宏观经济多因素模型与行业配置
宏观经济多因素模型与行业配置
相关研究
基于因素模型的组合构建方法被大致划分为三类：统计因素模型、基本因素模型和宏观经济因素模型。我们所讨论的宏观经济因素模型，通常从宏观数据本身或预期变动出发，形成对个股或组合的系统性看法。 在美国、欧洲，一些资产管理公司已致力于宏观经济多因素模型研究与实践多年。包括BIRR 、BARRA ，早期的所罗门兄弟等多家机构，在构建宏观经济多因素模型方面都有着独到的见地。
我们对主要的三种宏观经济因素模型（RAM ，BIRR 和Barra 模型）进行了
比较深入的介绍与分析。从对比中我们看到，RAM 强调经济周期在模型中
的作用；BIRR 则对于“超预期”的经济变动更为看重；Barra 模型完全剔
除了风格因子或者市场因子，是基本因素模型的扩展。以上模型，在商业活
动和实践中，都有着广泛的应用。
我们通过寻找一些基本的宏观经济指标，采用主成份分析的办法，尝试对多
因素模型在国内的应用进行了建模。令人失望的是，模型很难把握市场的节奏。但我们设计的交易策略显示，建模得到的好行业与差行业的收益差十分
显著，预示着采用宏观多因素建模可以用于区分行业相对强弱。
通过对宏观经济多因素模型的讨论，我们发现：1）试图简单通过多种宏观
变量解释单一股票资产收益，结果通常不理想；但如果用宏观变量解释组合收益，可能有利于改善模型效果；2）诸如CPI （或者PPI ）之内的宏观数
据通常是滞后指标，通常水平本身会影响利率政策，因此在模型中纳入当期
值，或者滞后值，需要进行严格检验。3）单纯通过宏观因子建模，模型很
难具备较强的解释效力。但考虑预期的变动和市场情绪的变化时，将有利于
改善模型结构。
分 析 师
曹传琪
(0755) 8208 0154
金融工程-多因素模型研究090722：基于多因素模型的行业配置[1].doc Jul-2009
目 录
一、宏观经济多因素模型............................................................................. 3
RAM 模型............................................................................................. 3
BIRR 模型............................................................................................. 4
BARRA 模型......................................................................................... 6
二、建立宏观经济多因素模型...................................................................... 8
宏观多因素模型.................................................................................... 8
因素模型结果的含义............................................................................. 9
对行业配置的建议......................................................................... 9
对周期性行业的判断.................................................................... 10
三、对宏观多因素模型建模的思考............................................................ 11
多因素模型（Multi-factor Model）在组合管理，业绩归因，股票风格评分等
领域有着比较广泛的应用。比如Fama-French 的三因素模型，Carhart 的因素模
型，已经构成了目前基金管理人绩效评价，风格分析的主要框架。因为不需要资
本资产定价模型（CAPM ）所必须的严格条件，仅需要满足资产价格出清的基本
假设，源于APT 的多因素分析理论形式优美，运用灵活多样。
基于因子或要素的建模方法灵活、便于理解和扩展的特征，出于不同的观察
角度，我们可以通过纳入不同的变量来充实和扩展简单因素模型。在一些专门针
对多因素模型结构所进行的研究中，基于因素模型的预测方法被大致划分为三类：
统计因素模型、基本因素模型和宏观经济因素模型1。
我们在近期的观察重点，是引入宏观经济多因素模型，期望从宏观经济的角
度，产生对行业配置，或者个股选择的看法。此前我们也进行过一些类似的尝试，
比如从宏观角度生成看法矩阵，结合Black-Litterman 模型生成行业优化配置结
果。但总体上，通过宏观经济指标进行预测的效果并不理想。
对于宏观经济多因素模型，我们感兴趣的是问题包括两个方面：第一，APT
结构的多因素模型效果如何；第二，采用那种建模方法更合适。这篇报告中我们
重点讨论前一个方面的内容；而对于建模方法，可能还需要更深入的研究。
一、宏观经济多因素模型
多因素模型的一个重要假设在于：风险特征相似的资产应该具有相似的收益。
如果我们在股票资产内部，将行业视为不同的资产类别，或者甚至是将单只股票
视为某一种具体的资产，利用多因素模型，我们可以很直观地讨论不同类型的风
险敞口与收益之间的关系2。
在这一类模型中，宏观经济多因素模型可用于以自上而下的方式，刻画行业，
或者个股对不同因素的敏感性。因此实际上基于我们生成看法层面的差别，宏观
多因素模型可以用于：1）通过行业对宏观因素的敏感性对行业进行排序，刻画行
业强弱；2）讨论个股对各宏观因子的风险敞口并确定个股强弱。
在美国、欧洲，一些资产管理公司已致力于宏观经济多因素模型研究与实践
多年。包括BIRR 、BARRA ，早期的所罗门兄弟等多家机构，在构建宏观经济多
因素模型方面都有着独到的见地。
RAM 模型3
所罗门兄弟1986年推出了RAM 模型（Risk Attribution Model），用来考察
美国股票对宏观经济变量的敏感性，同时用于甄别筛选“投资级”股票。模型中
1
2 详细内容参见Cornor （1995）。 我们此前已就此内容进行了比较深入的探讨——利用多因素模型系统地生成了对行业收
益的看法（预测结果）。参见联合证券研究所金融工程报告《行业配置数量化研究之三——
寻找增强组合收益的Alpha 生成器》。
3 根据公开资料，RAM 模型最近的一次更新截至2001年。花旗在合并所罗门美邦之后，
RAM 模型也开始用于国际股票组合的构建。2001年，该团队推出了PARAM （亚太RAM
模型）。
所纳入的宏观经济因素包括：1）经济增速；2）经济周期；3）长期利率；4）短
期利率；5）通货膨胀风险；6）美元指数。
在一个多元回归模型中，因变量是股票月度收益，自变量除了核心的6个宏
观经济变量之外，还包括残余因素（Beta ）和其他市场因素。对于参数的统计结
果将进行标准化，从而便于对个股进行截面（cross-sectional ）比较。
表1、RAM 模型的核心宏观因素
宏观因子 代理变量
经济增长 与同时期股票收益相对的工业生产的月度变化
商业周期 20年期投资级公司债与20年期国债收益利差
长期利率 10年期国库券收益率的变动
短期利率 30日国库券收益率的变动
通胀风险 实际通胀与预期通胀水平的差
美元 15国基于贸易权重的货币篮子的变化
数据来源：Fabozzi(2003)，联合证券研究所。
我们用一个例子说明RAM 模型的用法4。表2中给出的是百事可乐公司对于
各个因素的情景值。我们容易计算整体的情景值为敞口场景值之和（2.83）。由于
这是一个经过标准化的结果，在于其他股票的情景值对比之后排序，即可得到配
置建议。
表2、Pepsi 公司的因素场景分析
风险要素 预期的因素敏感度
经济增长 -1.8
商业周期 -0.9
长期利率 0.0
短期利率 0.1
通胀风险 -0.3
美元 0.1
残余因素 -1.1
数据来源：Fabozzi(2003)，联合证券研究所。 因素场景（经济衰退） 敞口场景值 -1.0 1.80-0.5 0.450.5 0.000.3 0.030.1 -0.030.3 0.03-0.5 0.55
BIRR 模型
BIRR （2003）由Burmerister 、Ibbotson 、Roll 和Ross 提出，旨在从宏观
层面形成对个股强弱趋势的判断。我们查阅了相关的资料发现，BIRR 模型本身
是一个开放性的模型，除了核心模型（Core model）采用宏观因子（macrofactor ），
为了改进模型的解释和预测能力，BIRR 还在针对不同的市场时，还引入了包括
风格（价值、成长、市值）在内的解释因子。
BIRR 的基本假设是，股票收益由线性因素模型（LFM ）生成：
r i (t ) -E r i (t ) = åk
b i , j f j (t ) +e i
j =1
其中，r i (t ) 和E r i (t ) 分别用于表示t 期期末所实现的总收益与期初的预期收
4 该部分内容也参见法博齐，《股票组合管理中基于因素模型的方法》。
益；f j (t ) 为t 期期末因子j 的实现值（realized value）。b i , j 则用于刻画资产对于特
定因子的风险敞口。
从宏观角度来看，BIRR 建模的基本逻辑在于：利率、通胀水平、实体经济
增速和市场情绪，对于所有个股而言，是无法脱离和分解的冲击（non-diversifiable
surprises ）。因此核心的宏观因子可以概括为：
信心风险：因素值为正，表明风险资产与安全资产利差的降低增加了投资者
的信心。通常小公司股票对信心风险的敞口较大；
时间风险：用于衡量收益率曲线的变动。因素值为正表明长、短期债券利差
空间的减小。通常来说，对于时间风险，成长型股票比收益型股票弹性更高；
通胀风险：风险敞口通常是负的，奢侈品（包括服务、餐饮、玩具等）通常
更为敏感；必需品（食品、服装）最不敏感；
经营周期风险：反映对经济增长预期的变动，零售行业比公用事业更为敏感； 市场择时风险：用于刻画地震、政治因素，或者持续较长的牛市或熊市。
表3、BIRR 核心模型的因子设定
核心因子 代理变量
信心风险 20年期公司债与25年期政府债收益差
时间风险 25年期政府债与30日短期国库券收益差
通胀风险 期初预期通胀与期末实际通胀水平差
经营周期风险 期初与期末预期实际经济增速变动
市场择时风险 标普500指数预期收益与实际收益差
数据来源：Burmeister, Roll, Ross(2003)，联合证券研究所。 变量含义 进行风险投资活动的意愿 进行长期投资活动的意愿 未预期的通胀（侵蚀财富）未预期的经济活动 未预期的市场活动
为了说明BIRR 模型的机理，我们用一个案例来说明因子暴露与股票表现之
间的关系。这里比较的对象是阿贝克隆比&费奇（Abercrombie & Fitch）和沃尔
玛（Walmat ）。下图是两者用BIRR 模型得到的因子暴露。 图1、风险因素与因子暴露
4
3
2
1
Confidence
-1Time HorizonInflation Business CycleMarket Timing
-2Abercrombie & FitchWalmat
数据来源：Burmeister, Roll, Ross(2003)，联合证券研究所。
我们容易发现，相对与A&F，沃尔玛对于大部分BIRR 核心因子的弹性较小。
尤其在对经济周期风险和时间风险的暴露上，两者的反映截然不同。可以推理，
相对于前者，沃尔玛应该具有弱周期的特点。
图2、A&F与沃尔玛公司股价对不同经济周期的表现
据来源：Burmeister(2008)，联合证券研究所。
在这一模型中，BIRR 模型的拟合优度分别为33.7%和18.7%。从以上结果
我们的确可以看到，宏观因子建模的方法可以在一定程度上解释不同上市公司二
级市场上股票价格表现的差异。
当然我们所呈现的部分，仅仅只是BIRR 模型应用的一个层面。BIRR 指导
组合构建的逻辑在于，通过设定不同的因素场景值（scenario ），可以针对每只股
票计算预期收益水平的场景值。这套办法可以最终用于在个股层面上，形成组合
建议。
BARRA 模型
MSCI Barra对多因素模型的研究和商业应用在这一领域可能最具影响力5。
比如Barra 采用公司和行业特征数据所建立的基本因素模型。如今，这套模型已
经推出了Barra E3，并且覆盖了全球主要的资本市场（中国的最新版本为C2）。
但在基本因素模型之外，Barra 也在宏观经济多因素模型方面进行了深入研
究。MSCI Barra在宏观因素模型中纳入了通胀水平，原油价格，美元指数，VIX
指数，工业产出和失业率等六个指标。
我们可以看到，如果说BIRR 模型所讨论的重点是预期的变动，主观的成分
Barra有两套方法都采用了多因素模型。基本因素模型只是其中一种，它采用的是行业层
面的指标和市场指标；我们这里讨论的是基于宏观经济指标的因素模型。
5
较大；那么BARRA 的模型可能更贴近客观数字。即便是反映市场情绪的VIX 指
数，也完全来自于对市场看法的客观描述。另外，BARRA 完全剔除了风格因子
或者市场因子，将市场本身所形成的系统性影响，完全用市场情绪来表示。
建模过程中研究人员发现，直接用资产收益与宏观因子进行回归，得到的结
果噪声十分明显；但采用组合收益，或考虑因素收益6时，回归结果会显著改善。
比如讨论行业资产对原油价格的敏感性，我们可以看到弹性的分布。通过将
对油价不敏感的行业，系数项设定为0，通过标准化可以得到行业对原油价格的
标准系数。通过同样的程序，纳入其他5个因子，将因子情景值计入对应的解释
模型，最终就可以生成对行业的看法（即标准得分的相对强弱）。
图3、不同行业组对原油价格的弹性
数据来源： MSCI Barra ，联合证券研究所。
6
7 采用组合或因素收益，实际上在内部已经抵消了部分特征风险。 说明：灰色表示在95%的置信水平上显著易于0；其他表示接受原假设。
二、建立宏观经济多因素模型
建立国内的宏观经济多因素模型所面临的现实问题在于，我们缺乏对预期数
据集的统计结果，同时宏观数据的质量良莠不一。显然我们无法完全借鉴BIRR
或者RAM 等模型的方法，建立国内的宏观经济多因素模型。为此我们选择采用
统计因素模型，因为我们不得不多考虑一些宏观指标。
我们采用工业增加值增速，进出口总量增速，货币供应量（M0/M1/M2），CPI ，
PPI ，房地产开工面积，……，等多个表征经济增速，货币政策，物价水平等宏
观经济状况的经济指标作为代理变量进行建模。这些指标被进一步细分，如下表
所示：
表4、主要的宏观经济指标
因素类型 主要宏观因素
1) 经济增长 1.1 工业增加值增速
2.1 M0
2) 货币供应量 2.2 M1
2.3 M2
3.1 CPI
3.2 PPI
3.3零售商品价格指数 3) 通货膨胀
3.4 CRB指数收益
3.5 BDI指数收益
4) 不动产活动 4.1房地产开发投资指数
5.1 人民币/美元汇率；
5.2 人民币/欧元汇率； 5) 外汇汇率 5.3 人民币/日元汇率；
5.4 人民币/港币汇率；
数据来源：联合证券研究所。
宏观多因素模型
我们采用主成分回归的方法（PCR ）来建立我们的宏观因素模型。基本想法
是，首先通过主成份分析（PCA ）提取宏观因素的主成分，然后通过分离得到的
主成分回归对行业指数月度收益进行解释。
简单地说，对于任一行业月度收益率R i , t (i =1, 2, L 23) ，我们有：
R i , t =a 1F 1i , t +a 2F 2i , t +L +a n F ni , t +e i , t (1)
在各因素F j , i 之间不存在明显相关性的情况下，主成分分析相当于对其进行
线性变换，通过分析主成分的累计贡献率将(F n , i ) 转化为(P k , i ) 。这其中会产k ´i n ´i
生连接宏观因素F n , i 与主成分P k , i 的桥梁——因子载荷(Factor loading)矩阵
(PC ) n ´n 。由此我们得到的主成分P k , i (k
利用主成分进行回归：
R i , t =b 1P 1i , t +b 2P 2i , t +L +b K P Ki , t +d i , t (2)
将回归系数通过因子载荷矩阵转换最终得到式(1)的估计结果。主成分回归的
系数被用于计算每个行业的场景值。最后通过排序生成行业强弱的顺序，进而落
实到行业配置层面。
建模过程中，我们选用60个月的数据进行相关分析；另外，我们按照累计
贡献度超过70%作为选择主成分的阈值。由于宏观数据更新较慢，我们每隔一个
季度调整一次模型， 用随后两个月的宏观变量值作为场景值（scenario ），生成
行业的场景分。
因素模型结果的含义
通过生成宏观经济因素模型，我们实际上可以得到行业预期收益结果。根据
预期收益的排序，我们可以对不同时期的行业好坏进行识别，指导行业配置；也
可以讨论行业对宏观经济的敏感性，划分周期性行业。
对行业配置的建议
利用因素场景值，我们可以生成对行业的看法，识别“好行业”和“差行业”。
当然本质上，我们识别的是行业对于我们纳入的宏观经济指标的综合反映（预期
收益）。
如果我们根据这一模型对行业生成的看法建立两个组合，其中，一部分用于
配置每一周期预期收益为正的行业（Portfolio Positive），另一部分配置每个月预
期收益为负的行业（Portfolio Negative），那么自2005年至2009年6月，相对
于沪深300指数，按市值加权的结果显示，从年化收益的角度来看，预期收益为
正的行业组合超出沪深300指数9.32%；预期收益为负的行业组合落后沪深300
指数1.25%。 图4、根据预期收益识别行业所构造组合的表现
8000
7000
6000
5000
4000
3000
2000
1000
Jun-05Jun-06Jun-07Jun-08Jun-09Mar-05Mar-06Mar-07Mar-08Mar-09Dec-04Sep-05Dec-05Sep-06Dec-06Sep-07Dec-07Sep-08Dec-08csi300Portfolio PositivePortfolio Negative
数据来源：联合证券研究所。
而从各年的累计收益来看，我们容易观察到两个现象。第一，由预期收益排
序决定的组合，在收益水平上有明显的区别8；第二，我们基于宏观经济因素模型
得到的行业排序，可能基本上是缺乏效率的。因为预期收益为正与预期收益为负
的行业，通常会同时战胜，或者同时输给市场。因此，从整体上模型可能是失败
的；但在行业相对优劣上，采用多因素建模的方法，可能有较好的结果。 图5、各组合与市场的逐年表现
250%
200%
150%
100%
50%
0%
2005
-50%
-100%
Port PositivePort NegativeCsi[***********]9
数据来源：联合证券研究所。
对周期性行业的判断
通过生成行业场景得分（经过标准化），我们可以对行业进行排序，考察行业
相对表现。为方便观察，我们按行业历史场景分离散程度的大小9，将其划分为强
周期行业和弱周期行业。 图6、强周期行业
3.00
2.00
餐饮旅游
1.00
0.00
(1.00)
(2.00)
(3.00)信息服务机械设备房地产化工交通运输有色金属商业贸易金融服务黑色金属
采掘
食品饮料
8 我们构造持有Positive Portfolio（预期收益为正的组合），卖空Negative Portfolio（预期收
益为负担组合）的多空头组合，对收益序列进行收益率大于0的t 检验，结果是显著的。
说明不能拒绝Positive 组合优于Negative 组合的原假设。
9 这里我们用历史均值与标准差的商表示。
Jan-05Jan-06Jan-07Jan-08Jan-09Jul-05Jul-06Jul-07Jul-08Apr-05Oct-05Apr-06Oct-06Apr-07Oct-07Apr-08Oct-08Apr-09
金融工程-多因素模型研究090722：基于多因素模型的行业配置[1].doc Jul-2009
数据来源：联合证券研究所。
我们可以发现，高波动行业正是那些对于宏观经济变动比较敏感的周期性行业，比如房地产，化工，有色等。
图7、弱周期性行业
3.00 2.00 1.00 0.00 (1.00)(2.00)(3.00)
电子元器件信息设备纺织服装综合轻工制造交运设备农林牧渔医药生物建筑建材公用事业家用电器
数据来源：联合证券研究所。
Jan-05
Jan-06
Jan-07
Jan-08
Jan-09
Jul-05
Jul-06
Jul-07
Jul-08
Apr-05
Oct-05
Apr-06
Oct-06
Apr-07
Oct-07
Apr-08
Oct-08
Apr-09
三、对宏观多因素模型建模的思考
我们通过梳理目前主流的宏观经济多因素模型，并且建立国内的宏观经济多因素模型容易发现：
1）试图简单通过多种宏观变量解释单一股票资产收益，结果通常不理想；但如果用宏观变量解释组合收益，可能有利于改善模型效果；
2）诸如CPI （或者PPI ）之内的宏观数据通常是滞后指标，通常水平本身会影响利率政策，因此在模型中纳入当期值，或者滞后值，需要进行严格检验。 3）单纯通过宏观因子建模，模型很难具备较强的解释效力。但考虑预期的变动和市场情绪的变化时，将有利于改善模型结构。
因此如果我们试图在国内建立类似的模型，在数据质量本身不高的情况下，尝试基本因素建模的方法可能更为合适。从宏观经济生成行业看法的过程，就相当于在利用所选择的宏观经济指标，生成每个行业的特征宏观经济指数。因此我们忽略宏观经济对行业中观层面的作用，设计模型的做法，从逻辑上讲，不太经得起推敲。在这个方面，高盛资产管理公司建立了一套基于贝叶斯理论的方法，可能有利于改善建模和预测的效果10。
最后，对于采用主成份分析的方法是否能够捕捉到宏观因素与市场之间的相关关系，我们认为，至少直接用目前的宏观数据，以及现有的手段，还较难实现。
10
在这套方法中，高盛利用宏观因素对基本因素（9个）进行解释和预测，然后用基本因素的预测值进一步生成对个股或行业的看法。该模型即MAQS 模型。
11 / 12
谨请参阅尾页重要申明及联合证券股票和行业评级标准。
联合证券股票评级标准
增 持 中 性 减 持
未来6个月内股价超越大盘10%以上
未来6个月内股价相对大盘波动在-10% 至10%间 未来6个月内股价相对大盘下跌10%以上
联合证券行业评级标准
增 持 中 性 减 持
行业股票指数超越大盘 行业股票指数基本与大盘持平 行业股票指数明显弱于大盘
深 圳
深圳罗湖深南东路5047号深圳发展银行大厦10层 邮政编码：518001
TEL: (86-755) 8249 3870 FAX: (86-755) 8249 2062 E-MAIL: [email protected]
上 海
上海浦东银城中路68号时代金融中心17层 邮政编码：200120
TEL: (86-21) 5010 6028 FAX: (86-21) 6849 8501 E-MAIL: [email protected]
免责申明
本研究报告仅供联合证券有限责任公司（以下简称“联合证券”）客户内部交流使用。本报告是基于我们认为可靠且已公开的信息，我们力求但不保证这些信息的准确性和完整性，也不保证文中观点或陈述不会发生任何变更。我们会适时更新我们的研究，但可能会因某些规定而无法做到。
本报告所载信息均为个人观点，并不构成所涉及证券的个人投资建议，也未考虑到个别客户特殊的投资目标、财务状况或需求。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。本文中提及的投资价格和价值以及这些投资带来的收入可能会波动。某些交易，包括牵涉期货、期权及其它衍生工具的交易，有很大的风险，可能并不适合所有投资者。
联合证券是一家覆盖证券经纪、投资银行、投资管理和证券咨询等多项业务的全国性综合类证券公司。我公司可能会持有报告中提及公司所发行的证券头寸并进行交易，还可能为这些公司提供或争取提供投资银行、财务顾问或金融产品等相关服务。
我们的研究报告主要以电子版形式分发，间或也会辅以印刷品形式分发。我们向所有客户同时分发电子版研究报告。
版权所有2009年 联合证券有限责任公司研究所
未经书面授权，本研究报告的任何部分均不得以任何形式复制、转发或公开传播。如欲引用或转载本文内容，务必联络联合证券研究所客户服务部，并需注明出处为联合证券研究所，且不得对本文进行有悖原意的引用和删改。