如Ang (2010)所言，资产之于因子，如同食物之于营养成分，资产种类繁多，走势曲线各异，但总体上，其表现可以由数量有限的因子解释。事实上，这一思想在风险平价的相关理论中已有雏形，无论是桥水的增长/通胀环境优势组合的选择，还是Qian通过风险溢价的来源选择权益、利率、商品三类底层资产参与风险平价的计算，都实质上隐含了宏观因子的选择（详见《理论与应用指南：风险平价详解》一文）或计算。

通过将分析对象从资产转向因子，一方面，可以帮助投资者更好地理解资产收益和风险背后的关键驱动因素，同时，由于因子数量通常更少，基于因子视角对资产收益/管理人业绩拆分，结合投资者对因子的偏好，可以极大程度地提高配置资产/选择管理人的自由度。

本文中，我们将通过梳理海外主流机构的做法，重点介绍因子的选择框架与构建方法，在此基础上，参考事先选定因子分类构建的方式，尝试构建了海外的宏观因子体系，并介绍了宏观因子的应用案例。

2.1.1哈佛管理公司(HMC)

 不同的投资者通常在投资目标、负债结构、所受约束等方面各有不同，对因子的选择，哈佛管理公司（HMC）认为不存在某个因子集合，适合所有的机构投资者。而比起单纯的股票和债券，选择4-6个因子的集合，便足以涵盖更多风险和回报的主要驱动因素，因子数量太多，则可能会降低和因子有关的资本市场假设的简洁性和可靠性。

可选的因子范围，包括股票、利率、通货膨胀、信用利差、货币、流动性和波动率等。HMC认为因子的选择总体上应遵循如下标准：

1）适当性：因子集合可以反映投资者的风险和收益目标，及常见投资策略的本质。因子最好是投资者关注点（机会或风险）的提炼，并且易于管理，投资者能使用所选的因子集合表达观点或认知。

2）可交易性：因子可以自由且低成本地交易，以使投资者能够有效地管理其敞口。同时根据简洁性的要求，在纳入资产层面独有的因子（如股票资产的价值因子，债券资产的carry因子）时，应从合意的组合因子暴露水平出发，审慎考虑。

3）低相关性：因子之间的两两相关性较低，低相关性有助于后续资产暴露的计算，但并非必须。

4）预期便利性：对因子的收益和风险，可以相对容易地形成高质量预期。对此，主要应考虑针对某个因子的分析或第三方研究的体量。比如，全球权益风险溢价，学术研究透彻，有许多咨询/管理机构可以给出合理/清晰的收益率估计。利率、通胀、汇率也是如此。

根据上述标准，HMC最终选择了涵盖全球权益、美国国债、高收益、通胀、汇率五个因子的集合。

因子的计算方式上，考虑可交易性，HMC采用市场指数（全球权益、美国国债、高收益）或对冲组合（通胀、汇率）度量。

2.1.3贝莱德(BlackRock)

贝莱德根据PCA方法对14中资产的提取了前六个主成分，对应于经济增长、实际利率、通胀、信用、新兴市场、流动性。

因子的计算方式上，根据资产多空组合构造宏观因子模拟组合代替，增长因子使用股票、地产信托基金、商品的超额收益；实际利率因子使用通胀联接主权债券的超额收益；通胀因子以名义主权债券相对同期通胀联接主权债券收益差度量；信用因子以投资级/高收益债相对国债的收益差度量；新兴市场因子以新兴市场的股债组合相对发达市场的组合收益差度量。

2.1.5景顺投资(Invesco)

景顺投资（2017）使用PCA从数据中寻找驱动因素，并确认这些变量具有经济含义之后，将其选定为宏观因子。其选择的三个因子为：增长、通胀和金融条件。

对因子的计算，首先计算不同资产在宏观因子变化环境（增长下降、金融状况收紧和通胀上升）下的夏普比率，再根据夏普比率的符号和大小，通过做多或做空各资产，构建宏观因子模拟投资组合。

其测试结果表明，各因子组合的平均夏普比率，走势与对应的宏观指标高度相关，体现了因子组合与宏观基本面指标的密切关系。

2.2.1原始宏观变量 vs 市场隐含宏观因子

对于宏观因子的构造，大体可分为两类。一种纯粹基于宏观经济变量，这些变量可以被视为资产收益的最终驱动因素，如Chen、Roll和Ross（1986），常见的宏观经济变量是包括产出（增长）、通胀、利率等。然而，直接使用宏观变量，对许多资产类别的回报的解释力较为有限，且宏观变量多具有披露滞后、频率较低、不具可投资的特点，这使增加了基于宏观因子的进行投资组合配置的困难。

第二类方法为市场隐含宏观因子（基于资产/指数的线性组合）。相比宏观变量，这一做法得到的因子具有高频、实时反映、可投资的特征，且对资产的解释度通常更高。

具体来看，当宏观因子集合事先并未清晰定义时，方法主要为：

宏观因子事先未定的PCA方法（如SSGA（2014）、BlackRock(2019)等）。使用PCA方法得到正交因子，根据主成分的资产权重结构及与各经济变量的序列对比，确定各主成分所代表的宏观风险。统计意义来看，该方法对跨资产横截面收益的解释性天生较高；但由于严格正交的要求，重要性靠后的主成分因子，可解释程度不高，且所代表的经济含义、资产权重系数可能随时间发生变化，稳定性较差。事实上，通过这一方法可以稳定筛选出的跨资产显著的宏观因子，多为增长、通胀、利率（防御/金融条件）。

当宏观因子集合明确后，资产/指数的线性组合，广义而言，都可以视为宏观变量的模拟投资组合（FMP），构建方式包括：

1）从逻辑出发的资产/指数简单线性组合（如HMC(2016)、BlackRock(2016、2019)等）。例如，使用全球权益指数度量增长因子，以通胀联接主权债券的超额收益度量实际利率因子，以名义主权债券相对同期通胀联接主权债券收益差度量通胀因子，以投资级/高收益债相对国债的收益差度量信用因子等。由于多从经济含义出发，因此逻辑清晰，实施简单，问题在于某些时期资产反映的宏观驱动因素可能发生漂移。

2）选定宏观风险因子后的PCA方法（如GS-GIR（2014））。与因子未定的PCA方法不同，这一方法是在明确选定宏观变量之后，对与单一宏观变量相关度较高的资产/指数集合应用PCA方法，选取第一主成分作为对应的高频宏观因子。这一方法克服了主成分经济含义不稳定的问题，可以得到更贴近核心宏观变量的高频因子。

3）对资产分类的宏观因子模拟投资组合（如Invesco（2020））。该方法首先计算基础资产/组合的经济环境暴露，基于此进行分类，而后对属于同一宏观因子的基础资产加权，得到对应的因子模拟投资组合。这一做法本质上与Fama-French的因子组合构建方式相同。

4）基于多元回归的宏观因子模拟投资组合（如Jurczenko, Jérôme（2020）等）。一种方法是通用的因子模拟投资组合权重计算框架，此前我们在《宏观变量的资产定价——宏观因子模拟组合》一文中有详细介绍，该方法出发点是给定目标宏观因子暴露下，使得FMP的特质风险最小。另一种则以宏观变量为因变量，以与之关联程度高的资产/组合为自变量，结合领先滞后关系拟合宏观因子。

解释力度：期限越长，解释效果越好

对于各大类资产，计算宏观因子对其细分资产收益率的解释程度R2，取截面均值得到R2的时间序列。从结果来看，宏观因子对各类资产的月收益率的解释程度最低，其次为季度收益率，年收益率的解释作用最大，即随着时间的拉长，宏观因子对各类资产收益率的解释程度逐步提升。横向对比来看，宏观因子对资产的收益率解释力度从高到底依次为股票、外汇、商品、国债。

按前文所述方法，采用扩展的窗口计算宏观因子，并基于此，分不同的资产类别进行Fama-Macbeth的时序和截面回归，从而可以得到不同市场隐含的各宏观变量因子。

多数情况下，市场隐含因子与原始因子序列的相关性多高于0.5。其中相关性较高如商品市场隐含的美国增长因子，与原始因子相关性高达0.75，外汇市场隐含的美国FCI因子，与原始因子相关性高达0.78。

基于宏观因子的资产定价可以提高残差的负向IC，用于构建反转策略。从因子月度IC来看，除国债类资产的残差IC为正，体现的是动量效应之外，其余资产的IC均为负数，且股票资产的截面残差IC、商品资产的截面/时序IC的绝对值高于收益率本身的反转效应，体现了宏观因子对其定价的有效性。

对于负向IC较为显著的股票和商品，可以基于此构建反转策略：每个月选取残差为负，即实际收益率低于模型预期收益率的资产做多，选取残差为正的资产做空。

这里我们选择残差最小/大的前1/5个细分资产，构造多头、空头和多空组合。

从结果来看，对于股票类资产，根据截面残差构造的反转策略，2008年8月以来多空组合年化收益率9.01%，夏普比率为0.865；对于商品类资产，根据截面残差构造的反转策略，2009年7月以来多空组合年化收益率12.12%，夏普比率为0.734，而将商品资产收益截面和时序残差相加，得到综合残差因子构造的反转策略，2009年7月以来多空组合年化收益率达15.67%，夏普比率0.808。

宏观因子还可以用于构造风险平价策略。

基于宏观因子模拟组合（FMP）的风险平价策略

考虑基于FMP的风险平价策略，在前文构造的因子中选择美国增长、美国FCI、美元通胀因子，基于Fama MacBeth(OLS)方法（参考《宏观变量的资产定价——宏观因子模拟组合》）构造对应的宏观因子模拟投资组合。

基于因子模拟投资组合的风险平价策略，在2008年6月以来的回测期内夏普比率0.29，高于各成分组合，但绝对水平较低，这与各成分组合本身的表现较差有关。事实上，宏观因子模拟投资组合的构成为各成分的多空组合，侧重点偏向紧密跟踪对应的因子，组合的超额收益并不在组合构造的考虑范围。

基于主成分宏观因子的风险平价策略

另一种宏观因子风险平价的方式为使得主成分因子的风险贡献相等。

这里我们从前文的股票/债券两类资产中选择美国/德国/中国的细分资产，在商品资产中选择美油、黄金、铜。对该九类资产，采用全区间的年度收益率数据提取的主成分结构如下图。

从构成来看，各主成分有清晰的宏观含义。第一主成分在权益类资产的系数为正，债券类资产系数为负，在原油和铜上的系数为正，对应增长因子；第二主成分在债券类资产及黄金上的系数较高，与利率因子对应；第三主成分因子的商品类资产系数为正，权益类资产系数为负，对应商品通胀因子。

以滚动12个月窗口的数据计算协方差矩阵，对比直接风险平价和主成分因子风险平价的策略表现。

从策略的表现来看，虽然大部分时间中，主成分因子风险平价的净值低于直接风险平价，但前者的波动明显更小。全部回测区间内，主成分因子风险平价策略的年化收益率为4.89%，年化波动率2.72%，最大回撤-3.92%最低，夏普比率1.80 高于全部细分资产和直接风险平价策略。

风险提示：本报告结果均基于对应模型计算，需警惕模型失效的风险；历史不代表未来，需警惕历史规律不再重复的风险；模型结果仅为研究参考，不构成投资建议；当前海外地区冲突仍未结束，仍需警惕局部地区冲突大规模升级的风险；美国加息促进美元资产向美国回流，当前美国仍处于加息进程中，需警惕美联储加息超预期的风险；国内新冠肺炎疫情仍未完全结束，仍需警惕疫情政策优化后短期冲击对股市带来的风险。当前中国经济受国内国际因素影响较多，仍需警惕国内经济增长不及预期带来的风险。

免责声明：

（点击标题可查看历史文章）