📑 本文目录

Jul 16, 2026

研报解读宏观风险平价资产配置宏观因子周期定位

宏观风险平价策略深度解读：从经济周期四象限到实战工程化

研报信息

项目	内容
标题	宏观风险平价策略系列（一）：宏观状态识别与周期定位
副标题	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
机构	金融街证券
分析师	张一（S0670524030001）、何修桐（S0670526060001）
日期	2026年7月7日
类型	策略研究 — 宏观因子构建与周期定位框架
页数	16页
本地下载	已归档至 reports/archive/金融-20260709-830242/

策略原理

核心问题：传统经济数据为何「滞后」？

宏观经济分析面临一个经典困境：官方经济数据发布频率低（月度/季度）、修正频繁、且滞后市场1-2个月。当PMI、CPI、工业增加值等数据发布时，市场价格早已反映了这些信息。2026年的中国经济尤其复杂——外部供应链重构、AI产业资本开支脉冲、新旧动能转换、逆周期调节持续发力，传统指标已难以及时捕捉经济状态的边际变化。

这篇研报的核心贡献在于：利用资本市场价格反向提取宏观经济状态变量，构建高频（日频）、动态、可交易的宏观因子体系。

方法论拆解

报告的核心技术路线可以概括为三步：

第一步：构建增长因子和通胀因子

因子	代理资产	构建方法
增长因子	沪深300、中证500、可选消费指数 + 沪铜、螺纹钢、焦煤等工业品	波动率倒数横截面加权，多空组合（风险资产 - 低风险资产）剥离流动性干扰
通胀因子	原油、猪肉、商品指数（对标60%CPI+40%PPI）	同上方法，三类资产权重长期稳定在合理区间

增长因子兼顾权益市场盈利预期与工业品实体需求；通胀因子通过三种代理资产覆盖交通通信、食品烟酒及PPI分项的传导链条。

第二步：同比动量判断状态方向

对每个因子的累计净值计算12个月同比，刻画增长/通胀状态的加速或衰减：

净值水平 → 当前状态
净值斜率（同比） → 状态动量

第三步：二维四象限定位

以增长状态方向 × 通胀状态方向构建2×2矩阵：

	通胀上行	通胀下行
增长上行	再通胀/复苏	低通胀扩张（Goldilocks）
增长下行	滞胀	衰退

2026年7月的周期定位：增长处于低位修复（斜率转正但绝对水平偏低），通胀已重新转入下降阶段（因子净值下行斜率形成）——经济正处于 「低通胀扩张」 阶段，呈现「增长改善、通胀回落」的Goldilocks组合。

这一判断与市场主流叙事（再通胀交易）形成分歧——报告认为前期价格回升更多是输入型、一次性特征，国内有效需求不足的核心矛盾并未改变。

工程化落地路径

数据依赖

数据类别	具体标的	本地数据源	可得性
A股指数	沪深300(000300)、中证500(000905)	DuckDB stock_daily / akshare	✅
行业指数	可选消费(000931)、商品指数	akshare index	⚠️ 需查询
期货	沪铜、螺纹钢、焦煤、原油	pytdx期货/akshare期货	⚠️ 需扩展
现货商品	猪肉价格	外部数据源/农业农村部	❌ 非常规
基准利率	国债收益率/DR007	akshare bond	✅

技术栈建议

数据层: DuckDB (存量) + akshare/pytdx (期货补充) → 统一日频宽表
因子层: pandas groupby + 波动率倒数加权 → 多空资产组合收益率
信号层: 12个月同比 + 趋势判断 → 四象限标签
策略层: 根据象限配置权益/债券/商品仓位

难度评级：⭐⭐⭐⭐（较高）

主要难点：

期货数据补全：沪铜、螺纹钢、焦煤等期货主力连续合约不在现有DuckDB中，需额外从akshare期货模块拉取，且需处理主力合约换月
猪肉价格数据：非标准金融数据源，需从农业农村部或Wind终端获取
波动率倒数加权：需要滚动窗口计算（推荐60个交易日），对计算效率有要求
多空组合构建：需要找到合适的低风险资产作为对冲端（国债ETF或货币基金）

与已有复现策略的对比

1. 与国信AI行业轮动策略的对比

维度	金融街宏观风险平价	国信AI Agent行业轮动
信号来源	宏观因子（增长+通胀）	AI Agent挖掘的行业动量+拥挤度
交易标的	股/债/商品大类资产	A股行业ETF
频率	日频（因子更新）→ 月频（仓位调整）	双周频行业轮动
核心假设	资产价格蕴含宏观预期	行业轮动存在规律性
互补性	极高 — 宏观因子决定大类资产配比，行业轮动决定具体配置方向

两者的结合方式非常自然：宏观风险平价提供「股票 vs 债券 vs 商品」的顶层配置比例，AI行业轮动在权益部分内部做行业选择。这种 「宏观定仓位 + 中观定方向」 的双层框架是机构级资产配置的标准范式。

2. 与中邮LSTM-GHMM择时策略的对比

中邮的LSTM-GHMM择时侧重于单一指数（沪深300）的仓位管理，通过隐马尔可夫模型识别市场状态（5个隐藏状态中4个稳态1个过渡态）来决定持仓比例。而金融街的框架则关注多资产宏观状态，两者在因子构建层面有本质不同：前者是纯价格序列的模式识别，后者是有经济学含义的因子构造。

3. 与开源指数日内非对称性策略的对比

开源策略从微观结构（分钟级非对称性）切入，捕捉短线动量信号；金融街策略从宏观结构（经济周期）出发，做长线资产配置。两者在持仓周期（几天 vs 几个月）和交易标的（个股 vs 大类资产）上完全不同，但可以互补：短线信号可用于宏观框架内的战术调仓。

多篇研报的互补/融合思路

融合方案：三层资产配置框架

第一层（宏观定位）← 金融街宏观因子四象限
  ↓ 确定股/债/商比例
第二层（中观轮动）← 国信AI Agent行业轮动
  ↓ 确定权益内部行业配比
第三层（战术择时）← 中邮LSTM-GHMM / 开源日内动量
  ↓ 确定具体买卖时机

具体实现示例：

金融街框架判断当前处于「低通胀扩张」→ 超配权益、低配债券、中性商品
国信AI Agent在权益内部推荐「TMT + 消费」行业
中邮LSTM-GHMM对沪深300发出「可持仓」信号，开源日内动量给出加仓时点

风险平价的角度

这篇研报的标题中包含「风险平价」，但正文实际上更侧重宏观因子体系构建而非传统的风险预算分配。在工程化实现时，可以将因子信号作为风险预算调整的依据：

增长因子上行 → 增加权益风险预算
通胀因子上行 → 增加商品/通胀保护资产风险预算
两者同向下行 → 增加债券风险预算

局限性分析

研报自身的局限

无具体回测结果：全文聚焦因子体系构建和当前周期定位，未给出基于该框架的大类资产配置回测收益/风险数据。缺乏「用这套框架做配置 vs 买入持有 vs 60/40基准」的量化对比。
因子有效性存疑：因子净值走势与PMI「高度相关」的断言缺乏量化统计（如相关系数、格兰杰因果检验），更多是视觉对比。
资产选择的主观性：增长因子选取沪深300+中证500+可选消费+工业品期货，通胀因子选取原油+猪肉+商品指数——这些选择的合理性有经济学支撑，但未做资产选择的敏感性分析（换一组代理资产结果是否稳定？）。
四象限的离散化问题：将连续状态空间简化为2×2离散象限，边界附近的状态判断可能高度敏感，且未讨论「过渡态」的处理。

实践者视角的额外思考

期货数据可得性是最大障碍：沪铜、螺纹钢、焦煤等品种的主力连续合约构建需要处理换月跳空——主力合约切换日通常有1-3%的价差缺口，不做平滑处理会引入噪声。
低风险资产的对冲端选择：报告提到「风险资产 - 低风险资产」的多空结构，但未明确定义低风险资产。实践中可选择国债ETF（如511010）、货币ETF（如511880）或逆回购利率，不同选择对因子走势影响显著。
同比动量的滞后性：12个月同比天然有6个月左右的有效滞后，对拐点的识别可能有3-4个月的延迟。这在2026年这种「快速切换」的经济环境中可能错过关键转折。
与中国市场特殊性的适配：中国市场的政策驱动特征（如2024年9月底的一揽子政策刺激）可能使宏观因子体系在政策干预时点产生「假信号」——市场价格反映的是政策预期而非基本面变化。
报告核心判断的验证：报告认为经济处于「低通胀扩张」，这与大多数卖方宏观团队的「再通胀」叙事形成分歧。这一判断的正确性将在未来1-2个季度接受检验。

总结

金融街证券这篇研报的最大价值不在于提供了一个可以直接跑的回测策略，而在于建立了一套将传统宏观经济分析「因子化」「高频化」「可交易化」的方法论框架。它把Breeden-Lamont的经济跟踪组合范式落地到中国市场，并用波动率倒数加权、多空结构、同比动量等工程化手段解决了因子构建中的实际问题。

对于本地量化系统来说，这篇研报的可落地启发是：构建宏观因子体系的核心不是预测未来，而是理解当前——通过多个资产价格的横截面信号，提炼出市场对宏观状态的「共识」。在此基础上叠加中观行业轮动和微观战术择时，才能形成完整的三层资产配置决策链。