大类资产轮动量化策略体系.docx

目录

引言 1

一、宏观基本面模块 2

数据准备和处理 2

模型原理 4

策略构建及回测 5

模型可解释性探究 7

二、动量模块 8

三、基于宏观基本面动量的大类资产轮动策略构造 10

附录-分年参数平原 12

参考文献 20

风险分析 21

图目录

图1:宏观变量处理流程 3

图2:PMI原值vsPMI季调 4

图3:PMI季调vsPMI季调后滤波 4

图4:宏观样例策略净值 6

图5:动量样例策略净值 9

图6:宏观基本面动量复合策略回测净值 10

图7:宏观基本面参数平原-2017年 12

图8:宏观基本面参数平原-2018年 12

图9:宏观基本面参数平原-2019年 13

图10:宏观基本面参数平原-2020年 13

图11:宏观基本面参数平原-2021年 14

图12:宏观基本面参数平原-2022年 14

图13:宏观基本面参数平原-2023年 15

图14:宏观基本面参数平原-2024年 15

图15:动量参数平原-2017年 16

图16:动量参数平原-2018年 16

图17:动量参数平原-2019年 17

图18:动量参数平原-2020年 17

图19:动量参数平原-2021年 18

图20:动量参数平原-2022年 18

图21:动量参数平原-2023年 19

图22:动量参数平原-2024年 19

表目录

表1:初始宏观变量列表 3

表2:宏观样例策略回测结果 6

表3:宏观样例策略分年收益 6

表4:宏观样例策略2024年决策依据 7

表5:动量样例策略回测结果 9

表6:动量样例策略分年收益 9

表7:宏观基本面动量复合策略回测结果 10

表8:复合策略分年收益 11

表9:2024年以来复合策略持仓 11

引言

大类资产轮动策略是一种自上而下的资产配置策略，通过在不同的市场周期中轮换投资于表现较强的资产类别，投资者可以实现更高的风险调整收益。目前市场上构造大类资产轮动策略的主流方法论是周期划分，通过对经济环境主观划分周期来决定配置策略，但是这种方法不可回测且完全依赖于每个人对经济的主观认知预测，不确定性较强，本文着重解决这一痛点，将宏观基本面维度的信息量化并加入资产价格动量效应构造完全量化可回溯的大类资产轮动策略。

通过经济周期划分来构造大类资产轮动策略的思路是事前将经济状态划分为几个状态，每次决策时对当下经济状态作一个状态判定，并依据同样状态的历史表现来做资产配置决策。最经典的经济周期划分是美林时钟，它将经济周期划分为复苏、过热、滞涨、衰退四种状态，复苏配置股票，过热配置大宗商品、滞涨和衰退配置债券，普林格周期在美林时钟的基础上增加了两个政府逆周期调节周期，分别是经济失速时政府逆周期调节周期、经济过热政府采取紧缩的政策限制过热。从以上流程可以看出，周期划分本质上是对纷繁复杂的宏观经济进行降维并赋予每个维度经济学含义，资产配置决策则是根据当下经济状态主观寻找历史上较为相似的情形并赋予当下与历史一致的状态，并配置相应状态的历史统计最优资产。因此通过经济周期划分进行资产配置决策的成功取决于以下几个方面：1.历史状态划分的合理性；2.对目标资产配置周期的宏观状态预测；3.目标资产配置周期的宏观状态与历史的相似性判定，通常三方面均由主观判定，这为决策带来很大不确定性。

本文将经济周期划分指导资产配置决策的过程进行量化建模处理，进而构造可回溯可回测的大类资产轮动策略。首先我们取消主观划分经济状态，即将宏观经济降维这一过程从主观修正为量化，其次取消对目标资产配置周期的宏观状态预测，仅仅基于可得的宏观数据进行决策，最后将宏观状态与历史的相似性判定问题抽象为信息检索问题，类比搜索引擎，输入关键字（宏观状态）输出最“相关”的查询结果（大类资产配置优先顺序）。我们创新性地引入信息检索领域常用的排序学习（LTR）算法来对宏观与大类资产的映射关系进行建模。

排序学习主要应用于信息检索领域，即给定一个查询，返回每个文档的得分排序，得分代表每个文档的相对重要程度，训练的过程即给定一系列的（查询，完美排序的文档列表）样本，拟合模型使得模型在给定样本集上可以精确预测文档列表排名。主流的排序学习算法主要有三种类别（Cao，2007）：元素级别模型（pointwise）、配对模型（pairwise）、列表模型（listwise），元素级模型的目标是预测每个文档的得分，是一个回归问题，配对模型则是将文档进行两两配对，预测两两间的相对强弱，是若干二分类问题，列表模型则是将整个文档列表作为整体来考量，通过定义预测列表和目标