第一章：宏观因子与行业轮动概述

各位同学，欢迎来到《宏观因子驱动下的行业轮动方法》课程。

我是你们这门课的主讲。做了十几年量化投资，从最早的统计套利到后来的机器学习，绕了一大圈，最后发现——真正决定市场大方向的，还是宏观因子。说白了，宏观因子就是市场的「天气系统」。你技术分析再厉害，也架不住突然来一场暴风雨。

什么是宏观因子？

宏观因子，就是那些能影响整个经济体运行的核心变量。它们不是某只股票的财报，也不是某个行业的新闻，而是像重力一样，无处不在、无时不在。

我个人习惯把宏观因子分成四大类：

类别	典型因子	影响路径
增长因子	GDP增速、工业增加值、PMI	决定企业盈利的大方向
通胀因子	CPI、PPI、核心通胀	影响利率和成本结构
货币因子	利率、M2、社融增速	决定资金成本和流动性
风险偏好因子	信用利差、VIX指数	反映市场情绪和避险需求

你可能会问：「这些指标我平时也看，但怎么用来做行业轮动呢？」

嗯，这里有个关键点——不同行业对宏观因子的敏感度完全不同。举个例子，银行股对利率极其敏感，而消费股更看重居民收入增长。我在2018年做过一个回测，当时利率上行周期里，银行板块跑赢了消费板块将近30%。这就是宏观因子驱动行业轮动的底层逻辑。

为什么宏观因子能驱动行业轮动？

这个问题，我当年刚入行时也想了很久。后来在一次实盘交易中，我彻底明白了。

那是2020年疫情刚爆发的时候，全球央行大放水。我当时持仓里重配了银行股，结果跑得稀烂。为什么？因为放水虽然降低了资金成本，但同时也压低了利率，银行净息差反而收窄了。而另一边，科技股和成长股因为贴现率下降，估值被推得飞起。

你看，同一个宏观事件（放水），对不同行业的影响截然不同。这就是行业轮动的本质——宏观因子的变化，会改变不同行业的相对吸引力。

具体来说，有两条传导路径：

1. 盈利路径：宏观因子影响行业的基本面。比如经济复苏期，周期股盈利弹性最大；经济衰退期，防御性行业（医药、公用事业）盈利更稳定。
2. 估值路径：宏观因子影响市场的定价逻辑。比如利率下行时，长久期资产（科技股）的估值提升更快；利率上行时，短久期资产（价值股）更抗跌。

我在项目中遇到过很多新手，他们总想用一个因子解释所有行业。这是个大坑。实际上，每个行业都有自己的「因子暴露」——就像每个人都有不同的性格特点。你需要做的，是找到当前阶段最「吃香」的那种性格。

课程目标与学习路径

这门课的目标很明确：让你能独立构建一套基于宏观因子的行业轮动策略。不是纸上谈兵，而是能跑回测、能上实盘的那种。

整个课程分四个模块：

• 基础篇（第1-8章）：宏观因子的定义、数据获取、因子构建。我会手把手教你用Python处理宏观数据，包括如何清洗、如何对齐频率、如何做因子标准化。
• 方法篇（第9-18章）：行业轮动的核心模型。从最简单的打分法，到复杂的机器学习模型，我都会讲。我记得有一次用随机森林做行业选择，效果比传统方法好了将近一倍。
• 实战篇（第19-25章）：回测框架搭建、风险控制、实盘注意事项。这部分我会分享很多踩过的坑——比如我曾经因为数据前瞻偏差，回测曲线漂亮得不行，实盘一跑就崩。
• 进阶篇（第26-30章）：多因子组合、另类数据融合、高频宏观因子。如果你学到这里，基本可以出去面试量化研究员了。

学习路径上，我建议你：

1. 先通读一遍，了解全貌。别一上来就死磕代码。
2. 第二遍时，跟着代码跑一遍。我提供的示例数据都是真实市场数据，跑通了再说理解。
3. 第三遍，尝试修改参数、换行业、换因子。只有改过，才算真正学会。

好了，第一章的内容就到这里。下面这张图，是我自己整理的宏观因子与行业轮动的知识框架，你可以先保存下来，后面每学一章，回来对照一下，看看自己走到了哪一步。

最后说一句：这门课不会教你「一夜暴富」的秘诀。量化投资是个慢功夫，宏观因子分析更是如此。但如果你能坚持学完，并且动手实践，我相信你会对市场有一个全新的认识。

下一章，我们会正式开始讲宏观因子的数据获取和处理。到时候我会分享一个我用了五年的数据清洗脚本，保证让你少走弯路。

---