►主要观点
本篇是“学海拾珠”系列第一百六十五篇，该文区分了两组宏观变量：宏观经济风险因子（风险的主要来源），宏观经济变量（预期回报的最终长期来源）。作者发现，通常情况下均衡配置宏观经济风险因子可以有效分散风险，但这种配置在经济环境较差时回撤较大。相比之下，对宏观经济变量的分散化配置能带来更大的上行潜力，有效增强风险回报配置。五个宏观经济风险因子——它们被视为风险的主要来源，并解释了超过50%的月度收益变化。四个宏观经济变量——它们被视为预期回报的最终、长期来源，也是驱动资产回报在时间上共同变动的状态变量。通常情况下，宏观经济变量之间的相关性低于资产回报之间的相关性，这表明相比均衡配置各类资产，对宏观经济风险因子的均衡配置更具有分散化潜力。对于旨在收获宏观经济溢价的因子风险平价策略相对于以其他风险因子为基础的策略而言，更能够显著提高风险调整回报。五个宏观经济风险因子仅能提供有限的分散化效益，在较差的经济环境中它们之间的相关性变高，因此容易导致大幅回撤。相比之下，均衡配置四个宏观经济变量的组合将拥有更大的上行潜力，有效增强了风险回报配置。核心内容摘选自Livia Amato、Harald Lohre于2020年在SSRN上的文章《Diversifying Macroeconomic Factors—For Better or for Worse》文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。众所周知，在熊市中大类资产通常表现出更高的相关性，这表明风险和回报只受到一些有经济意义的基础因子的影响。传统基于大类资产的风险策略在熊市无法提供有效的分散化，也无法保护投资者免受关键驱动因子（如经济增长或风险厌恶）的变化影响。因此，如果一个投资组合侧重考虑了资产回报的主要驱动因子，将更好地分散风险。
作者研究了宏观经济因子在多资产配置中的相关性，并提出了一种基于因子风险平价投资组合的框架，以实现对正交宏观经济因子的分散化敞口。作者从风险角度和回报角度检验宏观因子作为资产的共同驱动因子的有效性，并以此管理投资组合的风险敞口以获得溢价。实际上，基于现代资产定价理论，宏观经济因子描述的是不景气时期的状态变量，而对这些因子的暴露则通过景气期的风险溢价来补偿。
首先，作者研究了哪些经济因子对解释资产回报的变化是有用的。特别地，作者分别分析了宏观经济风险因子和状态变量在资产配置中的不同作用，并探讨了分散化的宏观因子配置与资产大类方法相比的潜在益处。其次，作者研究了因子风险平价策略的一种新的实施方式——采用基于VAR的递归识别方案来获得正交宏观风险因子，并对相关的宏观经济冲击给出了结构性解释。最后，作者将分析扩展到条件框架，以评估宏观经济因子在不同状态下的分散化属性，并使用马尔可夫切换VAR模型来估计宏观经济风险并确定经济状态。宏观因子投资策略的实施具有困难。它们往往在解释资产回报变化方面具有较低的统计能力，并且难以直接投资，因此，宏观经济因子暴露通常需要构建模仿因子的投资组合。然而，这容易受到抽样误差的影响。即便使用官方数据（如GDP增长）也会受到发布日期的延迟、低频数据可用性（例如季度或年度）或后续修订的影响。此外，资产对宏观因子的敞口的不稳定性使得宏观因子投资难上加难。因此，本文也就此进行了稳健型检验。作者的主要创新在于通过考察宏观经济因子对投资组合分散化的影响，结果确认了在资产回报的多因子模型中，金融风险和宏观经济风险变量的共同重要性。作者最终确定跨资产的主要风险来源——对五种风险因子的平衡敞口。然而，这种投资组合由于风险因子的共同变动，只提供了部分的分散化效益，在熊市期表现尤其不达预期。相反，当依赖代表长期经济驱动因子的宏观经济状态变量来解释资产回报的时间变化时，因子风险平价策略提供了有效的分散化。一方面，它们通过获得长期宏观因子溢价，实现了更高的上行潜力；另一方面，它们通过对宏观因子的分散化暴露，在不同的状态下减少了投资组合的回撤，从而能够在不同经济周期中保持稳健。本文剩下组织结构如下：第2节介绍了因子风险平价模型，并详细介绍了用于实证分析和组合构建的方法。第3节介绍了数据，第4节介绍了实证分析的结果和策略的绩效。第5节扩展了在MS-VAR模型下的策略分析。第6节提供了稳健性测试，第7节总结全文。
在这项研究中，作者引用了一种较新的风险分配技术，即因子风险平价，将等风险分配给不相关的因子（而不是资产）。因子风险平价是由Meucci（2009）提出的，通过最大化不相关风险因子的分散化度量来获得模型参数。在Meucci（2009）的原始工作中，这些因子是通过对资产回报的协方差矩阵进行主成分分析生成的，它们代表了解释资产组合横截面变化的主要组成部分。投资组合的分散化分布由主要投资组合的暴露表示：
投资组合分散度以分散化分布熵的指数测量：
然而，使用主成分分析来得出不相关的风险因子难以从经济角度解释、对标量乘法非常敏感、权重不唯一，在实践中难以实施。
因此，一些研究人员探索了替代的统计技术，以提取不相关的因子并实现因子风险平价。例如采用独立成分分析 (ICA) 来提取独立的主成分、依赖于最小扭矩转换等。
作者采用线性多因子模型，通过将最小线性扭曲变换t应用于原始的宏观经济因子来得出投资组合配置。这与现有的因子风险平价方法不同，后者直接应用于构成投资组合的有效投资范围的资产回报。该因子模型可以用不相关的风险因子表示：
并且用不相关的扭矩赌注来表示资产权重w的投资组合回报：
作者提出两种不同的方法来实现不相关的宏观因子的因子风险平价。
第一种方法将宏观经济变量作为风险因子，以解释资产内部和跨资产之间的波动。由于这些因子不能直接投资，作者通过反转方程式来估算宏观因子模拟组合，以确定相应的宏观因子溢价。此外，由于由此产生的投资组合分配通常需要空头头寸和杠杆，作者还研究了受限制的因子风险平价分配。作者的实证分析强制实施了全投资约束，并规定每个资产的上限分配不超过40%。因此，作者将无约束的因子风险平价投资组合称为FRP Opt组合，而将只多头投资的均值-方差因子风险平价投资组合称为FRP LO。作者的第二种方法考虑了一组不同的宏观经济状态变量——定价的风险源。与前一节中使用的风险因子不同，作者专注于一组更狭窄的纯宏观经济变量，它们是资产回报时间序列协动的最终驱动因子。
作者将宏观经济因子测量为由相关状态变量控制的VAR模型的创新。与使用最小线性扭矩来正交化因子不同，作者使用基于Choleski分解的递归方案来识别正交的宏观冲击。尽管该方法依赖于递归顺序的任意选择，但鉴于作者选择的状态变量是广泛采用的宏观经济变量。正交冲击由具有单位方差的
表示，其对角线协方差矩阵由以下方式定义：因此，作者使用差的
作为回归变量（类似于先前分析中的相关宏观风险因子Ft），估计线性因子模型，并用矩阵A代替最小线性扭矩t，其余步骤保持不变，推导出最优和受限制的因子风险平价组合。对于资产配置，作者考虑了十二种资产，这些资产与四个广泛的资产大类相关：股票、政府债券、信用和大宗商品。股票市场包括标普500指数、MSCI EAFE指数MSCI新兴市场指数和RUSSELL2000指数（用于美国小盘股）。政府债券回报包括美国、德国、英国和日本的十年期政府债券指数。信用资产包括彭博巴克莱美国高收益债券指数和彭博巴克莱美国公司债券指数（投资级）。大宗商品包括标普高盛商品指数和标普GSCI黄金指数。作者使用前者是因为其组成更倾向于能源相关的大宗商品，这使作者能够将其与纯金指数分开。作者以超过一个月期的美国国库券利率的对数回报来计算超额回报。MARKET：超过一个月的美国国库券利率的全球市场组合的对数回报，其中市场组合以本地货币的MSCI World指数的对数回报来衡量。市场组合代表了投资者的总体财富的代理，并且是CAPM中的一种有价值的风险来源。作者将市场指数严格解释为股权风险的度量，并在控制市场组合之后考虑纯经济变量的作用。
TERM：期限差的一阶导数，定义为全球十年期政府债券和三个月政府工具之间的收益率差异。从货币政策决策对收益率曲线短端的影响通过无套利论点影响了利率期限结构来看，斜率的变化捕捉了货币政策立场的意外变化，可以成为有价值的风险来源。
USD：美国贸易加权美元指数的对数回报。资产回报以本地货币计量，因此USD变量代表汇率风险的度量，在全球多因子模型中，贸易加权美元指数是国家股票市场中的系统性风险因子。
OIL：WTI石油基准指数的对数回报。传统的宏观经济文献将油价冲击视为影响宏观经济结果的风险变量，高油价会导致购买力下降、企业和进口石油的国家生产成本上升，总体支出、投资、消费者情绪下降，并且已经成为所有主要美国经济衰退的重要因子。对石油价格高暴露的资产在均衡状态下由于对冲了共同风险因子，将获得较低的回报。
DEF：Moody's Baa和AAA-评级公司债券收益率之间的差异变化。这一变量广泛用作违约风险的衡量标准。Fama和French（1989，1993）发现违约差价解释了股票、政府和公司债券之间的普通变化，该变量捕捉了在经济衰退期间预期回报高、而在有利的商业环境中预期回报低的股票。
作者还考虑宏观经济状态变量，这些状态变量可能携带风险溢价。作者考虑了四个宏观状态变量：产出缺口的度量、通货膨胀和短期利率、波动率度量。作者假设这些变量描述了资产回报的时间序列共动性。
产出（Output）：作者使用经济合作与发展组织（OECD）发布的G7国家的复合领先指标（CLI）的对数差异。这一变量通过汇总几个经济变量来度量围绕长期产出水平的经济波动，有助于检测商业周期的拐点。
通货膨胀（Inflation）：通货膨胀以各自月度消费者价格指数（CPI）测量的对数差异来衡量。利率风险（Interest Rate risk）：使用G7国家的三个月政府债券收益率的全球差异的变化作为中央银行设定的货币政策利率的替代指标。
风险厌恶/波动性（Risk Aversion/Volatility）：作者包括了VIX作为风险厌恶和金融市场波动性的度量。然而，该变量并不完美，它度量的是隐含波动率，既包括条件预期波动性，也包括波动性风险溢价组成部分。在消费平滑效应下，更高的风险厌恶需要更高的短期实际利率，此时债券和股票都有正的风险溢价。相反，在预防性储蓄效应下，更高的风险厌恶推动了对债券的需求和价格上涨。此时与股票不同，债券具有负的风险溢价。
考虑到作者的四个状态变量，Choleski分解的递归排序是产出、通货膨胀、利率和波动率。作者将产出和通货膨胀视为“变动缓慢”的变量，它们不会在同期对货币政策冲击作出反应，而波动性是“变动快”的变量，它会对利率冲击作出同期反应。
作者通过使用OLS估计以下多因子模型来研究每个资产的超额回报与宏观经济风险因子之间的同时关系。
对于每个月t，回归是在一个扩展窗口的样本外进行估计，图表2显示了全样本回归的结果。所有债券指数的TERM系数都显著为负，表明利率和债券价格之间存在负相关关系。黄金指数与TERM之间的负相关关系。TERM可以捕捉黄金价格和实际利率之间的负相关关系，即更高的实际收益会增加实际货币的机会成本，并需要更低的黄金价格来平衡供求。MARKET对四个股票市场和两个信用指数都在1%的显著水平上有显著正效应。OIL对两个商品指数有显著正效应。此外，DE Bond和UK Bond的系数显著为负，这是因为油价会传导通货膨胀。DEF衡量违约风险变量，对两个信用指数和黄金指数有显著负效应。平均而言，该模型可以解释资产回报变化的50%以上，且MARKET和TERM因子有助于解释资产回报的大部分总变化。在给定一组风险因子的情况下，作者使用最小线性扭矩导出互不相关的扭曲因子。图表3显示了每个最小扭曲因子在五个风险因子上的负载。每个最小扭曲因子都可以被视为一个风险因子。图表4和图表5显示宏观因子模拟投资组合对资产回报的暴露及累积表现。模拟TERM因子的投资组合对所有政府债券和信用指数都有较大的正暴露。模拟MARKET因子的投资组合对所有股票指数都有较大的正暴露。模拟USD的投资组合几乎只与黄金指数相关。模拟OIL的投资组合对S&P GSCI商品指数有较大的负暴露，对MSCI新兴市场股票指数有正暴露。总体而言，新兴市场股票指数的价值与油价上涨冲击呈负相关。最后，模拟DEF的投资组合对信用指数和MSCI新兴市场股票指数有最大的正暴露，反映了它们较高的信用风险。作者使用Choleski分解获得相关的因子，对四个宏观国家变量进行OLS分析。图表6显示了OLS因子模型的估计结果。值得注意的是，该模型的拟合度明显低于基于先前的五个风险因子的因子模型。总体而言，实证结果确认了：与市场风险因子不同，宏观经济变量无法解释资产回报的显著变化。对比之前的五个经济风险因子和纯宏观国家变量所扮演的显著而不同的角色可得，前者反映了解释资产回报变化的风险的主要来源，后者代表了学术文献中所认为的解释资产回报共同动态和长期溢价的主要因子（即最终的长期经济基本因子）。
图表7显示了估计的宏观模仿组合在全样本上对每种资产的曝光。第一个模拟组合跟踪增长变量，对MSCI EM Equity Index的载荷最高。第二个模拟组合跟踪通货膨胀国家变量，对S&P GSCI商品指数的载荷最高。这是因为商品指数往往能很好对冲高通货膨胀。MSCI EM Equity Index的负暴露表明股市具有对冲通货膨胀的套期保值特性。第三个模拟组合跟踪短期利率，对所有债券指数具有最高的暴露，这是因为这些资产对货币政策利率的意外变化最为敏感。最后一个模拟组合跟踪VIX，其对S&P500、RUSSELL2000、MSCI EAFE、US.HY和S&P GSCI商品指数的暴露最高。这是因为，股票回报主要受到风险溢价的影响（而不是现金流渠道），并且商品在价格高波动时也表现不佳。VIX对黄金和债券指数的负暴露反映了后者在高风险厌恶或不确定性时作为避险资产的作用。
图表8显示了使用全样本估计的模拟组合的累积绩效，而图表9显示了四个模拟组合与宏观国家变量之间的相关性。宏观模拟组合之间的平均两两相关性为-0.18。传统因子模拟组合会影响测试资产的载荷。
图表10和图表11展示了因子风险平价策略的表现。前两个策略（FRP 5RF）基于五个风险因子，它实现了最高的年均化组合回报。然而，这个组合波动性更高，夏普比率并不理想，最大回撤也仅次于等权组合。图表12展示了这些策略在四个资产大类（信用、政府债券、股票和大宗商品）上均衡配置，在五个风险因子之间也分布均衡。当从宏观国家变量的角度考察风险贡献时，大多数总体组合波动性都归因于对增长（CLI）和风险厌恶（VIX）因子的暴露。
接下来，作者检验基于四个宏观国家变量的因子风险平价策略（FRP 4SV）。这些组合的平均年化回报率分别为3.43%和3.20%，夏普比率分别为0.67和0.73，而最大回撤则在所有备选策略中最低。在资产配置方面，组合更多配置政府债券资产大类。根据结果，五个宏观经济风险因子解释了大部分月度组合波动性，因此那些注重管理不同风险敞口的投资者更关注这五个因子。相反，基于四个宏观国家变量的FRP 4SV有效押注数量（Effective Number of Bets）较低。在实践中，如果人们假设资产回报的真正驱动因子是四个宏观国家变量，将错误理解资产配置的有效分散风险的程度。下一节将继续探索经济风险因子一起变动并受到更深层次的力量驱动。最后，作者将结果与遵循基于资产大类方法的基准风险策略的绩效结果进行比较。根据图表13，等风险贡献（ERC）策略——其中涉及跨资产的风险均衡——在四个广泛资产大类之间平衡分配。在组合绩效方面，这两个组合的平均组合回报低于因子风险平价组合，与FRP 4SV LO组合波动性相似。因此，在FRP 4SV LO中分配更多政府债券有助于降低最大回撤和提高回报，弥补ERC组合中相对较高的股票和大宗商品占比。
为估计在不同状态下宏观冲击的条件协方差矩阵，作者使用了一个机制转换模型。基于VAR过程的宏观经济冲击，作者估计了一个马尔可夫转换向量自回归模型，以建模宏观因子动态中的非线性或结构性突破。在实践中，作者将四个宏观变量中的每一个视为独立的冲击，估计四个不同的马尔可夫链。作者考虑单一的马尔可夫过程，它驱动所有宏观变量的共同变化，以保持模型的简约，避免参数增加。作者使用基于期望最大化算法的最大似然法来估计模型。作者将宏观冲击的静态协方差矩阵替换为使用MS-VAR模型估计的条件期望协方差矩阵，状态变量的一步预测值为：
在获得了每个状态下的变量的预测值后，作者使用预测的概率作为权重，将条件值估计为状态相关矩的加权平均。作者估计宏观因子的条件协方差矩阵为：
因此，作者通过对估计的条件协方差矩阵应用Choleski分解来得出正交的宏观冲击，并获得风险平价分配。为了评估模型的质量，作者计算了RCM：
其直观思想是，如果模型能够在每个时间点明确识别给定的状态m，那么状态m的滤波状态概率将接近于1，而与其余状态相关的概率将较低。因此，较低的RCM值将表明更好的状态识别。
作者发现RCM值为14.5，说明时间识别状态清晰。图表14报告了宏观变量的不同状态的估计结果，显示第二状态下所有宏观因子的波动性都高于第一状态。这是因为一个差的经济状态能捕捉到较高的经济不确定性。
在图表15中，作者绘制了平滑状态概率（即使用全样本信息估计的概率）与宏观状态变量的基础时间序列。MS-VAR模型识别出的差的经济状态与由NBER衰退时期相匹配，甚至能识别出更多的坏状态。
图表16比较了基于两个MS-VAR推测和静态FRP投资组合的表现。结果似乎表明，考虑状态变量的异方差性对投资组合表现没有显著影响。可能的原因是，在较差的经济环境中，宏观冲击的波动性在绝对值上更高，但不影响四个变量的相对重要性，因此不影响宏观因子的相对配置。另一个可能的原因是，资产对宏观因子的时间变化或状态相关暴露（贝塔）对影响因子风险平价配置的影响更为积极。
接下来，在图表17中，作者通过研究两个MS-VAR状态下的资产大类、宏观风险因子和宏观状态变量之间的相关性来扩展条件分析。结果表明，在高不确定性时期，高信用利差、低石油价格和较高美元之间有更大的相关性。在正常时期，MARKET模拟组合与OIL和DEF模拟组合之间存在负相关，这说明人们可以通过获取不同的风险溢价来获得显著的分散效益，而在较差的经济状态中，负相关完全消失。能源大宗商品在高不确定性时期提供的分散效益有限，因为在高不确定性时期，石油价格与信贷和股票指数一起下降，并且仅被较高价格的美元和黄金抵消。特别地，石油分散组合的有效性，对特定时间点的石油价格冲击的决定因子非常敏感，而这些决定因子涉及宏观经济环境和风险偏好。
此外，宏观风险因子之间的相关性有助于解释不同状态下资产大类之间相关性规律的变化。在较好的经济状态中，信贷和股票的平均相关性为0.33，信贷和政府债券之间的相关性为0.56，在正常时期反映了正常时期利率风险的共同敞口。相反，在高不确定性状态下，股票和信贷之间的相关性升高到0.70，而信贷和政府债券之间的相关性实际上为零，因为在这种状态下，风险溢价渠道优于正常利率渠道，驱动了债券组别的相反运动。对比来看，跟踪四个宏观状态变量的模拟组合之间的相关性在两种状态下几乎没有变化，而且在很大程度上互相抵消。这表明FRP 4SV投资组合在高低经济不确定性时期都具有分散效益和稳健性。最后，作者比较了上一节分析的投资策略在MS-VAR模型识别的两种状态中的表现。因此，作者将每种策略的实现投资组合回报按每个时间点的当前状态分组。图表18展示了各组合的绩效，图表19显示了与状态相关的均值-方差投资组合。在好状态下，风险因子平价投资组合的风险调整后回报较低，而最大回撤略高于基准ERC和等权投资组合。这代表了在每个策略中，均值-方差投资者需要的无风险利率，以便放弃对给定策略的投资。
在糟糕的经济状态下，整个投资组合边界向右移动，所有策略的投资组合波动性更高。基于资产的策略（ERC和EW）变得表现最差，而风险因子平价投资组合以及最小方差投资组合表现更好，其中不受限的风险平价投资组合具有最高的风险调整后绩效。FRP 5RF投资组合回撤严重，这是因为在糟糕的经济状态下宏观因子模拟投资组合之间相关性的增加，这说明了五个风险因子此时并不能有效分散投资。相反，FRP 4SV投资组合具有最低的回撤率，并且尾部风险最低。
在这一部分，作者重复了使用最小线性扭矩来正交化宏观因子。图表20展示了当扭矩直接应用于原始宏观因子（MLT）以及标准化宏观因子（MLTnorm）时的结果。MLT投资组合的绩效与Choleski程序的结果一致，确认了后者方法的稳健性。当作者在估计VAR模型之前对宏观因子进行标准化时，由此产生的最小线性扭矩可以归因于每个状态变量。
作者对FRP 4SV进行了实时度的两种内部偏差稳健性研究。首先，为了控制因发布滞后引起的内部偏差，作者将报告的CLI值延迟了两个月，并在投资组合构建中使用了调整后的度量（FRP lag）。其次，为了控制后续修订，作者使用了最初由OECD主要经济指标原始发布数据和修订数据库发布的CLI变量的初始版本，并将报告的值与发布日期匹配，以确保实时测量。
图表20的B面板展示了不同指标下的绩效结果。与修订后的CLI基础的FRP（原版）相比，FRP lag的绩效变化不显著。当在FRP vintage中用初始版本的CLI数据替换CLI系列时，波动性和最大回撤都有所增加，而风险调整性能和配置只受到轻微影响。因此，总体结果表明，虽然报告滞后偏差在投资组合表现中起到了较小的作用，但系列修订占据了大部分实时/内部样本表现差异。
最后，作者基于PMI进行了结果比较。PMI的优势在于它提供了实时的月度经济活动度量，并紧密跟踪工业生产系列的变化。此时，投资组合波动性和回撤变高。比较CLI和PMI，作者发现这两个系列之间的相关性较弱。它们似乎跟踪经济周期的不同方面：PMI跟踪经济活动的波动性、月度度量，而CLI则按照长期循环的产出波动和拐点进行构建。因此，除了内部样本考虑之外，基于PMI的投资组合表现不佳也可能是因为资产回报主要由长期持续的产出波动驱动，而不是由PMI指标捕捉的短期经济活动驱动。
资产回报与宏观经济之间的关系一直以来都是经验和学术研究中长期感兴趣的课题，宏观经济变量在驱动资产回报的截面和时间序列中的共同变化中扮演着关键角色。投资管理领域普遍认为，与资产大类方法相比，采用作为风险和回报的基础来源的因子，可以提供较高的风险调整绩效和分散化效益。
作者提出了一个资产配置框架，以实现对宏观因子的分散化暴露。特别地，作者区分了两组宏观变量：作者将五个宏观经济风险因子（TERM、MARKET、USD、OIL和DEF）视为风险的主要来源，它们解释了超过50%的月度变化，而作者将四个宏观经济变量（CLI、G7.INFLATION、G7.Short.Rate和VIX）视为预期回报的最终长期来源，并作为驱动资产回报时间序列共同变动的状态变量。
正常情况下，作者发现宏观经济变量之间的相关性低于资产回报之间的相关性，表明对宏观经济风险因子的均衡配置具有分散化潜力。作者还发现，旨在收获宏观经济溢价的因子风险平价策略相对于以其他风险因子为基础的策略而言，能够显著提高风险调整回报。然而，五个宏观经济风险因子仅提供有限的分散化效益，因为它们在经济较差时相关性变高，也会导致大幅回撤。相比之下，对四个宏观经济变量的分散化配置能带来更大的上行潜力，有效增强了风险回报配置。
文献来源：
核心内容摘选自Livia Amato、Harald Lohre于2020年在SSRN上的文章《Diversifying Macroeconomic Factors—For Better or for Worse》
文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。
本文内容节选自华安证券研究所已发布证券研究报告：《均衡配置宏观经济因子：分散效果如何？——“学海拾珠”系列之一百六十五》（发布时间：20231108），具体分析内容请详见报告。若因对报告的摘编等产生歧义，应以报告发布当日的完整内容为准。分析师：严佳炜 || 执业证书号：S0010520070001，分析师：吴正宇 || 执业证书号：S0010522090001。“金工严选”公众号记录华安证券研究所金融工程团队的研究成果，欢迎关注重要声明
适当性说明
《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过本微信订阅号/本账号发布的观点和信息仅供华安证券的专业投资者参考，完整的投资观点应以华安证券研究所发布的完整报告为准。若您并非华安证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号/本账号中的任何信息。本订阅号/本账号难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本订阅号/本账号推送内容而视相关人员为客户。市场有风险，投资需谨慎。
投资评级说明
以本报告发布之日起12个月内，证券（或行业指数）相对于沪深300指数的涨跌幅为标准，定义如下：
行业及公司评级体系
买入—未来6-12个月的投资收益率领先市场基准指数15%以上；增持—未来6-12个月的投资收益率领先市场基准指数5%至15%；中性—未来6-12个月的投资收益率与市场基准指数的变动幅度相差-5%至5%；减持—未来6-12个月的投资收益率落后市场基准指数5%至15%；卖出—未来6-12个月的投资收益率落后市场基准指数15%以上；无评级—因无法获取必要的资料，或者公司面临无法预见结果的重大不确定性事件，或者其他原因，致使无法给出明确的投资评级。市场基准指数为沪深300指数。
分析师承诺
本人具有中国证券业协会授予的证券投资咨询执业资格，以勤勉的职业态度、专业审慎的研究方法，使用合法合规的信息，独立、客观地出具本报告，本报告所采用的数据和信息均来自市场公开信息，本人对这些信息的准确性或完整性不做任何保证，也不保证所包含的信息和建议不会发生任何变更。报告中的信息和意见仅供参考。本人过去不曾与、现在不与、未来也将不会因本报告中的具体推荐意见或观点而直接或间接收任何形式的补偿，分析结论不受任何第三方的授意或影响，特此证明。
免责声明
华安证券股份有限公司经中国证券监督管理委员会批准，已具备证券投资咨询业务资格。本报告中的信息均来源于合规渠道，华安证券研究所力求准确、可靠，但对这些信息的准确性及完整性均不做任何保证，据此投资，责任自负。本报告不构成个人投资建议，也没有考虑到个别客户特殊的投资目标、财务状况或需要。客户应考虑本报告中的任何意见或建议是否符合其特定状况。华安证券及其所属关联机构可能会持有报告中提到的公司所发行的证券并进行交易，还可能为这些公司提供投资银行服务或其他服务。
本报告仅向特定客户传送，未经华安证券研究所书面授权，本研究报告的任何部分均不得以任何方式制作任何形式的拷贝、复印件或复制品，或再次分发给任何其他人，或以任何侵犯本公司版权的其他方式使用。如欲引用或转载本文内容，务必联络华安证券研究所并获得许可，并需注明出处为华安证券研究所，且不得对本文进行有悖原意的引用和删改。如未经本公司授权，私自转载或者转发本报告，所引起的一切后果及法律责任由私自转载或转发者承担。本公司并保留追究其法律责任的权利。
本篇文章来源于微信公众号: 金工严选
