来源：XYQUANT
2、宏观信息的发布对市场走势具有不可忽视的影响，市场对于宏观信息是反应不足还是反应过度也一直没有确定的结论，本文对此主题进行了相应的研究。
3、作者首先使用事件研究的方法对日内价格的表现与标准化后的宏观超预期数据进行了回归，从而估计资产价格对宏观信息的反应系数；接着基于反应系数实时预测宏观基本面所驱动的市场收益率，并定义了一种衡量定价误差的新方法，该计算方法基于市场收益与宏观信息预期水平的差异，从而能获得非基本面因子对市场的影响情况。
4、本文发现市场同时受到基本面和非基本面因子的驱动，不同的宏观信息对市场的影响系数会随着时间的推移发生变化，而市场收益率序列动量之后通常伴随的反转主要是非基本面因子所驱动的。
风险提示：文献中的结果均由相应作者通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。
1、引言
对专注于战术资产配置的投资者而言，一个非常关键的问题是市场价格是否反映了宏观经济基本面的情况或者其他因素，也可以理解为市场是否定价错误。从alpha驱动的角度来看，对这个问题的看法会从各方面影响投资者的决策，包括股票与现金的抉择、地域选择、投资期限以及国别配置的考虑等；而且将市场对宏观信息的反应纳入考虑范围，有助于投资组合的构建。我们知道基于多资产的投资组合可以为客户提供多元化的收益，但是投资者必须对信息冲击有自己的看法以确定投资组合的久期，比如股票与债券当前的相关性取决于经济增长还是实际利率等。
我们使用事件研究的方法估计资产价格对宏观信息的反应系数，该方法对日内价格的表现与标准化后的宏观超预期数据进行了回归。事件研究方法始于Dolley（1933）对股票分割的分析，现已广泛应用于金融和经济问题中，此方法的主要优点是它们提供了准自然实验，可大大降低内生性风险。
无论宏观变量估计频率的高低，市场对宏观变量的反应都取决于当时的状态，市场反应的强度、对称性甚至是方向性都会随时间发生变化，这是因为市场对央行政策的预期也发生了变化。对于股票市场而言，积极的经济增长将会带来预期现金流的增加，但是如果经济增长引起了政策的控制—贴现率提高将抵消经济增长带来的影响；如果经济增长停滞不前，那么政策的效用可能更大，因为市场对政策对冲的反应可能有所不同。以日内频率进行事件研究可以为我们提供更多的数据，并且可以避免内生性问题，可以在任意给定的时间范围内提高系数估算的准确率，我们从而可以观察系数随时间的变化规律。
我们使用指数加权的时间序列回归来估计系数，这使我们的系数随着时间的推移而变化，也可以对最新信息进行加权，这些信息可以更好地代表市场与宏观之间的最新关系。对于投资者来说，了解市场究竟是由增长、通货膨胀抑或政策驱动至关重要，系数发生变化表明宏观对市场的影响机制也发生了变化，而且能对一系列关键参数（包括股票与债券的相关性）产生影响。
宏观经济的低频数据对市场价格的影响要高于高频数据的影响，从每日估算转换为每季度估算时，债券市场的R2从10%左右上升至1/3（Altavilla等，2017），这是因为非基本面信息均值回复的速度比基本信息更快。我们希望结合高频和低频估计的优势，通过使用日内数据估算系数可以避免内生性问题，并产生更加准确的估算值，以便于研究系数随着时间变化的规律，我们还使用了过去一段时间的数值来平滑短期的噪声。
本文的主要创新之处在于定义了一种衡量宏观定价误差的新方法，该计算方法基于市场收益与宏观信息预期水平的差值。该方法及其参数的设置可以支持大约3-12个月期限的投资决策，但是定价误差模型的适用性将随投资策略、期限和市场环境而发生变化。该模型着眼于市场收益率，而不是价格水平和几个月的平均值；因此它不能识别出已经存在多年的定价错误，也不能识别出剧烈的市场波动所产生的高峰或低谷，但是它可以确定在基本面持续扩张几个月之后，市场未来可能的发展趋势。
2、文献综述
2.1
大量研究探索过宏观信息对市场价格的影响
此类文献涵盖了多种研究方法，并考虑了不同国家、市场、估计频率和时间段。尽管某些文献着眼于宏观经济总量与市场回报之间的关系，但大多数研究更关注宏观信息中未被预期部分的影响。经典的研究框架是使用市场收益率与未被预期的标准化信息回归，但是Roberto Rigobon和Brian Sack使用了异方差识别（2003，2004）方法。以上方法已经在Gürkaynak，Kısacıkoglu和Wright（2018）的最新研究中进行了汇总，其中包括研究潜在因素以捕获子成分的变化。
2.2
普遍的研究结论:市场会迅速对宏观信息作出反应
研究盈余公告后价格漂移的文献非常多（例如Bernard和Thomas 1989），但是关于宏观公告后价格漂移的文献非常有限。Wang（2015）发现，美国股市对宏观经济新闻反应不佳，他的研究证明了新闻动量策略可带来超额回报。Brooks，Katz和Lustig（2018）提出长期利率相较于短期利率更加敏感，这一结论违反了利率期限结构预期假说。他们发现若美联储超预期将利率上调10个bp，十年期利率当日仅上升1.7bp，而在随后50天上升了14bp，Brooks，Katz和Lustig认为这是由于美联储上调利率后共同基金流出所致。
但是，这可能是由于投资者根据意外发布的货币政策调整了对基本面的预期，因为他们认为美联储拥有私人信息。大量使用日内数据分析宏观数据对市场的影响的研究都探索了这个问题，没有发现过高或过低的迹象。Balduzzi，Elton和Green（1996年）率先就市场对宏观信息的盘中反应进行了研究，发现与变量相关的价格在一分钟内就发生了变化。Beechey、Wright（2009）和Caporale等人（2018）的最新研究同样支持以上观点，即条件均值的跳跃发生在公告发布附近的时间窗口内。
2.3
市场对宏观信息的反应随不同时期发生变化
之前的学者们发现资产价格对宏观数据的响应时间存在很大差异。McQueen等（1993）提供的证据表明积极且意料之外的新闻在经济衰退期间能提振股价，但在经济强劲的时候却降低了股价，对此的解释是预期现金流对折现率的影响很大，Boyd，Hu和Jagannathan（2005）对于失业的新闻也有类似的发现。
通常这些影响可以归因于预期政策的响应，Law等（2019）表明股票市场的敏感性是逆周期的，并且取决于预期货币政策的反应，他们认为这是由货币政策预期的顺周期性质和风险市场价格的逆周期性质驱动的。Clarida和Waldman（2008）同样指出对于以通胀为目标的央行而言，积极的通胀冲击会导致名义汇率升高，尽管购买力平价认为汇率会贬值，这是因为当央行实施通货膨胀目标制时，积极的通胀冲击预期将导致货币政策收紧。
3、研究方法
3.1
数据
我们的市场价格数据为一系列国家股票和债券交易所交易基金的价格，由Refinitiv提供。对于标准化后超预期数据集的每个时间组合，我们将计算从公告前15分钟到公告后30分钟的市场收益；时间窗口的选择在文献中是标准的，数据发布之前的15分钟可以测试信息是否泄漏，许多研究发现这很重要（例如Bernile，Hu和Tang 2016）。我们对每个国家/地区使用相同的标准化数据，并重复以上步骤。
3.2
影响系数
为了计算宏观因子对市场价格的影响，我们使用事件研究文献中的标准方法，我们在时间序列上使用市场收益对标准化的宏观超预期数据进行回归，这是基于扩展窗口进行的，并使用3年半衰期进行指数加权。
图表1展示了美国指数全样本的统计结果，图表2展示了2015-2019年的平均系数。若ISM Manufacturing这种顺周期经济指标的超预期数据为正，往往会引起股票价格上涨和债券价格下跌；若失业率等逆周期指标的超预期数据为正，将导致债券价格上涨和股票价格下跌；通胀膨胀冲击对债券价格的影响较大。
我们的系数随着时间的改变发生了很大的变化，从理论上讲，通货膨胀对股票价格的影响应该很小（Feldstein ,1982），但我们发现通货膨胀的影响有时可能很大；股票价格对核心CPI超预期数据的反应有时可能和其对非农就业数据的平均反应一致，这可能与政策的影响的紧密相关，政策可能会提高股票的折现率，由于贴现率抵消了现金流的影响，因此政策有可能对冲降低非农就业数据的影响系数。
3.3
实时预测周度收益率
3.4
周度的定价误差
我们将每周的定价误差（weekly mispricings）定义为市场收益率与我们实时预测收益率之间的偏差，半衰期设定为36周。
对实时预测值和实际值进行时间序列的打分有助于减小两方面的偏差。首先，正如前文文献综述中所讨论的，部分研究观点认为市场对宏观信息的最初反应不是反应不足就是反应过度。如果我们估计的影响系数只是实际的一半，那么在宏观信息的超预期数据为正时，我们通常会估计市场的反应已经超出了基本面的影响。其次，Rigobon和Sack（2008）提出期望和实际数据中的度量都会导致系数估计值偏低，这将对我们的估计产生影响。若我们同时对实时预测和实际情况进行时间序列评分，可以大大降低这些偏差。但是这其中隐含的假设是，每个国家/地区的变量之间的系数的偏差均相等，这要弱于所有系数均等于零的假设。
3.5
定价误差评分
因为我们正在寻找市场实际水平与基本面之间的偏差，所以我们决定从时间序列的维度进行观察，因此我们计算每周的定价误差的指数加权移动平均值，半衰期为8周。
图表4和图表5分别展示了股票和债券市场的定价误差的评分。我们发现无论是股票市场还是债券市场，各个国家之间定价误差的评分通常是密切相关的，但是这种相关性的强度随时间而变化，这表明全局因素和特异因素的相对重要性在随着时间变化。由于定价误差评分是具有八周的半衰期的指数加权平均值，因此剧烈的走势变化需要一定的时间才能在系统中发挥效果。
4、市场的错误定价和未来收益的关系
关于资产价格时间序列动量的研究有大量的文献资料。在一系列的资产类别中，Moskowitz，Ooi和Pedersen（2012）发现了时间序列动量之后通常伴随着反转，他们将其归因于非基本面驱动的变化。我们的结果证实了这一发现，因为从收益中减去宏观基本面部分，定价误差部分提供了关于非基本面收益更清晰的线索，根据一系列资产和国家的研究，我们看到时间序列动量被时间序列反转所取代。图表6和7分别展示了美国股票和债券市场中我们的定价误差与未来几周收益之间的相关性。
5、未来研究方向
本研究有许多可能的扩展方向，包括扩大地区的覆盖范围和资产的覆盖范围，比如外汇资产等。也可以改进估算方法从而获取资产价格对货币政策的反应中特定时间的非线性和不对称影响，以下可以作为文章其他维度的补充。
（1）国际溢出效应：这部分数据未包含在单个国家/地区的分析中，但大型且相互关联的经济体（尤其是美国和中国）的发展对于其他市场的收益率至关重要。如果收益序列在跨时区的市场开放时间内有足够的覆盖率，则有可能将国外宏观经济发展信息纳入本国市场收益的回归中。
（2）宏观信息发布的子成分：子成分通常没有进行市场预期的调查，但是它们的变动也可以影响市场的走势。我们可以像Gürkaynak, Kısacıkoglu和 Wright（2018）所做的那样，使用潜在因子方法来探究子成分的影响。
（3）宏观经济变量归因：不同的宏观经济变量的相对贡献随时间发生变化。确定市场的主要宏观驱动因子到底是增长、通货膨胀还是政策，可以让我们将宏观经济观点转化为市场预测。像Beechey和Wright（2009）所做的那样，可以使用基于因子增强的风险价值模型中的创新指标代替目前的回归元，或者通过按类别对公告信息进行分组来实现。
（4）市场状态的转换：我们已详细讨论了市场对宏观信息的反应随时间变化的情况，而且特别关注了不断变化的货币政策的作用，文中采用的是扩展窗口系数这种相对灵活的方法，且半衰期相对较短。然而我们认为这部分可能还需要增加一部分分析，考虑到时间的变化类似于状态，改变可能非常快（就像美联储主席讲话和被理解一样快），这种结构可以通过状态转换模型或与美联储基金期货相互作用的系数来实现。
特定的模型在评估特定的投资范围和市场环境方面具有各自的优势，如我们所做的那样，使用超预期数据作为衡量宏观经济发展的指标，更适合比较一段时间内的市场收益和宏观经济发展情况，而无法表明市场在整个时期内是否被低估/高估了，因此我们相应选择了时间长度适中的策略参数。
6、总结
每个研究宏观的投资人员都必须对市场定价有相应的见解，它不必是资产级别，也可以是宏观变量和主题级别的这种视野角度，投资者的观点不应仅仅来自于单个模型，特定模型所被赋予的权重应该匹配当时的投资策略和环境。当问题在于基本面是否支持市场持续反弹时，我们制定的策略对于未来3-12个月投资期限的战术资产配置非常有效。更广泛地来说，宏观发展将如何映射到资产价格上，投资者必须对其有相应的观点，因此深入了解宏观市场的状态可以帮助投资者了解未来收益走势这一类的问题。
参考文献
[1] Altavilla, C., D. Giannone, and M. Modugno. 2017. “Low Frequency Effects of Macroeconomic News on Government Bond Yields.” Journal of Monetary Economics 92: 31–46.
[2] Balduzzi, P., E. J. Elton, and T. C. Green. 1996. “Economic News and the Yield Curve: Evidence from the US TreasuryMarket.”
[3] Beechey, M. J., and J. H. Wright. 2009. “The High-Frequency Impact of News on Long-Term Yields and Forward Rates: Is It Real?” Journal of Monetary Economics 56 (4): 535–544.
[4] Bernard, V. L., and J. K. Thomas. 1989. “Post-EarningsAnnouncement Drift: Delayed Price Response or Risk Premium?” Journal of Accounting Research 27: 1–36.
[5] Bernile, G., J. Hu, and Y. Tang. 2016. “Can Information Be Locked Up? Informed Trading Ahead of Macro-News Announcements.” Journal of Financial Economics 121 (3):496–520.
[6] Boyd, J. H., J. Hu, and R. Jagannathan. 2005. “The Stock Market’s Reaction to Unemployment News: Why Bad News Is Usually Good for Stocks.” The Journal of Finance 60 (2): 649–672.
[7] Brooks, J., M. Katz, and H. Lustig. “Post-FOMC Announcement Drift in US Bond Markets.” No. w25127. National Bureau of Economic Research, 2018.
[8] Caporale, G. M., F. Spagnolo, and N. Spagnolo. 2018.“Macro News and Bond Yield Spreads in the Euro Area.” The European Journal of Finance 24 (2): 114–134.
[9] Clarida, R. H., and D. Waldman. “Is Bad News about Inflation Good News for the Exchange Rate? And, If So, Can That Tell Us Anything about the Conduct of Monetary Policy?” In Asset Prices and Monetary Policy, pp. 371–396. Chicago: University of Chicago Press, 2008.
[10] Dolley, J. C. 1933. “Common Stock Split-Ups Motives and Effects.” Harvard Business Review 12 (10): 70–81.
[11] Feldstein, M. 1982. “Inf lation and the Stock Market: Reply.” The American Economic Review 72 (1): 243–246.
[12] Gilbert, T., C. Scotti, G. Strasser, and C. Vega. 2017. “Is the Intrinsic Value of a Macroeconomic News Announcement Related to Its Asset Price Impact?” Journal of Monetary Economics 92: 78–95.
[13] Gürkaynak, R. S., B. Kısacıkog˘lu, and J. H. Wright. “Missing Events in Event Studies: Identifying the Effects of PartiallyMeasured News Surprises.” No. w25016. National Bureau of Economic Research, 2018.
[14] Law, T. H., D. Song, and A. Yaron. 2019. “Fearing the Fed: How Wall Street Reads Main Street.” Available here:https://economics.indiana.edu/documents/fearing-the-fed.pdf.
[15]McQueen, G., and V. V. Roley. 1993. “Stock Prices, News,and Business Conditions.” The Review of Financial Studies 6 (3): 683–707.
[16] Moskowitz, T. J., Y. H. Ooi, and L. H. Pedersen. 2012. “Time Series Momentum.” Journal of Financial Economics 104 (2): 228–250.
[17] Rigobon, R., and B. Sack. 2003. “Measuring the Reaction of Monetary Policy to the Stock Market.” The Quarterly Journal of Economics 118 (2): 639–669.
[18] ——. 2004. “The Impact of Monetary Policy on Asset Prices.” Journal of Monetary Economics 51 (8): 1553–1575.
[19] ——. “Noisy Macroeconomic Announcements, Monetary Policy, and Asset Prices.” In Asset Prices and Monetary Policy,pp. 335–370. University of Chicago Press, 2008.
[20] Wang, F. “Post Macro Announcement Drift.” Working paper, 2015, http://fwang26.people.uic.edu/JobMarketPaper.pdf
风险提示：文献中的结果均由相应作者通过历史数据统计、建模和测算完成， 在政策、市场环境发生变化时模型存在失效的风险。
