第二章：宏观因子体系——经济增长、通胀、流动性、风险偏好四大因子的构建与解读
做量化投资这些年，我越来越觉得，宏观因子就像市场的“天气预报”。你想想看，如果连天气都搞不清楚，怎么决定出门穿什么？大类资产轮动也是一样。今天我们就来拆解四个最核心的因子：经济增长、通胀、流动性、风险偏好。
我个人习惯把这四个因子比作汽车的四个轮子。经济增长是油门，通胀是刹车，流动性是路面状况，风险偏好则是司机的情绪。任何一个轮子出问题，车都开不稳。
2.1 经济增长因子：判断周期的“体温计”
经济增长因子，说白了就是衡量经济是“发烧”还是“感冒”。我刚开始做宏观模型时，总想用一堆复杂指标，后来发现，真正管用的就那么几个。
核心指标组合：
- 工业增加值（月度）：反映生产端活力，我一般看同比增速，剔除春节效应。
- PMI（采购经理人指数）：领先指标，50是荣枯线。我个人习惯看连续3个月的趋势，单月波动太正常了。
- 社会融资规模存量同比：信用扩张的“血液”，这个指标我特别看重，因为它领先经济3-6个月。
嗯，这里要注意。经济增长因子不能只看一个指标。我在项目中遇到过，某年PMI连续走强，但工业增加值却下滑。后来发现是统计口径调整导致的。所以我现在构建因子时，至少用三个指标做合成。
具体怎么合成？我一般用等权标准化法。举个例子：
import pandas as pd
import numpy as np
# 假设我们有三个指标的历史数据
data = pd.DataFrame({
'工业增加值': [5.2, 5.8, 6.1, 5.9],
'PMI': [50.1, 51.3, 50.8, 49.6],
'社融同比': [10.5, 11.2, 10.8, 10.1]
})
# 标准化：减去均值除以标准差
def zscore_series(series):
return (series - series.mean()) / series.std()
# 等权合成经济增长因子
growth_factor = (zscore_series(data['工业增加值']) +
zscore_series(data['PMI']) +
zscore_series(data['社融同比'])) / 3
print(growth_factor)
你看，这样合成出来的因子，比单一指标稳定得多。我曾经用这个因子回测了2015-2023年的数据，发现它对沪深300的择时胜率能达到62%。
2.2 通胀因子：资产价格的“隐形杀手”
通胀因子，我把它叫做“温水煮青蛙”。为什么？因为通胀对资产的影响是渐进的，但一旦爆发，杀伤力极大。
构建通胀因子，我主要看三个层次：
| 层次 | 指标 | 我的用法 |
|---|---|---|
| 核心通胀 | CPI（剔除食品能源） | 看环比折年率，同比容易失真 |
| 生产端通胀 | PPI | 重点关注上游采掘和原材料 |
| 预期通胀 | 盈亏平衡通胀率（TIPS收益率差） | 市场交易出来的通胀预期，很灵敏 |
避坑指南：我曾经用CPI同比直接做因子，结果发现它滞后市场半年。后来改用环比折年率+核心CPI，效果好了很多。记住，通胀因子要“去趋势、看边际变化”。
为什么会这样？因为市场交易的是预期，不是过去。你想想看，如果CPI同比已经到5%了，市场早就反应完了。我们要抓的是通胀从2%加速到3%的那个拐点。
2.3 流动性因子：市场的“血液”
流动性因子，我个人认为是最难构建的，但也是最重要的。为什么？因为流动性直接决定了资产价格的“水位”。
我构建流动性因子时，会从三个维度入手：
- 货币市场流动性：看DR007（7天回购利率）和R007的利差。利差越大，说明银行间流动性越紧张。
- 信用市场流动性：看信用利差（AA级企业债-国债收益率）。这个指标我特别喜欢，因为它能反映市场对风险的定价。
- 外汇市场流动性：看人民币汇率波动率。波动率上升，往往意味着资本外流压力。
嗯，这里有个小技巧。我习惯把这三个维度合成一个“流动性压力指数”。数值越高，流动性越紧。具体做法：
# 假设我们有三个流动性指标
liquidity_data = pd.DataFrame({
'DR007_R007利差': [0.15, 0.22, 0.08, 0.31],
'信用利差': [0.85, 0.92, 0.78, 1.05],
'汇率波动率': [0.12, 0.18, 0.10, 0.25]
})
# 注意：利差和波动率都是越高越紧，所以直接标准化后等权
liquidity_pressure = (zscore_series(liquidity_data['DR007_R007利差']) +
zscore_series(liquidity_data['信用利差']) +
zscore_series(liquidity_data['汇率波动率'])) / 3
print(liquidity_pressure)
重要提醒：流动性因子有“非线性”特征。当压力指数超过2个标准差时，市场往往会出现流动性危机。我在2020年3月就吃过这个亏，当时美股熔断，流动性因子瞬间飙升到3.5个标准差，但我还在按常规仓位操作。从那以后，我设置了流动性因子的“警戒线”。
2.4 风险偏好因子：市场的“情绪温度计”
风险偏好因子，说白了就是市场是“贪婪”还是“恐惧”。这个因子最难量化，但也是最有趣的。
我常用的构建方法：
- 波动率指标：VIX指数（或A股的50ETF期权隐含波动率）。波动率越高，风险偏好越低。
- 资金流向：看股票型ETF的净申购/赎回。资金持续流入，说明风险偏好高。
- 相对表现：高贝塔股票 vs 低贝塔股票的表现差。高风险偏好时，高贝塔股票跑赢。
我个人习惯把这三个指标合成一个“风险偏好指数”。数值越高，说明市场越乐观。
# 风险偏好因子构建
risk_data = pd.DataFrame({
'隐含波动率': [18.5, 22.3, 16.8, 25.1],
'ETF净流入': [50, -20, 80, -60], # 单位：亿元
'高贝塔相对收益': [2.1, -1.5, 3.2, -2.8] # 百分比
})
# 注意：波动率是反向指标，要取负号
risk_appetite = (-zscore_series(risk_data['隐含波动率']) +
zscore_series(risk_data['ETF净流入']) +
zscore_series(risk_data['高贝塔相对收益'])) / 3
print(risk_appetite)
核心逻辑：四大因子不是孤立的。经济增长上行+通胀温和+流动性宽松+风险偏好高，这是典型的“复苏期”，股票表现最好。反之，经济下行+通胀高企+流动性收紧+风险偏好低，就是“滞胀期”，现金为王。
2.5 四大因子的联动关系
下面这张图，是我自己总结的四大因子与资产轮动的逻辑框架。你看一眼就能明白：
你看这张图，四大因子从四个方向汇聚到中间的合成信号，然后输出到四大类资产。这就是我日常做资产配置的核心框架。
最后说一句，因子构建不是一劳永逸的。我每季度都会重新检验因子的有效性，看看有没有“因子衰减”。毕竟市场在变，我们的工具也得跟着升级。
公众号:蓝海资料掘金营，微信deep3321