一、宏观择时概述
各位同学，欢迎来到《宏观择时信号的量化生成技术》课程。
我是你们这门课的主讲。在量化投资这个行当摸爬滚打了十来年，我见过太多人一上来就扎进微观因子、高频数据里，结果模型跑得飞起，一遇到宏观大拐弯就翻车。说白了，宏观择时就是那个帮你判断「现在该不该上车」的顶层逻辑。
1.1 什么是宏观择时
先聊点实在的。宏观择时，不是让你去预测明天GDP是多少，也不是让你猜美联储加不加息。
它的核心就一句话：根据宏观经济状态，调整资产配置或仓位大小。
举个例子。我记得2018年，当时国内信用收缩叠加贸易摩擦，很多做股票的朋友还在死扛。我那时候的模型连续发出了三个「经济景气度下行」的信号，我果断把权益仓位从八成降到了两成。后来回头看，那一年躲过了不少回撤。
宏观择时关注的是这些变量：
- 经济增长：GDP、工业增加值、PMI
- 通货膨胀：CPI、PPI、核心通胀
- 货币政策：利率、存款准备金率、M2增速
- 信用环境：社融增速、信贷脉冲
- 外部环境：汇率、贸易条件、全球风险偏好
你想想看，这些变量就像天气的「气压、温度、湿度」。宏观择时就是根据这些数据，判断现在是「晴天」还是「暴风雨」。
1.2 量化择时 vs 传统择时
很多老股民也做择时，但他们靠的是「感觉」和「经验」。我管那叫「拍脑袋择时」。
传统择时有什么问题？我总结了几点：
| 对比维度 | 传统择时 | 量化择时 |
|---|---|---|
| 决策依据 | 主观经验、新闻直觉 | 数据模型、统计规律 |
| 可重复性 | 情绪化，今天和明天可能不一样 | 规则固定，回测可复现 |
| 处理信息量 | 最多看几十个指标 | 几百个变量同时处理 |
| 风险控制 | 事后补救 | 事前信号预警 |
| 执行效率 | 犹豫、延迟 | 信号一出，自动执行 |
量化择时，说白了就是把你的择时逻辑写成代码，让机器帮你盯盘、帮你算。我刚开始做量化时，也犯过傻——手动跑Excel算信号，结果行情来了，我还在复制粘贴。后来我学乖了，一切流程化、自动化。
核心区别就一句话：传统择时是「我觉得要涨了」，量化择时是「模型告诉我概率超过70%」。
1.3 为什么宏观择时这么难？
嗯，这里要泼点冷水。宏观择时是量化领域公认的「硬骨头」。
为什么？
- 数据频率低：很多宏观数据是月度、季度发布，样本量太少
- 信号噪声大：初值经常被修正，你看到的「利好」可能下个月就变成「利空」
- 结构突变：2008年金融危机、2020年疫情，历史规律说变就变
我曾经做过一个模型，用2005-2015年的数据训练，回测漂亮得不得了。结果2016年一上线，连续打脸。后来复盘发现，2015年股灾后监管政策变了，市场结构完全不一样了。
所以，做宏观择时，一定要有「模型会失效」的心理准备。这也是为什么我们这门课不光讲模型，还要讲模型诊断、失效预警、动态调整。
1.4 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可用的宏观择时信号系统。
不是那种「纸上谈兵」的理论课，而是你学完就能跑代码、出信号、做回测的实战课。
具体来说，学完这门课，你应该能做到：
- 数据获取与清洗：从Wind、Tushare、FRED等源拉取宏观数据
- 特征工程：把原始数据变成有预测能力的信号因子
- 模型构建：用回归、分类、时间序列等方法生成择时信号
- 回测与评估：科学评价信号的有效性，避免过拟合
- 实盘落地：把信号接入交易系统，实现自动化
学习路径我建议这样走：
- 第一阶段：打好基础（第1-3章）——理解宏观逻辑，掌握数据工具
- 第二阶段：核心模型（第4-7章）——从简单到复杂，逐个攻破
- 第三阶段：实战进阶（第8-10章）——组合信号、风险控制、实盘部署
我的个人建议：不要跳着看。每一章的代码示例，请一定自己跑一遍。我在项目中遇到过太多「看懂了但写不出来」的情况。代码这东西，手熟了才是自己的。
1.5 本章知识体系总览
下面这张图，是我自己梳理的宏观择时知识框架。你可以把它当成整个课程的地图。
避坑指南：我曾经见过有人把宏观择时搞成了「玄学」，堆了几十个指标进去，结果模型过拟合得一塌糊涂。记住，宏观择时不是指标越多越好，而是逻辑越清晰越好。少即是多，这个道理在量化里尤其适用。
好了，第一章就到这里。宏观择时的概念、与传统方法的区别、以及我们这门课要学什么，你应该心里有数了。
下一章，我们会正式进入数据环节——宏观数据从哪里来？怎么清洗？怎么处理缺失值和异常值？这些都是实打实的硬功夫，我会把我在项目中踩过的坑一一告诉你。