第三章：宏观状态识别——用经济指标给市场把脉

做量化这些年，我最大的体会就是：市场不是一成不变的。你想想看，同样的低估值策略，在通胀上行期可能赚得盆满钵满，到了通缩环境却可能亏得底朝天。为什么？因为宏观环境变了，资金的偏好也跟着变了。

这一章，我们就来聊聊怎么用宏观经济指标判断市场状态，然后动态调整因子偏好。说白了，就是给市场做个“体检”，看看它现在处于什么阶段，我们该用什么策略去应对。

3.1 为什么宏观状态这么重要？

我个人习惯把市场比作一个人。人有喜怒哀乐，市场也有牛熊震荡。不同状态下，人的行为模式不同，市场的资金流向也不同。

举个例子：PMI（采购经理人指数）连续三个月回升，说明经济在扩张。这时候，资金会偏好什么？周期股、价值股。反过来，PMI持续下行，防御性的消费、医药就成了避风港。

我在项目中遇到过这样的情况：2018年四季度，PMI跌破荣枯线，我当时还在用动量因子做选股，结果回撤超过15%。后来复盘才发现，不是因子失效了，而是宏观环境变了，因子该“休息”了。

3.2 三大核心指标：PMI、CPI、利率

宏观指标很多，但真正对因子择时有用的，我个人认为就三个：PMI、CPI、利率。它们分别代表了经济增长、通胀水平和货币政策。

嗯，这里要注意：指标之间会相互影响。比如PMI上行往往带动CPI走高，央行可能加息。所以不能只看单一指标，要综合判断。

3.3 宏观状态的四象限模型

我习惯用PMI和利率构建一个四象限模型，把市场分成四种状态：

这个图怎么用？很简单：先看PMI方向，再看利率方向。比如PMI往上走、利率往下走，那就是复苏期，成长因子和小盘因子表现最好。我2019年就用这个框架，在复苏初期重仓了创业板，收益相当可观。

3.4 因子偏好的动态切换逻辑

知道了宏观状态，接下来就是怎么切换因子。我一般用打分法：给每个因子在不同状态下打分，然后加权组合。

举个例子，假设我们关注三个因子：价值、成长、质量。在复苏期，我给成长打5分，价值打3分，质量打2分。在过热期，价值打5分，质量打3分，成长打2分。这样就能动态调整权重。

# 伪代码示例：宏观状态识别与因子权重调整
def get_macro_state(pmi, cpi, rate):
    if pmi > 50 and rate < 3.0:
        return '复苏'
    elif pmi > 50 and rate >= 3.0:
        return '过热'
    elif pmi <= 50 and rate < 3.0:
        return '衰退'
    else:
        return '滞胀'

def adjust_factor_weights(state):
    weights = {
        '复苏': {'价值': 0.2, '成长': 0.5, '质量': 0.3},
        '过热': {'价值': 0.5, '成长': 0.2, '质量': 0.3},
        '衰退': {'价值': 0.3, '成长': 0.2, '质量': 0.5},
        '滞胀': {'价值': 0.4, '成长': 0.1, '质量': 0.5}
    }
    return weights[state]

# 实际使用
current_pmi = 52.3
current_rate = 2.8
state = get_macro_state(current_pmi, 2.1, current_rate)
factor_weights = adjust_factor_weights(state)
print(f"当前状态：{state}，因子权重：{factor_weights}")

3.5 实战中的注意事项

说了这么多，最后分享几个实战中的坑：

• 指标有滞后性：PMI是月度数据，CPI是季度数据，利率调整更慢。你看到的可能是“过去的状态”，而不是“现在的状态”。我一般会用高频数据（比如周度的高频PMI）做辅助判断。
• 不要过度拟合：有人喜欢用复杂的模型预测宏观状态，比如机器学习。但说实话，宏观数据本身就不干净，过度拟合反而容易翻车。我建议用简单的规则，比如“PMI连续两月>50且利率下行”就判定为复苏。
• 因子切换要平滑：不要今天全仓价值，明天全仓成长。我一般用5-10个交易日逐步切换，避免冲击成本。

嗯，这一章的内容就到这里。宏观状态识别是因子择时的基石，但光有理论不够，还得在实践中不断打磨。记住：市场永远在变，但人性不变。理解宏观，就是理解人性在周期中的反应。