# 【干貨包郵】手把手教你做宏觀擇時 ## 寫貼緣由: 首先，縱觀市場現有的常見策略，大致分為四大類： 1. 股票多因子alpha 2. 期貨CTA 3. 市場擇時：包括宏觀擇時、行業輪動、風格輪動等 4. 統計套利：期現套利、跨期套利、跨品種套利等 結合現在市場行情，期現套利可能在去年大賺，但今年可能沒法進行（程序化被封+股指期貨長期深度貼水）；期貨CTA更多運用在多元化資產配置上，往往在市場大幅波動時表現較好；而市場擇時則是每一位投資經理都想做好的事，當然也不是那么容易的事；在筆者目前淺短的目光下，多因子alpha或許是未來，一方面收益穩健、波動小，另一方面則體現在市場容量大，只是現在市場貼水嚴重，導致多因子alpha也寸步難行。 但出現了癥狀是不是就坐以待斃呢？市場是活的，市場的機會也是無處不在的，所以做投資就必須絞盡腦汁的想出各種法子來獲取收益，比如就誕生了當下特別流行的分級基金套利（相比兩年前這個策略大伙都還不他熟悉吧）。 回到正題，假設如筆者所想，多因子alpha是市場長遠的未來，那么如何將其做到完美呢？從策略本身角度講，alpha model更多關注一些基本面的東西，但實際中諸如宏觀、市場情緒等很多因素都很難統一納入到alpha model里面。從量化的本職工作來講，將盡可能多的信息量化成實際可用的模型，這些宏觀的、情緒的、政策預期、國際因素等是否也可以單獨構建一個模型呢？結合alpha model，兩者是否可以發揮更大的價值呢？這就是本文的干貨點——宏觀擇時！ PS：很多時候做量化比的就是精細度，但是做到完美必然需要很多人的參與（從不同的角度去審視投資邏輯、投資細節），但現實是，量化的知識產權受限了交流的廣度，各家私募都是閉門練功！筆者希望從我開始，從干貨開始，希望在社區里形成交流分享的好習慣：不求作者已經在實盤賺錢的策略，比如一些好的投資想法、宏觀研究、或是對一些投資細節的探討等。。。三個臭皮匠頂個諸葛亮，希望在優礦社區上我們這幫礦工都能進步成長，分享投資觀點、提出建議，一起構建好的策略。 最后，市場不缺錢，更何況優礦每個月還有500萬呢，總之，共同進步、共同成長吧！ ## 本貼內容提綱 + 為什么要擇時，投資邏輯在哪 + 券商報告常見的宏觀擇時方法介紹 + 優礦上的宏觀擇時研究 ## 1、為什么要擇時，投資邏輯在哪？ A、為什么要擇時：簡單來講，擇時對了可以賺錢啊！但從量化角度看，擇時可以將一些沒有被alpha model包含的市場信心融入到模型中，涵蓋面更廣，組合策略更穩健、更可靠。 B、投資邏輯：從長遠角度來看，股市是跟著經濟走的，所謂股市是經濟的晴雨表，投資者投資股票也是為了分享企業發展的紅利（從宏觀角度看，短線投資者只是增加了波動）；那么，在這個大經濟體內，通過一些宏觀指標的在某種程度上能夠感知到經濟的走勢，或許會有預測能力；說一個現象，在每個月公布PMI數據的時候，市場總是會有很大的反應，至于什么原因讀者自己去理解，只說一句：PMI被公認為是宏觀經濟最具有代表性的先行指標之一。 ## 2、券商報告常見的宏觀擇時方法介紹 這一部分不打算多說，因為大家的投資邏輯都一樣，但是使用的方法略有差異。在現有的券商報告中常見的宏觀擇時方法就是“逐項回歸法”，簡單來講，就是先選取很多宏觀經濟變量（比如PMI、CPI、M1和M2的增速差。。。），然后將這些變量作為備選自變量，上證綜指為因變量，進行逐項回歸測試，找出幾個顯著的指標來預測下月大盤走勢；然后動態進行，以此類推。 這個方法有理論基礎，也有清晰的投資邏輯，具體感性的可以參見這篇報告《基于擇時功效的股市宏觀多因素預測模型》，在網上應該都能搜索得到的。 ## 3、優礦上的宏觀擇時研究 做宏觀擇時研究第一出發點就是要找到能夠預測大盤走勢的宏觀指標，試想，倘若某個指標和大盤走勢非常接近，那么是不是可以說這個指標有很強的預測能力呢？廢話不多說，先來一組圖，選用的指標是：宏觀經濟景氣指數（先行指數） ```py import pandas as pd import numpy as np from CAL.PyCAL import * from matplotlib import pyplot as plt from datetime import datetime as dt start_date = '20050101' end_date = '20151201' sz_index = DataAPI.MktIdxdGet(ticker=u"000001",beginDate=start_date,endDate=end_date,field=u"tradeDate,closeIndex",pandas="1").sort(columns='tradeDate').reset_index(drop=True) sz_index['tradeDate'] = sz_index['tradeDate'].apply(lambda x: dt.strptime(x, '%Y-%m-%d')) macro_data = DataAPI.ChinaDataECIGet(indicID=u"M020000005",beginDate=start_date,endDate=end_date,field=u"publishTime,dataValue",pandas="1").sort(columns='publishTime').reset_index(drop=True) macro_data['publishTime'] = macro_data['publishTime'].apply(lambda x: dt.strptime(x[0:10], '%Y-%m-%d')) # 繪圖 fig = plt.figure(figsize=(14,7)) ax1 = fig.add_subplot(111) ax1.plot(sz_index['tradeDate'], sz_index['closeIndex'], 'b-', label=u'上證綜指') ax2 = ax1.twinx() ax2.plot(macro_data['publishTime'], macro_data['dataValue'], 'r-s', label=u'宏觀經濟景氣指數') lines1, labels1 = ax1.get_legend_handles_labels() # 設置legend lines2, labels2 = ax2.get_legend_handles_labels() font.set_size(16) ax1.legend(lines1 + lines2, labels1+labels2, loc='best',prop = font) <matplotlib.legend.Legend at 0xc838b90> ```  如上圖所示： + 藍線代表上證綜指（日度數據）、紅線代表宏觀經濟景氣指數（月度數據） + 從2005年至今的數據來看，紅線和藍線保持了高度的一致性，除了14年的牛市出現了背離，關于這一點的原因下文會有分析 + 試想，拿宏觀經濟景氣指數走勢來預測大盤，結果會如何呢？ 需要說明的細節： + 宏觀數據有兩個重要屬性：數據日期和發布日期，由于數據只有在發布之后才知道，所以我們這里取宏觀數據用的是發布日期 + 按照日期大小將日度數據和月度數據繪制在一張表上，由于宏觀數據用的是發布日期，所以沒有用到一點未來數據 找到一個好的宏觀經濟指標之后要干啥呢？當然是要進行回測，根據當前指標的大小、趨勢來對下個月的上證綜指做一個判斷，那么就會有兩個問題： 1. 怎么根據指標的值量化多空信號，或者怎么定義當前指標所給出的宏觀經濟趨勢 2. 上證綜指收益怎么計算，直接計算每個月的嗎？ ## 我們一個個來分析： 1. 從圖上可以看到，上證綜指的趨勢和宏觀經濟景氣指數的趨勢非常接近，簡單來講，就是說，倘若這個月宏觀經濟景氣指數大于上個月的，那么就可以認為下個月上證綜指的收益為負；當然，根據數據值定義趨勢、產生信號的過程有很多種方式，讀者可以參考這篇研報《光大證券_20110616_2011年中期金融工程投資策略專題-宏觀因子擇時分析方法》，當然也歡迎大家自行發揮、多多交流（這也是社區的最大功效哈，集眾人的智慧！！！） 2. 關于上證綜指收益的計算：由于我們是根據宏觀經濟景氣指數的信號來構建組合，那么我們計算的時點是不是應該是景氣指數的公布時間呢？比如2015-01-01公布了景氣指數，我們通過某種算法得到了對下個月的觀點（多或空），那么我們的收益就應該是從2015-01-01起至下一次公布該指數的時間點。所以最真實的收益計算應該按照宏觀指標的公布時間來，分別計算公布時間之間的累計收益，具體計算代碼如下。 ```py # 上證綜指收益等數據都存放在macro_data里 macro_data['sz_return'] = 0.0 macro_data['dataValue change'] = 0.0 for i in macro_data['publishTime']: tmp = sz_index[sz_index['tradeDate'] <= i] macro_data.loc[macro_data['publishTime']==i,'sz_return'] = tmp.iloc[tmp.shape[0]-1,1] macro_data.loc[1:, 'sz_return'] = macro_data['sz_return'][1:].values / macro_data['sz_return'][:-1].values - 1 macro_data.loc[0, 'sz_return'] = 0 macro_data.loc[1:,'dataValue change'] = macro_data['dataValue'].diff()[1:].values macro_data.head() ``` | | publishTime | dataValue | sz_return | dataValue change | | --- | --- | | 0 | 2005-03-01 | 101.20 | 0.000000 | 0.00 | | 1 | 2005-04-01 | 101.48 | -0.061259 | 0.28 | | 2 | 2005-05-01 | 101.82 | -0.052649 | 0.34 | | 3 | 2005-06-01 | 102.23 | -0.103489 | 0.41 | | 4 | 2005-07-01 | 102.58 | 0.015788 | 0.35 | 如上所示： + 計算了上證綜指的月度收益率以及宏觀經濟景氣指數變動的值 + 那么就可以構建擇時策略：當變動大于零時，做多；當變動小于零時，做空；當變動為零時，觀望。 + 需要注意的一個細節：當期數值預測的是下一期的收益，這個在代碼里有體現，回測結果如下所示。 ```py macro_data['daily return'] = 0.0 for i in macro_data.index[:-1]: if macro_data.loc[i,'dataValue change'] > 0: macro_data.loc[i+1,'daily return'] = macro_data.loc[i+1,'sz_return'] elif macro_data.loc[i,'dataValue change'] < 0: macro_data.loc[i+1,'daily return'] = -macro_data.loc[i+1,'sz_return'] macro_data['cumulative return'] = macro_data['daily return'].cumsum() # 由于是擇時，所以這里假設每期等額去投資，沒有以復利形式計算 plt.figure(figsize=(14,7)) plt.plot(macro_data['publishTime'], macro_data['cumulative return']) print '勝率為:' , np.round(1.0 * sum(macro_data['daily return'] > 0)/ sum(macro_data['daily return'] != 0),3) 勝率為: 0.595 ```  結果分析： + 從累計收益圖上看，效果還是不錯的；而且勝率為59.5%，顯著高于50% + 不足之處在于2010年之后效果沒有得到持續，而且如前文提到的，在去年的大牛市中，也沒有預測準，不過估計去年從宏觀來看應該很難判斷到牛市的到來吧 + 從圖表上看，2010年之后，兩者的走勢還是非常一致的，至于效果為什么沒有預期的好，讀者可以自行研究，我這里就不再進行更細致的分析了 接下來，將相同的分析運用到另一個代表性很強的宏觀指標上：PMI ```py PMI = DataAPI.ChinaDataPMIGet(indicID=u"M020000008",beginDate=start_date,endDate=end_date,field=u"publishTime,dataValue",pandas="1").sort(columns='publishTime').reset_index(drop=True) PMI['publishTime'] = PMI['publishTime'].apply(lambda x: dt.strptime(x[0:10], '%Y-%m-%d')) PMI['sz_return'] = 0.0 PMI['dataValue change'] = 0.0 for i in PMI['publishTime']: tmp = sz_index[sz_index['tradeDate'] <= i] PMI.loc[PMI['publishTime']==i,'sz_return'] = tmp.iloc[tmp.shape[0]-1,1] PMI.loc[1:, 'sz_return'] = PMI['sz_return'][1:].values / PMI['sz_return'][:-1].values - 1 PMI.loc[0, 'sz_return'] = 0 PMI.loc[1:,'dataValue change'] = PMI['dataValue'].diff()[1:].values PMI['daily return'] = 0.0 for i in PMI.index[:-1]: if PMI.loc[i,'dataValue change'] > 0: PMI.loc[i+1,'daily return'] = PMI.loc[i+1,'sz_return'] elif PMI.loc[i,'dataValue change'] < 0: PMI.loc[i+1,'daily return'] = -PMI.loc[i+1,'sz_return'] PMI['cumulative return'] = PMI['daily return'].cumsum() # 由于是擇時，所以這里假設每期等額去投資，沒有以復利形式計算 plt.figure(figsize=(14,7)) plt.plot(PMI['publishTime'], PMI['cumulative return']) print '勝率為:' , np.round(1.0 * sum(PMI['daily return'] > 0)/ sum(PMI['daily return'] != 0),3) 勝率為: 0.571 ```  結果分析： + 從圖表上看，PMI的擇時收益還是不錯的，而且相對來說，持續性更穩健，盡管在某些時段最大回撤比較大 + 從勝率來看，57%的勝率也是蠻高的 ## 總結全文 本文從初始投資邏輯入手，手把手講述了如何做宏觀擇時，以及在實際處理中會遇到的一些細節問題。 從實際回測角度看，效果還是不錯的，說明宏觀經濟變量還是具有非常好的前瞻性；但需要明白的是，宏觀擇時只是讓模型加入了更多的市場信息，但實際也并非完全和模型一致，比如去年的大牛市，各種宏觀指標都指向經濟下行，但是大盤就是被拉到了5100；從事后來看，有很多的故事來解釋去年的現象，這里也不一一累贅，只需要明白模型不是萬能的，它只是幫我們總結過去、展望未來，省去了很多重復的工作。 最后，作為寫作初衷，也和社區很多礦友一樣，希望在優礦社區和大家進行交流和分享，共同進步！！！