战术性资产配置的宏观经济仪表盘

 1、作为西学东渐--海外文献推荐系列报告第三十九篇，本文推荐了David C, Chris F M, David G, et al.于2017年发表的论文《Macroeconomic Dashboards for Tactical Asset Allocation》。

2、许多文献表明，宏观经济对资产定价至关重要。然而，投资者使用宏观因子做6-18个月的战术性投资决策时，仍面临着数据低频、建模复杂等难题。本文构建了宏观经济仪表盘，帮助投资者将宏观经济指标用于战术性资产配置。

3、本文首先对宏观因子进行状态分类，再使用历史数据，统计常用的资产组合在给定宏观因子状态时的收益，构建了宏观经济仪表盘。投资者通过查表就可以获得当前宏观经济形势和宏观指标的预期走势下，各资产组合未来一年的预期收益。

4、宏观经济仪表盘简洁直观、实时更新，可以作为寻找交易灵感的工具，帮助投资者从海量数据(16.500, 0.00, 0.00%)中寻找潜在的超额收益，对于战术性资产配置意义匪浅。

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。

一、引言

数不胜数的学术文献表明，宏观经济形势对资产的回报有重大影响。在业界，专家们往往将“股票在经济扩张期赚钱，而在经济衰退期亏钱”等奉为不言而喻的投资箴言。然而，关于如何使用宏观经济指标指导投资决策的文献却寥寥无几。本文研究了如何构建宏观经济仪表盘，将宏观经济指标用于战术性资产配置。本文的宏观经济仪表盘可以作为寻找交易灵感的工具，帮助投资者从海量数据中寻找潜在的超额收益。

本文的目标并不是构建一个基于宏观因子的完整交易策略。我们认为投资者应该将本文的宏观经济仪表盘与其它方法相结合，以一定的准则分配资产。例如，相对估值对于战术性资产配置很重要。使用诸如市盈率等估值指标，简单地遵循“低买高卖”的策略，也能超过静态基准。当估值处于极端水平时，基于估值的投资策略往往更有效。然而，仅关注相对估值的策略在宏观经济剧烈转型时期可能会失效。因此，研究宏观因子对于战术性资产配置至关重要。

1.1

与宏观因子相关的学术研究

以往的相关学术文献主要研究宏观因子是否影响了市场定价。Chen et al. [1986] 研究发现，对于按规模分类的股票组合，宏观因子（利率、工业生产总值、通胀、信贷利差、消费水平）的敏感度（macro beta）在很大程度上决定了组合之间的相对收益。Fama和French [1989] 研究发现，经济条件（以股息率、利率、信贷利差衡量）能够预测市场回报。其它许多研究纷纷证实了宏观因子能够解释各类资产和投资风格的溢价。文献中备受关注的宏观因子包括消费水平、失业率、通货膨胀、GDP增长率和原油价格等。图表1列举了一些经典的相关文献。

1.2

宏观因子在实际应用中的难题

尽管宏观因子至关重要，使用宏观因子做6-18个月的战术性投资决策依然困难重重。宏观研究团队与投资决策团队往往是相互独立的，很少有专家研究宏观经济的预期如何影响市场定价。此外，宏观数据频率太低，很难区分数据中的噪声和信号，故使用宏观数据预测资产回报十分困难。

此外，研究显示，宏观因子变动对资产回报的影响与宏观因子当前水平的高低密切相关，使得宏观建模更加复杂。Boyd et al. [2005]证明，失业率升高对股票回报的影响在经济扩张期和经济衰退期是不同的。同理，工业生产总值下降的影响也取决于经济形势的好坏。事实上，我们认为，任何宏观因子对资产回报的影响都与当前的经济形势有关。然而，以往的研究大都没有考虑当前经济形势与宏观因子敏感度之间的关系。

二、战术性资产配置的法则：数据和方法论

为了使用宏观因子预测资产回报，我们提出了仪表盘的方法。较之学术研究中的计量方法，我们的方法更加简洁明了。此外，与基于静态数据样本的历史回归分析不同，我们的仪表盘能够实时更新，投资者可以随时用它辅助研究并制定投资决策。我们关心的是成对资产之间的相对回报，研究了在各种情境下，哪些宏观因子对资产配置决策有显著影响。我们考虑了当前经济形势，即宏观因子当前所处的百分位水平。

图表2列举了仪表盘所使用的的宏观因子，它们都是学术研究中备受关注的宏观因子。图表3列举了我们研究的成对资产。我们统计了每一对资产在给定情境下的历史回报。给定每个宏观因子的当前值，我们的仪表盘回答了以下问题：如果投资者能够预测未来一年宏观因子的变动方向，那么各种资产组合未来一年的预期收益如何？

 

 

例如，假设我们想研究美元对于预测小市值和大市值股票相对表现的作用。在1990年1月-2016年12月整个样本期间，美国小市值股票（罗素2000指数）跑赢大市值股票（罗素1000指数）的概率是51%（滚动期为12个月）。截至2017年4月10日，最新的美元指数月度值是100.6，处于1990年1月以来的历史高位。假设一个战术性投资者预期美元指数会进一步上涨。在历史上，当美元指数处于高位，且在之后一年上涨5%以上时，美国小市值股票跑赢大市值股的概率是88%，平均超额收益是8.2%，超额收益的10%和90%百分位数分别是-2.3%和15.9%。在这个例子中，小市值股票在美元上涨时表现较好可能是因为小公司对出口的依赖度较低。

我们很难测算出准确的交易成本，因为交易成本取决于交易金额、交易方式（实物或期货）、机会成本等因素。因此，我们估计了每种资产的交易成本，详情请见附录。

图表5展示了读取仪表盘的方法，图表6-9展示了在不考虑因子未来趋势、因子稳定、因子上升、因子下降四种情况下的宏观经济仪表盘。图表5中的“条件回报”(conditional returns)是根据每个宏观因子的百分比区间加权得到的。

 

 

三、解读宏观经济仪表盘

3.1

结果解读

如图表6所示，仅仅基于当前的宏观因子的信息，很难获得异于长期均衡的回报。但是，如图表7-9所示，如果我们能预判宏观因子未来一年的大致趋势，则可以获得异于长期平均值的回报。

当宏观因子保持稳定或有上升趋势时，风险性资产的回报往往很高，例如股票、小市值股票、高收益率的债券和新兴市场债券。例外的是，当失业率上升，尤其是从当前的低点上升时，股票资产的回报较低。

新兴市场货币指数(JPM EM Currency Index)是一个值得关注的指标。当新兴市场货币指数处于稳定或上升阶段时，新兴市场的股票、房地产、债券收益率显著上升。近期，新兴市场货币大幅贬值，正处于历史最低的5%。如果新兴市场货币指数从当前的低位大幅上升或下降，则会显著地影响各类资产组合的收益和波动率。

此外，原油价格当前处于中等水平（第63个百分位），如果它保持稳定或大幅升值，则意味着新兴市场股票、房地产和新兴市场债券的收益会显著提高。

从风格轮换的角度看，成长股的久期比价值股的更长。因此，即使价值股的股息率比成长股高，当利率下降时，成长股表现更好；而当利率上升时，价值股表现更好。这一规律在美国和EAFE市场（欧洲Europe、大洋洲地区Australia、远东地区Far East）都成立。这可能是因为价值股指数中，久期为负的资产的权重更高。

上述结果中还隐含着不少有用的启示，总体来看，我们的结果和经济学直觉及之前的文献都相符。本文的贡献不在于学术价值，而在于对业界投资者的实用性。置信区间和回报为正/负的频率有助于筛选有用的宏观因子。虽然我们没有直接报告每组资产的波动率，但波动率与置信区间的宽度呈正相关。最重要的是，尽管宏观因子和资产收益之间的关系是相对稳定的，我们可以实时更新仪表盘，因为投资决策可能会随初始条件的改变而改变。

3.2

关于模型的警示

由于驱动资产预期回报的因素错综复杂、变化万千，本文并不研究回报与因子之间的因果性，仅研究相关性。

尽管许多学术文献指出宏观因子有利于预测资产回报，本文发现，仪表盘中未来一年回报的置信区间较宽，统计显著性普遍较低。因此，我们不建议仅凭宏观因子构建战术性资产配置策略。我们应该将宏观因子与相对估值、基本面因子、技术因子等结合起来看，用来决定投资标的和投资规模。宏观因子常被用于确认相对估值指标发出的信号。例如，如果估值比率（如市盈率等）显示，美国以外的股票（ACWI ex-U.S. equities）比美国的股票（U.S. equities）便宜，且宏观因子仪表盘显示美国以外的股票会表现得更好，那么战术性资产配置者可能会持有更多美国以外的股票。

值得一提的是，我们没有直接使用预期数据建模。理论上，我们应该根据市场价格推断投资者预期，再使用预期数据来构建不同情境下的仪表盘。然而，我们很难衡量预期数据。投资者调查数据可能不准确、不及时、不全面。远期市场数据往往包含了风险溢价，我们难以将其与预期部分剥离。正如Chen, Roll和Ross [1986]所述，利差和利率时间序列的噪声如此之大，以至于可以视作是随机的。他们还发现，使用计量方法剔除工业生产数据中的非预期成分，与使用原始数据的差别不大。

最后，我们选择的资产组合都是流动性好、很常用的资产组合。理论上，如果能根据波动率将市场风险与投资组合的特异性风险区分开会更严谨。例如，对于小公司和大公司股票的组合，我们应当对冲二者的股权风险因子，至少保证二者是beta中性的。尽管这样可能会提高统计显著性(Naik et al. [2016])，这也会导致交易策略的可执行性降低。我们的目标是建立有关宏观因子分析的规则。构建投资组合还需要将宏观因子与其它因子相结合，对常用的市场因子做中性化，以及根据风险调整不同资产的头寸。

四、结论

量化模型很容易忽视最新的市场状况。尽管历史数据很有用（毕竟我们没有未来的数据），但它仅能帮助我们形成关于未来的某种观点。我们的仪表盘有助于投资者筛选历史数据，借此预测宏观因子对资产回报的影响。基于大量学术文献，我们构建了结合当前市场数据的分析框架，且该方法易于应用。与之前的学术文献不同，我们没有对基于宏观因子的定价做统计检验，而是研究了如何利用数据制定投资决策。我们的仪表盘依据当前宏观经济形势和宏观因子的预期走势，获得了各类资产组合未来一年的预期收益。我们的结果显示，宏观因子对于战术性资产配置意义匪浅。

五、附录

5.1

研究样本

早在20世纪30年代，业界就开始使用市盈率来衡量个股和股市的相对估值水平。例如，Graham and Dodd [1934]讨论了市盈率对于证券分析和估值的作用。在具有里程碑意义的一篇论文Campbell and Shiller [1988]中，作者发现，用十年平均对数S&P500指数，对使用10年或30年平均收益计算的对数市盈率做回归，R方分别为0.566和0.401。此外，Campbell and Shiller [1998]发现，使用平滑后的盈余计算的市盈率能比股息率更好地预测十年期股价的增长。

在本节中，我们测试了用当期收益计算的市盈率对股市下行拐点的预测能力。对于上证综指，在1990年12月至2016年6月的整个期间，股票当期收益数据均可得，共计6243个日度观察值。而对于深圳综指，2001年7月2日之后才有股票当期收益数据，共计3640个日度观察值。为了使用似然比检验，我们需要计算先验概率，即从样本中随机选取一天，在之后一年内发生股市大跌的概率。

5.2

研究结果

对各种资产的交易成本的假设如下。

参考文献

【1】Asness, C.S., T. Moskowitz, and L. Pedersen. “Value and Momentum Everywhere.” The Journal of Finance, Vol. 68, No. 3 ( June 2013), pp. 929-985.

【2】Bernanke, B. “The Relationship Between Stocks and Oil Prices.” Brookings Institute, February 2016. www.brookings.edu.

【3】Blair, H., and X. Qiao, “A Practitioner’s Defense of Return Predictability.” The Journal of Portfolio Management, Vol. 43, No. 3 (2017), pp. 60-76.

【4】Blitz, D., and P. Van Vliet. “Global Tactical Cross-Asset Allocation: Applying Value and Momentum Across Asset Classes.” The Journal of Portfolio Management, Vol. 35, No. 1 (Fall 2008), pp. 23-28.

【5】Booth, J.R., and L.C. Booth. “Economic Factors, Monetary Policy, and Expected Returns on Stocks and Bonds.” FRBSF Economic Review, Vol. 2 (1997), pp. 32-42.

【6】Boyd, J.H., J. Hu, and R. Jagannathan. “The Stock Market’s Reaction to Unemployment news.” The Journal of Finance, Vol. 60, No. 2 (2005), pp. 649-672.

【7】Chen, N., R. Roll, and S. Ross. “Economic Forces and the Stock Market.” The Journal of Business, Vol. 59, No. 3 (July 1986), pp. 383-403.

【8】Dahlquist, M., and C.R. Harvey. “Global Tactical Asset Allocation.” Emerging Markets Quarterly, Vol. 5, No. 1 (Spring 2001), pp. 6-14.

【9】Fama, E.F., and KR. French. “Business Conditions and Expected Returns on Stocks and Bonds.” Journal of Financial Economics, Vol. 25 (1989), pp. 23-49.

【10】Franz, R. “Macro-Based Parametric Asset Allocation.” Working paper, December 2013, SSRN 2260179.

【11】Haghani, V., and R. Dewey. “A Case Study for Using Value and Momentum at the Asset Class Level.” The Journal of Portfolio Management, Vol. 42, No. 3 (2016), pp. 101-113.

【12】Jensen, G.R., R. Johnson, and J. Mercer. “New Evidence on Size and Price-to-Book Effects in Stock Returns.” Financial Analysts Journal, Vol. 53, No. 6 (November/December 1997), pp. 34-42.

【13】Kritzman, M., D. Turkington, and S. Page. “Regime Shifts: Implications for Dynamic Strategies.” Financial Analysts Journal, Vol. 68, No. 3 (May/June 2012), pp. 22-39.

【14】Lettau, M., and S. Ludvigson. “Consumption, Aggregate Wealth, and Expected Stock Returns.” The Journal of Finance, Vol. 56, No. 3 (June 2001), pp. 815-849.

【15】Ludvigson, S.C., and S. Ng. “Macro Factors and bond Risk Premia.” The Review of Financial Studies, Vol. 22, No. 12 (2009), pp. 5027-5067.

【16】Naik, V., M. Devarajan, A. Nowobilski, S. Page, and N. Pedersen. “Factor Investing and Asset Allocation: A Business Cycle Perspective.” CFA Institute Research foundation Publications, Vol. 2016, No. 4 (December 2016).

【17】Page, S. “Risk Management beyond Asset Class Diversification.” CFA Institute Global Investment Risk Symposium, cfapubs.org, September 2013.

【18】Zhang, Q.J., P. Hopkins, S. Satchell, and R. Schwob. “The Link Between Macro-Economic Factors and Style Returns.” Journal of Asset Management, Vol. 10, No. 5 (December 1, 2009), pp. 338-355.