小；而自适应模型则偏向于对大类资产进行选择，对大类资产进行轮动，不同时期中资产配臵比例变化较大。自适应模型的回测结果受回看期收益率的影响较大。 本文构建的 3 种模型，在配臵比例稳定性、预期收益率、收益风险比上各有所长，投资者可以根据自身特定的投资风格与投资约束，选择符合自身投资目标的模型进行参考。 风险预算模型：由宏观风险角度出发，对宏观因子风险进行约束，拥有较稳定的资产配臵比例，适合
5、配臵需求的稳健投资者。 自适应模型方法一：加入宏观因子收益率考量，拥有最大的业绩弹性和较高的股票配臵比例，适合风格更积极的投资者； 自适应模型方法二：以单位风险提供的预期收益率衡量性价比，拥有最高的夏普比例，股票配臵比例最低，适合追求高收益风险比的投资者。 截至 2022 年 5 月底，3 种模型股票配臵比例继续保持不配或微配，风险预算模型与自适应模型方法二配臵比例接近，长久期利率债、短久期利率债、信用债配比约为 40%：30%：30%，自适应方法一则全部配臵于信用债。 风险提示：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
6、资产同向大幅波动风险。 2022 年年 6 月月 6 日日 大类资产配置月报 量化投资策略报告量化投资策略报告 证券研究报告 金融产品研究中心金融产品研究中心 更多投研资料 公众号：mtachn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：第一部分：宏观因子简介及构造宏观因子简介及构造 1.1 由资产配臵到宏观因子配臵由资产配臵到宏观因子配臵 1952 年，马科维茨在他的学术论文投资组合选择中，提出了均值方差模型。模型根据各类资产的预期收益率和协方差矩阵，通过最优化求解，就能实现既定风险水平上的收益最大化，或者是既定收益水平上的风险最小化。均值方差模型第一次从数学模型优化求
7、解考虑风险资产的投资问题，给金融市场投资提供了理论基础，成为了资产配臵理论的开创者，后续的资产配臵模型或多或少都借鉴了其部分的思想。 另一个广泛运用的大类资产配臵模型，是 20 世纪 90 年代由桥水基金提出的风险平价模型。风险平价模型将每类资产对于投资组合的风险贡献都调节至相同的水平，它可以充分利用不同大类资产之间的低相关性，在各类市场环境下均拥有较强的风险承受能力，从而建立一个“全天候”的投资策略。风险平价模型在近 20 年的市场投资中，拥有优异且稳健的表现，其独特的投资理念同样影响深远。 均值方差模型和风险平价模型均需要估计大类资产的预期收益率或是协方差矩阵，传统的做法往往是根据资产的历
8、史实际表现，假定历史表现即为未来的预期表现。但从实际数据中我们会发现，资产的预期收益率很难估计，而资产之间的相关性长期来看也并不一致，在一些极端的经济状况下，资产收益的相关性会大幅提升。 从 2010 年以来的国内大类资产相关性来看，传统的大类资产如股票、债券、黄金、原油和商品之间相关性均不高，债券与其他类资产之间的相关性均接近于 0，除股票与黄金和商品的相关性在 0.54 和 0.34 之外，其他资产相关性的绝对值均在 0.2 以下。长期来看，大类资产确实满足模型假设的低相关性条件。 图表图表 1 1：20102010 年以来大类资产的相关性年以来大类资产的相关性 沪深 300 中债新综合
9、黄金 原油 南华商品 沪深 300 1 -0.04 0.54 0.14 0.34 中债新综合 -0.04 1 0.00 -0.06 -0.09 黄金 0.54 0.00 1 0.08 0.34 原油 0.14 -0.06 0.08 1 0.19 南华商品 0.34 -0.09 0.34 0.19 1 来源：wind，国金证券研究所；截至 2022 年 5 月末 但当特殊事件发生时，如 2020 年疫情的初期，大类资产间的相关性出现了显著的变化。首先是股票与商品之间的相关性大幅上升，到达了超过 0.9 的极端水平，股票与黄金、原油的相关性也大幅提升；债券则与其他资产出现了显著的负向相关关系。 图
10、表图表 2 2：20202020 年疫情初期大类资产的相关性年疫情初期大类资产的相关性 沪深 300 中债新综合 黄金 原油 南华商品 沪深 300 1 -0.62 0.69 0.46 0.91 中债新综合 -0.62 1 -0.30 -0.46 -0.62 黄金 0.69 -0.30 1 0.37 0.67 原油 0.46 -0.46 0.37 1 0.45 南华商品 0.91 -0.62 0.67 0.45 1 来源：wind，国金证券研究所；2020 年 2 月至 2020 年 3 月 即便是在较为常规的经济时期，如在 2021 年初，大类资产的相关性也可能出现大幅变化。债券与股票、商品
11、之间的相关性由 0 或负相关转变为了正相关，股债之间的相关性上升至了 0.35。 更多投研资料 公众号：mtachn量化投资策略报告 - 3 - 敬请参阅最后一页特别声明 图表图表 3 3：20212021 年初大类资产的相关性年初大类资产的相关性 沪深 300 中债新综合 黄金 原油 南华商品 沪深 300 1 0.35 0.48 0.12 0.33 中债新综合 0.35 1 0.15 0.28 0.04 黄金 0.48 0.15 1 0.11 0.58 原油 0.12 0.28 0.11 1 0.01 南华商品 0.33 0.04 0.58 0.01 1 来源：wind，国金证券研究所；2
12、021 年 1 月至 2021 年 2 月 由此可见，大类资产之间往往存在着时变的动态相关性，而这种动态相关性在极端的经济时期会出现重大变化，从而带来了更高的尾部风险。直接研究大类资产的风险收益特征，在常规时期或许可以做到很好的刻画，但对其动态变化的预判往往缺乏准确性，从而导致模型失效，投资组合由此也产生更高的风险。 因此，在本报告的配臵策略中，我们试图避免直接分析大类资产的收益风险特征，而是建立宏观因子配臵模型，在宏观因子的层面进行分析，用不同宏观因子之间的天然低相关性来取代大类资产中的时变动态相关性，从而实现更加稳健的组合风险控制，提升模型的预测准确性，继而提高投资组合的稳定性。 1.2
13、以宏观因子为框架的大类资产配臵以宏观因子为框架的大类资产配臵 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。 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
14、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。 图表图表 4 4：宏观因子体系：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道富基金的因子体系，道富基金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。 更多投研资料 公众号：mtachn量化投资策略报告 - 4 - 敬请参阅最后一页特别声明 1.3 宏观因子构造宏观因子构
15、造方法方法 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。 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
16、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，记含个资产的收益率矩阵为： = 1111 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: = () 其次，需计算标准化处理后大类资产矩阵的相关系数矩阵： = 1111 接着，用雅克比方法求相关系数矩阵的特征值（1，2，），和相应的特征向量： = 1111 最后，降维后的主成分即宏观因子收益率矩阵，可以表示为原有输入
17、变量通过特征矩阵映射得到的线性组合： = 因此，通过特征矩阵，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。 1.4 宏观因子经济学含义与表现宏观因子经济学含义与表现 在具体宏观因子的构造上，我们共使用了 5 种指数通过主成分分析将大类资产的收益拆解为背后对应的宏观因子。我们选择了沪深 300 指数与中证 500指数，它们在 A 股市场具备代表性且有规模风格区分度，同时考虑到债券的期限利差与信用利差，我们选择了中债 10
18、年期国债总财富指数、中债 3-5 年国债总财富指数、中债信用债总财富指数，它们分别对应着长久期利率债、短久期利率债与信用债。 从 2010 年至今的资产降维的结果来看，我们得到的 5 个主成分可以对应 5种宏观因子，分别是利率因子、经济增长因子、信用因子、期限利差因子、规模风格因子，主成分的经济学解释服从逻辑，且模型有较高解释性。具体而言，5 个主成分的线性组合和解释如下： 更多投研资料 公众号：mtachn量化投资策略报告 - 5 - 敬请参阅最后一页特别声明 第一主成分在债券类资产上暴露方向显著为正，在股票类资产上的暴露略微为负，与此对应的，利率下行时债券价格上升，而利率下行往往对应着经济
19、下行，货币政策出台引导利率下行的情形，股票价格往往出现下跌，因此我们将第一主成分定义为利率利率因子因子。 第二主成分在权益类资产明显正向暴露，债券类资产也有一定的正向暴露，而信用债的正向暴露在债券中最高。考虑到权益类资产与信用类资产均与经济增长关系紧密，我们将其定义为经济增长经济增长因子因子。这里的经济增长因子，因为剥离了利率因素的影响，它不涉及经济增长导致高通货膨胀，通胀导致央行加息收紧货币政策，导致债券价格下跌的链条。所以，在温和的经济增长之中，增长对于所有资产的贡献都应该是正面的。 第三主成分在股票类资产的暴露接近于 0，而在债券类资产中有分歧，且信用债暴露方向显著为正，利率债方向显著为
20、负，我们定义为信用信用因子因子。 第四主成分在股票类资产的暴露同样接近于 0，而长久期利率债的暴露为负，短久期利率债的暴露为正，在信用债上的表现不明显，主要体现了期限利期限利差差因子因子。 第五主成分在沪深 300 和中证 500 之间暴露相反， 而在债券上的暴露均接近于 0，体现了股票市场的规模风格，因此我们将其定义为规模风格规模风格因子因子。 在这 5 个主成分中，利率因子具有接近 50%的解释度，经济增长因子拥有接近 40%的解释度，信用因子的解释度排名第 3，而期限利差因子和规模风格因子的解释度相对较小，总体比较符合传统认知。 图表图表 5 5：第一主成分：利率：第一主成分：利率因子因
21、子 图表图表 6 6：第二主成分：经济增长：第二主成分：经济增长因子因子 来源：wind，国金证券研究所；截至 2022 年 5 月末 来源：wind，国金证券研究所；截至 2022 年 5 月末 图表图表 7 7：第三主成分：信用：第三主成分：信用因子因子 图表图表 8 8：第四主成分：期限利差：第四主成分：期限利差因子因子 来源：wind，国金证券研究所；截至 2022 年 5 月末 来源：wind，国金证券研究所；截至 2022 年 5 月末 更多投研资料 公众号：mtachn量化投资策略报告 - 6 - 敬请参阅最后一页特别声明 图表图表 9 9：第五主成分：规模风格：第五主成分：规模
22、风格因子因子 图表图表 1 10 0：主成分解释度：主成分解释度 来源：wind，国金证券研究所；截至 2022 年 5 月末 来源：wind，国金证券研究所；截至 2022 年 5 月末 我们统计了各个因子 2010 年以来的历史收益净值曲线，从图中可以看出，经济增长因子的年化收益最高，但波动也最剧烈；利率因子受市场收益率变动的影响较大，反映了债券市场整体的情况；规模风格因子主要反映小盘股的风险，在 2016 年以前收益率大部分为正，而 2017 年之后出现了大小盘风格切换，收益率为负；其余两个因子表现较为稳定，信用因子长期看收益率为正，反映了部分信用利差；期限利差因子为短期利率债与长期利率
23、债的差异，长期来看是负收益。 图表图表 1111：宏观宏观因子历史收益净值曲线因子历史收益净值曲线 来源：国金证券研究所；截至 2022 年 5 月末 图表图表 1212：宏观：宏观因子因子 2012010 0 年以来分年度年以来分年度收益率收益率表现表现 年份年份 利率因子利率因子 经济增长因子经济增长因子 信用因子信用因子 期限利差因子期限利差因子 规模风格因子规模风格因子 2010 2.80% 4.76% 1.96% -0.64% 15.95% 2011 19.04% -43.08% 2.50% -0.28% -9.09% 2012 3.78% 12.61% 2.21% -0.68% -
24、5.32% 2013 -6.14% 11.18% 2.83% 2.20% 16.63% 2014 2.65% 61.59% -3.51% -3.81% -7.44% 2015 3.85% 46.22% -2.04% -1.99% 23.14% 2016 6.08% -14.71% 1.85% 0.60% -5.14% 2017 -4.80% 17.06% 2.20% 1.35% -15.04% 2018 22.35% -40.89% 3.77% -0.84% -8.60% 更多投研资料 公众号：mtachn量化投资策略报告 - 7 - 敬请参阅最后一页特别声明 图表图表 1212：宏观：宏观因
25、子因子 2012010 0 年以来分年度年以来分年度收益率收益率表现表现 年份年份 利率因子利率因子 经济增长因子经济增长因子 信用因子信用因子 期限利差因子期限利差因子 规模风格因子规模风格因子 2019 -2.52% 46.07% -2.50% -1.33% -5.49% 2020 -3.60% 38.20% -2.04% -0.82% -3.93% 2021 5.84% 12.60% -1.32% -0.79% 13.93% 2022 20.45% -62.78% 6.11% 0.85% -1.13% 20102010 年以来年以来 4.27%4.27% 4.93%4.93% 0.61%
26、0.61% - -0.53%0.53% 0.22%0.22% 来源：wind，国金证券研究所；截至 2022 年 5 月末 第二部分第二部分 宏观宏观因子因子配臵策略配臵策略风险预算模型风险预算模型 2.1 风险预算模型风险预算模型 在构造宏观因子后，我们从控制组合风险的层面出发，构建以绝对收益为核心目标的资产配臵模型。我们首先从宏观风险的角度构建策略，构建了风险预算模型，模型通过对宏观因子的协方差矩阵进行研究，赋予宏观因子不同的风险预算，从而实现大类资产的配臵。 我们并未选择风险平价模型来进行宏观因子风险配臵，主要原因是风险平价严格限制不同资产的风险水平一致，无法根据宏观因子的不同特性和投资
27、者的具体需求进行调整。而风险预算模型可以根据投资者的判断和喜好，将不同宏观因子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，不同宏观因子的重要性有显著差异，且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
28、知大类资产收益率矩阵的协方差矩阵为，由于协方差矩阵是对称矩阵，可以使用特征矩阵进行对角化分解，风险因子的协方差矩阵即为： = 1 记大类资产的配臵权重为 = (1,2,)，宏观因子的边际风险贡献为: = 宏观因子对于组合的整体风险贡献为： = = = 对于特定的风险预算比例 = (1,2,)，目标优化函数为： ( )2 限制条件为： = 1 0 1 求解得到大类资产的配臵权重为 = (1,2,)即为宏观风险配臵策略得到的资产配臵权重。 更多投研资料 公众号：mtachn量化投资策略报告 - 8 - 敬请参阅最后一页特别声明 2.2 策略历史表现策略历史表现 本模型考虑国内银行保险等资产管理机构
29、的中长期主要资产配臵需求，努力探求国内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，暂不考虑部分由非投资因素影响配臵的现金资产、净值化程度不高的非标资产以及股权资产，同时对于配臵尚较少的黄金、原油、海外市场等资产也暂不纳入考量。 在回测模型中，我们选择了沪深 300 指数、中证 500 指数、中债 10 年期国债总财富指数、中债 3-5 年国债总财富指数、中债信用债总财富指数。模型研究期选取了 2013 年至今，我们按月生成配臵指数的权重，即换仓期为 1 个月，回看期为过去 1 年。 在风险预算的设定上，我们根据宏观因子的重要性来设定预算。我们根据宏观因子的解释力度，将利率因
30、子的风险预算设臵为 50%，经济增长因子的风险预算设臵为 40%，信用因子的风险预算设臵为 5%，期限利差因子和规模风格因子的风险预算设臵为 2.5%。 从 2013 年至今，在 1.4 倍杠杆下，宏观风险配臵策略年化收益率为 6.03%，年化波动率为 2.73%，夏普比为 2.21，最大回撤为 6.42%。从历年风险收益表现看，仅 2013 年取得负收益，配臵效果保持较好的稳定性。 图表图表 1 13 3：宏观因子的风险预算宏观因子的风险预算模型模型 2012013 3 年以来分年度表现年以来分年度表现 年份年份 年化收益年化收益率率 年化波动年化波动率率 夏普比例夏普比例 最大回撤最大回撤
31、 2013 -2.68% 2.65% -1.01 -6.42% 2014 16.13% 3.04% 5.31 -1.64% 2015 13.72% 4.30% 3.19 -3.80% 2016 1.81% 2.27% 0.8 -4.55% 2017 0.47% 2.87% 0.16 -3.69% 2018 6.32% 2.81% 2.25 -1.86% 2019 7.30% 1.52% 4.8 -1.53% 2020 4.87% 2.60% 1.87 -3.03% 2021 6.64% 1.64% 4.04 -0.87% 2022 4.56% 1.73% 2.64 -0.89% 2013 年以
32、来 6.03% 2.73% 2.21 -6.42% 来源：wind，国金证券研究所；截至 2022 年 5 月末 图表图表 1 14 4：宏观因子的风险预算模型宏观因子的风险预算模型 2012013 3 年以来净值表现年以来净值表现 来源：wind，国金证券研究所；截至 2022 年 5 月末 更多投研资料 公众号：mtachn量化投资策略报告 - 9 - 敬请参阅最后一页特别声明 由于主要考虑风险因素，宏观因子的风险预算模型主要配臵于债券资产，不考虑杠杆的情况下，三种债券指数合计占比约为 90%，其中长久期利率债的平均配臵比例最高，其次是短久期利率债，信用配臵比例在债券指数中较低。在债券指数
33、内部，长久期利率债与短久期利率债的配臵权重往往会此消彼长，模型对于久期长短会频繁进行调整。而相对的，信用债的配臵的增加往往对应着股票配臵比例的减少。 股票资产平均合计配臵不到 10%，在不同时期，权益配臵比例波动明显，在 2017 年股票指数配臵比例总和一度接近 20%，随后在 2018 年的股票调整期配臵比例明显下降。在 2019 年保持稳定后，2020 年股票配臵比例再度有所回升，而近 1 年模型给出的股票配臵比例建议均接近于 0。 图表图表 1 15 5：宏观因子的风险预算模型宏观因子的风险预算模型近近 5 5 年各资产配臵比例年各资产配臵比例 来源：wind，国金证券研究所；截至 20
34、22 年 5 月末 2.3 参数敏感性分析参数敏感性分析 我们对不同的换仓期和回看期做了参数的敏感性分析。换仓期我们测试了1 个月、2 个月、3 个月，回看期测试了 3 个月、6 个月、1 年、2 年、3 年。经过回测发现，模型在换仓期、回看期的参数选择上并不敏感，整体的收益风险特征相对稳定。 图表图表 1 16 6：宏观因子的风险预算宏观因子的风险预算模型模型敏感性分析敏感性分析 换仓换仓期期 回看期回看期 年化收益年化收益率率 年化波动年化波动率率 夏普比例夏普比例 最大回撤最大回撤 1 个月 3 个月 6.13% 2.63% 2.33 -6.02% 6 个月 6.15% 2.66% 2.
35、31 -6.29% 1 年 6.03% 2.73% 2.21 -6.42% 2 年 5.91% 2.75% 2.15 -6.22% 3 年 6.04% 2.64% 2.29 -6.15% 2 个月 3 个月 5.97% 2.65% 2.25 -5.91% 6 个月 6.06% 2.66% 2.27 -6.18% 1 年 5.89% 2.75% 2.14 -6.39% 2 年 5.81% 2.76% 2.11 -6.14% 3 年 5.94% 2.64% 2.25 -6.07% 3 个月 3 个月 5.98% 2.62% 2.29 -5.58% 6 个月 6.00% 2.69% 2.24 -6.
36、26% 1 年 5.92% 2.77% 2.14 -6.38% 2 年 5.75% 2.77% 2.07 -6.14% 3 年 5.89% 2.66% 2.22 -6.08% 来源：wind，国金证券研究所；截至 2022 年 5 月末 更多投研资料 公众号：mtachn量化投资策略报告 - 10 - 敬请参阅最后一页特别声明 第三部分第三部分 宏观宏观因子因子配臵策略配臵策略引入收益率的自适应模型引入收益率的自适应模型 3.1 引入收益率的自适应模型引入收益率的自适应模型 在第二部分的模型构建中，我们仅从宏观因子承担风险的角度来进行大类资产配臵，而且风险预算的设定在不同时期是固定的。考虑到承
37、担相同风险时，不同宏观因子提供的收益率可能不同，且不同时期的预期收益率也会发生变化，在本部分，我们试图在上述模型的基础上，引入收益率的考量，由于我们仍是以获取绝对收益为目标，我们仍然沿用了风险预算模型，将不同时期的风险预算设定与收益率相联系，构建了风险预算的自适应模型。 我们尝试了两种不同的方法引入收益率。第一种方法，我们直接以预期收益率作为宏观因子风险预算的权重，即收益率越高，模型给予其风险预算的权重越大；第二种方法，我们用单位风险上提供的预期收益率（夏普比）作为宏观因子风险预算的权重，即单位风险上提供的预期收益率越高，模型给予其风险预算的权重越大。 3.2 策略历史表现策略历史表现自适应自
38、适应模型模型方法一方法一 在回测模型中，我们同样选择了沪深 300 指数、中证 500 指数、中债 10 年期国债总财富指数、中债 3-5 年国债总财富指数、中债信用债总财富指数。模型研究期选取了 2013 年至今，我们按月生成配臵指数的权重，即换仓期为 1 个月，回看期为过去 1 年。 在风险预算的设定上，我们不再设定固定的风险预算。我们根据宏观因子的预期收益率水平，将预期收益率作为宏观因子风险预算的权重，即收益率越高，模型给予其风险预算的权重越大。我们将回看期的历史收益率作为预期收益率的代替。 从 2013 年至今，在 1.4 倍杠杆下，自适应模型方法一的年化收益率为7.05%，年化波动率
39、为 3.35%，夏普比为 2.10，最大回撤为 10.52%。由于加入了收益率的考量，模型年化收益率较风险预算模型有所提高，整体波动率和最大回撤有所放大。由于历史收益率受回看期的影响较大，换仓期 1 个月，回看期 1 年的设定并非此方法的最优参数，随后我们会在参数敏感性分析中展示不同参数下的回测结果。 图表图表 1 17 7：自适应模型方法一自适应模型方法一 2012013 3 年以来分年度表现年以来分年度表现 年份年份 年化收益年化收益率率 年化波动年化波动率率 夏普比例夏普比例 最大回撤最大回撤 2013 -0.54% 2.53% -0.21 -4.56% 2014 17.06% 3.17
40、% 5.39 -1.71% 2015 13.78% 8.17% 1.69 -10.52% 2016 1.35% 2.06% 0.66 -4.10% 2017 2.48% 2.39% 1.04 -3.12% 2018 9.38% 1.67% 5.61 -0.69% 2019 8.64% 1.18% 7.29 -0.50% 2020 4.71% 2.15% 2.19 -2.42% 2021 7.01% 1.49% 4.70 -0.78% 2022 5.43% 1.12% 4.86 -0.56% 20132013 年以来年以来 7.05%7.05% 3.35%3.35% 2.12.10 0 - -1
41、0.52%10.52% 来源：wind，国金证券研究所；截至 2022 年 5 月末 更多投研资料 公众号：mtachn量化投资策略报告 - 11 - 敬请参阅最后一页特别声明 图表图表 1 18 8：自适应模型方法一自适应模型方法一 2012013 3 年以来净值表现年以来净值表现 来源：wind，国金证券研究所；截至 2022 年 5 月末 与第二部分的风险预算模型相对比，仅考虑风险因素的固定风险预算模型更偏向于在大类资产之间进行配臵，不同时期的变化相对较小；而自适应模型则偏向于对大类资产进行选择，它根据不同资产的预期收益率，对大类资产进行轮动，因此不同时期中资产配臵比例变化较大。不过若将
42、股票指数和债券指数作为两个整体来看待，股债的配臵比例整体较为稳定。 图表图表 1 19 9：自适应模型方法一自适应模型方法一近近 5 5 年各资产配臵比例年各资产配臵比例 来源：wind，国金证券研究所；截至 2022 年 5 月末 3.3 策略历史表现策略历史表现自适应自适应模型模型方法二方法二 自适应方法二在回测模型中，选择的指数与参数均与方法一相同。在风险预算设定上，我们根据宏观因子预期收益率水平，将单位风险上提供的预期收益率作为宏观因子风险预算权重，即单位风险上提供的预期收益率越高，模型给予其风险预算权重越大。我们将回看期的历史收益率作为预期收益率的代替。 从 2013 年至今，在 1
43、.4 倍杠杆下，自适应模型方法二的年化收益率为6.32%，年化波动率为 1.52%，夏普比为 4.16，最大回撤为 4.45%。由于自适应取决于单位风险上提供的预期收益率，模型不仅考虑了预期收益率的因素，还倾向于承担能提供更高收益的风险，因此它的夏普比在 3 个模型中最高，相对的，它的年化收益率不及方法一。从净值曲线上看，它是一条更平滑的向右上方的曲线。 图表图表 2020：自适应模型方法二自适应模型方法二 2012013 3 年以来分年度表现年以来分年度表现 年份年份 年化收益年化收益率率 年化波动年化波动率率 夏普比例夏普比例 最大回撤最大回撤 2013 0.69% 1.66% 0.41
44、-3.16% 更多投研资料 公众号：mtachn量化投资策略报告 - 12 - 敬请参阅最后一页特别声明 图表图表 2020：自适应模型方法二自适应模型方法二 2012013 3 年以来分年度表现年以来分年度表现 年份年份 年化收益年化收益率率 年化波动年化波动率率 夏普比例夏普比例 最大回撤最大回撤 2014 15.39% 1.96% 7.84 -1.36% 2015 11.93% 1.91% 6.26 -1.36% 2016 1.88% 1.76% 1.07 -4.05% 2017 0.58% 1.70% 0.34 -2.94% 2018 9.45% 1.53% 6.19 -1.09% 2
45、019 6.51% 0.69% 9.47 -0.48% 2020 4.88% 1.09% 4.46 -1.51% 2021 6.04% 0.49% 12.37 -0.31% 2022 4.69% 1.05% 4.48 -0.49% 20132013 年以来年以来 6.32%6.32% 1.52%1.52% 4.164.16 - -4.45%4.45% 来源：wind，国金证券研究所；截至 2022 年 5 月末 图表图表 2121：自适应模型方法自适应模型方法二二 2012013 3 年以来净值表现年以来净值表现 来源：wind，国金证券研究所；截至 2022 年 5 月末 和自适应方法一类似
46、的，模型偏向于做大类资产的轮动，因此不同时期中资产配臵比例变化较大。并且由于我国 A 股提供的收益率不稳定，从收益风险比角度来评价，其在历史上的性价比不高，因此自适应方法二的股票配臵比例在 3 个模型中是最低的。 图表图表 2222：自适应模型方法自适应模型方法二二近近 5 5 年各资产配臵比例年各资产配臵比例 来源：wind，国金证券研究所；截至 2022 年 5 月末 更多投研资料 公众号：mtachn量化投资策略报告 - 13 - 敬请参阅最后一页特别声明 3.4 参数敏感性分析参数敏感性分析 和第二部分类似的，我们对不同的换仓期和回看期做了参数的敏感性分析。换仓期我们测试了 1 个月、
47、2 个月、3 个月，回看期测试了 3 个月、6 个月、1年、2 年、3 年。 由于自适应模型引入了对收益率的考虑，模型对于回看期参数更加的敏感。在自适应方法一中，换仓期 1 个月，回看期 3 个月的参数设臵拥有最高的年化收益、最高的夏普比例以及最低的最大回撤。其年化收益率为 7.88%，年化波动率为 2.99%，夏普比为 2.64，最大回撤为 4.37%。 图表图表 2323：自适应方法一敏感性分析自适应方法一敏感性分析 换仓期换仓期 回看期回看期 年化收益年化收益 年化波动年化波动 夏普比例夏普比例 最大回撤最大回撤 1 个月 3 个月 7.88% 2.99% 2.64 -4.37% 6 个
48、月 7.31% 3.71% 1.97 -11.36% 1 年 7.05% 3.35% 2.10 -10.52% 2 年 6.86% 2.98% 2.30 -7.54% 3 年 6.39% 2.85% 2.24 -6.98% 2 个月 3 个月 7.53% 3.12% 2.41 -4.76% 6 个月 6.88% 3.09% 2.22 -6.13% 1 年 6.94% 3.25% 2.14 -9.82% 2 年 6.60% 3.06% 2.15 -8.45% 3 年 6.26% 2.81% 2.23 -6.93% 3 个月 3 个月 7.16% 2.92% 2.45 -4.46% 6 个月 6.
49、96% 3.11% 2.24 -6.23% 1 年 7.12% 3.47% 2.05 -9.84% 2 年 6.50% 3.12% 2.08 -7.90% 3 年 6.58% 2.85% 2.31 -6.89% 来源：wind，国金证券研究所；截至 2022 年 5 月末 自适应方法二对于不同的参数，模型收益风险特征较方法一更加稳定，参数的敏感性不高。 图表图表 2424：自适应方法二敏感性分析自适应方法二敏感性分析 换仓期换仓期 回看期回看期 年化收益年化收益 年化波动年化波动 夏普比例夏普比例 最大回撤最大回撤 1 个月 3 个月 6.80% 1.75% 3.89 -4.65% 6 个月
50、6.40% 1.71% 3.74 -5.11% 1 年 6.32% 1.52% 4.16 -4.45% 2 年 6.27% 1.63% 3.84 -4.91% 3 年 6.25% 1.57% 3.97 -4.07% 2 个月 3 个月 6.65% 1.77% 3.75 -5.28% 6 个月 6.29% 1.67% 3.77 -5.94% 1 年 6.42% 1.50% 4.27 -4.22% 2 年 6.10% 1.60% 3.81 -5.01% 3 年 6.16% 1.56% 3.94 -4.15% 3 个月 3 个月 6.64% 1.69% 3.94 -4.85% 6 个月 6.32%