量化模型与宏观逻辑的碰撞-光大证券-20200424
由qxiao创建，最终由qxiao 被浏览 90 用户
摘要
本篇报告聚焦于宏观状态的识别及其在行业轮动上的应用。报告采用量化模型结合主观逻辑的方法，并通过中观重点指标验证宏观状态，构建了宏观视角下的大类行业轮动模型。
同类行业共享宏观逻辑，多维特征划分大类行业。
作为行业配置的前提，我们需合理划分特征相似的大类行业板块。将不同市场行情下的收益率、ROE、营收增速等数据作为板块特征，结合K-Means、模糊C-均值聚类进行行业的聚类，通过少量逻辑调整将行业划分为周期上游、周期中游、周期下游、可选消费、一般消费、金融、科技七大板块。
动态宏观情景聚类：有效缓解历史信息依赖。
我们采用经济、通胀、货币等宏观数据，通过层次聚类区分宏观情境，并统计相似情境下大类行业的收益表现。动态聚类模型配置较为灵活，可有效缓解静态聚类下过多配置长期强势板块的问题。但其统计过程相对黑箱，难以获得投资逻辑的支撑。且由于无法结合投资者的主观判断，在应用中具有一定局限性。
逻辑+统计交叉印证：轮动策略年化超额8%。
动态聚类模型及“政策-经济”模型在多数时间内观点吻合。模型观点一致时，对宏观状态的量化判断有一定逻辑支撑，且大类行业表现能够验证配置逻辑；而在观点分歧较大时，驱动板块行情的主要因素可能并非宏观经济状态。宏观轮动策略配置通过交叉验证的大类行业，并在观点分歧较大时放弃使用宏观模型。综合策略表现明显提升，测试期（2016年7月至2020年3月）内年化超额8%，信息比率1.23。
正文
/wiki/static/upload/26/2670f8cc-2fcf-4f74-9d85-1e5aabfb1475.pdf
\