【华泰金工林晓明团队】行业配置策略：宏观因子视角——华泰基本面轮动系列之六

来源：华泰金融工程

陈   莉    S0570520070001   

             SFC No. BMV473    研究员

林晓明    S0570516010001    研究员

李   聪    S0570519080001    研究员

王佳星    S0570119090074    联系人

报告发布时间：2020年8月4日

摘要

本文提出了一套宏观风险配置框架，并在大类资产和行业上进行实证分析

本文主要工作如下：1、构建了一套涵盖增长、生活端通胀、生产端通胀、利率、汇率五大风险的宏观因子体系，并进行了因子资产化处理，以满足高频、低时延、可交易的需求；2、提出了一套宏观风险配置框架，能够将投资者对于宏观环境的预测观点通过定量化的手段落地到投资实践中，使得投资组合既能适配特定宏观环境，又能达到较优的风险收益特征；3、测试宏观风险配置模型在大类资产和行业层面的表现。实证结果表明，本文提出的宏观风险配置模型能够为投资者提供定量化、动态化、及时性、普适性的宏观风险配置工具，并且大类资产上的表现要优于行业上的表现。

宏观因子体系：增长、生活端通胀、生产端通胀、利率、汇率

本文构建了一套涵盖增长、生活端通胀、生产端通胀、利率、汇率五大风险的宏观因子体系，并进行了因子资产化处理，以满足高频、低时延、可交易的需求，具体而言：1、增长因子由恒生指数、CRB综合现货指数、南华沪铜指数通过波动率倒数加权法合成；2、生活端通胀因子用大宗价猪肉代理；3、生产端通胀因子由布伦特原油和螺纹钢价格指数通过波动率倒数加权法合成；4、利率因子用中债-国债总财富指数代理；5、汇率因子通过做多SGE黄金9999，做空伦敦金现实现。实证结果表明，这五个因子涵盖了主要的宏观风险，是金融资产的底层核心驱动力。

宏观风险配置框架：确定核心因子、混合正交、风险暴露计算、组合优化

宏观风险配置流程通常分为如下几步：1、确定核心因子：投资者可根据对未来宏观环境的预判，确定对金融资产价格变化可能产生主导影响的因子；2、因子混合正交：消除因子共线性，同时尽可能多地保留因子原始信息；3、风险载荷矩阵计算：基于有放回抽样多元线性回归计算各种金融资产在各个宏观因子上的风险暴露；4、基准组合设定：也即不引入主观观点时的基准配置；5、观点引入：在基准组合因子暴露的基础上，根据主观观点施加相应暴露偏离；6、组合优化：通过优化模型求解资产组合权重，使得新组合在各个风险上的暴露满足目标约束，以达到主动配置宏观风险的目的。

宏观风险配置模型在大类资产上的实证分析

本文实证中暂不涉及对宏观环境的主观预测，而是采用假想场景法来验证模型有效性，包括单因子偏离和双因子对冲两种场景。以单因子偏离场景为例，也即选择任意一个核心因子，并且始终在基准组合的基础上增加该因子的目标风险暴露，那么当目标因子处于上行状态时，主动管理组合应该跑赢基准组合，反之亦然，并且主动管理组合相比于基准组合的超额收益与目标宏观因子的走势越一致，则说明宏观风险管理的效果越精细、有效。实证结果表明，宏观因子体系在大类资产层面的解释度较高，主动管理组合相比于基准组合的超额收益表现与目标因子的走势较为一致。

宏观风险配置模型在行业上的实证分析

与大类资产相比，宏观因子对行业的解释力稍弱且相对不稳定，导致宏观风险配置模型在行业层面的表现欠佳，但它仍然为行业配置提供了一种新的思路：传统的行业投资时钟模型是通过历史统计得到各种宏观环境与行业表现相对强弱的静态、线性映射关系，但实际上宏观环境对行业的驱动逻辑是动态演变的，因为每个行业都有自身的生命发展周期，处于生命周期不同阶段的行业对宏观环境变动的敏感性不同，因此将静态观点用于动态配置存在可行性的问题，而基于宏观风险配置体系，可以及时捕捉宏观环境对各行业驱动逻辑的最新变化，进而构建动态视角下的投资时钟。

风险提示：模型根据历史规律总结，历史规律可能失效；模型结论基于统计工具得到，在极端情形下或存在解释力不足的风险。

正文

本文研报导读

基本面轮动系列报告主要聚焦于中观层面行业轮动研究，在首篇报告《确立研究对象：行业拆分与聚类》（2020-03-03）中，我们进行了行业拆分和聚类研究，为后续系列报告确立了统一的研究对象；在后续四篇报告《行业全景画像：宏观因子视角》（2020-03-26）、《行业全景画像：风格因子视角》（2020-06-02）、《行业全景画像：改进杜邦拆解视角》（2020-06-15）、《行业全景画像：投入产出表视角》（2020-07-06）中，我们分别从宏观风险因子、中观风格因子、微观经营模式和产业链上下游关系四个视角进行行业画像分析，力求从不同维度对各行业的核心驱动因素进行梳理。

自本篇报告起，我们将展开具体的行业轮动策略研究。本篇报告作为行业配置策略子系列首篇，主要从宏观因子的角度切入，后文内容规划如下：第一部分将介绍宏观因子体系的构建，内容承接自前期报告《行业全景画像：宏观因子视角》（2020-03-26）；第二部分详述了宏观风险配置模型的原理和实践流程；第三部分和第四部分分别实证了宏观风险配置模型在大类资产层面和行业层面的实证效果。需要说明的是，本文提出的基于宏观因子的配置框架更多的是工具方法论层面的介绍，也即假设我们已经有了宏观观点时，如何基于这套定量配置体系落地，而怎么生成宏观观点则超出了本报告范畴。

宏观因子体系构建

在前期报告《行业全景画像：宏观因子视角》（2020-03-26）中，我们构建了由增长、通胀、利率、信用、汇率组成的宏观因子体系，并从多个维度实证了宏观风险与金融资产之间的关系，勾勒出资产的宏观画像。然而这套因子构建体系是用于静态全局分析的，移植到动态配置场景后适用性稍显不足，主要体现在以下几个维度：

1.    信用因子与利率因子的相关性很高，在回归求解因子暴露矩阵时共线性风险较大。考虑到信用因子对除了信用债之外的金融资产边际风险贡献率较低，本文予以剔除。

2.    通胀因子同时以CPI和PPI为锚，然而近年来CPI与PPI剪刀差的情况日益明显，合并考虑可能会丢失对金融资产具有解释力的结构分化信息。因此本文将通胀因子按照生活端和生产端进行拆分，分别构建生活端通胀因子和生产端通胀因子。

3.    宏观风险配置是动态量化的过程，要求宏观因子同时具备高频、低时延的特征，而旧版因子构建中多处用到了宏观经济指标，虽然经济学含义直观，但是公布滞后且频率较低，无法满足动态配置需求。因此本文参考BlackRock(2018)中提出的因子资产化思路，通过构建资产组合来复制宏观因子的走势。换言之，资产化前的宏观因子体系逻辑含义更清晰，适用于跟踪经济发展形势；资产化后的宏观因子体系则更高频、实时，且可投资，适用于构建定量配置体系。

增长因子构建

在前期报告《行业全景画像：宏观因子视角》中，我们基于波动率倒数加权法将PMI、基建投资增速和工业企业利润总额增速三个指标合成为增长因子，并利用合成后的增长因子对各个大类资产做回归分析。结果表明，增长因子与股票和商品类资产有显著的正向关系，而且从拟合优度来看，增长因子对恒生指数、CRB综合现货指数以及南华沪铜指数的解释度最高，因此本文考虑使用这三个资产来复制增长因子的走势。核心是解决两个问题：1、如何确定各个底层资产的权重；2、如何评估因子资产化效果。

为了保证与前期报告中的口径一致，本文同样采用波动率倒数加权法来确定底层资产权重。具体而言，增长因子资产化流程如下：1、获取恒生指数、CRB综合现货指数以及南华沪铜指数的对数同比序列，根据对数同比序列的波动率倒数来确定权重，也即波动率越大的资产，权重越低；2、基于波动率倒数权重将各资产环比收益率线性加权，得到资产组合收益率，其净值走势就是资产化后的增长因子的走势。

因子资产化的根本目的是希望通过构建资产组合来复制宏观因子的走势，因而资产化效果的好坏取决资产化后的宏观因子对资产化前的宏观因子的解释程度。由于资产化前的增长因子是同比口径，因此资产化后的组合净值也需要进行对数同比变换才能统一比较口径。结果表明，资产化后增长因子的走势能较好的还原资产化前增长因子的走势，拟合优度达到60%，而且增添了更多细节信息，对资产价格的短期变动或许有更好的解释能力。

生活端通胀因子构建

生活端通胀因子的资产化流程如下：1、以CPI食品作为资产化前生活端通胀的代理指标；2、筛选生活端大宗商品价格，对CPI食品做有放回抽样回归分析，结果表明，猪肉价格的解释力度显著高于其他资产，因而直接采用猪肉价格作为生活端通胀因子。

生产端通胀因子

生产端通胀因子的资产化流程如下：1、以PPI生产资料作为资产化前生产端通胀的代理指标；2、筛选生产端大宗商品价格，对PPI生产资料做有放回抽样回归分析，结果表明，ICE布油和螺纹钢价格指数的解释力度要高于其他资产，因此选择它们作为底层资产；3、基于波动率倒数加权法构建组合持仓，也即根据两个资产的对数同比序列的波动率倒数确定权重，计算资产化后的因子走势。

同样地，为了对比资产化前后的因子贴合程度，需要把组合净值进行对数同比处理，结果表明，资产化后的生产端通胀因子对资产化前的生产端通胀因子解释力度高达81.7%。

利率因子构建

在报告《行业全景画像：宏观因子视角》中，为了兼顾权益资产和债券资产的解释程度，我们同时采用1年期（对权益资产解释度更高）和10年期（对债券资产解释度更高）国债到期收益率来合成利率因子。出于因子可投资的目的，本文采用中债-国债总财富指数来构建资产化后的利率因子，同样地，为了统一口径对比资产化前后利率因子的走势，需要对中债-国债总财富指数进行去趋势、求相反数处理，结果表明，资产化后的利率因子对1年期和10年期利率的拟合优度分别达66.92%、95.36%。

汇率因子构建

在报告《行业全景画像：宏观因子视角》中，我们采用美元兑人民币中间价来构建资产化前的汇率因子，本文采用做多SGE黄金9999、做空伦敦金现的方法来构建资产化后的汇率因子，这主要是考虑到黄金的定价权主要在国外，国内黄金价格是被动跟随，因而两者之间的价格分化就反映了汇率的变动，比如美元兑人民币升值时，人民币计价的黄金价格自然上涨。实证结果表明，资产化后的汇率因子对资产化前的汇率因子，拟合优度高达92.1%。

综上所述，本文构建了由增长、生活端通胀、生产端通胀、利率、汇率组成的宏观因子体系，每个因子维度都有资产化前和资产化后之分，具体而言：

1.    增长因子：资产化前由PMI、基建投资增速、工业企业利润总额增速合成，资产化后由恒生指数、CRB综合现货指数、南华沪铜指数合成（波动率倒数加权法）。

2.    生活端通胀因子：资产化前由CPI食品代理，资产化后由大宗价猪肉代理。

3.    生产端通胀因子：资产化前由PPI生产资料代理，资产化后由布伦特原油和螺纹钢价格指数合成（波动率倒数加权法）。

4.    利率因子：资产化前由1年期国债和10年期国债合成，资产化后用中债-国债总财富指数代理。

5.    汇率因子：资产化前由美元对人民币中间价代理，资产化后由SGE黄金9999、伦敦金现合成（做多前者，做空后者）。

资产化前后的因子区别如下：

1.    资产化前的宏观因子体系逻辑更直观，契合传统的自上而下的研究视角，主要用于宏观环境跟踪，观点发布。

2.    资产化后的宏观因子体系更加高频、实时，且可投资，契合量化建模的需求，后文构建宏观风险配置模型时，均基于资产化后的宏观因子体系。

宏观风险配置模型构建

宏观风险配置概述

传统的资产配置模型是以资产为切入视角，投资决策聚焦于资产的权重配比，比如60-40组合；风险平价类模型则以风险为切入视角，投资决策聚焦于资产的风险贡献占比，比如桥水的全天候策略；宏观风险配置模型则以宏观风险为切入视角，投资决策聚焦于整个组合在各个宏观风险敞口上的暴露。它的核心假设是认为宏观风险是金融资产的底层驱动力，并且宏观因子间的相关性比金融资产间的相关性更低、更稳定，前者是投资者的基本共识，后者则在Invesco (2017)、Two Sigma (2018)等文献中有诸多论述。

如下图，我们给出了一个宏观风险配置的具体示例：

1.    假设存在股票、债券、商品三种资产，给定它们在增长、通胀、利率三个宏观因子上的暴露矩阵，其中，为资产维度，为因子维度，示例中，股票资产在增长因子上的暴露为0.4，债券资产在利率因子上的暴露为-0.2。

2.    假定存在一个基准组合（也即没有引入任何主观观点时的基准配置），易知基准组合在各个宏观风险上的暴露为。示例中，基准组合在股、债、商上的权重分别为20%、60%、20%，在增长、通胀、利率三个风险上的暴露分别为0.06、-0.02、-0.16。

3.    引入主观观点，假设未来是一个滞涨环境（通胀上行、增长下行），那么应该增加在通胀因子上的暴露，降低增长因子上的暴露。示例中，增长因子的暴露偏离为-0.01，通胀因子上的暴露偏离为0.01，那么引入主观观点后，增长因子上的目标暴露为0.05，通胀因子上的目标暴露为-0.01，利率因子维持不变，仍然为-0.16。

4.    通过优化求解算法得到新的资产组合，使得该组合在各个宏观风险上的暴露正好满足上述目标暴露的约束。显然，如果未来真的是滞涨环境，那么主动管理组合理应跑赢基准组合，反之亦然。这便是宏观风险管理的内涵，通过承担特定的宏观风险，来获取相应的超额回报。

综上，宏观风险配置模型本质上提供了一套将宏观观点落地的定量方案：尽管资产配置实践中，投资者或多或少都会参考宏观环境来做投资决策，比如在经济扩张期超配股票和商品，在经济收缩期超配债券，但这种决策更多是定性层面，而且无法应对复杂多维的宏观环境。如果想构建一个既能适配特定宏观环境，又能达到较优风险收益特性的资产组合，则需要借助更精细化的定量工具，这便是宏观风险配置模型的优势。

宏观风险配置流程

一般而言，宏观风险配置流程分为5步：

(1)   准备工作：针对每一个滚动区间，计算金融资产和宏观因子（资产化后）的月度收益率序列；根据对未来宏观环境变化的预判，确定一个或多个对未来金融资产价格变化可能产生主导影响的因子，即核心宏观因子。比如判断未来是滞涨环境（增长上行、通胀下行），那么增长和通胀就是核心因子；又比如判断未来汇率的变动可能主导资产价格变动，那么汇率就是核心因子；换言之，想要主动管理哪些宏观风险，这些宏观风险就是核心因子，其他因子则统称为次要因子。

(2)   因子混合正交：对宏观因子开展混合正交处理，消除因子共线性的影响，后文会详细介绍混合正交方案的原理。

(3)   风险载荷计算：以各金融资产环比收益率为因变量，以正交后的宏观因子环比收益率为自变量，开展有放回抽样的多元线性回归，取多次回归中位数来计算金融资产-宏观因子载荷矩阵。

(4)   基准组合设定：根据金融资产的类型、投资者的风险收益目标或是现存在运行的资产配置体系，选择合适的基准组合，并计算其在各宏观因子上的风险暴露；需要说明的是，基准组合的设定是灵活自由的，换言之，宏观风险模型可以跟已有的任何资产配置模型相结合。

(5)   资产配置优化：以基准组合风险暴露为锚，根据对未来宏观环境走势的预判，设定核心因子上的目标偏离，同时保持次要因子的风险暴露不变（也即次要因子中性化处理），通过优化模型求解资产组合权重，使得新组合在各个风险上的暴露满足目标约束。

因子混合正交方案

已有文献对构建正交的宏观因子体系开展了诸多探索：Invesco(2017)对多资产收益率序列开展主成分分析，将各主成分视作宏观因子；尽管主成分之间严格正交，但滚动区间内的主成分分析结果并不稳定，更无法保证可解释性；Two Sigma(2018)同样将宏观因子体系分为了不同层次，并对不同层次间的因子开展施密特正交化，但是该研究并未提及如何消除不同层次内各因子之间的共线性；Klein(2013)曾介绍过另一种不同于施密特正交化的方法——对称正交化，原理如下：

基于对已有正交化方法的回顾，本文提出了一种混合正交方案，其结合了施密特正交化和对称正交化的优点，主要步骤如下：

1.    采用对称正交法对选取的核心因子进行正交化处理，使核心因子之间的联立因果关系由各因子分摊承载（只有一个核心因子的场景忽略此步骤）；

2.    各次要因子对核心因子进行施密特正交化，消除次要因子中包含的有关核心因子的信息，增强核心因子对金融资产的解释度；

3.    采用对称正交法对施密特正交化处理后的次要因子进行正交化处理，使次要因子之间的联立因果关系由各因子分摊承载（只有一个次要因子的场景忽略此步骤）；

4.    对正交后各因子进行z-score标准化处理，使各因子在不同的滚动区间内具有相似的数量级和相同的波动率，便于在统一的风险管理标准下开展宏观风险配置。

以增长和生活端通胀为核心因子举例说明，正交化之前增长、生产端通胀、利率三者之间高度正相关，这是因为经济扩张时往往伴随资产价格和均衡利率的上涨，三者之间呈现出同步变化的趋势；而正交化之后，核心因子内部、次要因子内部都严格正交，而次要因子与核心因子间的相关系数绝对值也都小于0.06，说明混合正交方案能够有效消除因子间的共线性；进一步，对比正交前后的因子走势，发现普遍非常接近，即使是信息丢失最多的生产端通胀因子，其正交前后因子相关系数也高达0.7。因此，本文最终采用了混合正交方案，既能消除因子共线性，又能尽可能多地保留因子原始信息。

组合优化算法

需要说明的是，本文并没有将风险暴露偏离作为约束项进行严格控制，主要是考虑到优化问题的可解性。以图表19中构建的示例为例，股票、债券、商品在增长因子上的暴露分别为0.4、-0.1、0.2，那么在权重和为1且不能做空的约束下，整个组合在增长因子上的暴露最低值为-0.1（也即全仓债券资产的情形），在没有先验信息的情况下，我们无法预知组合在各个宏观风险上的暴露边界，一旦目标暴露偏离设置不当，优化问题就无法求解。因此我们将暴露偏离作为惩罚项加入到效用函数中，既能够保证优化问题恒定有解，也能够让目标组合的风险暴露尽可能接近目标风险暴露。

总结前文，我们详细阐述了宏观风险配置模型的构建流程，本质上是为投资者提供了一个定量开展宏观风险配置的工具。投资者可以根据自身对未来宏观环境变化的预判，在基准组合基础上，主动增加（或降低）某些宏观风险上的暴露，理论上，模型会自适应地超配（或低配）在这些因子上具有正向暴露的资产，低配（或超配）在这些因子上具有负向暴露的资产，以匹配目标暴露的要求。换言之，投资者可以选择主动承担特定宏观风险，来获取相应的超额回报。后文中，我们会分别实证该配置体系在大类资产和行业层面的表现。

宏观风险配置模型在大类资产上的实证分析

本章将实证宏观风险配置模型在大类资产上的表现，具体参数设置如下：

(1)   底层资产：股票包含沪深300、中证500、恒生指数；债券包含中债-国债总财富指数、中债-企业债总财富指数；商品包含CRB综合现货指数、南华商品指数、南华农产品指数、SGE黄金9999、布伦特原油。

(2)   滚动区间长度：48个月，每月末生成最新持仓，下月初调仓。

(3)   有放回抽样多元线性回归：在每个截面期，对过去历史窗口内的数据进行有放回抽样多元线性回归，其中，重采样的次数取2000次，每次采样长度最短为24个月，取2000次回归的中位数来构建金融资产-宏观因子暴露矩阵。

(4)    基准组合：风险平价组合。

(5)   组合优化：目标风险暴露偏离值根据具体测试场景而定（因为组合在不同宏观因子上的暴露边界值不一样）；惩罚系数默认取10，后文会实证不同取值的影响。

需要强调的是，在本文实证过程中，我们暂不涉及对宏观环境变化的预测，而是采用假想场景法来验证模型的有效性，包括单因子偏离和双因子对冲等两类常见应用场景：

1.    单因子偏离场景：仅选择一个核心因子，并且始终在基准组合的基础上增加该因子的目标风险暴露，其余四个次要因子的目标风险暴露与基准组合一致。比如认定汇率为核心因子，那么当汇率处于上行状态时（与假想场景一致），主动管理组合应该跑赢基准组合；而当汇率处于下行状态时（与假象场景背离），主动管理组合应该跑输基准组合；并且主动管理组合相比于基准组合的超额收益与真实宏观因子的走势越一致，则说明宏观风险管理的效果越精细、有效。

2.    双因子对冲场景：选择一对核心因子，设定两者的目标风险偏离方向相反，其余三个次要因子的目标风险暴露不变。比如认定增长和生活端通胀是主导资产价格变动的核心风险，并且始终超配生活端通胀因子，低配增长因子，那么当宏观环境处于增长下行，通胀上行状态时（与假想场景一致），主动管理组合应该跑赢基准组合；反之当宏观环境处于增长上行，通胀下行状态时（与假想场景背离），主动管理组合应该跑输基准组合；同样地，主动管理组合相比于基准组合的超额收益表现对增长、生活端通胀因子的变化反应越灵敏，走势越一致，说明宏观风险管理的效果越精细。

后文实证中，我们会假定多种宏观场景，多维度检测模型有效性。每种场景下，我们都是通过考察主动管理组合相比于基准组合的净值比走势与核心因子走势的吻合程度，来判断模型是否具备及时应对宏观环境变化的能力。值得强调的是，单因子偏离和双因子对冲仅仅是两类常见应用场景，实践中，投资者完全可以设置更复杂、多维的宏观环境走势预测。

单因子偏离实证

本节内容依次选择增长、生活端通胀、生产端通胀、利率、汇率作为核心因子，并始终在核心因子上施加正向暴露偏离（也即始终做多核心因子），来考察宏观风险配置模型能否及时应对核心因子的走势变化，其中，各个因子的暴露偏离值分别设置为：0.005、0.002、0.002、0.003、0.002。

实证结果表明，五个测试场景下，净值比走势与目标因子走势基本一致，也即目标因子上行时，主动管理组合因为“正确”地做多该因子而跑赢基准组合，净值比增加；而当目标因子下行时，主动管理组合因为“错误”地做多该因子而跑输基准组合，净值比下滑。其中，净值比与目标因子走势吻合程度更好的是增长和生产端通胀因子。

进一步，计算各测试场景下净值比与目标因子的秩相关系数，结果显示，五个宏观因子与对应的净值比走势均在1%显著性水平下正相关，说明本文提出的宏观风险配置模型能够及时的应对宏观环境的变化。而且需要强调的是，无论哪种测试场景下，所有因子都参与到了宏观风险配置的过程中，其中，核心因子体现在效用函数惩罚项中，次要因子体现在约束项的中性条件中，因而任何一个因子对金融资产的解释力偏弱，都会导致估计的风险载荷系数不可靠、不稳定，从而对优化结果产生较大影响。从这个意义上说，本文构建的五因子体系，确实是金融资产的主要底层驱动力，并且解释了大部分的宏观风险。

双因子对冲实证

双因子对冲分析选择两个核心宏观因子，其风险暴露偏离方向一正一负，偏离幅度与单因子偏离分析的设定相同。本文将着重考虑如下五种场景：

(1)   场景一：“生活端通胀-增长”，即生活端通胀因子的风险暴露偏离设定为+0.005，增长因子的风险暴露偏离设定为-0.002（相当于始终做多生活端通胀，做空增长）。该场景刻画了“滞胀”的宏观经济现象——当经济增长有失速风险时，政府通过增发货币来刺激经济，导致物价上行，通货膨胀，对于权益投资者而言，这是偏利空的宏观环境。

(2)  场景二：“生活端通胀-生产端通胀”，即生活端通胀因子的风险暴露偏离设定为+0.002，生产端通胀因子的风险暴露偏离设定为-0.002（相当于始终做多生活端通胀，做空生产端通胀）。该场景刻画了CPI和PPI“剪刀差”的宏观经济现象，其原因既包括权重商品（如猪肉、钢铁）价格在某一时期的持续上涨或下跌，也包括实体经济上下游的行业竞争环境不同，导致上下游价格传导不通畅。

(3)   场景三：“生活端通胀-利率”，即生活端通胀因子的风险暴露偏离设定为+0.002，利率因子的风险暴露偏离设定为-0.002（相当于始终做多生活端通胀，做空利率）。该场景对应的逻辑是：利率下行，储蓄回报率降低，消费需求上升，引起生活资料价格的上涨；反之同理。

(4)   场景四：“汇率-利率”，即汇率因子的风险暴露偏离设定为+0.002，利率因子的风险暴露偏离设定为-0.002（相当于始终做多汇率，做空利率）。该场景对应的逻辑是：国内利率下行，资金回报率降低，对外资的吸引力减弱，本币贬值（美元对人民币中间价走高），反之同理。

(5)   场景五：“增长-汇率”，即增长因子的风险暴露偏离设定为+0.005，汇率因子的风险暴露偏离设定为-0.002（相当于始终做多增长，做空汇率）。该场景对应的逻辑是：国内经济增速上行，市场整体投资回报率上升，对外资的吸引力增加，本币升值（美元对人民币中间价走低）；反之同理。

由于双因子对冲分析中涉及到两个核心因子的走势，为了对比方便，直接将两个因子调平波动率后相减，作为净值比的比较对象。结果表明，在双因子对冲场景下，宏观风险配置模型也能及时跟随宏观环境的变化做出自适应的调整，以场景一为例，从2018年至今，国内宏观经济整体处于“类滞胀”状态（GDP增速持续下行、CPI持续走高），该时期内主动管理组合因“正确”地做多生活端通胀、做空增长而显著跑赢基准组合。

整体而言，从净值比与宏观环境走势的匹配程度来看，双因子对冲场景要相对优于单因子偏离场景，原因可能是：单因子场景下，始终认为目标因子是资产价格变动的核心主导因素，但实际上主导资产价格变动的因素是不断变化的，可能在某些区间，目标单因子对金融资产的解释度偏低，从而导致净值比走势出现偏离，而双因子对冲场景下，两个因子同时出现解释度偏低的概率更小。

分别计算五种场景下大类资产组合净值比与核心因子走势之差的秩相关系数，结果表明，五种场景下净值比走势均在1%显著性水平下与核心因子走势之差呈正相关，同样表明宏观风险配置模型能够及时的跟随宏观环境的变化，并做出自适应的调整。

以场景一（“生活端通胀-增长”）为例，统计各滚动区间内宏观因子对各个金融资产的拟合优度。结果如下图，其中，红色部分代表50%分位数至75%分位数，灰色部分代表25%分位数至50%分位数。可以看到，商品（除了南华农产品）和债券类资产的解释度整体较高，中位数普遍在60%以上，说明宏观风险是其主要驱动力；而权益类资产和黄金资产的解释度偏低，中位数普遍在40%以下，其中，权益资产容易受到短期情绪、事件冲击的影响，而黄金本身兼具金融、商品、货币三大属性，定价逻辑比较复杂，宏观风险都只能解释它们小部分的收益来源。

组合持仓变动分析

本节以场景一（“生活端通胀-增长”）为例，考察主动管理组合相比于基准组合的持仓变动：

1.    权益维度：增长因子对权益资产具有正向驱动力，生活端通胀因子对权益类资产的驱动力正负不定，且绝对值小于增长因子，因此主动管理组合倾向于低配权益资产。

2.    债券维度：增长因子对债类资产具有负向驱动力，生活端通胀因子对债券类资产的驱动力正负不定，且绝对值小于增长因子，因此主动管理组合倾向于超配债券资产。

3.    商品维度：增长因子对商品类资产具有正向驱动力，生活端通胀在大部分时间段对商品类资产也具有正向驱动力，但绝对值远小于增长因子，因而主动管理组合倾向于低配商品类资产。

综上所述，大部分时间内，各大类资产超、低配的方向和投资直觉是完全相符的。不同的是，在动态框架下，宏观因子对大类资产的驱动力会不断变化、甚至会偶尔消失或反转的，而宏观风险配置模型能够及时捕捉到这样的变化，并且在权重配置上做出精细化的调整。

因子暴露偏离敏感性分析

在投资实践中，投资者往往会根据自身对宏观环境的主观判断，来设定不同幅度的目标风险暴露偏离，当投资者对未来预测的自信度越高时，设置的目标偏离也会越极端。而一个稳健的宏观风险配置模型需要对不同的暴露偏离输入反馈相匹配的结果。具体而言，当投资者设定的暴露偏离越大时，模型给出的权重分配应该越极端，一旦真实宏观走势与投资者的预测相符，主动管理组合相比于基准组合的超额收益也应该越高，反之亦然。

以场景一（“生活端通胀-增长”场景）为例，设置不同的风险暴露偏离，结果表明，各净值比曲线的走势高度一致，且随着风险暴露偏离值增大，净值比的波动范围增大；当风险暴露偏离大于某个阈值之后，继续增大偏离，净值比曲线开始出现集聚现象，这是因为当偏离项很大时，目标函数中的跟踪误差项几乎可以忽略不计，导致优化结果趋向一致。

另一种适配主观观点置信水平的方法是调整惩罚系数，其值越大，主动管理组合在核心因子上的风险偏离控制越精细。实证结果表明，在不同取值下，各净值比曲线的走势同样高度一致。最初，随着惩罚系数增大，净值比的波动范围相应增大；当惩罚系数大于某个阈值之后，继续增大惩罚系数，净值比曲线同样开始出现集聚现象。这同样是因为当偏离项很大时，目标函数中的跟踪误差项几乎可以忽略不计，导致优化结果趋向一致。综上，两种途径“殊途同归”，都能支持投资者根据主观观点的置信水平调整参数输入。

宏观风险配置模型在行业上的实证分析

本章将实证宏观风险配置模型在细分行业上的表现，具体参数设置如下：

(1)   底层资产：以中信一级行业为基础，剔除主营业务不明的综合行业，以及存续期较短的综合金融行业。

(2)   滚动区间长度：48个月，每月末生成最新持仓，下月初调仓。

(3)   有放回抽样多元线性回归：在每个截面期，对过去历史窗口内的数据进行有放回抽样多元线性回归，其中，重采样的次数取2000次，每次采样长度最短为24个月，取2000次回归的中位数来构建行业-宏观因子暴露矩阵。

(4)   基准组合：等权重组合；

(5)  组合优化：目标风险暴露偏离值根据具体测试场景而定（因为组合在不同宏观因子上的暴露边界值不一样）；暴露偏离项的惩罚系数取1。

同样地，我们仍然采用假想场景法来验证模型的有效性，分别实证了单因子偏离和双因子对冲两类常见的应用场景。

单因子偏离实证

本节内容依次选择增长、生活端通胀、生产端通胀、利率、汇率作为核心因子，并始终在核心因子上施加正向暴露偏离（也即始终做多核心因子），来考察宏观风险配置模型能否及时应对核心因子的走势变化，其中，各核心因子的风险暴露偏离均设定为+0.03。

实证结果表明，除汇率因子外，其余四种单因子偏离场景均能够观察到净值比走势与核心因子走势在较长时期内较为一致，但两者不一致的时期明显长于大类资产层面的结果。比如生产端通胀因子偏离场景中，在17年以前的大部分时间内，净值比走势与生产端通胀因子的走势是背离的。

统计五种单因子偏离场景下核心因子与行业组合净值比的秩相关系数，结果表明，只有增长和生活端通胀等两个宏观因子在1%显著性水平下与净值比走势正相关，利率因子在5%显著性水平下与净值比走势正相关，生产端因子与净值比走势仅有不显著的正相关性，汇率偏离场景的表现最差。换言之，在细分行业层面，宏观风险配置模型对增长、生活端通胀、利率因子的变化较为敏感，而对生产端通胀和汇率因子的变化则难以作出及时应对。整体而言，宏观因子体系对行业的解释力弱于对大类资产的解释力。

双因子对冲实证

考虑到在细分行业层面，宏观风险配置模型对增长、生活端通胀和利率的变化能够作出较为及时的应对，因此双因子对冲分析中主要考虑“生活端通胀-增长”、“生活端通胀-利率”两个场景，其经济学逻辑不再赘述。实证结果表明，两个场景下净值比与核心因子走势之差大部分时间方向基本一致，然而近几年表现欠佳。以场景一为例，2018~2019年，宏观环境整体处于类滞胀状态，生活端通胀在猪肉价格冲击下攀升，而经济增长相对乏力，因而“生活端通胀-增长”上行，然而净值比却没有“跟上”核心因子的步伐。我们统计了该场景下各滚动区间内宏观因子对各个行业的拟合优度，其中，红色部分代表50%分位数至75%分位数，灰色部分代表25%分位数至50%分位数。可以看到，除了石油石化之外，其他行业的R2中位数普遍低于40%，说明宏观因子对行业收益变动的解释能力有限，这也是为什么宏观风险配置模型在行业上表现欠佳的原因。

基于宏观因子体系的动态投资时钟

在前期报告《再探周期视角下的资产轮动》（2019-07-02）中，我们提出了经济周期和流动性周期的刻画方法，并根据两个周期的走势将宏观环境划分成四种状态，然后统计不同状态下的优势板块，进而得到经济周期和流动性周期视角下的投资时钟。然而，这类静态时钟模型在使用过程中存在一个比较棘手的缺陷：通过历史全局统计得到的投资时钟是一种静态的、线性的映射关系，而宏观环境与金融资产间的驱动关系是动态演变的，这点在行业层面更为明显（相较而言，宏观环境对大类资产的驱动逻辑更稳定），因为每个行业都有自身的生命发展周期，处于初创期的行业成长属性强，对宏观环境的波动不那么敏感，而处于稳定期的行业成长空间有限，行业的盈利波动受宏观环境的影响更明显。因此，将静态结论应用到动态市场环境中可能存在适用性的问题。基于宏观风险配置体系，可以及时捕捉宏观环境对各行业驱动逻辑的最新变化，进而构建动态视角下的投资时钟。以增长上行、生活端通胀下行为例，每年末统计当年主动管理组合相比于基准组合的超配均值，统计超配最多的三个行业，它们可以认为是最受益于该宏观环境的行业。可以看到，自2011年以来，超配前三名的行业发生了较大的变化，起初以有色金属为代表的上游资源类行业受益明显，而近些年则切换至以机械、电力设备新能源为代表的中游加工制造，以及以家电为代表的可选消费行业，这其中即有行业生命周期变化的影响，也有政策、事件冲击的影响，但不管怎样，动态投资时钟都能及时捕捉到最新的变化，并作出相匹配的投资决策。

总结与展望

本文主要工作如下：1、构建了一套涵盖增长、生活端通胀、生产端通胀、利率、汇率五大风险的宏观因子体系；2、提出了一套宏观风险配置框架，它能将投资者对于宏观环境的预测观点通过定量化的手段落地到组合构建中；3、实证了宏观风险配置模型在大类资产和行业层面的表现。

实证结果表明，本文提出的宏观风险配置模型能够为投资者提供定量化、动态化、及时性、普适性的宏观风险配置工具：1、定量化，体现在宏观风险配置模型为投资者提供了开展定量化宏观风险配置的工具；2、动态化，体现在宏观风险配置模型能捕捉宏观因子对金融资产的动态驱动逻辑；3、及时性，体现在宏观风险配置模型能够对真实宏观环境的变化作出及时有效的应对；4、普适性，体现在宏观风险配置模型能够适应投资者个性化的风险收益目标和资产配置体系。

风险提示

模型根据历史规律总结，历史规律可能失效；模型结论基于统计工具得到，在极端情形下或存在解释力不足的风险。

免责声明与评级说明

公众平台免责申明

本公众平台不是华泰证券研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求，本公众号内容仅面向华泰证券客户中的专业投资者，请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者，请取消关注本公众号，不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限，若给您造成不便，烦请谅解！本公众号旨在沟通研究信息，交流研究经验，华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。

本公众号研究报告有关内容摘编自已经发布的研究报告的，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。如需了解详细内容，请具体参见华泰证券所发布的完整版报告。

本公众号内容基于作者认为可靠的、已公开的信息编制，但作者对该等信息的准确性及完整性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。

在任何情况下，本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。

本公众号版权仅为华泰证券股份有限公司所有，未经公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。

华泰金工深度报告一览

金融周期系列研究（资产配置）

【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生，顾短也兼长20200121

【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日，大周期赢未来20200116

【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法

【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增，待趋势明朗把握或更大20191022

【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826

【华泰金工林晓明团队】如何有效判断真正的周期拐点？——定量测度实际周期长度提升市场拐点判准概率

【华泰金工林晓明团队】基钦周期的长度会缩短吗？——20190506

【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下）

【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上）

【华泰金工林晓明团队】周期轮动下的BL资产配置策略

【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究

【华泰金工林晓明团队】市场拐点的判断方法

【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告（上）

【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究

【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索

【华泰金工林晓明团队】市场周期的量化分解

【华泰金工林晓明团队】周期研究对大类资产的预测观点

【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究

【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究

【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列

行业指数频谱分析及配置模型：市场的周期分析系列之三

【华泰金工林晓明团队】市场的频率——市场轮回，周期重生

【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探

周期起源

【华泰金工林晓明团队】企业间力的产生、传播和作用效果——华泰周期起源系列研究之八

【华泰金工林晓明团队】耦合振子同步的藏本模型——华泰周期起源系列研究之七

【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六

【华泰金工林晓明团队】不确定性与缓冲机制——华泰周期起源系列研究报告之五

【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四

【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三

【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二

【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一

FOF与金融创新产品

【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究

【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一

因子周期（因子择时）

【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三

【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二

【华泰金工林晓明团队】因子收益率的周期性研究初探

择时

【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列

【华泰金工林晓明团队】A股市场低开现象研究

【华泰金工林晓明团队】华泰风险收益一致性择时模型

【华泰金工林晓明团队】技术指标与周期量价择时模型的结合

【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用

中观基本面轮动

【华泰金工林晓明团队】行业全景画像：投入产出表视角——华泰中观基本面轮动系列之五

【华泰金工林晓明团队】行业全景画像：改进杜邦拆解视角——华泰中观基本面轮动系列之四

【华泰金工林晓明团队】行业全景画像：风格因子视角 ——华泰中观基本面轮动系列之三

【华泰金工林晓明团队】行业全景画像：宏观因子视角 ——华泰中观基本面轮动系列之二

【华泰金工林晓明团队】确立研究对象：行业拆分与聚类——华泰中观基本面轮动系列之一

行业轮动

【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二

【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一

【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十

【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九

【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八

【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七

【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六

【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五

【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四

【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三

【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二

【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一

Smartbeta

【华泰金工林晓明团队】重剑无锋：低波动 Smart Beta——华泰 Smart Beta 系列之四

【华泰金工林晓明团队】投资优质股票：红利类Smart Beta——华泰Smart Beta系列之三

【华泰金工林晓明团队】博观约取：价值和成长Smart Beta——华泰Smart Beta系列之二

【华泰金工林晓明团队】Smart Beta：乘风破浪趁此时——华泰Smart Beta系列之一

【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一

多因子选股

【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三

【华泰金工林晓明团队】桑土之防：结构化多因子风险模型——华泰多因子系列之十二

【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一

【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十

【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九

【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八

【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七

【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六

【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五

【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四

【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三

【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二

【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一

【华泰金工林晓明团队】五因子模型A股实证研究

【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二

人工智能

【华泰金工林晓明团队】AlphaNet：因子挖掘神经网络——华泰人工智能系列之三十二

【华泰金工林晓明团队】生成对抗网络GAN初探——华泰人工智能系列之三十一

【华泰金工林晓明团队】从关联到逻辑：因果推断初探——华泰人工智能系列之三十

【华泰金工林晓明团队】另类标签和集成学习——华泰人工智能系列之二十九

【华泰金工林晓明团队】基于量价的人工智能选股体系概览——华泰人工智能系列之二十八

【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七

【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六

【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五

【华泰金工林晓明团队】投石问路：技术分析可靠否？——华泰人工智能系列之二十四

【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三

【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二

【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一

【华泰金工林晓明团队】必然中的偶然：机器学习中的随机数——华泰人工智能系列之二十

【华泰金工林晓明团队】偶然中的必然：重采样技术检验过拟合——华泰人工智能系列之十九

【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八

【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七

【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六

【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五

【华泰金工林晓明团队】对抗过拟合：从时序交叉验证谈起

【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三

【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二

【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一

【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十

【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九

【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八

【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七

【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六

【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五

【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四

【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三

【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二

指数增强基金分析

【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告

【华泰金工林晓明团队】酌古御今：指数增强基金收益分析

【华泰金工林晓明团队】基于回归法的基金持股仓位测算

【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证

基本面选股

【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究

【华泰金工林晓明团队】华泰价值选股之FFScore模型

【华泰金工林晓明团队】相对市盈率选股模型A股市场实证研究

【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究

【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究

【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究

基金定投

【华泰金工林晓明团队】大成旗下基金2018定投策略研究

【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四

【华泰金工林晓明团队】基金定投3—马科维茨有效性检验

【华泰金工林晓明团队】基金定投2—投资标的与时机的选择方法

【华泰金工林晓明团队】基金定投1—分析方法与理论基础