GF证券：使用宏观因素渗透
作者：365bet网页版日期：2025/06/16 浏览：
交易股票时，您可以查看Jin Qilin分析师的研究报告，这些分析师具有强大的，专业的，高涨的态度和全面，并帮助您获得潜在的主题机会！ Guo Lei Macro Tea House高级宏观分析师Chen Liqing博士
报告的摘要
首先，在各种宏观环境中，有效控制风险，降低波动和实现相对稳定的回报已成为资产管理市场中更基本的请求。先前的报告“全天候”方法的解释是我们对此问题的讨论中的初步对话。与传统的财产风险拥有的普通模型不同，“全天候”的更准确定位是“巨型演员”的风险，在整个周期中实施“全天候”方法的道路是平衡的“大型骨架”。传统的调整模型不会根据宏观场景的变化及时调整权重。市场遇到激烈的冲击，其风险功能的不同风险通常会减弱。例如，与普通的基本财产相比，当资产发生流动性危机时，资产面临着压力的系统销售，并提供了该规定的传统条款，“宏观因素”与“宏观因素”的相关性较小，并且更有效地实现了“减少宏观因素，适合国内市场，并发展了麦克罗因群体的风险销售型号的风险，而是发展出偏爱的因素。
其次，应该做什么工作来产生宏观因素调整框架？我们指的是Blyth（2016）研究（2016年），该研究对哈佛捐赠基金（HMC）产生了重大影响，并将其分为四个步骤：首先，“筛选因子”和宏因素的“适应性”直接确定后续COPORIANION是否真正识别和扩散风险。第二个是“计算风险暴露”，也就是说，在“原因”和“财产”，并使用线性回归模型来计算因素特性的风险暴露水平。第三个是“确定”目标暴露于风险的目标，也就是说，应首先根据一定规则或Andavil确定每个因素的风险暴露；第四个是“匹配”与目标风险的接触，也就是说，使用优化框架来扭转资产的重量。
第三，有三种构建宏观因素的基本技能。第一种方法是直接使用低频经济数据，例如GDP，PPI等。第二种方法是降低维度降低（PCA）的主要成分（PCA），这是简单的，目的，并且对分散因子有影响，但对分散因子有影响，但不稳定，容易受到经济重要性，并且体重不独特；第三种方法是通过回归拟合更高的宏因素频率。此过程是高频且可交易的，但它需要首先设置宏的维度并构建低刺激因子作为锚的锚，它的复杂性很高。我们根据上三种方法进行改进，并结合上述方法的好处，以产生更敏感的宏观因素。我们的过程可以分为三个步骤：“固定尺寸，筛选资产和高频”。具体而言，我们使用PCA来识别宏观维度，使用“高频”中延长模拟的资产模拟组合，并在“轻量级”（全天候类型）和“三维”和“三维”（M1-BCI-PPPI框架）（M1-BCI-PPPI框架）中使用多个维度层次设计的系数，以及“ M1-BCI-PPPI框架）和“ BroadIe-cecond”（跨序列”和“跨度”和“跨度”和“宽度”和“三）”和“宽度”和“宽度）和三）和三）和三）和。
第四，基于上述想法，并利用凯利（2014）的技能，我们将当天的基本维度（自2017年自股票，债券和商家的10个主要类别）的基本维度数据降低到日期，并且发现前六个主要成分和前七个组成部分解释了前六个主要成分和前七个组成部分。INED的价格为82％和89％。通过比较负载系数和每个主要组成部分与物业的规模的方向，我们发现在不包括美国股票的主要拥有量中，国内增长，通货膨胀，利率，汇率和信贷是五个主要宏观风险；如果包括美国股票，将增加国外的经济风险因素。我们基于经济逻辑建立了原始的低频（月频率）宏观因素，并将M1，BCI和PPI用作流动性，增长和通货膨胀因素的可变代理。为了考虑考虑性，我们还试图结合两种pmi和BCI的指标，以丰富“增长规模”，并通过将消费品的通货膨胀（CPI年度逐年和BCI消费品远期远期索引）和工业通货膨胀（PPI年度bcis and BCIS and BCIS和BCIS向前介绍）来完善“通货膨胀维度”。
第五，接下来，如何转换“低-freight“宏观因素进入“高频”因子系统？我们从模仿因素的方法中借用。首先，将资产回报率作为独立变量和低频宏因素作为一个逐渐逐渐不足的单声道积累，并过滤了每个构成频率的主要频率，然后是构成的频率，然后是强大的一定尺寸。窗口旋转期的多元领先调节模型，将归一化回归系数与高频每周或每日或每天的每日价格相比，以获取高频宏观因素的获取，以示例为例工业通货膨胀因素是工业原材料领域，钢筋期货，WTI CRU的长期指数石油期货和短期CSI国库债券和金融债券政策已有7 - 10年。通过长期的属性模拟组合，获得了8个宏观高频率池，也就是说，“未摇动”压缩瘤原状含义被转换为“高频，拟合，可交易的”宏因素收益率。
第六，那么如何在“原因”和财产之间建造桥梁？我们使用对属性的返回来执行时间序列的线性回归，每个因素的产率，以获得属性矩阵的风险曝光。该矩阵在视觉上反映了生殖器对各种宏变量的敏感性。我们的估计方法是具有屏障的稳定OLS回归，并使用滚动窗口和随机重采样技术确定系数，以促进灵敏度的时间变化动态特征。首先，以上因素通过了截然不同的多重试验。差异-irs coepispline（v如果）在1.0至1.5之间的每个因素（显着少于5），并且因子之间的相关系数较低，并且大多数绝对值小于0.1。其次，矩阵的系数表明，大型股票（由上海和深圳300代表）是相对中型股票（由CSI 500代表）和经济。增长更敏感，而中型股票对流动性环境更敏感； Hang Seng Index具有相似的财产，并且对汇率的汇率有一定的负面影响（美元的美元收益率US指数）；标准普尔500指数对美国经济因素等有显着积极的态度。股票和债券资产的R端较大（利率债券为0.93，公司债券为0.57，CSI 300为0.6，CSI 500为0.86，表明制造商Macro -domination的特性清楚。伦敦的中间现金价格，原油原油期货和欧元元的美元是相对较低，R的一部分分别为0.48、0.43和0.44，表明除宏观因素系统以外的特征因素还将参与定价，例如OPEC+产量增加节奏，地缘政治中的反周期性调节因素等，而不是以前的报告的范围，而不是在范围内获得均等的范围。整个投资组合的风险”。
第七，第一个是“轻量级”解决方案。由于返回多个财产会压缩两个“增长和通货膨胀”的因素，因此这种感知框架的风险相对简单。较快的结果表明，“增长和通货膨胀”因素的风险提供了一个更好的反复训练的实践，而无需采取任何行动。自2016年以来，该计划的年收益率为7.7％，每年波动率为5.4％，急剧比率为1.14，最大降低为8.5％。对于两个p骨质和同时，方法的年度回报率对相同的风险，权衡技术（例如所有拥有量）以及权重挥发性的奖励分别为4.6％，4.8％和4.7％，年度波动率分别为1.5％，8.7％和1.7％和1.7％，最高2.5％和2.5％和2.5％，和2.5％和2.5％。从上述结果中的判断，尽管一致性的简单投资组合仍然是最高的，更稳定的，并且没有足够的弹性。因此，与简单财产的简单规模保持一致的风险通常需要依靠“行动”，以便放松一些波动性障碍以获得返回的增厚。尽管“增长和通货膨胀”因素的方法可以提高一致性，而无需行动而增加了产量，并且没有显着增加波动率。考虑到回报和风险，年度波动率仍然约为5％。从水平的详细体重的角度来看，由于该模型仍基于“危险风险”框架，因此波动率较低的债务资产仍主要在长期序列中。自2016年以来，债券财产的平均权重为54.6％，利率提供20.9％，信用债券帐户帐户价值33.8％；股本资产的平均权重为10.2％，平均A股票资产的平均权重为5.2％，香港股票资产的平均权重为5.0％；商品资产的平均权重为20.3％；黄金资产的平均权重为5.7％。从垂直方面看，近年来A股和香港股票资产的A股权重量指标增加了，自2024年以来，2022年的平均年体重分别为0.1％和0.3％。.1％，7.8％；而债券的债券的重量却拒绝了；黄金所有权的权重增加。
八，然后是“三维”计划。自2016年以来，“ M1-BCI-PPI”三因素方法的风险一致性具有年度收益，每年的波动率为7.8％，急剧比率为0.96，通常与Renovationos的“ BCI-PPI”轻型模型相同，但回报率更有用。这种方法的优点主要集中在2016 - 2019年，自2020年以来，简单属性的风险一致性通常相同。如果通货膨胀率分为“工业通货膨胀和消费者通货膨胀”，则自2020年以来，它的年收益率也为8.4％，主要是为了避免在2020年上半年上半段出现大量主要财产类别价格的风险。资产重量的重量的判断，将此模型的重量分配给每个属性的重量通常会散布到“ dual-wheel模型”，但它是更大的偏移分配的，但它的分配是零星的，但既散布了一个零星，又是一个零星。 2016年，债券特性的平均权重为47.8％（轻量化模型为54.6％）；HT模型）。商品资产的比例也有所增加，“南沙农产品 + nanhua上海铜 +原油”的平均体重为24.9％（轻量级模型中为20.3％）。垂直定律就像轻巧的模型。近年来，A共享权重，香港股票资产，黄金等也表明债券资产的重量也拒绝。
第九，然后是“宽光谱”方法。从战略性的回测结果来看，“美国名义增长因子”的多因素风险奇偶校验方法自2016年以来的年收益率为7.5％，年度波动率为4.0％，夏普比率为1.49。回报类似于光调节模型，在三因素调整模型中，kaysa略低，但夏普具有更大的好处（1.49 1.14 0.96）。如果添加了标准普尔500指数，则回报率和波动率都会降低，并且尖锐的比率保持在1.4左右。值得注意的是，近年来，多因素和简单属性之间的差异在中国，近年来可能反映出的，许多国内资产（例如股票，债券，商品和黄金）可以反映某种类型的宏风险，因为它们主要被宏观因素的因素和宏观特性的因素和宏观性能之间的性质中断而中断。换句话说，近年来，包括国内股票和黄金，商品等债券在内的主要阶级库增加了其在分配“风险平价”框架中的可用性。从横截面的角度来看，在对因子研究进行了更多测量之后，分配框架更接近“简单拥有的风险”，债券特性的比例再次增加，自2016年以来提供了61.9％。股权的比例下降到约5％。垂直政策也有略有不同。近年来，权益所有权的权重发生了太大变化，债券资产已拒绝。简而言之，对于整个方法的波动，平价分配的多因素风险模型使战略回报和定时尺寸的种类稳定；但是，在资产分配的水平尺寸中，由于“低波”债务的性质，财产的优势将其重新赋予了更集中的Timbang。这也是为什么我们看到它具有较低的波动性，并且在三组因子调整模型中具有最高的锋利（1.49 1.14 0.96）。
第十，简要摘要摘要具有相似性的风险。因素越好，因素系统越复杂和有效，就越合适。应选择哪种程序应调整为当前的宏观环境，资产定价Paradigbarbage以及投资者关心的重点。 “增长和通货膨胀”因素的“轻巧”全天候配置框架很简单，并且具有更多的利润收益，这略微解决了问题LEM认为一个简单的平价投资组合所有者稳定且弹性不足，并且需要依靠“杠杆”来放松返回的波动性。框架框架的“三维因素”风险更放松了尖锐比率的要求，对回报有更大的好处，并提供了更多种类的财产分配。框架的较宽宏观宏观因素分配具有更高的完整性，考虑了更多的风险水平，并且具有更高的尖锐优势。但是，由于风险更大，一致性发展后资产的分配更加集中在债务资产上，并且返回的优势并不明显。近年来，绩效一直符合同一财产的风险。
最后一个，最后一个，最后一个图的宏观因素风险具有三个方向值得思考和改进的方向：首先，该计划简化了Onesthe的主要属性是线性函数宏观因素和“线性”假设值得讨论未来。其次，高频宏观因子的过程具有缺陷，并且从“投资因素”中学到了该过程，但是单个市场具有定价的统一性，扩大基本属性的规模，并直接使用统一的长期仿真组合来表达在每个财产世界中的特定宏观因素，可以改善；第三，对风险风险的估计似乎面临“动态”和“旋转”之间的互斥关系，以及如何平衡两者也值得思考。
报告简短版本
（短版13158个单词）
第一的
在各种宏观环境中，有效控制风险，波动性和实现相对稳定的回报的有效控制越来越多，在资产管理市场中越来越多。先前的报告“全天候”方法的解释是我们对此问题的讨论中的初步对话。你Nlike是传统的财产风险奇偶校验的常规模型，“全天候”的更准确定位是“宏观验证器”的风险，在整个周期中实现“全天候”方法的道路是“宏观缸体”的平衡。传统调整模型不会根据宏观情况的变化及时调整其权重。当市场遇到激烈的冲击时，其风险功能的风险通常会削弱。例如，当发生流动性危机时，资产面临系统的压力销售，尾巴风险将大大推动物业之间的关系，传统分配模型将失败。与普通的基本属性相比，“宏因素”不相关，并且更有效地实现了“降低维度”，识别性和重量调整。本文试图在中国市场上实施类似于“全天候”的因素分配，扩展适合国内3月的宏观因素KET，并开发出具有平价分配框架风险的局部宏因素。
资产和因素关系类似于食品和营养元素（Andrew，2010年）。投资组合返回的本质是通过承担各种市场风险来弥补的（Sharpe，1964; Lintner，1965; Ross，1976）。首先讨论了因子风险平价（因素风险平价），讨论了关于2009年Attilio Meucci角色中学术概念概念的系统讨论的讨论。统计数据是通过主要组件分析（PCA）的资产回报协方差矩阵的未指定因素，并将其用于生产不同的投资组合。 Qian（2012，2016）还指出，一致性模型的重点应为“风险”，而不是一致性公式。了解“风险”应该恢复到更重要的“宏”水平，而不是财产的简单波动。
在上一个报告中“全天候”私人的解释Ch”，我们从Qian Enping（2005）的方法中学到了基于国内ETF（资产维度）的一致性模型。该模型是通过平等来优化投资组合的敏锐度 - 等于风险我在投资组合中每种类型的财产的风险，然后通过行动来提高行动量，然后在6％的范围内提高式范围。所有者，自2015年以来，年收益率为6.4％，急剧比率为0.92。
财产所有者之间的低相关性是传统调整模型的主要要素，可以获得“免费午餐”。在实际操作中，当市场遇到激烈的冲击时，由于流动性的偏见，许多类型的财产可以处理系统的压力销售，而尾巴的风险将推动资产接触以显着增加，并且传统分配模型的种类无效。 “宏风险因素”与MGAN普通主要所有者相关，这是“缓解复杂性”的过程。从对数学的洞察力，此过程涵盖了拥有较小和更常见的因子空间中拥有更多所有权的拥有空间。
因素分配模型也可以实现更好的识别。一方面，它有助于推翻资源资源。另一方面，我们还可以根据未来宏观方案的预测来主观调整资产权重。基于财产的规定的传统方法仅从归还财产风险的特征开始，并且财产重量的重量不能反映宏的变化。
第二
应该做什么工作来产生宏观因素调整？我们指的是BL Researchyth（2016），该研究对哈佛捐赠基金（HMC）产生重大影响，并分为四个步骤：首先，“筛选因子”和宏观因子D的“适应性”辅助确定随后的合作是否真正被认可并传播风险。第二个是“计算风险的暴露”，即在“原因”和“财产”之间发展一系列桥梁，并使用线性回归模型来计算因素性质的风险暴露水平。第三个是“确定”目标暴露风险，也就是说，有必要首先根据一定规则或偏好确定每个因素的风险暴露；第四个是“匹配”目标暴露在风险中，也就是说，使用优化框架来扭转资产的重量。
布莱斯（Blyth，2016）建议“基于资产（FIFAA）的降低未指定的因素，并一直是哈佛管理公司（HMC）的战略载体，以转向2015年9月之后的“基于因素的思维”。事后反思，根据FIFAA策略模型，在过去和五年的五年中，FIFAA策略模型的平均年收益.1％和10提及。
“滤波器因子”是选择性和生成适合本地基本属性的宏因素。宏观因素的“适应性”直接决定了一致性的随后优化是否真正被认可并传播风险。 “计算风险曝光”通常是一个线性回归模型，以计算资产风险曝光水平。
“了解目标风险的目标”，也就是说，应该根据一定的规则或偏好确定每个因素的风险暴露。如果采用相同因素的想法，则此步骤是通过优化“组合每个因素的贡献相似的风险贡献”的过程来设置目标风险的风险。
“将目标暴露与风险相匹配”，如果在第三步中接触目标因素的风险是遵守集合的，那么此步骤是使用对手框架（例如布莱斯的优化框架，格林伯格的优化框架工作）扭转资产的重量；如果这是因素的风险，则根据风险风险和风险风险矩阵的匹配条件直接确定投资组合中资产的提供。
第三
有三种用于构建宏观因素的技能。第一种方法是直接使用低频经济数据，例如GDP，PPI等。第二种方法是降低维度降低（PCA）的主要成分（PCA），这是简单的，目的，并且对分散因子有影响，但对分散因子有影响，但不稳定，容易受到经济重要性，并且体重不独特；第三种方法是通过回归拟合更高的宏因素频率。该方法是高频且可交易的，但是它需要首先设置宏观维度，并提前将低频因子作为锚点的构造，这具有很高的复杂性。我们根据上三种方法进行改进，并将上述方法的优势结合到P推动更灵敏的kmacro的假设。我们的过程可以分为三个步骤：“固定尺寸，筛选资产和高频”。具体来说，我们使用PCA来确定宏观维度，使用“高频”的资产仿真组合，并使用多个和核因子设计三组宏一致性解决方案，以实现“轻量级”（全天候类型），“三维”（M1-BCI-PPPI-PPPI框架”（M1-BCI-PPPI框架“ Broad-Spectectral”（Multi-Factral”（Multi-Factor）。
建立宏观因素有三种基本技能：首先，直接将低频经济数据用作宏观因素，例如使用实际GDP，PPI等来表示增长因素和通货膨胀。第二个是使用统计技术直接从资产中提取（例如，主要的Pagexamines物质和降低维度）。该程序将所有权转换为连续的一些无关的关键物质（常见因素），避免了“维度灾难”。第三，朗基于属性的G组合是通过建立与低频宏数据一致的宏模拟组合来替代因素的。使用模拟组合来识别高频因素的本质是，以资产价格以市场实体的定价和贸易程度（程度）。此外，价格价格变化日，宏观指标的高频也可以达到一天的频率水平。在理论上，将发布更接近特定的关键宏观数据，频率宏观仿真的Kathe Sun -Day组合也可能会发生重大的边缘变化，这反映了市场中包含的更敏感的市场变化。
方法1是低频率的，并且被延迟出版。尽管它具有经济影响，但房地产价格的解释随时间而变化。后两种方法的假设是，即使没有交换宏因素，它们也隐藏在per中主要属性的形式以及较高的实时因素可以从房地产价格或资产组合中获得。其中，PCA提取后，暴露于主要组件的系数是不稳定的，并且重量不是唯一的，并且获得的共同因素没有明确的经济逻辑。但是，优势是PCA所占据的主要成分是统计上无关的，最好改变风险，并可能有助于判断需要考虑的所有者的宏观维度。
Ang pamamaraan 3 ay ang paggamit ng mga mababang-dalas na mga tagapagpahiwatig ng macro bilang mga variable na umaasa, at gumamit ng mga presyo ng pag-aari na mayroong "malakas na ugnayan" na may mga tagapagpahiwatig ng macro bilang independiyenteng mga variable upang bumuo ng iSang模型回归，在sa wakas ay magkasya sa sa isang mas mas mataas na频率宏观因子sa pamamagitan ng在pagpaparami ng ng gegulasyon ng ng回归na可能独立Iyenteng MGA变量。如果所有者和因素之间的逻辑字母相对直接直接，则所有权的价格直接用作特定因素的代理指标。
我们结合了两种方法的优势，以产生具有较高频率宏的更敏感的单因素，可以分三个步骤总结：“固定维度，屏幕属性和高频”：也就是说，也就是说，使用PCA来识别宏观的基本成分，以使宏观的变化驱动到主要所有权的产量；附加筛选基本特性与每个尺寸因子密切相关；最后，使用资产模拟组合来发展高频宏观因素。
此外，要考虑战略效率和完整性，我们尝试根据因素数量的复杂性以渐进的方式开发三组解决方案：（1）只需考虑“增长 +通货膨胀”双轮“轻量级”模型； 。 （3）较宽的频谱多因素Mac一致性的RO风险框架。
第四
根据上面的理想选择，根据Kelly（2014）的技能，我们降低了太阳的基本维度 - 自2017年以来股票，债券和商家的物业的基本维度，并发现了前六个主要组成部分，前七个组成部分以及价格下降的82％和89％的成分。通过比较负载系数的系数和每个主要组件的大小与物业的大小，我们发现在不包括美国股票的主要投资组合中，国内增长，通货膨胀，利率，汇率和信贷是五个主要宏观风险；包括美国股票，这是经济经济的其他因素。我们正在基于经济逻辑建立原始的阻力（每月频率）宏观因素，M1，BCI和PPI分别用作流动性，增长和通货膨胀因素的可变代理。 para sa mga pagsasaalang-alang sa katatagan，辛布克Bci upang upang pagyamanin ang“ sukat ng paglago”，Pinuhin ang“ dimensyon ng Effertation” sa paghahati ng Paghahati ng ang ang ang ang ang ang ang paghahati ng ng ng ng ng， BCI消费品远期指数的Taon-Sa-Taon在Pang-Industriya Na Kalakal NA通货膨胀（BCI中级商品远期指数）上同比同比PPI）。
在“固定尺寸”方面，我们从凯利（2014）的技能中学到了减少阳光数据元素的基本维度的基本维度。主要失败的重大变化该资产取决于6至7种主要成分。 ang pagkuha ng unang pangunahing sangkap biLang Isang Halimbawa，Ang Unang Pangunahing Sangkap Ay可能会使Pag -Load Sa Mga资产ng中国公平ng中国（CSI 500，上海，上海，深圳300，Hang Seng Index），na NaSa nasa pagitan ng pagitan ng 0.45，在0.45处（Nanhua Shanghai na Mga Bono，功夫中国ang Mga Horge Bono sa Mga sa mga negatibo，Ang Mga在国内经济增长债券中的家庭债券最终显示出妇产，通货膨胀，流动性（利率），汇率，汇率，汇率，汇率，汇率，汇率，信用率是MACRO的五个主要风险；
鉴于从该物质的主要测试中获得的因素是不稳定的，并且由于统计处理过程中严格的正交处理，实际的经济意识也有偏见，因此该作用进一步产生了基于高频率宏观FA中长和短组合的属性的宏限制的组合CTORS。此过程的起点是开发低频“锚”因子。
关于宏观流动性，国内生长和通货膨胀因素的低频，我们先前的报告“ M1，BCI，PPI和Macrotic Timing”分别使用M1，BCI和PPI，分别为代理变量。
为了稳定，我们还试图从两个方面丰富“增长和通货膨胀”的组成：
首先，在增长的大小中，我们结合了两个PMI和BCI的两个指标。
其次，在通货膨胀的规模上，它分为消费品和工业产品通货膨胀的通货膨胀。就消费品而言，CPI和BCI消费品远期期望的指数年度变化以及工业，PPI和工业BCI产品，这些产品正在寻找年度年度变化的指数。
关于国外的经济因素，我们使用“每年对美国ISM制造PMI和PMI服务行业进行更改以及美国红皮书商业零售（标准化和波动相互重量）的年度变化”作为代理变量。
关于利率，汇率，信用因素，指弗吉斯和其他技能。由于这三个类别可能具有与它们非常相关的直接基本属性，因此我们直接使用中国国库指数和美元指数。收获和“ CSI信用债券3 - 5年AA指数与中国证券发展债券3 - 5年指数之间的差异”。
第五
接下来，如何将“低速度”宏因素转换为“高频”因子系统？我们借用模仿因子的程序。首先，将资产回报率作为独立变量和宏因素的低频作为因变量的低频，以逐渐地进行单声道回归的旋转不足，并过滤与每个尺寸因子密切相关的属性的关键类别。然后有“高frequency" synthesis. We have built a multivariate leading lag regulation model for the window rotation period, multiplying the normalized regression coefficient with high-frequency week-to-month or daily or-daily-month-time prices to get high-frequency macro factors. The acquisition of growth factor as an example, the combination of simulation is in long rebar futures, hang index, and nanhua shanghai copper index; And the combination工业通货膨胀因素的高频模拟是工业原材料领域，钢筋期货，WTI原油期货的长期指数，以及短期的CSI国库债券和财务债券政策，长期延长了财产的模拟，8个宏观高频池。 “高频，合身和可交易的”宏因素产量。
模拟因素需要首次筛选与每个SI强大因素有关的主要财产ZE。也就是说，将财产的回报率视为一个独立变量，进行了逐渐的单元回归，并记录了R2拟合的系数价值和优点；以增长因素为例，无论它仅使用BCI还是通过整合BCI和PMI构建的原始生长因子，它与Hang Seng Index，Rebar Futures和Nanhua Shanghai Copper Index有着牢固的关系。包括这些内容在内，纯BCI生长因子与货物（钢筋期货，纳米·上海铜指数）的联系更多，而单位回归的r侧几乎可以达到0.4。
在“高频”综合中，我们使用滚动多元回归方法来确定重量，即使用每月的频率宏观因子作为因变量，并使用所选的强相关资产价格对数作为同比的独立变量，以执行滚动滚动回归的自动变量6个月，获得资产和宏观因子之间的相关系数，并将相关系数归一化，以获得每月每月阶的高频的重量。
以增长因素为例，模拟的组合将使较长的钢筋期货，悬挂式指数和Nanhua Shanghai Copper指数。
工业通货膨胀因素模拟的高频组合是长期CRB工业原材料点指数，钢筋期货，WTI原油期货以及短期CSI财政债券和政策金融债券7 - 10年。
比较原始宏观因素的同比同比的宏观仿真，如果是国内增长，通货膨胀，外国经济增长和流动性因素，则具有很高的一致性。
六
然后，如何在“原因”和财产之间建造桥梁？我们使用返回到属性以执行时间序列线性回归，每个FA的产量CTOR获得财产矩阵的风险暴露。该矩阵在视觉上反映了生殖器对各种宏变量的敏感性。我们的方式估计是屏障的稳定回归，并且使用窗户的旋转和随机重新采样来确定系数，以促进灵敏度的时变动态特征的提取。首先，以上因素通过了截然不同的多重试验。每个因子的差异-VIF（VIF）在1.0和1.5之间（显着少于5），并且因子之间的相关系数较低，并且大多数绝对值小于0.1。其次，矩阵的系数表明，与中型股票相比（CSI 500代表），大型股（由上海和深圳300代表）对经济增长更敏感，而中型股票对流动性环境更为敏感； Hang Seng Index具有相似的功能，并且具有特异性的负面暴露于EX变更汇率（美元指数的日间天日收益）；标准普尔500指数对美国经济因素等有显着的积极风险。股票和债券资产的R端更大（利率债券为0.93，公司债券为0.57，CSI 300为0.6，CSI 500为0.86），表明由Macro主导的驱动特性更为明显。 London's middle cash prices, crude crude oil futures, and the US dollar against RMB is relatively low, with R's part of 0.48, 0.43 and 0.44 respectively, indicating that the factors that are characteristic other than the Macro Factor system will also participate in pricing, such as OPEC+ Production increasing the Rhythm, geopolitical Countercyclical adjustment factors, etc. of the "factor" rather than "asset" to the risk outline of the pagkakakare-在上一个报告中名称，并获得符合“每个因素在整个投资组合中都有均等风险”的条件的资产分配比率。
我们率ST计算差异 - 每个因素的VIF系数。该方法可以测试自变量的相互解释水平。测试结果发现，每个宏观因子合成的扩展系数差异在1.0和1.5之间。 VIF的统计经验值小于5，这意味着这些因素无法解释，并且没有明显的序列。
另外，因子之间关系的系数也很低。在2016年1月4日至2025年5月14日的时间范围内，除了int速率因素和信用因素之间中等强大的负相关性（约-0.5）之外，其他类别的其他宏观因素之间的绝对相关值小于0.1。
为了估计属性暴露于宏观因素的水平，我们使用返回对属性的回归进行稳定的OLS回归，并遇到了宏观因素的障碍。
从系数可以看出上海和深圳300和CSI 500对生长和流动性因素具有很高的积极风险。 CSI 500暴露于流动性因素的成本较高，这表明中国的股权与经济增长和消费者通货膨胀因素的高频产量相同。与中型股票相比，大型股股对经济增长更敏感，而中型股票对流动性环境更敏感。
香港股票资产代表的Hang Seng Index不仅对家庭和流动性增长因素具有很高的积极风险，而且对费率汇率因素也有一定的负面影响。由于费率汇率的可变代理是太阳 - -US美元指数收益率，这意味着香港的股票属性为美元的美元指数关系。
标准普尔500标准普尔500明显积极接触高频经济的因素。
在债券所有者方面，两个债券公司债券对利率因素负面影响，全部债券系数的全部数量更大，并且公司债券对推理信贷负有负面影响。
就货物而言，第一个是贵金属。 COMEX黄金对利率汇率因子有显着的负面影响，表明黄金产量和美元收益率通常显示出负相关关系。同时，黄金也暴露于美国经济增长的一些负面因素。
在其余产品中，中国南中国农产品指数和中国上海铜指数均显示出对国内工业通货膨胀的积极暴露，随后是对流动性因素的一些积极暴露，这表明商品价格在上坡通货膨胀和改善环境中往往上涨。布伦特原油期货和中国南部上海铜指数也对汇率造成负面影响，这是当美元iS减弱了，石油和铜的价格得到了“定价”尺寸的支持。
利率债券的R平方最大，达到0.93，其定价逻辑几乎可以用利率因素来解释。业务债券的适当方程式也达到0.57。这两个综合表明，债券的特性在较高程度上用宏观水平来解释，并且识别也有些团结。
上海和深圳300和CSI 500通常由宏观驱动，合格的方程式R正方形分别为0.60和0.86，但识别涉及更广泛的宏观变量，涉及生长和膨胀，以及流动性，速度，速度和其他因素和其他因素和其他因素和其他因素和其他因素和其他因素和其他因素。
香港股票和美国股票的适当方程R分别为0.45和0.50，这表明香港股票和美国股票的宏驱动组件相对较小，低于国内债券资产。
布伦特的力量原油期货期货和Dollar-RMB中价可以通过宏观因素来解释相对较低，部分为R 0.43和0.44。它表明，原油和RMB石油汇率可能会受到宏因素系统以外的特征因素的影响，例如OPEC+节奏的上升等。
第七
首先是“轻量级”解决方案。由于返回多个财产会压缩两个“增长和通货膨胀”的因素，因此这种感知框架的风险相对简单。回测结果表明，“增长和通货膨胀”因素的风险NA一致性提供了一种更好的回报方法，而无需采取任何行动。自2016年以来，该计划的年收益率为7.7％，每年波动率为5.4％，急剧比率为1.14，最大降低为8.5％。对于这两个财产和同时，该方法的年返回相同的风险，称重技术，例如所有财产的规模以及称重volati的奖励Lity分别为4.6％，4.8％和4.7％，年度波动率分别为1.5％，8.7％和1.7％，最大波动分别增加了2。和1.83、2.5％，14.2％和2.8％。尽管所有者平等的简单投资组合仍然具有最高的锋利，更稳定且没有足够的弹性，但从上述结果中的判断。存在，与简单的财产大小相同的风险通常必须依靠“杠杆”才能放松一些变化。尽管“增长和通货膨胀”因素的一致性方法提高了产量而无需行动，并且没有显着增加波动。考虑到回报和风险，年度波动率仍然约为5％。从水平的详细权重的角度来看，由于该模型仍然基于“危险风险”框架，因此波动性较低的债务资产仍主要在长期序列中。自2016年以来，债券特性的平均重量为54.6％，E利率提供20.9％，信用债券帐户的价值为33.8％；股本资产的平均权重为10.2％，平均A股票资产的平均权重为5.2％，香港股票资产的平均权重为5.0％；商品资产的平均权重为20.3％；黄金资产的平均权重为5.7％。垂直看，近年来，A-Share和香港股票资产的重量指标从2024年以来分别从0.1％和0.3％到2022年和3.1％和7.8％。而债券的债券的重量却拒绝了；黄金所有权的权重增加了。
“轻巧”的全天候分配迫使将许多属性回到“增长和通货膨胀”测量的两个因素上，并且图相对简单。我们使用风险奇偶校验方法，权衡所有财产等策略，以及《发音古克转型策略》作为三个基准的策略；位置调整规则是每月平衡，并使用新风ING窗口（例如6个月）示例在每个月开始时优化风险奇偶校验，以生成新的资产分配头寸。回测范围是从2016年1月1日到2025年6月9日的制服。
根据回战结果，自2016年以来，轻巧方法对“增长 +通货膨胀”因子的同样风险的年收益为7.7％，年度波动率为5.4％，夏普（Sharpe）的比率为1.14。最大跌幅发生在2017年第三季度，达到8.5％。对于所有者和同一时期，使用所有者的简单规模为4.6％，年度波动率为1.5％，尖锐比率为2.09，最大降低为2.5％；简单的同等权重方法的全部资产的年收益为4.8％，年度波动率为8.7％，尖锐比率为0.38，最大跌幅为14.2％；在过去六个月中，该方法的年度返回基于相反的体重减轻S 4.7％，年度波动率为1.7％，急剧比率为1.83，最大跌幅为2.8％。
一致性的简单组合更稳定，弹性不足。一致性的主要过程是降低投资组合的波动性，以使投资组合变得更有用，适合于追求“稳定性”的投资者。但是，从中获得的收益本身并不吸引人。因此，通常必须依靠“挖掘”来放松一些波动性障碍以获得增厚的回报（有关详细信息，请参见先前的报告“全天候”方法）。
“增长和通货膨胀”因素的风险提供了一种更好的方式，可以在不行动的情况下重返练习。该计划更简单，拥有占有风险的均等年度过度回报约为3.1％；自2020年以来，年度过度收益约为2.1％。增加产量并没有显着增加波动性，并且考虑到相同的回报和风险，年度波动率仍然约为5％。
此外，考虑风险本身的一致性过程是一种全面的方法，在极端风险中是“弱”的，也就是说，我们的讨论报告说，“对“全天候”方法的解释已经被教导说，东方的前提是“东方的前提是不清楚的，西方是明亮的”，这是一个越来越多的风险，而不适合一致性，而杂乱无章的杂乱无章。为了避免严重的情况，我们还假设10％至15％的资金总是分配给现金，并将其余资金用于“一致性”。尽管在这种治疗方法下，年收益低于优化整个位置（7.1％ 上一篇：伊朗向联合国特使指控美国为以色列的袭击提供
下一篇：没有了
下一篇：没有了
相关文章
- 2025/06/16Wang Yi正在与伊朗外交大臣阿拉吉交谈
- 2025/06/156月13日美国前20名股票交易数量：特斯拉
- 2025/06/15货物摘要：中东的冲突刺激石油价格上涨
- 2025/06/14领先的保险管理公司的业务范围已经改变
- 2025/06/14以色列已经对伊朗发起了罢工
客户经理