对于经济的预期变动是驱动股票等资产价格的重要因素之一。一个直观的想法是如果我们能够观察到市场参与者的预期情况，能否对资产价格有一定预测力呢?本文将探究这类预期数据能否用于指导投资决策。
我们将宏观预期数据分为两类。第一类是预期数据的时序变动。我们发现通胀预期下行时股票上涨概率较高，而增长类预期指标只有在变动幅度较为极端时才具有一定指示含义。最终，我们基于通胀预期、增长预期以及外汇市场预期变动构建了固收加组合，在过去十年能够实现大约7.3%的年化收益和3.70%的最大回撤。融合大小盘轮动策略后，同期策略能够实现大约8.77%的年化收益，最大回撤仅有3.65%。
第二类是预期差数据，即预期值与实际发布值差异。为了能更系统性和方便观察近期经济数据的超预期情况，我们参考花旗经济意外指数的编制方法，对不同类型经济指标的超预期程度进行合成，构建增长、通胀和信用惊奇指数。我们探究了三类指数对股票的预测力，发现通胀惊奇指数具有相对较好的预测力，信用惊奇指数其次，而增长惊奇指数则没有明显效果。
另外我们还发现行业表现具有发布日效应，在特定数据发布日，当日表现好的行业在未来一个月也倾向于继续好。我们将申万一级行业指数每月按照发布日收益率降序分5组构建等权组合，各组别表现严格单调。融入发布日效应的行业轮动模型表现明显提升，2023年截至11月30日实现0.75%的正收益，而等权基准仅有-4.61%。
风险提示：模型结论基于历史数据，在市场环境转变时模型存在失效的风险。
股票、债券、商品等大类资产的定价受到多种因素的影响，其中宏观经济显然是重要的驱动因素之一。经典的美林时钟便是根据美国产出缺口和通胀的上下行来划分经济周期，在不同环境下配置对应的占优资产。但是根据宏观经济指标构建交易策略面临几个难以解决的问题，首先大量的宏观经济指标频率较低，以月度或季度为主，同时指标发布是滞后的，我们无法获取当日的最新经济状态。这也是为什么美林时钟类的模型用于解释过去效果颇佳，但却难以用于实际投资。另外，市场参与者通过买卖股票来表达其对特定证券标的的定价观点，对于经济的预期变动是驱动股票等资产价格的重要因素之一。一个直观的想法是如果我们能够观察到市场参与者的经济预期情况，能否对资产价格有领先性和预测力呢?本文的目标就是探究这类预期数据能否用于指导投资决策。文章结构如下：第二部分对报告使用的宏观预期数据类型及其特征做介绍；第三部分研究宏观预期时序数据如何用于固收加组合的构建；第四部分介绍宏观超预期数据和如何构建经济惊奇指数，并探究其预测能力。第五部分介绍我们发现的发布日效应。第六部分是总结。在具体介绍宏观预期数据的应用之前，我们首先对本文宏观预期数据的选取与总体特征做一些分析。目前业界常用的万得与彭博两大数据提供商都持续发布宏观预期数据。以万得的中国宏观预测板块为例，其中主要汇总了国内券商经济学家和分析师对于未来数据的预测均值以及当前预测的明细数据。但是万得数据的一个问题是历史预测信息难以获得，以GDP为例，站在当前2023年，对于2022年Q3的预测，我们只能获取其最后一次更新的预测均值。也就是说，对于宏观指标的每一个历史发布值，我们都只有一个对应的最终预测值。利用这种数据我们可以在数据发布日计算实际值与预期值的差异，即预期差，但不能观察宏观预期的时序变动。彭博的ECOS功能也提供了类似数据，对于月度、季度的多种宏观数据都提供截止发布日的预测值，以及当日预期差的情况。但与Wind不同，彭博的ECOS宏观预测不仅提供了预测均值，还提供预测中值、最大值、最小值、预测样本数、预测标准差以及数据的发布时间。从数据质量看，彭博ECOS提供的月度预期指标包含的信息更多，开始历史也更早，因此本文主要使用彭博经济预期数据作为数据源进行分析。除了ECOS功能提供的发布日预期数据，彭博的ECFC功能还提供了部分宏观预期数据的历史序列。也就是说我们能够观察到部分宏观预期数据的时序变动特征。但是需要注意的是ECFC提供的是对未来季度或年度经济数据的预测序列，没有月度经济数据的预测。并且通过研究我们发现大部分预期指标数据较短，多从2014年之后开始。其中GDP实际同比与CPI同比数据起始点则较早，2007年开始已经有数据。ECFC提供的季度预期时间序列也有几种类型，我们可以获得经济学家预期的均值、中位数以及加权平均序列。其中加权平均的含义是彭博根据预测能力对不同经济学家给予不同的权重。以2020年Q1的GDP同比预期为例，从下图可以看到，不同类型预期序列的总体走势较为一致，在2020年2月后开始逐步下降。但是很明显加权平均序列的变动幅度更大也更快，中位数序列一直到2月底才下行，而加权序列在1月底就开始下降。针对预期序列数据，我们是为了观察预期变动而不追求预期绝对值的准确性，因此本文选择加权平均序列作为主要研究对象。
前文提到，证券价格实际是由预期变化推动的，那么近期的宏观预期变化能否预测资产表现呢？本部分将探究宏观指标预期的变动是否对资产未来表现有预测力。我们将彭博预期数据分为通胀和增长两大类，分别研究其预测能力，同时还将探索汇率代表的外汇市场预期变动对于国内资产的预测力。GDP与CPI同比是度量经济增长与通货膨胀最常用也是最直接的两个指标，且数据历史较长，我们将先对其做分析。需要注意的是，在任意时点我们可能对未来多个季度都有预测，一般当季和下季数据是同时可得的。比如在2023年3月20日，我们同时可以观察到机构对2023Q1和2023Q2的GDP同比预测值。从逻辑上说，对于当季指标的预测包含了部分已经发布的信息，比如2023年3月20日时至少可以观察到1月和2月的通胀数据，因此当季的预测值在很大程度上变化已经空间不大了。但是下季指标则不同，在每个时点的预测值都不包含任何已知的信息，因此能够更好的反映市场对未来预期的变化。后文将用下季预期指标的变动来构建策略组合，并默认用沪深300全收益指数（H00300.CSI）和中债-新综合财富（总值）指数（CBA00101.CS）来代表股票和债券资产。我们首先根据彭博下季度CPI预期的变化来尝试对股票进行择时。根据经典的美林时钟，股票表现最好的环境是CPI下行且经济上行。我们发现CPI预期本身的下行也往往预示着未来股票较好的表现。我们在每月底观察过去一段时间季度CPI预期的变动，若下行则持有股票，否则持有债券资产。由于预期数据可能在一段时间内波动较小，为了减少数据噪声的影响和信号敏感性，我们进一步要求通胀预期变动幅度超过0.05%才发出信号。从下方图表可以看到，简单的利用通胀预期的变化就已经给出非常好的择时表现。策略组合实现年化15.06%的收益率，显著高于股票本身0.16%的年化收益。当通胀预期下行时未来股票上行可能性较大，一个可能的解释是近期通胀预期下行意味着流动性宽松的约束可能减少，央行扩大流动性投放等刺激性政策的概率增大，股市反而有上行空间。需要注意的是，通胀下行逻辑上也并不一定总是利好股市。如果通胀处于较低位置甚至是通缩状态，这时通胀继续下行一定程度上说明经济需求不足，股市表现可能反而不佳。因此我们进一步做个尝试，即当通胀预期下行且绝对值较高比如大于2%时才发出做多信号。从下方图表看，调整后策略组合依然可以实现年化11.84%的收益率，并且回撤仅有18.17%。从净值也可以看出，策略在长期都是较为有效的。不过，由于考虑通胀绝对值会进一步引入参数且难以确定大小，同时总收益有所下降，我们后面构建组合时还是使用原始通胀预期变动信号。除了用于择时策略，我们更希望探索信号用于构建固收加股债组合时的有效性。与择时策略不同，固收加组合不会根据信号而满仓或空仓股票，而是在基准权重的基础上进行微调，这样可以避免某次信号错误而导致的大幅亏损。我们以10/90固定权重月度调仓股债组合为基准，然后根据预期数据的变化做调整。具体来说，当预期上行超过阈值，发出-1的信号，股票权重降低10%（股票权重为0%）。预期下行超过阈值，发出1的信号，股票权重增加10%（股票权重为20%）。其余情况认为预期变动不明显，发出0的信号，股票权重不变（股票权重为10%）。从图表可以看到，策略组合可以实现6.40%的年化收益率和5.13%的最大回撤，优于基准组合4.20%的年化收益和5.52%的最大回撤。我们发现与通胀数据不同，增长类预期数据的变动似乎对未来股票的表现没有显著的预测力。以GDP预期变动为例，我们在每月末观察过去30日对下季度GDP同比的预期变动。若预期上行，则持有沪深300指数，否则持有债券指数。从下方图表看，根据过去GDP预期的变动难以预测未来股票的表现，策略组合实现年化1.10%的收益率，与基准0.16%的年化收益基本持平，从净值曲线也可以看出策略表现一般。并且这个现象不依赖于回看期参数，改用更长或更短的回看期也不会明显改善结果。这种现象有两个可能的原因，一个是经济增长预期的变化并不是显著影响股市的因素，另一个是股市以极快的速度将增长预期的变化信息定价。为此我们进一步做一个测试，假设在每月底已知未来30日GDP季度预期数据的变动方向，然后按照同样的方式构建组合。若假设已知未来30日的GDP增长预期的变动，我们发现择时策略能够实现大约8%的年化收益率，最大回撤36.39%，显著优于股票本身0.16%的年化收益率和67.27%的最大回撤。从净值曲线也可以看出，策略净值呈现相对平稳的上行趋势，这说明市场还是受到GDP增长预期变化驱动的，只是新信息很快就被定价，是同步驱动因素。除了GDP同比，ECFC数据库中还有工业增加值、社零、出口等增长相关的季度同比预期数据序列，但是这些数据历史较短，并且经过测试我们发现根据其过去的预期变动方向也很难预测股票的收益。虽然大部分情况下预期变动方向对未来没有预测力，但是当预期变动较为极端时可能有所不同，这时市场或许需要更长的时间来纳入新信息。根据这个思路，我们对每类指标设定阈值，当过去30日预期上行或下行幅度超过阈值时发出看多或看空的信号，否则发出中性信号。为了尽量避免过拟合，我们统一设定回看期为30日，并且上下阈值设定为相同大小，只是幅度有所不同。具体来说，我们对工业增加值、社零、出口、固定资产投资、M2同比预期数据分别设定高阈值，并将每期信号加总，若看多信号数量更多则做多股票，否则持有债券。由于数据长度限制，我们回测范围是2014年底至2023年11月。从下方图表可以看到，基于增长类预期数据极端变动的策略能够带来一定的超额收益，年化收益率6.8%，高于基准。这种信号的特点是只在经济预期变动剧烈的时候有信号，其余时间不发出方向性信号。如果用来构建稳健股债组合，采用与上文一致的方式。我们发现策略组合能够实现4.77%的年化收益和2.66%的最大回撤，优于基准4.23%的年化收益率和3.92%的最大回撤。前文使用的彭博宏观预期指标捕捉的是研究机构中经济学家和分析师的预期，但实际上我们还可以尝试利用不同市场交易过程产生的预期来尝试对股债资产进行预判。汇率代表两国货币的兑换比例，虽然不同理论体系对汇率形成的解释不同，但一般我们认为汇率高低代表了一国资产的价值和吸引力。经济发展前景优异、资产吸引力高的国家汇率往往升值，反过来汇率的升值其实也一定程度上反映了外汇市场参与者对于此国宏观经济发展的信心。我们利用人民币兑美元的离岸汇率作为外汇市场对中国宏观预期的代理变量，观察其变动对未来国内资产的表现是否有预测力。总体来看，2015年开始我国汇率市场化程度加深，基本能够反映市场预期。我们根据离岸人民币汇率的变动方向生成股票择时信号，具体来说若过去一个月人民币升值，则发出1（看多）信号，持有股票指数，否则发出-1（信号），并持有债券指数。测算的时间范围是2014年底至2023年11月。从下方图表可以看到，基于汇率的择时策略可以实现12.31%的年化收益率，最大回撤21.64%，显著优于股票2.01%的年化收益和46.06%的最大回撤。如果按照与前文一致的方式构建稳健股债组合，策略组合能够实现5.95%的年化收益率和2.06的收益风险比，优于基准4.23%的年化收益和1.83的收益风险比。前面我们根据通胀、增长和外汇市场代表的宏观预期变动分别构建了因子，发现对股票未来表现具有一定预测力。下面我们将三种预期变动因子加总，观察合成信号的表现。具体来说，每类因子会根据规则在月底发出1（看多）、0（中性）或-1（看空）的信号，然后将子信号加总，若和大于0则合成信号为看多，和等于0则合成信号为中性，和小于0则合成信号为看空。我们以10/90股债组合为基准，按照前文相同的方式根据信号调整股票权重，回测时间范围是2013年12月底至2023年11月底。从图表可以看到，策略组合可以实现年化7.30%的收益率，最大回撤3.70%，优于基准组合5.23%的年化收益率和3.92%的最大回撤。从绝对收益角度看也是一种较为优异的固收+组合。前文我们构建的股债组合中直接使用沪深300全收益指数作为股票资产的代表，这里我们尝试在组合中通过风格轮动来改进股票部分的收益以提升整体表现。在2023年1月20日发布的报告《基于拐点+趋势的大小盘轮动研究》中我们构建了大小盘轮动模型，逻辑和实证上表现均较为优异。模型从2013年底开始构建信号，回测时间范围是2013年底至2023年11月底。我们选取申万大盘和申万小盘指数作为大盘和小盘风格的代表，使用大小盘月度调仓等权组合作为比较基准。从下方图表看，大小盘轮动组合可以实现年化17.12%的收益率，0.70的收益风险比，最大回撤53.10%，均优于等权基准组合。轮动策略带来了12.13%的超额年化收益率，超额最大回撤为10.00%。2023年模型样本外也实现正超额，截至11月30日，轮动策略年化收益率-1.47%，高于等权基准的-6.9%，实现5.82%的超额年化收益。我们将风格轮动组合融入前面构建的宏观预期变动组合，用轮动组合替代沪深300全收益指数作为股票资产的代表。同样假设每月底调仓，回测时间范围是2013年底至2023年11月底。从下方图表看，股债组合年化收益率提高到8.77%，最大回撤3.65%，显著优于10/90股债基准组合5.23%的年化收益和3.92%的最大回撤。在宏观数据发布日，市场往往关注预期值与实际值的差异，或者说超预期程度，理论上说市场会对没有预期到的信息产生反映。但是每月有大量不同的宏观数据发布，且发布时间也分布较为零散。比如每月末会公布当月PMI数据，每月上旬统计局会公布CPI等通胀数据，随后公布M2等数据，每月17日左右公布工业增加值等。为了能更系统性和方便的观察近期经济数据的超预期情况，我们参考花旗经济意外指数的编制方法，对不同类型经济指标的超预期程度进行合成，构建增长、通胀和信用惊奇指数，并研究其潜在预测力。我们将彭博ECOS板块中的数据分为三类：增长、信用与通胀，并选择历史较长的指标尝试合成超预期指数，具体指标选择见下表。第一步，我们需要将不同指标的预期差进行标准化。常见的做法是使用历史标准差对指标进行时序标准化，但是由于很多数据历史较短，这样的做法会导致可用数据不足。我们注意到彭博提供的预期数据不仅包括均值，还有本期预测的机构数量和预测标准差。另外，我们可以根据预测标准差和预测数量将预期差调整为服从t分布的变量。因此我们通过t分布的累积分布函数将每个预期差数据标准化为0-1之间的数字。最后，我们将[0,1]的数字线性映射到[-1,1]区间，从而使得数字大于0时就表示超预期，小于0表示低于预期。第二步，我们对历史预期差数据做时序衰减。理论上说，距离当前越远的历史数据对市场的影响越小，或者说信息已经衰减。因此，我们利用指数衰减的方式对单个指标的历史超预期数据进行处理。我们设置的权重衰减函数会在90天内将权重衰减至0。在每一期，我们都回看90日，并将对应日期预期差乘以衰减权重得到衰减预期差数据。然后将90日衰减预期差数据加总即得到当期单指标的预期差指数。第三步，我们对不同指标的预期差指数进行合成。具体来说，我们对各组指标等权处理，计算截面上所有可得预期差指数的均值，即得到合成惊奇指数。通过对指标分类，我们构建了增长、通胀和信用惊奇（预期差）指数。从下方图表看，在0刻度线上方的阴影表示超预期，在下方的部分表示不及预期。以增长惊奇指数为例，可以看到在2020年中旬到2021年初，增长指数一直处于超预期状态。随后进入持续低于预期的状态。这里我们探究能否根据经济惊奇指数反映的预期差来构建择时组合。逻辑上说，当经济增长或信用扩张超预期时利好股票，而通胀低于预期可能利好股票。我们根据各指数预期差来选择持有股票或债券资产，观察其是否有预测力。首先我们研究增长惊奇指数，回测的时间范围是2008年1月至2023年11月。在每月底我们观察当前增长惊奇程度，若大于0则持有股票指数，否则持有债券指数。从下方图表看，策略组合实现-2.09%的年化收益率，低于股票指数本身0.16%的年化收益。基于增长惊奇指数的预期差正负并不能股票表现有预测力，一个可能的原因也是市场对增长指标的超预期信息定价较快，迅速被反映在价格中。我们也根据信用惊奇指数构建择时组合，当指数为正时表示近期信用数据超预期因此持有股票，否则持有债券指数。从下方图表看，策略组合实现年化3.40%的收益率，高于股票0.16%的年化收益。信用惊奇指数的预期差正负似乎对于股票有一定预测力。信用类指标常被作为经济领先指标，同时与实体增长结果的关系更为间接，因此其预期差可能被定价的速度缓慢一些。最后我们利用通胀惊奇指数构建择时组合，当指数为负时表示近期通胀数据低于预期，持有股票指数，否则持有债券指数。从下方图表看，策略组合实现年化10.26%的收益率，高于股票0.16%的年化收益。但是策略波动幅度较大，最大回撤有46.06%。这个现象与前文宏观预期时序数据部分的发现有某种内在的一致性，即通胀数据预期似乎更容易对市场有一定预测力。总体来看，预期差指数对于我们观察和跟踪市场具有一定指示含义，但是直接用来构建策略组合似乎不够优秀，前文基于宏观预期变动的效果要更显著一些。经济数据的发布往往受到市场关注，当日的市场表现可能反映出投资者对于数据发布结果的理解，这种重要时点的市场表现可能具有持续性。我们发现在特定发布日，当日表现好的行业，在未来一个月也倾向于继续表现好。但是其它数据发布日则没有这种一致性的特征。我们以申万一级行业作为研究对象，在每月数据发布日的最近交易日观察当日各行业的收益率并排序分组，对每组行业构建等权组合并持有到下一个数据发布日。从下方图表可以看到，第1组可以实现年化10.53%的收益率，而第5组年化收益率仅有-2.53%。并且从各组年化收益率的柱形图看，基于数据发布日动量效应构建的分组组合具有较好的单调性。总体来说数据发布日表现越好的行业其未来一个月左右的表现也越好。那么是否可以将该视角和我们之前的行业轮动进行结合呢？我们团队在行业轮动领域耕耘不断，完成多篇代表性报告。其中多因子体系下的代表作是2022年3月27日发布的《基于盈余惊喜(基本面)、残差动量(技术面)、北向资金(资金流)的行业轮动模型》。该报告基于盈余惊喜、残差动量和资金流三维度构建了申万一级行业轮动模型，每月底输出对行业的打分排序情况。我们尝试将本文发现的行业发布日效应结合到行业轮动模型中，观察是否有改进。我们设定轮动基准模型每月底根据原始轮动打分选择6个分数最高的行业等权持有，然后测试3种结合发布日效应的改进方式：负向剔除。由于发布日不在月底，与原始轮动信号时间点不同，我们以事件驱动的方式测试。具体来说，我们设定每月底和每月数据发布日都是调仓日。在每个调仓日，我们首先选择最近一期打分排名前6的行业作为备选，然后根据最近发布日行业收益排序情况剔除排名后6位的行业，剩下的行业等权持有。
正向增强。在每个调仓日，我们首先选择最近一期打分排名前6的行业作为备选并默认等权，行业中若有发布日收益排序前6的则权重增加一倍后归一化。
正向增强+负向剔除。在每个调仓日，我们首先选择最近一期打分排名前6的行业作为备选并默认等权，然后根据最近发布日行业收益排序情况剔除排名后6位的行业，剩下的行业中若有发布日收益排序前6的则权重增加一倍后归一化。
回测的时间范围是2014年1月30日至2023年11月30日。从下方图表可以看到，原始轮动模型可以实现年化15.50%的收益率。融合发布日效应后，负向剔除可以把收益率提高到16.00%，正向调权进一步提升到17.04%，而负向剔除+正向调权可以把收益率提高到17.95%。值得注意的是，从分年表现看，2023年原始轮动模型收益率为-6.99%，显著跑输等权基准-4.61%的收益率。而叠加发布日效应后的三种改进均优于之前策略表现，其中表现最优的为负向剔除+正向调权策略，该组合今年实现0.75%的正收益，显著战胜基准。市场参与者通过买卖来表达其对特定证券标的的定价观点，对于经济的预期变动是驱动股票等资产价格的重要因素之一。一个直观的想法是如果我们能够观察到市场参与者的经济预期情况，能否对资产价格有领先性和预测力呢?数据提供商如万得和彭博会汇总各大研究和投资机构对于未发布经济指标的预期值，本文探究了这类预期数据能否用于指导投资决策。我们将宏观预期数据分为两类。第一类是预期数据的时序变动。我们发现通胀预期下行时股票上涨概率较高，而增长类预期指标只有在变动幅度较为极端时才具有一定指示含义。这可能说明市场对如GDP预期的变动定价速度较快，效率较高，而对通胀预期反映相对迟缓。最终，我们基于通胀预期变动方向、增长预期极端变动以及外汇市场代表的宏观预期变动构建了股债战术组合，融合大小盘轮动策略后，在过去十年能够实现大约8.77%的年化收益而最大回撤仅有3.65%。第二类是预期差数据，即预期值与实际发布值的差异。为了能更系统性和方便的观察近期经济数据的超预期情况，我们参考花旗经济意外指数的编制方法，对不同类型经济指标的超预期程度进行合成，构建了增长、通胀和信用惊奇指数。我们探究了三类指数对股票的预测力，发现通胀惊奇指数具有相对较好的预测力，信用惊奇指数其次，而增长惊奇指数则没有明显效果。总体来说预期差指数对于观察和跟踪市场具有一定指示含义，但直接用来构建策略组合似乎不够优秀，基于宏观预期变动的策略效果要更显著一些。另外我们还发现行业表现具有发布日效应，在特定数据发布日，当日表现好的行业在未来一个月也倾向于继续好。我们将申万一级行业指数每月按照发布日收益率降序分5组构建等权组合，第1组相对第5组年化超额达到13%左右，区分度显著。但是其它数据发布日则没有这种一致性的特征。并且，将发布日效应融入我们的行业轮动后，最终组合将年化收益率从原模型的15.50%提升至17.95%。同时从分年表现看，2023年原始轮动模型收益率为-6.99%，跑输等权基准的-4.61%，但改进后组合今年依然实现0.75%的正收益，显著战胜基准。通胀相关的指标在研究中多次出现有效预测特征。预期变动部分我们发现CPI下季度预期变动相对其它增长类指标具有较强预测力，在宏观预期差部分我们又发现通胀惊奇指数具有较强有效性。这让我们不禁思考市场的可预测性可能与驱动因素的定价速度有关，根据现金流折现定价模型，股票价格由分子端盈利和分母端折现率共同决定，增长类宏观预期的变动直接作用于分子端盈利预期，信息反映速度较快。而通胀预期的变动对股价的影响较为间接，其下行可能意味着未来央行宽松空间扩大，从而折现率有望下降，对股票有间接正向作用。换句话说，真正对市场有预测力的应该是未被完全反映的驱动因素的变化，如何从这个角度构建更完善的框架值得后续进一步研究。风险提示：模型结论基于历史数据，在市场环境转变时模型存在失效的风险。
注：文中报告节选自兴业证券经济与金融研究院已公开发布研究报告，具体报告内容及相关风险提示等详见完整版报告。
证券研究报告：《宏观预期数据解析与固收加组合[文]构建》。
对外发布时间：2023年12月25日
报告发布机构：兴业证券股份有限公司（已获中国[章]证监会许可的证券投资咨询业务资格）
----------------------[来]----------------
分析师：郑兆磊
SAC执业证书编号：S01905200800[自]06
分析师：宫民
SAC执业证书编号：S01905210400[1]01
----------------------[7]----------------
更多量化最新资讯和研究成果，欢迎关注我们的微信公众平台（微信号：XYQuantResearch）！
本篇文章来源于微信公众号: XYQuantResearch
本文链接：https://17quant.com/post/%E5%AE%8F%E8%A7%82%E9%A2%84%E6%9C%9F%E6%95%B0%E6%8D%AE%E8%A7%A3%E6%9E%90%E4%B8%8E%E5%9B%BA%E6%94%B6%E5%8A%A0%E7%BB%84%E5%90%88%E6%9E%84%E5%BB%BA.html 转载需授权！
