一、宏观因子交易系统概述

1.1 什么是宏观因子

宏观因子，说白了就是能驱动大类资产价格变动的底层经济变量。我个人习惯把它们分成三类：

• 增长因子：GDP增速、工业增加值、PMI、就业数据
• 通胀因子：CPI、PPI、核心PCE、薪资增速
• 流动性因子：利率、货币供应量、信用利差、汇率

你想想看，股票为什么涨？债券为什么跌？背后都是这些因子在起作用。我在2018年做过一个回测，当时只盯着CPI做美债期货，结果亏得挺惨。后来才发现，通胀预期和实际通胀是两码事——这就是因子的"预期差"问题。

1.2 动量与反转策略的定义

这两个概念，我建议你从时间维度去理解：

策略类型	核心逻辑	时间窗口	典型场景
动量策略	强者恒强，弱者恒弱	3-12个月	趋势延续、经济周期
反转策略	物极必反，均值回归	1-3个月	过度反应、情绪极端

动量策略：当某个宏观因子持续朝一个方向运动时，对应的资产价格也会跟着走。比如PMI连续三个月回升，股市大概率上涨。我在2020年疫情后的复苏期，就是靠这个逻辑做多铜期货，吃了整整一波趋势。

反转策略：因子运动到极端位置时，市场会反向修正。举个例子，当美元指数RSI超过80，非美货币往往会出现反弹。嗯，这里要注意——反转策略最怕"趋势中的回调"，我曾经在2015年美元牛市里抄底欧元，被打了三次止损才学乖。

1.3 系统整体架构与设计哲学

这个交易系统，我把它设计成三层结构。为什么是三层？因为我在早期做单因子策略时，发现一个致命问题——因子之间会互相干扰。比如利率上升利好货币，但利空股市，你只盯着一个因子做，很容易被另一边的波动吃掉利润。

下面这张图，是我自己画的核心框架：

这个架构的设计哲学，我总结成三个词：模块化、可解释、自适应。

1.4 设计哲学详解

模块化：每一层都可以独立替换。比如数据层，我今天用Bloomberg，明天换Wind，策略层完全不用改。我在2019年迁移数据源时，就靠这个设计省了整整两周的调试时间。

可解释：每个信号都要能说清楚为什么。举个例子，动量信号告诉你做多，你得能回答：是哪个因子驱动的？持续了多久？置信度多高？黑箱模型在实盘里根本不敢用——我见过太多人因为解释不了信号，在回撤期砍仓砍在最低点。

自适应：市场环境会变，因子有效性也会变。这个系统会定期评估每个因子的表现，动态调整权重。比如2022年通胀因子权重飙升，而增长因子权重下降——系统会自动捕捉这种变化。

1.5 为什么选择宏观因子

你可能要问：为什么不直接用价格动量？或者基本面量化？

我的回答是：宏观因子是最干净的信号源。价格动量里掺杂了太多噪音——情绪、流动性、操纵。而宏观因子直接对应经济基本面，逻辑链条清晰。举个例子，当PMI和工业增加值同时回升时，你做多股指，心里是有底的——因为你知道背后是经济在复苏。

当然，宏观因子也有缺点：数据频率低、发布有滞后、预期差难捕捉。但这些问题，我们会在后面的章节里一一解决。

---

公众号:蓝海资料掘金营，微信deep3321