第3章宏观环境与因子表现

宏观环境与因子表现：经济增长周期、利率与流动性、市场情绪与风险偏好、通胀与因子表现

各位同学，今天我们来聊一个很实际的问题——宏观环境怎么影响因子表现。

说实话，我早年做量化的时候，犯过一个挺大的错误。那时候我沉迷于挖掘各种新奇因子，觉得只要因子够多、组合够复杂，就能跑赢市场。结果呢？2018年那波大熊市，我的多因子组合回撤了将近40%。后来复盘才发现，不是因子失效了，而是我完全忽略了宏观环境对因子表现的影响。

嗯，从那以后，我养成了一个习惯：每次构建因子组合之前，先看看当前处于什么宏观周期。今天我就把这个思路分享给大家。

一、经济增长周期与因子轮动

经济增长周期，说白了就是经济在扩张和收缩之间来回摆动。不同的经济阶段，不同因子的表现差异非常大。

我个人习惯把经济周期分成四个阶段：

复苏期：经济从底部回升，GDP增速加快，企业盈利改善
繁荣期：经济过热，产能利用率高，通胀开始抬头
衰退期：经济增速放缓，企业盈利下滑，失业率上升
萧条期：经济触底，市场信心低迷，信贷收缩

你想想看，不同阶段哪些因子表现好？

核心规律：

复苏期：价值因子、低波动因子表现优异。因为企业盈利改善，估值修复是主线。
繁荣期：动量因子、成长因子领跑。市场情绪高涨，资金追逐高增长故事。
衰退期：质量因子、红利因子成为避风港。防御属性凸显，现金流稳定的公司受青睐。
萧条期：低波动因子、规模因子（小盘股）可能有超额收益。市场触底时，小市值弹性更大。

我在项目中遇到过这样一个案例：2020年疫情爆发后，全球经济进入衰退。当时很多量化团队还在用动量因子做多，结果被反复打脸。而我提前切换到了质量因子和红利因子，组合回撤控制在了10%以内。这就是看宏观的好处。

二、利率与流动性：因子表现的放大器

利率和流动性，是因子表现的重要驱动力。为什么？因为利率决定了资金的成本，流动性决定了资金的可得性。

我一般关注两个指标：

无风险利率：通常用10年期国债收益率代表
信用利差：企业债收益率与国债收益率的差值

利率上升时，成长因子往往承压。因为成长股的估值对利率敏感，未来现金流折现后价值下降。反过来，价值因子和红利因子相对抗跌。

流动性宽松时，小盘股因子和低质量因子容易跑出超额收益。因为资金泛滥，投资者愿意承担更多风险去博收益。

我的经验：

当信用利差快速走阔时，赶紧减仓高杠杆公司的股票。我曾经在2015年股灾前观察到信用利差异常扩大，果断降低了小盘因子的权重，躲过了一劫。

这里给大家一个简单的判断框架：

利率环境	流动性环境	推荐因子	回避因子
利率下行	宽松	成长、动量、小盘	价值、红利
利率上行	收紧	价值、红利、低波	成长、小盘
利率平稳	中性	质量、动量	极端风格因子

三、市场情绪与风险偏好：因子表现的催化剂

市场情绪这东西，听起来很玄，但其实可以量化。我常用的指标包括：

VIX指数：恐慌指数，越高代表市场越恐惧
Put/Call比率：看跌期权与看涨期权的成交量比值
融资余额变化：杠杆资金的进出情况
换手率：市场活跃度

情绪高涨时，高风险偏好的因子（如小盘、低质量、高Beta）表现好。情绪低迷时，防御性因子（如低波动、质量、红利）更受追捧。

我记得2021年初，市场情绪极度亢奋，散户疯狂涌入。那时候动量因子和成长因子涨得飞起，但低波动因子反而跑输。很多做低波策略的朋友那段时间很痛苦。但到了2022年，市场情绪急转直下，低波因子又成了香饽饽。

避坑指南：

我曾经在市场情绪极度恐慌时抄底小盘因子，结果被埋了。后来我总结了一个教训：情绪指标要结合估值水平一起看。如果情绪恐慌但估值已经很低，可以左侧布局；如果情绪恐慌但估值还在高位，千万别接飞刀。

四、通胀与因子表现

通胀，是这两年大家感受最深的一个宏观变量。通胀对因子的影响，其实有很清晰的传导路径。

通胀上升时：

上游资源品公司受益，大宗商品相关因子走强
高毛利率的公司（如消费、医药）受冲击，因为成本上升但提价能力有限
价值因子通常跑赢成长因子，因为成长股的远期现金流被通胀侵蚀得更厉害

通胀下降时：

成长因子重新获得青睐，因为利率预期下降
消费、科技等板块表现较好
红利因子的吸引力相对下降

我个人习惯用盈亏平衡通胀率（TIPS收益率与国债收益率的差值）来观察市场对通胀的预期。这个指标比实际CPI更灵敏，因为它包含了市场对未来通胀的定价。

下面这张图是我自己总结的宏观因子轮动框架，大家可以参考：

五、实战中的宏观因子择时框架

讲了这么多理论，最后给大家一个可落地的框架。我个人在实战中是这样做的：

建立宏观指标数据库：收集GDP增速、PMI、CPI、PPI、10年期国债收益率、信用利差、VIX、融资余额等数据
划分宏观状态：用聚类或阈值法，把历史数据分成不同的宏观状态
回测因子表现：统计每个宏观状态下，各个因子的平均收益、胜率、最大回撤
动态调整权重：根据当前宏观状态，调整因子组合的权重

这里给一段简单的Python代码，展示如何根据宏观状态调整因子权重：

import pandas as pd
import numpy as np

# 假设我们有因子收益数据和宏观状态标签
# factor_returns: DataFrame, 列名为因子名称
# macro_state: Series, 当前宏观状态

def adjust_factor_weights(factor_returns, macro_state, lookback=252):
    """
    根据宏观状态调整因子权重
    """
    # 计算每个宏观状态下因子的夏普比率
    states = factor_returns.groupby(macro_state)
    sharpe = states.apply(lambda x: x.mean() / x.std() * np.sqrt(252))
    
    # 获取当前状态
    current_state = macro_state.iloc[-1]
    
    # 选择当前状态下夏普比率最高的3个因子
    top_factors = sharpe.loc[current_state].nlargest(3).index.tolist()
    
    # 等权配置
    weights = pd.Series(0, index=factor_returns.columns)
    weights[top_factors] = 1.0 / len(top_factors)
    
    return weights

# 使用示例
weights = adjust_factor_weights(factor_returns, macro_state)
print("当前因子权重：")
print(weights)

一个小建议：

不要频繁切换宏观状态。我一般用月度数据做判断，季度调整一次权重。太频繁的切换会产生大量交易成本，反而得不偿失。

好了，关于宏观环境与因子表现的关系，今天就讲到这里。记住一句话：因子不是万能的，但结合宏观环境看因子，能让你少踩很多坑。

公众号:蓝海资料掘金营，微信deep3321