📑 本文目录

Jul 18, 2026

宏观风险平价宏观因子状态识别周期定位大类资产配置研报复现金融街证券

宏观风险平价策略（一）：宏观状态识别与周期定位——金融街证券研报深度解读

研报信息

项目	内容
标题	构建宏观高频因子体系：宏观经济或由弱复苏向低通胀扩张过渡
副标题	宏观风险平价策略系列（一）：宏观状态识别与周期定位
机构	金融街证券
分析师	张一（S0670524030001）、何修桐（S0670526060001）
报告日期	2026年7月7日
页数	16页
系列	宏观风险平价策略系列（一）
来源	东方财富API下载

一、策略原理

核心问题

传统宏观分析依赖官方经济数据（PMI、CPI、PPI、工业增加值等），但这些数据存在三大痛点：

低频滞后：月频发布，滞后2-4周，无法捕捉经济状态的边际变化
频繁修正：GDP等指标后期不断修正，信号不可靠
政策平滑：逆周期调节政策”熨平”了经济数据的实际波动

研报的核心创新在于：用资本市场的价格信号（股票、商品、债券的日频数据）反向提取宏观状态变量，构建一套日频更新的宏观因子体系，跳过传统经济数据的延迟。

方法论：经济跟踪组合（Economic Tracking Portfolio）

研报借鉴了Breeden（1979）和Lamont（2001）的经济跟踪组合研究范式。核心思路：

如果某项资产对经济增长敏感，那么这些资产组成的投资组合的收益率，就隐含了市场对经济增长的预期。

具体而言，研报构建了两个核心因子：

增长因子 — 增长敏感资产组合

选取对经济增长敏感的资产，用波动率倒数横截面加权：

资产类别	具体标的	权重范围	经济敏感性
权益	沪深300、中证500	10%-30%	盈利预期
可选消费	可选消费指数	10%-20%	消费信心
工业品	沪铜、螺纹钢、焦煤	15%-30%	实体需求

权重采用波动率倒数加权 + 横截面归一化，确保各资产对因子走势的波动贡献均衡，避免高波动单一品种主导因子方向。

多空结构：采用”风险资产 - 低风险资产”的相对收益结构，剥离市场整体流动性环境和无风险收益变化的干扰，仅保留具有宏观含义的风险溢价信号。

因子解读三要素：

累计净值 → 经济所处的相对状态水平
净值趋势方向 → 周期方向（上行/下行）
12个月同比 → 状态动量（加速/衰竭）

通胀因子 — 通胀敏感资产组合

以”60% CPI + 40% PPI”经验加权综合通胀为参考基准：

资产类别	具体标的	反映的传导链
原油	原油期货	交通通信CPI分项
猪肉	生猪/猪肉期货	食品烟酒CPI分项
商品指数	南华商品指数	PPI传导链

二维四象限框架

将增长状态（上行/下行）和通胀状态（上行/下行）组合，得到经典的宏观四象限：

                   通胀上行
                      │
         衰退          │        滞胀
     (增长↓+通胀↑)    │    (增长↑+通胀↑)
                      │
  ────────────┼─────────────── 增长方向
                      │
         复苏          │     低通胀扩张
     (增长↓+通胀↓)    │    (增长↑+通胀↓)
                      │
                   通胀下行

辅助指标：增长动能（增长因子12个月同比）和通胀动能，衡量当前状态的改善或恶化速度。

当前周期定位（截至2026年7月）

研报的核心结论：

增长维度：增长因子累计净值斜率自2025下半年转正，增长动量持续为正。但绝对值处于历史偏低区间，修复更多是低基数上的边际改善。增长动能与PMI出现背离——前者显著强于后者，主要受AI产业链资本开支带动的外需订单脉冲驱动。
通胀维度：通胀因子累计净值长期运行于基准以下。尽管2026年5月PPI/CPI同比阶段性回升，但通胀因子净值已重新形成下行斜率，通胀动量转负。前期价格回升是输入型、一次性的再通胀特征，国内有效需求不足的核心矛盾未变。
周期定位：2026年Q1为复苏阶段（增长↑+通胀↑），Q2演进至低通胀扩张/Goldilocks阶段（增长↑+通胀↓）。经济修复的可持续性高度依赖外需与内需的接力是否顺畅。

二、工程化落地路径

数据依赖

数据类型	具体标的	获取来源	难度
股票指数	沪深300、中证500、可选消费	akshare/pytdx	⭐
商品期货	沪铜、螺纹钢、焦煤、原油	akshare/东方财富期货	⭐⭐
生猪/猪肉	生猪期货指数	akshare	⭐⭐
商品综合	南华商品指数	akshare	⭐
参考基准	CPI、PPI（月频，用于验证）	国家统计局	⭐

技术栈建议

数据层: akshare + DuckDB (本地存储日频数据)
计算层: Python pandas + numpy
因子构建: 波动率倒数加权 → 横截面归一化 → 多空组合调整
状态识别: 累计净值趋势判断 → 12个月同比动量 → 四象限映射
可视化: matplotlib 累计净值曲线 + 四象限热力图

难度评级：⭐⭐⭐（中等偏难）

数据获取：⭐⭐（商品期货数据需要额外处理）
因子构建：⭐⭐（波动率倒数加权逻辑清晰）
状态识别：⭐⭐⭐（趋势判断需要鲁棒性处理，不同时间窗口可能给出不同信号）
周期性验证：⭐⭐⭐⭐（因子有效性需要多年跨周期验证）

与本地量化基础设施的适配

本地已有资源	是否可用	备注
quant_v2.duckdb（股票日频）	✅	沪深300/中证500可直接查询
pytdx（期货数据）	⚠️ 需要补充	商品期货日频/5分钟K线可获取
已有回测框架	✅	可直接用于验证因子时序表现
已有宏观数据模块	❌ 需要新建	当前系统偏权益因子，缺少商品/宏观

三、与已有复现策略的对比

对比矩阵

维度	本研报（宏观风险平价）	已复现策略（开源日内动量/国信AI轮动）
资产范围	跨资产（股票+商品）	A股个股
信号频率	日频更新	月频/周频调仓
因子逻辑	宏观状态驱动	量价因子/行业因子
收益来源	宏观风险溢价	横截面alpha
数据依赖	商品+股指+宏观验证	A股日频量价
方法论源	经济学（Breeden/Lamont）	统计学习/机器学习

互补性分析

宏观风险平价与传统因子择时是天然互补关系：

宏观因子决定”做什么”（Beta方向）：当前处于低通胀扩张阶段，权益>债券>商品
微观因子决定”怎么做”（Alpha选股）：在确定的宏观环境下选受益行业/个股
信号频率互补：宏观因子月频做方向判断，日频因子做入场时机

一个更完整的量化体系应该是：

宏观因子（战略配置）→ 行业轮动（战术配置）→ 个股因子（Alpha选股）

这正好与已复现的国信AI行业轮动策略形成宏观-中观-微观三层体系。

与已有择时体系的关系

系统中已有一个基于信号指标的择时雷达（国盛择时六面图），偏市场情绪和资金面。而本研报的宏观因子体系提供了经济基本面层的独立视角。两者结合可以形成”基本面+情绪面”的双重验证。

四、局限性与风险评估

研报自身局限

因子验证周期不够长：增长因子虽然回溯到2016年，但近两年的极端宏观环境（疫情、地缘冲突、AI产业爆发）可能使历史规律失效
缺乏完整回测：研报展示了因子走势与宏观状态的吻合度，但没有给出基于此框架的实际策略回测收益和风险指标（Sharpe/最大回撤）
状态切换的阈值模糊：增长/通胀的上行/下行判定需要明确的量化标准，研报更多依赖视觉判断
动量指标的滞后性：12个月同比指标本身就有滞后，可能在周期拐点处给出错误信号

实践者视角的额外思考

数据替代的挑战：本研报论证了CPI/PPI数据不可靠性，但如果要用高频宏观因子推断实际经济状态，就面临参照系缺失的问题——“因子指向低通胀扩张”只是假设，无法用真实数据100%验证
代理资产选择的稳健性：猪肉作为通胀代理在猪周期顶部有效，但在猪价平稳期可能失效。商品选择直接影响因子表现，“为什么选焦煤不选动力煤”这类细节在研报中未充分论证
构建方式对因子走势的影响：波动率倒数加权虽然均衡波动贡献，但在某类资产剧烈波动时，权重快速变化可能引入非宏观的噪音
交易成本黑洞：如果要用多空组合实现这个框架（做多增长敏感资产+做空低风险资产），商品期货展期成本、保证金占用、多空双边交易成本可能显著侵蚀收益。研报对此着墨不多
与本地系统对接：当前量化系统以A股股票日频数据为主，商品期货数据缺失。要落地此框架，需要在数据库中新增商品期货日线表并维护展期处理

五、结论

金融街证券这篇研报提供了一个将宏观分析量化为可计算因子体系的完整框架。核心价值不在于具体的选股公式，而在于：

用市场参与者的集体交易行为（价格变动）反推经济状态，跳过失真的官方经济数据。

这一思路与量化交易中”价格包含一切信息”的信念高度一致。

对于已有以A股因子选股为主的量化系统，此框架提供了宝贵的宏观视角补充。但它更适合作为战略配置的参考信号，而非具体的交易策略——因为从”判断当前处于低通胀扩张”到”确定应该买什么、买多少、何时止损”，还有一段工程化落地的距离。

实操建议：先实现增长因子和通胀因子的日频计算，将其作为现有回测系统的宏观环境变量（而非直接交易信号），观察6-12个月后再决定是否用于策略触发。