量化专题报告

宏观预期差量化与超预期策略一一宏观经济量化系列之二

如果说专题报告《中国经济领先指数一一宏观经济量化系列之一》解决的是宏观量化中的方向判断问题，那么本文则从国内投资者关注较少的宏观一致预期的数据切入，补充解决了宏观量化中的力度判断问题：

1）如何刻画经济数据预期差？如何统一不同指标的预期差强度？

2）如何刻画货币政策预期差？哪种方案最适合中国市场？

3）如何融合不同宏观指标的信息，构建宏观预期差指数？

4）预期差信息在大类资产配置中有什么应用？

经济数据预期差的定义。1)预期数据的选取：Bloomberg 数据在信息丰富度、回测严谨性和预测可信度等方面均显示出较高的数据质量。2)预期数据的类别：本文采用 Bloomberg中覆盖的6个信用类指标、13个经济类指标以及2个通胀类指标。3）预期差的标准化：传统的预期差定义存在纵向和横向不可比的缺点，因此我们纳入了Bloomberg中提供的预测分歧和预测机构数量两个信息，提出了一种更科学有效的预期差标准化方式。

货币政策预期差的定义。1)货币政策工具箱的梳理：当前我国央行货币政策工具大致上可以分为短期政策利率、中期政策利率、定向工具和准备金率 4个大类工具。2）中国货币政策预期差：目前常见的货币政策预期差定义方式有政策事件法、一致预期法、固浮利差法和市场利率法四种，基于逻辑性、普适性和有效性三个标准，我们采用“政策事件法+市场利率法”作为中国货币政策预期差的最终定义。3）美联储货币政策预期差：以每年召开8次的FOMC会议为时点，根据联邦基金目标利率的变动定义政策事件，根据FOMC会议前后30分钟的期货隐含利率变动定义市场利率，两者的综合打分作为美联储货币政策预期差的最终定义。

中国宏观经济预期差指数的编制。借鉴高盛(2013)的 MAP预期差指数编制方法，通过单一信号打分、大类得分汇总、时间序列平滑&标准化三个步骤构建了货币政策预期差、信用预期差、经济预期差、通胀预期差和美联储货币政策预期差五个指数。

预期差策略的设计。1）不同资产的预期差策略：经济-通胀预期差时钟适用于权益、大宗商品等经济敏感型资产，货币-信用预期差时钟适用于债券等流动性敏感型资产，而美联储货币政策预期差则适用于黄金、美债等美元流动性敏感型资产。2）固收+预期差增强型策略：我们按照资金通道的方法融合不同的策略，由于不同通道的策略和资产各不相同，因此多资产多策略的混合形成了较好的风险分散化作用，固收+预期差平衡增强型策略年化收益达6.4%，年化波动为2.6%，最大回撤为2.7%。

风险提示：宏观一致预期不能完美代表市场全体对宏观的认知；短期剧烈的宏观冲击可能并不能及时反映在宏观一致预期中；资金面噪声可能会导致市场利率法的识别方向出错。

作者

分析师林志朋

执业证书编号：S0680518100004

邮箱：linzhipeng@gszq.com

分析师刘富兵

执业证书编号：S0680518030007

邮箱：liufubing@gszq.com

每日免费获取报告

1、每日微信群内分享7+最新重磅报告；

2、每日分享当日华尔街日报、金融时报;

3、每周分享经济学人

4、行研报告均为公开版，权利归原作者所有，起点财经仅分发做内部学习。

扫一扫二维码
关注公号
回复：研究报告
加入“起点财经” 微信群。。

内容目录

一、宏观量化的研究路线. .5
二、如何刻画经济数据预期差？ ..7
2.1 预期数据的选... ..7
2.2 宏观预期数据特征与处理... ...9
2.3 如何刻画经济数据的预期差 ...10
三、如何刻画货币政策预期差？．. · ...12
3.1 央行的货币政策工具... ...12
3.2 刻画货币政策预期差的四种思路.. ...14
3.3 中国货币政策预期差的定义.. … ...19
3.4.联货政策预期差的*·· ...20
四、宏观预期差指数与超预期策. ..22
4.1 宏观预期差指数的编制方案.. ...22
4.2 预期差交易策略设. ..25
五、总结. ..31
参考文献... ..32
风险提示... .32

图表目录

图表1：中国经济周期的经典范式与宏观领先指数...
图表2：信用-经济框架下的A股情景分析与预判....
图表3：宏观预期差信息可以弥补宏观趋势判断的低频与滞后性缺点， ..6
图表4:Wind宏观一致预期明细与底层数据来源.. ...
图表5：Bloomberg宏观一致预期明细与底层数据来源...
图表7：Bloomberg宏观一致预期数据样式（以GDP不变价当季同比为例）， ....8
图表8：中国宏观经济数据公布时间
图表9：出口同比的春节效..
图表10.：.同比的春节效..
图表11:最终选入的Bloomberg宏观预期数据列表、数据特征及其数据处理， ..10
图表12：M2同比预期差历史序列具有明显异方差性， ..11
图表13：工业增加值同比预期差历史序列具有明显异方差性.. ..11
图表14:利用经济学家的预测分布进行预期差标准化.. … ..11
图表15:.样本分布与正态分布的差异..
图表16:预期差信息的标准化处理方案探索与改进.. ..12
图表17:央行货币政策工... ..13
图表18：政策事件法定义下的事件驱动分析：沪深300指数.. …· ...14
图表20:1年期LPR 利率与Bloomberg一致预期... ..15
图表21:1年期定期存款利率与Wind一致预期.. ...15
图表22：一致预期法定义下的事件驱动分析：沪深300指数.. ..15
图表23致预期法定义下的事件驱动分析：国债-3年净价指数.15
图表25:固浮利差隐含预期：2020-2022.. ..16
图表26：固浮利差法定义下的事件驱动分析：沪深300指数.. ...1.7
图表27:
图表28：什么市场利率最能反映货币政策的预期差．.
图表29：市场利率法定义下的事件驱动分析：沪深3指数.18
图表30:
图表31:四种货币政策预期差定义方式的比较..
图表32:
图表33：基于货币政策预期差的沪深300择时策略.
图表34:
图表35:基于货币政策预期差的中证500择时策略... …… ....19
图表39：利用联邦基金利率期货隐含利率识别美联储货币政策预期差，
图表40：美联储货币政策预期差最终定.
图表41：美联储货币政策预期差事件驱动分析：.指数.22
图表44:基于美联储货币政策预期差的黄金择时策..
图表45：预期差得分的计算方..
图表47：美国货币政策预期差指数与沪深30..
图表48：美国货币政策预期差指数与10年期国债收益率.. ……………………………………………… ...24
图表49：中国货币政策预期差指数与沪深30..
图表50:中
图表51:
图表52:中国信用预期差指数与10年期国债收益率.
图表53：中国经济预期差指数与沪深30..
图表54:
图表55:
图表57：基于经济-通胀预期差时钟的择时策略：沪深300指数..
图表58：基于经济-通胀预期差时钟的择时策略：石油石..
图表 59：基于经济-通胀预期差时钟的择时策略：煤炭.…
图表61：基于经济-通胀预期差时钟的择时策略：消费板块.. …………………………………………… ..27
图表62：基于经济-通胀预期差时钟的择时策略：金融板块..
图表65：基于经济-通胀预期差时钟的择时策略：南华金属指数..
图表6：基于经济-通胀预期差时钟的择时策略：上期有色金属指数…28
图表67：基于经济-通胀预期差时钟的择时策略：南华能化指数..
图表71:基于美联储货政策预期差的择时策.黄金
图表72：固收+预期差增强型策略（稳健型：权益上限10%）， ..30
图表73：固收+预期差增强型策略（平衡型：权益上限15%） ..31
图表74:固收+预期差增强型策略（进取型：权益上限20%） ..31

一、宏观量化的研究路线

在专题报告《中国经济领先指数一一宏观经济量化系列之一》中，我们参考海外机构编制领先指数的经验，有机地结合了宏观的逻辑性优势和量化的自动化优势，编制了刻画中国经济周期的四个宏观领先指数，按照领先滞后顺序依次是：货币领先信用，信用领先经济，经济领先通胀，基于此构成了中国经济周期的经典循环范式：

货币条件指数：用来衡量当前货币政策的松紧，主要由准备金率、存款利率、逆回购利率、定向工具发行利率等政策工具所构成，平均领先GDP12个月。

金融条件指数：用来衡量当前广义信用环境的松紧，主要由货币量、利率利差、汇率、资产价格组成，平均领先GDP9个月。

经济高频指数：用来衡量当前高频经济景气的好坏，主要由工业、进出口、房地产和金融条件四个大类组成，平均领先GDP6个月。

通胀高频指数：用来衡量当前通胀的压力程度，分项有CPI食品预警指数、CPI非食品预警指数和PPI预警指数三个，平均领先对应通胀指标5个月。

图表1：中国经济周期的经典范式与宏观领先指数

资料来源：国盛证券研究所

图表2：信用-经济框架下的A股情景分析与预判

资料来源：Wind，国盛证券研究所

2021年3月-2022年4月数据显示中国宏观处于“信用下-经济下”的宏观环境，情景分析表明这一宏观环境下股票平均年化收益为-20%，刚好对应了这一段A股熊市。虽然基于宏观指标趋势性强的特点，宏观领先指数能够帮助我们有效识别当下的宏观环境，但一方面宏观指数的趋势识别必然存在滞后性，另一方面宏观指数的波动周期太长也意味着我们无法捕捉到战术级别的信号。因此从信号属性来看，宏观领先指数给出的信号大概率是一个右侧低频的中期策略信号。

既然宏观领先指数存在操作频率较低和趋势识别滞后的问题，那么我们该如何解决？本文尝试从“宏观预期差”的角度给出答案，我们认为宏观预期差的研究意义在于：

1）宏观领先指数属于一阶导信息，宏观预期差属于二阶导信息。

2）宏观领先指数的走势有可能提前被市场预知并定价，单纯的方向变动信息对实际投资的指导意义可能要打一个折扣。

3）预期差的扩大和衰减本身某种意义上也代表了宏观维度的加速和减速，可用于辅助判断宏观领先指数的方向。

因此，本文希望在已有的四个宏观领先指数的方向性信息基础上，将宏观量化的研究领域拓展至具有更高信号频率的宏观预期差信息上，并尝试解决以下问题：

1）如何刻画经济数据预期差？如何统一不同指标的预期差强度？

2）如何刻画货币政策预期差？哪种方案最适合中国市场？

3）如何融合不同宏观指标的信息，构建宏观预期差指数？

4）预期差信息在大类资产配置中有什么应用？

图表3：宏观预期差信息可以弥补宏观趋势判断的低频与滞后性缺点

资料来源：Bloomberg，Wind，国盛证券研究所

二、如何刻画经济数据预期差？

2.1预期数据的选择

彭博和万得是中国宏观一致预期数据的两家主流数据提供商，在宏观数据公布之前，Bloomberg 和Wind 会搜集经济学家的研究报告或调查问卷，并将调查结果汇总生成宏观一致预期数据。如图表4-5所示，Wind的宏观预期数据主要来源于国内券商的首席经济学家以及券商研究所的宏观首席分析师，而 Bloomberg的宏观预期数据则主要来源于外资银行或外资券商的经济学家，两者在信息来源层面有较明显的差异。

图表4：Wind宏观一致预期明细与底层数据来源

最近一个月历史所有预测
指标	预测平均值	3.69 预测家数	15 预测最大值	5.1	预测最小值	2.7
	预测者						预测机构
	蒋飞、李相龙、仝垚炜、贺昕煜			2.82	022-12-05		长城证券
	汪涛、钟挥、王紫娇			420	22-12-05	瑞银证券
					2022-12-05	德邦证券
	刘路、陈蔚宁			320	22-12-04		平安证券
					2022-12-03	方正证券
				420	22-12-03
	梁中华、应镓姻			3.62	022-12-02
	张瑜、陆银波、殷雯卿、付春生			3.520	22-12-02		华创证券
	董德志、李智能
	程强、玛西高娃、王希明			2.920	22-12-01		中信证券
	高挺			2.720	22-12-01		野村东方国际
	李超、孙欧、张迪、林成炜、张浩、潘高远			420	22-12-01

	常慧丽			420	22-12-01		华泰证券
	陈兴、王丰			320	22-11-30		中泰证券
	王涵、王连庆						兴业证券
	杨盈竹			4.320	22-11-28		北大国民经济研究中心
	秦泰		申万宏源

资料来源：Wind，国盛证券研究所

图表5：Bloomberg宏观一致预期明细与底层数据来源

11) 全部排名 12) 经济学家排名历史
10)预测公布日期	时间 AM事件		期间	实际上次修正
) << 10/24/22 □ 2 >> 09:30 CH 全中 GDP 同比摘要				3Q 3.9%	0.4%
预测中值平均预测值最高预测值最低预测值		9.0 87 3.3% 3.31% 6.0 4.5% 55.0 2.5% 54.0 36 3.0 2.0 27

				■
预测次数合格经济学家

10 标准差 0.47% .0 自设预测 2.0
经济学家公司 101) Shaohua Yao ABCI Securities Co Ltd 102) Li-Gang Liu Citigroup Global Markets 103) Zhengwei Lu Industrial Bank Co Ltd			3.5 4.0 4.5 5.0 预测截至排名 3.5% 10/17/2022 1st 3.3% 10/13/2022 2nd

资料来源：Bloomberg，国盛证券研究所

当然，信息究竟来自于外资机构还是来自于内资机构其实并不特别重要，归根结底一致预期数据的质量才是我们选择预期数据的最终标准。在图表6中，我们尝试从多个角度出发评估 Bloomberg一致预期数据的质量，核心结论如下：

1）从信息丰富度来看：Bloomberg 除了提供预测平均值、预测最小值、预测最大值之外，还额外收录了预测中位数和预测标准差（代表了经济学家的预测分歧），这两个数据字段在后面的标准化预期差定义中将起到重要的作用。另外，从覆盖的宏观指标数量、宏观一致预期的起始时间以及宏观指标的平均机构覆盖数量这三个方面来看，Bloomberg的宏观一致预期数据也能满足量化回测的要求。

2）从回测严谨性来看：首先宏观数据在首次披露后是可能会发生修正的，比如GDP就有初步核算值、初步核实值和最终核实值之分。经过仔细的数据比对和验证后，我们发现 Bloomberg 会保留宏观数据的首次披露值。另外，如图表7所示,Bloomberg会保留宏观数据发布的具体日期和时间。因此，使用 Bloomberg 的数据进行回测能够较好地避免“未来数据”的陷阱，保证回测的严谨性。

3）从预测可信度来看：预测误差=实际值-预测中值，那么我们以|median(预测误差)I来衡量预测的无偏性，越接近0则表示预测无偏性越强；以 std(预测误差)来衡量预测的置信度，越小则表示预测的置信区间越窄，精度越高。如图表6所示，以Bloomberg覆盖的同比数据为例，同比数据预测误差的中位数平均为0.12%，预测误差的标准差平均为1.3%，一致预期数据的无偏性和置信度良好。

综上所述，Bloomberg宏观一致预期数据显示出较高的数据质量，因此后续的研究中我们将在Bloomberg预期数据的基础上，进一步设计宏观预期差指数和预期差策略。

图表6：Bloomberg宏观一致预期数据质量

维度	彭博宏观一致预期
预测机构	外资机构为主
数据种类	额外收录中位数和预测分歧
指标覆盖度	23个
时间覆盖度	最早2000年开始
预测家数	平均有 26 家机构预测
实际数据可得性	保留首次披露数据
发布日期和时间	有发布日期和时间
无偏性：\|median(预测误差)l	同比数据预测误差的中位数平均为0.12%
置信度：std(预测误差)	同比数据预测误差的标准差平均为1.3%

资料来源：Bloomberg，国盛证券研究所

图表7：Bloomberg宏观一致预期数据样式（以GDP不变价当季同比为例）

公布时间	报告期	实际值	前值	修正值	预测中值	标准差	预测意外
2018/10/19 10:00	2018/09/30	6.50%	6.70%	6.70%	6.60%	0.08%	-1.21
2019/01/21 10:00	2018/12/31	6.40%	6.50%	6.50%	6.40%	0.07%	0.00
2019/04/17 10:00	2019/03/31	6.40%	6.40%	6.30%	6.30%	0.09%	1.07
2019/07/15 10:00	2019/06/30	6.20%	6.40%	6.00%	6.20%	0.10%	0.00
2019/10/18 10:00	2019/09/30	6.00%	6.20%	5.90%	6.10%	0.07%	-1.48
2020/01/17 10:00	2019/12/31	6.00%	6.00%	5.80%	6.00%	0.09%	0.00

资料来源：Bloomberg，国盛证券研究所

2.2 宏观预期数据特征与处理

在选定 Bloomberg 作为数据来源后，下面我们将介绍 Bloomberg 宏观预期数据所覆盖的宏观指标及其数据特征和数据处理。Bloomberg 目前覆盖 23个中国宏观数据的一致预期，大致可以分为以下四类：

1）货币类（2个):LPR-1年、LPR-5年。

2）信用类（6个)：外汇储备、M0、M1、M2、社融、新增人民币贷款等。

3）经济类（13个）：中采/财新 PMI、进出口、失业率、工业增加值、社零同比等。

4) 通胀类（2个）：CPI同比、PPI同比。

与货币政策相关的预期数据只有LPR利率，我们认为这并不能很好地反映国内央行目前较为丰富的货币政策工具箱，因此我们后面将不采用 Bloomberg的LPR一致预期数据来刻画货币政策的预期差（对于货币政策一致预期，国内外的学术界和业界有很多完全不依赖于Bloomberg一致预期的定义方法，我们将在第三章节重点展开）。

图表8：中国宏观经济数据公布时间线

资料来源：Bloomberg，国盛证券研究所

另外我们还观察到，部分指标会明显受到春节效应的影响，以出口同比和M1同比为例，指标每年1-2月的数据都会出现很大的波动，这对于我们分析宏观数据预期差无疑造成了很大的干扰，因此对于受春节效应影响严重的宏观指标，我们采用“剔除1-2月”或“合并1-2月”的数据处理方式。

图表9：出口同比的春节效应

资料来源：Bloomberg，国盛证券研究所

图表10:M1同比的春节效应

资料来源：Bloomberg，国盛证券研究所

图表11：最终选入的Bloomberg宏观预期数据列表、数据特征及其数据处理

宏观维度	宏观指标	最早数据日	可用样本数量	最新覆盖机构数	春节效应处理
经济信用	社会消费品零售总额同比工业增加值同比	2000-09	188	31	剔除1-2月
			2000-10	190 30	剔除1-2月
	出口同比		2003-03 161	27	剔除1-2月
	进口同比		2003-03 162	28	剔除1-2月
	贸易余额 (美元)		2003-03 155	25	剔除1-2月
	GDP不变价当季同比 GDP不变价累计同比		2003-06 74	33	无
	固定资产投资累计同比		2007-06 48	33	无
	中采PMI		2005-07 186	29	无
	财新PMI		2009-09 154	28	无
	财新服务业PMI		2010-11 121	15	无
	中采非制造业PMI		2017-12 55	8	无
	失业率	2017-12 2020-04	55 24	15	无
		M2同比 2004-05	170	11 24	无剔除1-2月
		MO同比	2007-07 114	4	剔除1-2月
		M1同比	2007-07 123	11	剔除1-2月
		外汇储备(美元)	110	14	无
当月新增人民币贷款		2007-12		25	合并1-2月
						2009-07 142
						社融规模	2013-01 103
通胀	CPI同比 PPI同比	2005-06 205		23 32	合并1-2月无
通胀	CPI同比 PPI同比	2005-06 205		23 32	合并1-2月无	2001-05 206

资料来源：Bloomberg，国盛证券研究所

2.3 如何刻画经济数据的预期差

在完成对宏观一致预期数据的预处理后，下一步我们需要解决的问题是如何定义宏观经济数据的预期差。事实上如果我们只想要判断预期差的方向的话，问题是很好解决的，比如GDP同比一致预期为5%，实际披露值为6%，那么我们可以认为触发了“GDP超预期”的事件。但如果我们并不想止步于仅仅获取预期差的方向性信息呢？比如：

1）预期差是否时间序列可比？以GDP为例，当下宏观环境下的实际值6%VS预期值5%，相比于历史环境下的实际值12%vs预期值11%，我们是否要认为这两个事件的超预期强度一致？

2) 预期差是否横向可比？主要体现在两个方面：①同一维度里面的不同指标预期差方向不一致，如何处理冲突的预期差信息？②不同宏观指标的单位有明显差异，比如GDP同比是同比数据，PMI是扩散指数的数据，社融规模是具体金额的数据，如何横向比较不同单位的宏观指标预期差信息？

因此，如果我们想更充分地利用宏观一致预期的信息，就必须要解决宏观经济数据预期差的标准化问题，下面我们将介绍基于Bloomberg数据的预期差标准化方案。

传统方案：利用时间序列数据标准化。学术文献中最常用的做法是利用预期差的时间序列数据进行标准化，如 Kilian 和Vega(2011)、王涛和刘帅(2014)。具体来说即为：

本质是利用预期差的历史时间序列数据对当前的预期差进行标准化，但缺点有二：

1）由于利用了历史时间序列，必然需要浪费一部分数据（比如采用滚动36个月的窗口进行标准化)，可用于信号验证的金融市场数据将进一步减少。

2）这个方法假设当前预期差的潜在波动与历史预期差波动一致，但从图表12-13 的结果来看，中国宏观数据预期差的波动率变化较为剧烈，具有明显的异方差性。

图表12：M2同比预期差历史序列具有明显异方差性

资料来源：Bloomberg，国盛证券研究所

图表13：工业增加值同比预期差历史序列具有明显异方差性

资料来源：Bloomberg，国盛证券研究所

改进点①：利用横截面数据标准化。Pericoli和Veronese(2015)对 Bloomberg一致预期的分歧（即图表5中的标准差）进行研究，发现预测分歧大的时候会降低预期差的有效性，而预测分歧小的时候会提升预期差的有效性。因此借鉴其结论，我们基于横截面预测分歧进行预期差标准化：

图表14:利用经济学家的预测分布进行预期差标准化

资料来源：Bloomberg，国盛证券研究所

图表15：小样本分布与正态分布的差异

资料来源：国盛证券研究所

改进点②：小样本t分布的处理。事实上，Standard_Surprise2的设计也并非没有缺点，Bloomberg 的宏观预期覆盖的经济学家数量毕竟不多，在统计学意义上属于小样本分析。因此 Standard_Surprise2严格意义上来说属于自由度较低的t分布，而不能视作为标准正态分布。正如图表15所示，自由度低的t分布与自由度高的t分布（可近似看作标准正态分布）的zScOre并不能直接比较。因此我们纳入了预测机构数量的信息，基于累计分布函数将t分布的zScore转化为正态分布的zScore，使得不同机构覆盖数量的宏观预期差数据可以横向比较：

图表16：预期差信息的标准化处理方案探索与改进

资料来源：国盛证券研究所

综上，预期差的方向固然重要，但是预期差的强度也蕴含着丰富的信息，因此为了解决不同宏观指标预期差强度的可比问题，我们引入了Bloomberg宏观预期数据中的预测分歧和预测机构数量两个信息，给出了更优的预期差标准化处理方案。至此，宏观分析的信用、经济和通胀三个维度的预期差我们均可基于Bloomberg的宏观预期数据进行定义和跟踪。

三、如何刻画货币政策预期差？

正如我们上述所言，Bloomberg中与货币政策相关的预期数据只有LPR利率，这并不能很好地反映国内央行目前已经较为丰富的货币政策工具箱。因此在接下来的第三章中我们将详细介绍国内央行的货币政策工具箱以及国内外对于货币政策预期差的探索，最终基于文献梳理和实证探索,我们将给出一套有效且符合逻辑的货币政策预期差计算方案。

3.1 央行的货币政策工具

当前中国人民银行以“保持货币币值的稳定，并以此促进经济增长”为目标，基于此目标，当前央行已经发展出具有不同目的和功能的货币政策工具，大概可以分为以下4个大类和13个小类:

1）短期政策利率。主要功能是调整银行间市场的短期流动性,期限一般是1个月以内。当下已经逐渐形成了“7天逆回购利率为中枢、SLF利率为上限、超额准备金利率为下限”的利率走廊体系。

2）中期政策利率。主要功能是向市场投放中长期资金，期限一般是3-12个月。中期政策利率的传导体系为“MLF利率->LPR 利率->企业贷款利率”，LPR利率在MLF利率基础上按照市场化方式加点形成，银行以LPR利率为基准，通过加点形成企业贷款利率。

3）央行定向工具。主要功能是定向引导资金流向和调整信贷结构，主要包含再贷款、再贴现和定向中期借贷便利（TMLF）这三个工具，期限一般在3-12个月。当下的主要支持方向为支小、支农和扶贫等。

4）准备金率。法定存款准备金率是央行传统的货币政策工具之一，目前我国实行的是“三档两优存款准备金”制度，即对于不同银行实行不同的准备金率，兼顾了防范金融风险和服务实体经济、特别是服务小微企业，有利于优化结构。

2005年1月至2022年6月，图表17收录的13个货币政策工具累计变动了317次，其中短期政策利率调整了109次，中期政策利率调整了91次，央行定向工具调整了10次，准备金率（大型和中小型）累计调整了107次。下面我们将基于这317次货币政策调整事件来进行货币政策的预期差定义和分析。

图表17:央行货币政策工具箱

大类	货币政策工具	期限	备注
短期政策利率	流动性调节工具(SLO) 常备借贷便利（SLF) 逆回购	1-7天隔夜、7天、1个月 7、14、28天等	公开市场操作的补充，2016年后没有操作金融机构向央行主动申请流动性，常被认定为利率走廊的上限央行投放短期资金的主要工具，常被认定为短期政策利率中枢
中期政策利率	超额准备金利率存款基准利率贷款基准利率贷款市场报价利率 (LPR)	1年 1年 1年 1年、5年	央行给商业银行的存款利率，常被认定是利率走廊的下限商业银行存款的指导性利率，整个利率体系的“压舱石” 商业银行贷款的指导性利率，调控信贷成本企业贷款利率以LPR利率为基础，LPR利率以MLF利率为基础
央行定向工日	中期借贷便利（MLF) 再贷款再贴现	3个月、6个月、1年 3个月、6个月、1年 3个月、6个月、1年	引导金融机构向实体经济提供资金，常被认定为中期政策利率中枢定向支农支小扶贫和稳定金融体系定向支持民营企业和小微企业融资
具准备金率	定向中期借贷便利（TMLF) 准备金率_大型机构准备金率_中小型机构	1-3年	引导银行增加对小微企业和民营企业贷款而专门设立六大行等大型商业银行的法定存款准备金率，用以调控货币投放对中小银行实行较低的存款准备金率，支持民营和小微企业

资料来源：Wind，国盛证券研究所

3.2 刻画货币政策预期差的四种思路

货币政策预期差的定义方式有很多，但是最终我们应该如何比较不同的定义方式的优劣呢？我们给出以下三个标准：

1）该定义方式是否具有逻辑性？即是否有市场共识或学术理论上的支持？

2）该定义方式是否具有普适性？即能否同时用于不同的政策利率和准备金率工具？

3）该定义方式是否具有有效性？即能否有效区分金融资产后续的表现？

对于第三个标准，我们引入了事件驱动分析工具，具体如下：

统计时间：2005年1月-2022年6月；

金融资产：沪深300 指数、中债国债1-3年净价指数;

事件分析：统计历史上某事件发生前10天和后60天的资产平均表现;

事件回测：某事件发生后固定持有资产N个交易日的策略表现，参数N会根据不同资产和事件寻优得出。

思路①：政策事件法。上文我们已经说过，当前我们收录了317次货币政策工具的变动，其中降息降准方向的有169个事件，加息升准方向的有148个事件。一个比较容易获取的信息就是政策事件变动的方向性信息，比如降息降准是货币政策宽松的方向，加息升准是货币政策收紧的方向。因此，政策事件法的定义为：

超预期宽松：降息或者降准事件发生，累计发生169次。

超预期收紧：加息或者升准事件发生，累计发生148次。

从图表18-19可见，货币政策事件变动的方向对于股票和债券后续表现均有明显的区分度，其中对于债券的走势区分度尤其明显。政策事件法的本质是假设资本市场对货币政策没有任何预测能力（即只要降息降准事件发生就认为是超预期宽松，只要加息升准事件发生就认为是超预期收紧)，在未来资本市场有效性越来越强的趋势下，我们认为这种假设有点太强。从三个标准出发，政策事件法定义能够较好地满足普适性和有效性，但其逻辑性有所欠缺。

图表18：政策事件法定义下的事件驱动分析：沪深300指数

资料来源：Wind，国盛证券研究所

图表19：政策事件法定义下的事件驱动分析：国债1-3年净价指数

资料来源：Wind，国盛证券研究所

思路②：一致预期法。顾名思义，即直接采用Wind 和Bloomberg对中国政策利率的一致预期构建货币政策预期差：

超预期宽松：政策利率变动时，实际值<一致预期值，累计发生14次。

超预期收紧：政策利率变动时，实际值>一致预期值，累计发生9次。

图表20:1年期LPR 利率与Bloomberg一致预期

资料来源：Bloomberg，国盛证券研究所

图表21:1年期定期存款利率与Wind一致预期

资料来源：Wind，国盛证券研究所

一致预期法的定义方式虽然最符合我们的直观感受且能够和经济数据的预期差保持定义方式的一致性，但是从事件驱动的分析结果来看，其对股票和债券的区分度并不理想。

更大的缺点在于普适性，目前Wind 只收录了一年期贷款利率和一年期定存利率的一致预期（但是这两个政策利率工具自2016年起已经不再使用），而Bloomberg 则只收录了LPR利率和MLF利率的一致预期（分别是2019年9月和2022年2月开始收录），也就是说目前在一致预期法的定义下，我们只能覆盖四个常见的货币政策工具。综上，一致预期法的定义只满足逻辑性的标准，但是明显不满足普适性和有效性的标准。

图表22：一致预期法定义下的事件驱动分析：沪深300指数

资料来源：Wind，Bloomberg，国盛证券研究所

图表23：一致预期法定义下的事件驱动分析：国债1-3年净价指数思路③：固浮利差法。郭晔、黄振和王蕴(2016)曾提出利用固息债和浮息债的到期收益率差作为“未来货币政策的变动预期”。浮息债是一种具有浮动利率条款的债券，其息票利率由基准利率和利差两部分构成，并随基准利率浮动。因此与固息债相比，浮息债的现金流与基准利率同向变动，故基准利率的变动对其价格影响较小。

资料来源：Wind，Bloomberg，国盛证券研究所

固浮利差法的核心原理是：如果投资者预期未来基准利率不会调整，则浮息债到期收益率应与固息债到期收益率一致；如果投资者预期未来基准利率会下调，固息债的到期收益率将明显低于浮息债的到期收益率，所以固息债到期收益率-浮息债到期收益率能大致反映市场预期的基准利率变化。

从图表24-25可见，2011年7月固浮利差明显为负，即隐含了未来货币政策宽松的预期，随后未来一年中发生了三次降准事件。而 2022年6月以来固浮利差持续为正，即隐含了未来货币政策收紧的预期，但8月22日却是发生了LPR利率下调的事件，这种情况则可以认为是“超预期降息”。固浮利差法对货币政策预期差的定义为：

固浮利差：国开债到期收益率:6个月-(SHIBOR-3M:5日平均+中债浮动利率政策性金融债(SHIBOR-3M-5D)点差曲线:6个月)。

·超预期宽松：△实际政策利率<货币政策变动前一天固浮利差，累计发生84次。

·超预期收紧：△实际政策利率>货币政策变动前一天固浮利差，累计发生115次。

图表24:固浮利差隐含预期：2011-2013

资料来源：Wind，国盛证券研究所

图表25：固浮利差隐含预期：2020-2022

资料来源：Wind，国盛证券研究所

基于固浮利差法的货币政策预期差定义虽然逻辑性较强，但也有其缺点：

1）浮息债整体规模较小，是否能够有效代表市场预期存疑。截至2022年8月23日，浮息债总规模1.3万亿，固息债总规模105.1万亿，规模和流动性差异均较大。

2）固浮利差方法仅适用于政策利率变动的事件（210个事件），但不适用于准备金率变动的事件（107个事件），普适性不强。

3）固浮利差计算采用SHIBOR-3M作为计算基准，利率期限可能存在错配。比如SHIBOR-3M明显比七天逆回购利率的期限要长，但又比1年期LPR利率的期限要短，因此政策利率的变动幅度未必和固浮利差隐含利率变动的幅度相符。

4) 从图表26-27的效果来看，固浮利差法定义下的货币政策预期差对股票的区分度尚可，但是对债券未来走势的区分度并不理想。

综上，固浮利差法的定义满足逻辑性标准，但是在普适性和有效性上仍有瑕疵。

图表26：固浮利差法定义下的事件驱动分析：沪深300指数

资料来源：Wind，国盛证券研究所

图表27：固浮利差法定义下的事件驱动分析：国债1-3年净价指数

资料来源：Wind，国盛证券研究所

思路④：市场利率法。Kuttner(2001)利用联邦基金利率期货的隐含政策利率在美联储开会前后一天的变化来识别货币政策预期差。Reid(2009)利用市场利率在货币政策调整日的前后一天差值来衡量利率调整的未预期成分。熊海芳和王志强(2012)利用货币政策调整日前后一天的银行间同业拆借利率7日平均利率变化来衡量货币政策的未预期成分。

市场利率法的核心原理是：如果货币政策调整早就在市场预料之内，那么货币政策事件发生对市场利率将不构成任何的冲击，那么货币政策调整日前后市场利率将不会有任何变化。而如果货币政策调整比预期的更加宽松，那么市场利率则会表现为在货币政策调整信息发布后快速下行。

但市场利率有很多种，哪一种市场利率才最能反映货币政策的预期差呢？首先我们利用有Wind 或Bloomberg一致预期覆盖的LPR利率、1年期定存利率和1年期贷款利率构建了符合直觉的“真实预期差”，然后根据市场利率与“真实预期差”的相关性来选择最合适的市场利率。从图表28可见，△SHIBOR-1W对“真实预期差”的解释性最高，明显高于△R007和△DR007,因此后面我们将采用 SHIBOR-1W作为市场利率的代理指标。

图表28：什么市场利率最能反映货币政策的预期差？

资料来源：Wind，Bloomberg，国盛证券研究所

因此，市场利率法对货币政策预期差的定义为：

市场利率选择：SHIBOR-1W利率，2014年7月31日前11:30公布，2014年8月1日后改9:30公布，2017年1月3日后改11:00公布。

如何计算市场利率变动：每一个货币政策调整事件前后的两个SHIBOR-1W 报价的差异。比如2022年1月17日09:20央行宣布下调MLF利率，1月16日11:00的SHIBOR-1W报价为2.213%，1月17日11:00 的 SHIBOR-1W报价为2.183%，△SHIBOR-1W 为 2.183%-2.213%=-0.03%。

超预期宽松：△SHIBOR-1W<0，累计发生150次。

超预期收紧：△SHIBOR-1W>0，累计发生166次。

图表29：市场利率法定义下的事件驱动分析：沪深300指数

资料来源：Wind，国盛证券研究所

图表30：市场利率法定义下的事件驱动分析：国债1-3年净价指数

资料来源：Wind，国盛证券研究所

小结：四种货币政策预期差定义的比较。综上所述，政策事件法、一致预期法、固浮利差法和市场利率法这四种不同的货币政策预期差定义方式各有优劣，但如果综合逻辑性、普适性和有效性这三个评价标准的话，我们认为：市场利率法>政策事件法>固浮利差法>一致预期法，市场利率法和政策事件法均有可取之处。

图表31：四种货币政策预期差定义方式的比较

评价标准	政策事件法	一致预期法	固浮利差法	市场利率法
逻辑性	★☆☆ 假设市场完全没有预期能力	★★★	★★☆ 是最直观的预期差定义浮息债规模小，可靠性存疑	★★★ 学术研究支持最丰富
普适性	★★★ 适用于所有货币政策工具	★☆☆ 目前只适用于LPR、MLF	★★☆ 不适用于准备金率工具	★★★ 适用于所有货币政策工具
有效性	★★★	★★☆	★★☆	★★★

资料来源：国盛证券研究所

3.3中国货币政策预期差的定义

既然市场利率法和政策事件法对中国货币政策预期差的定义均有可取之处，我们尝试通过简单打分的方式结合两种方法的信息,基于逻辑性、普适性和有效性三个标准的考虑。我们设置市场利率法得分为±2分，政策事件法得分为±1分，最终得分为两者得分的总和，即中国货币政策预期差的最终定义为：

降息降准(+1)+△SHIBOR-1W<0(+2): +3分。

加息升准(-1)+△SHIBOR-1W<0(+2): +1分。

降息降准(+1)+△SHIBOR-1W>0(-2): -1分。

加息升准(-1)+△SHIBOR-1W>0(-2): -3分。

这个最终得分的大小设置也考虑到与基于Bloomberg一致预期的经济数据标准化预期差得分保持量纲的一致性（[-3，3]大概也是标准正态分布下的正常波动范围）。从图表32-图表37可见，中国货币政策预期差对沪深300、中证500和利率债均有较高的收益区分度，同时基于货币政策预期差的股票、债券择时策略也有较好的表现。

图表32：中国货币政策预期差事件驱动分析：沪深300指数

资料来源：Wind，国盛证券研究所

图表33：基于货币政策预期差的沪深300择时策略

资料来源：Wind，国盛证券研究所

图表34:中国货币政策预期差事件驱动分析：中证500指数

资料来源：Wind，国盛证券研究所

图表35：基于货币政策预期差的中证500择时策略

资料来源：Wind，国盛证券研究所

图表36:中国货币政策预期差事件驱动分析：国债1-3年净价指数

资料来源：Wind，国盛证券研究所

图表37：基于货币政策预期差的国债净价多空择时策略

资料来源：Wind，国盛证券研究所

3.4 美联储货币政策预期差的定义

对于美联储货币政策预期差，其定义方式与中国货币政策预期差原理基本类似，但是细节层面略有差异，在介绍之前我们需要简要介绍一下美联储公开市场操作的基本概念：

联邦基金利率：联邦基金利率为一家存款机构利用手上的资金向另一家存款机构借出隔夜贷款的利率，即美国各家银行间的银行同业拆借利率。联邦基金利率是美国的基准利率，是美联储制定货币政策的主要指标。

联邦基金有效利率：隔夜联邦基金交易利率的交易量加权中位数，下文称为FFER。

联邦基金目标利率：美联储的FOMC每年一般召开8次会议，讨论联邦基金利率的目标，即市场关注的美联储加息和降息的动向。FOMC设定联邦基金目标利率后，美联储通过公开市场操作改变市场上货币的发行量，实现预先设定的目标利率。

联邦基金利率期货：联邦基金利率期货是芝加哥交易所推出的以FFER为标的的月度（30天）合约，以反映市场对合约的30天内FFER预期的平均值，其交易价格=100-合约期间FFER预期平均值。因此期货隐含利率=100-期货交易价格。以2022-05-04F0MC会议为例，会议前期货隐含利率(0.7825%)=100-99.2175(3日期货价格)，会议后期货隐含利率(0.77%)=100-99.23(4日期货价格)。

图表38：美国联邦基金目标利率与期货隐含利率

资料来源：Wind，国盛证券研究所

与中国货币政策预期差的定义一样，我们对美联储货币政策预期差的定义也同时包含政策事件法与市场利率法，具体定义为：

政策事件法：以一般每年召开8次的FOMC会议为时点，根据联邦基金目标利率的变动作为政策事件的得分。

市场利率法：由于美国有联邦基金利率期货这种本身就是以政策利率为标的的衍生品，因此海外学术研究上常用联邦基金利率期货的隐含利率作为市场利率的代表变量。如 Kuttner(2001)采用了 FOMC 会议前后一天的当月合约的隐含利率变动作为货币政策预期差，而Jarocinski(2018)则做了两点改进：

a）采用3个月后的的联邦基金利率期货合约作为计算依据，相比于当月合约而言可以纳入更多FOMC会议中的前瞻指引信息。同时也可以避免短期过度的预期博弈导致的当月合约的价格噪声。

b）采样频率进一步提升，利用FOMC会议10分钟前和20分钟后两个时点的高频数据计算隐含利率的变动，可以更加精准地刻画货币政策预期差。

图表39：利用联邦基金利率期货隐含利率识别美联储货币政策预期差

资料来源：国盛证券研究所

因此美联储货币政策预期差的最终定义为：

政策事件方向:即联邦基金目标利率的变动方向,降息/不变/加息分别为+1/0/-1分。

市场利率变动：即3个月联邦基金利率期货隐含利率在FOMC会议前后30分钟区间的变动方向，<0/=0/>0分别为+2/0/-2分。

图表40：美联储货币政策预期差最终定义

加息△市场利率 >0=0<0	货币政策方向不变	降息
		2
		0	+1
		+2	+3

资料来源：国盛证券研究所

为了验证上述美联储货币政策预期差定义的有效性，我们选取了TLT指数（iShares 20+YearUSTreasuryBond ETF）以及黄金（AU9999.SGE）两个与美国货币政策相关性较高的资产进行有效性验证。从图表41-图表44的结果来看，美联储货币政策预期差对美债和黄金未来走势均有显著的区分度，根据货币政策预期差设计的美债和黄金择时策略长期来看均比长期持有策略收益更高、波动更低、回撤更小。货币政策预期差对美债和黄金的择时效果也反过来验证了基于“政策事件+市场利率”的美联储货币政策预期差定义方法确实能够比较有效地刻画整体市场对货币政策事件预期差。

图表41：美联储货币政策预期差事件驱动分析：TLT指数

资料来源：Wind，Bloomberg，国盛证券研究所

图表42：基于美联储货币政策预期差的TLT择时策略

资料来源：Wind，Bloomberg，国盛证券研究所

图表43：美联储货币政策预期差事件驱动分析：黄金

资料来源：Wind，Bloomberg，国盛证券研究所

图表44：基于美联储货币政策预期差的黄金择时策略

资料来源：Wind，Bloomberg，国盛证券研究所

四、宏观预期差指数与超预期策略

4.1宏观预期差指数的编制方案

在第二章和第三章中，我们已经详细介绍了货币、信用、经济和通胀这四个宏观分析维度的预期差定义方式，下一步我们要解决的问题是：如何融合不同宏观指标的预期差信息，构建中国的宏观经济预期差指数。

借鉴高盛(2013)的MAP预期差指数编制方法，宏观经济预期差指数的编制大致可以分为单一信号打分、大类得分汇总、时间序列平滑&标准化三个步骤。

步骤①：单一信号打分。宏观预期差信号的打分需要考虑两点：

预期差得分：首先我们需要计算标准化预期差强度，对于信用、经济和通胀三个维度，我们用t分布调整后的zSCOre，而对于货币维度，我们则采用前面介绍的“政策事件+市场利率”的中国货币政策预期差定义。最后我们按照图表45中，将标准化预期差强度转化为五档的预期差得分。

图表45：预期差得分的计算方法

资料来源：国盛证券研究所

重要性得分：关于重要性得分，其计算方式也有三种：1)根据该指标与中国GDP同比的相关性：即与中国GDP相关性越高的指标，其重要性越高；2）根据该指标在Bloomberg中的关注度：即某指标设置自动提醒的比例，代表了指标的热门程度;3）根据大类资产对该指标预期差的反应：即某宏观指标出现预期差后，股票和债券后续表现的区分度。本文采用的是第三种方式，即根据宏观指标预期差对股债资产后续表现的区分度赋予该指标1-5的重要性的得分。

图表46：单一信号得分=预期差得分*重要性得分

预期差得分
0	-5	-4	-3	-2	-1	0	1	2	3	4	5
	0	0	0	0	0	0	0	0	0	0	0
重要性得分 1 2	-5	-4	-3	-2	-1	0	1	2	3	4	5
3	-10	-8	-6	-4	-2	0	2	4	6	8	10
4	-15 -20	-12	-9	-6	-3	0	3	6	9	12	15
		-16	-12	-8	-4	0	4	8	12	16	20
5	-25	-20	-15	-10	-5	0	5	10	15	20	25

资料来源：国盛证券研究所

步骤②：大类得分汇总。目前我们分别跟踪13个货币类指标、6个信用类指标、13个经济类指标和2个通胀类指标，因此四个大类的最终得分即为大类中所有细分指标的单一信号得分的加总。

步骤③：时间序列平滑&标准化。由于不同宏观数据的披露日期并不连续，因此预期差得分在时间序列上必然会出现很多“尖峰”。另外宏观预期差的信息也不会在一天之内完全被市场消化掉，所以对原始信号序列进行适度的移动平均有其合理性。我们采用90天的窗口对大类得分进行移动平滑，从而得到较为连续的原始预期差指数序列。

最后，为了使得不同维度的预期差指数具有可比性，我们采用滚动六年的窗口对原始预期差指数序列进行标准化处理，即：

图表47：美国货币政策预期差指数与沪深300

资料来源：Wind，Bloomberg，国盛证券研究所

图表48:美国货币政策预期差指数与10年期国债收益率

资料来源：Wind，Bloomberg，国盛证券研究所

图表49：中国货币政策预期差指数与沪深300

资料来源：Wind，Bloomberg，国盛证券研究所

图表50：中国货币政策预期差指数与10年期国债收益率

资料来源：Wind，Bloomberg，国盛证券研究所

图表51：中国信用预期差指数与沪深300

资料来源：Wind，Bloomberg，国盛证券研究所

图表52：中国信用预期差指数与10年期国债收益率

资料来源：Wind，Bloomberg，国盛证券研究所

图表53：中国经济预期差指数与沪深300

资料来源：Wind，Bloomberg，国盛证券研究所

图表54:中国经济预期差指数与10年期国债收益率

资料来源：Wind，Bloomberg，国盛证券研究所

图表55：中国通胀预期差指数与沪深300

资料来源：Wind，Bloomberg，国盛证券研究所

图表56：中国通胀预期差指数与10年期国债收益率

资料来源：Wind，Bloomberg，国盛证券研究所

4.2预期差交易策略设计

基于宏观判断设计大类资产配置策略或宏观对冲策略，这种自上而下的投研模式是国内外很多投资者的研究方向。但从宏观预测到投资落地，一般至少有两道损耗：

1）从宏观预测到真实宏观之间存在损耗：即宏观预测的不准确性。

2）从真实宏观到资产表现之间存在损耗：即宏观对资产解释的不完备性。

这两重损耗使得基于宏观预测的资产配置策略往往表现一般。但是宏观预期差交易却能够在一定程度上避免这两重损耗。比如，假设T-1日市场对PMI的一致预期为50，市场也基于PMI等于50对股票进行了充分的定价，但T日公布的实际PMI等于55，这就意味着之前我们基于“PMI等于50”这个一致预期对股票的定价过于悲观，因此实际数据公布后市场必然要对之前过度悲观的定价进行修复，从而推动股票上涨。

因此，宏观预期差交易策略的底层假设是：宏观一致预期数据具备市场代表性。即市场只要相信宏观的一致预期，并基于宏观一致预期对资产进行充分定价，上述交易的逻辑便能够自洽，但这其实并不要求宏观一致预期有绝对的准确性。这也是我们在上文进行预期差定义的时候花了大量笔墨的核心原因，一致预期的定义越能代表全市场，则预期差策略的逻辑就越自洽，预期差策略的表现也就越好。

当然，不同的资产对于不同类型的预期差也会反应各异，比如债券对流动性更加的敏感，商品可能对于实体经济更加敏感。因此下面我们将分别对经济敏感型资产、流动性敏感型资产和美元流动性敏感型资产进行策略设计，并最终进行多资产的固收+策略设计。

① 经济敏感型资产：经济-通胀预期差时钟。对于经济敏感型资产，我们构建经济-通胀预期差时钟，基于美林时钟的内涵进行择时策略设计：

回测时间：2006年1月-2022年11月。

调仓规则：T日出现信号，T+1日收盘价成交。

权重设计：

经济预期差>0+通胀预期差<0:权益/商品100%，货币基金0%。

经济预期差>0+通胀预期差>0:权益/商品33%，货币基金67%。

经济预期差<0+通胀预期差>0:权益/商品0%，货币基金100%。

经济预期差<0+通胀预期差<0:权益/商品0%，货币基金100%。

从图表57可见，简单的“经济预期差+通胀预期差”的框架便能够有效对沪深300进行择时，沪深300长期持有策略的年化收益为11.2%，最大回撤72%，而沪深300 的预期差择时策略年化收益为19.5%，最大回撤为23.8%，策略效果显著。从图表58-图表63可以看到，基于经济和通胀的预期差信号明显更适用于顺周期性更强的周期板块和消费板块，而逆周期性更强的金融和稳定板块则效果稍逊一筹。

图表57：基于经济-通胀预期差时钟的择时策略：沪深300指数

资料来源：Wind，Bloomberg，国盛证券研究所

图表58：基于经济-通胀预期差时钟的择时策略：石油石化

资料来源：Wind，Bloomberg，国盛证券研究所

图表59：基于经济-通胀预期差时钟的择时策略：煤炭

资料来源：Wind，Bloomberg，国盛证券研究所

图表60：基于经济-通胀预期差时钟的择时策略：有色金属

资料来源：Wind，Bloomberg，国盛证券研究所

图表61：基于经济-通胀预期差时钟的择时策略：消费板块

资料来源：Wind，Bloomberg，国盛证券研究所

图表62：基于经济-通胀预期差时钟的择时策略：金融板块

资料来源：Wind，Bloomberg，国盛证券研究所

图表63：基于经济-通胀预期差时钟的择时策略：稳定板块

资料来源：Wind，Bloomberg，国盛证券研究所

相比于股票，大宗商品与实体经济的联系可能会更加紧密，同样的经济-通胀预期差时钟应用到大宗商品里面，其效果依然不俗。从图表64可见，基于经济-通胀预期差时钟的南华商品择时策略年化收益为7.9%，最大回撤18.7%，而长期持有商品的年化收益仅为 4.1%，最大回撤51.9%。另外从图表65-68可见，经济-通胀预期差时钟也同样适用于金属品、能化品以及农产品等细分商品指数。

此处需要说明的是，我们并未严格按照美林时钟的做法进行大宗商品的权重设计。传统的美林时钟认为商品表现最好的阶段是过热期，但此处我们的设计却是：类复苏期商品配置100%，类过热期商品配置33%。

主要原因是南华商品指数在权重设计的时候会兼顾商品现货在中国经济中的影响力以及商品期货在期货市场中的流动性，因此目前商品指数里面权重较高的依次是原油、螺纹钢、铁矿石、焦炭、铜、镍等，这些商品（除原油外）更多是经济敏感型资产而非通胀敏感型资产。在专题报告《资产配置VS风险配置：打造一个系统化的宏观风险配置框架》中，我们对大宗商品进行宏观风险分解的时候同样发现，经济增长风险可以解释商品走势的38%，而通胀风险只能解释商品走势的6%。

图表64:基于经济-通胀预期差时钟的择时策略：南华商品指数

资料来源：Wind，Bloomberg，国盛证券研究所

图表65：基于经济-通胀预期差时钟的择时策略：南华金属指数

资料来源：Wind，Bloomberg，国盛证券研究所

图表66：基于经济-通胀预期差时钟的择时策略：上期有色金属指数

资料来源：Wind，Bloomberg，国盛证券研究所

图表67：基于经济-通胀预期差时钟的择时策略：南华能化指数

资料来源：Wind，Bloomberg，国盛证券研究所

图表68：基于经济-通胀预期差时钟的择时策略：南华农产品指数

资料来源：Wind，Bloomberg，国盛证券研究所

② 流动性敏感型资产：货币-信用预期差时钟。对于流动性敏感型资产，我们构建货币-信用预期差时钟，基于货币-信用框架的内涵进行择时策略设计：

回测时间：2006年1月-2022年11月;

调仓规则：T日出现信号，T+1日收盘价成交;

权重设计：

，货币预期差>0+信用预期差<0:宽货币-紧信用，债券100%，货币基金0%。

货币预期差>0+信用预期差>0:宽货币-宽信用，债券33%，货币基金67%。

·货币预期差<0+信用预期差>0:紧货币-宽信用，债券0%，货币基金100%。

·货币预期差<0+信用预期差<0:紧货币-紧信用，债券0%，货币基金100%。

正如图表69-70所示，基于货币-信用预期差时钟的债券择时策略有一定的效果。对于1-3年期国债而言，择时策略年化收益提升至3.6%(基准为3.0%）,最大回撤降低至0.7%（基准为2.0%）。对于7-10年期国债而言，择时策略年化收益提升至4.2%（基准为3.5%），最大回撤降低至3.3%（基准为8.9%）。择时策略的年化单边换手为3.2倍，平均每3.75个月会调整一次仓位，整体而言属于中低换手的策略。

图表69：基于货币-信用预期差时钟的择时策略：中债国债总财富指数1-3年

资料来源：Wind，Bloomberg，国盛证券研究所

图表70：基于货币-信用预期差时钟的择时策略：中债国债总财富指数7-10年

资料来源：Wind，Bloomberg，国盛证券研究所

③美元流动性敏感型资产：美联储货币政策预期差。黄金是美元流动性的映射资产，我们直接采用第三章的事件驱动策略构建方法，即当美联储货币政策预期差出现宽松信号（信号≥1)，我们固定持有黄金30个交易日，剩下的时间持有货币基金。择时策略的年化收益提升至8.1%（基准为6.9%)，最大回撤降低至24.8%（基准为44.7%）。

图表71：基于美联储货币政策预期差的择时策略：黄金

资料来源：Wind，Bloomberg，国盛证券研究所

④ 固收+预期差增强型策略。基于上述不同资产的预期差择时策略，我们按照资金通道的方法构建三个不同风险级别的固收+策略，每个资金通道运行各自的策略：

·稳健型资金通道：权益10%、商品5%、黄金5%、短债40%、长债40%。

平衡型资金通道：权益15%、商品10%、黄金5%、短债35%、长债35%。

进取型资金通道：权益 20%、商品15%、黄金5%、短债30%、长债30%。

交易费用：权益和商品资产双边千分之五，债券资产双边万分之五。

由于预期差信号变化较为频繁，为了更贴近真实投资，我们考虑较高的交易费用。从图表72-74的结果可见，预期差指数对于单一资产可能存在阶段性失效的可能性，但是基于多资产的预期差策略可以较好地分散单一策略的风险。综合来说，宏观数据预期差信号对于大类资产的战术配置有一定的指导意义。

图表72：固收+预期差增强型策略（稳健型：权益上限10%）

资料来源：Wind，Bloomberg，国盛证券研究所

图表73：固收+预期差增强型策略（平衡型：权益上限15%）

资料来源：Wind，Bloomberg，国盛证券研究所

图表74:固收+预期差增强型策略（进取型：权益上限20%）

资料来源：Wind，Bloomberg，国盛证券研究所

五、总结

本文是宏观经济量化系列的第二篇报告，主要解决以下四个问题：

基于 Bloomberg 的宏观一致预期数据定义了国内经济数据的预期差。

结合政策事件法和市场利率法定义了中美货币政策的预期差。

借鉴高盛MAP指数的编制方案，构建了中国的宏观经济预期差指数。

基于宏观经济预期差指数，提出了基于预期差的多资产交易策略。

如果说专题报告《中国经济领先指数一一宏观经济量化系列之一》解决的是宏观量化中的方向判断问题，那么本文则从国内投资者关注较少的宏观一致预期的数据切入，补充解决了宏观量化中的力度判断问题。至此，对于宏观量化中的货币、信用、经济和通胀这四个分析维度，我们均可基于“方向”和“力度”对其进行标准化的分析。

参考文献

[1]．郭晔,黄振,王蕴．未预期货币政策与企业债券信用利差一一基于固浮利差分解的研究[J].金融研究，2016(6):14.

[2]．王涛，刘帅．宏观经济预期偏误对股票市场的冲击[J].云南财经大学学报，2014(3):8.

[3]．熊海芳，王志强．货币政策意外、利率期限结构与通货膨胀预期管理[J].世界经济，2012(6):26.

[4]．Jarocinski M， Karadi P . Deconstructing Monetary Policy Surprises - The Role of Information Shocks[J].Working Paper Series，2018(2).

[5].Kilian L，Vega C. Do Energy Prices Respond to U.S. Macroeconomic News? A Test of the Hypothesis of Predetermined Energy Prices[J]. Lutz Kilian，2011(2).

[6].Kuttner K N. Monetary policy surprises and interest rates: Evidence from the Fed funds futures market[J]. Journal of Monetary Economics，2001，47.

[7].Reid, M.The Sensitivity of South African Inflation Expectations to Surprises.South African Journal of Economics，77: 414-429，2009.

[8].Pericoli M，Veronese G.Forecaster Heterogeneity，Surprises and Financial Markets[J]. SSRN Electronic Journal，2015.

[9].Wilson D， Trivedi K，Weisberger N，et al.A better global economic MAP. Goldman Sachs，2013.

风险提示

宏观一致预期不能完美代表市场全体对宏观的认知；短期剧烈的宏观冲击可能并不能及时反映在宏观一致预期中；资金面噪声可能会导致市场利率法的识别方向出错。

免责声明

国盛证券有限责任公司（以下简称"本公司"）具有中国证监会许可的证券投资咨询业务资格。本报告仅供本公司的客户使用。本公司不会因接收人收到本报告而视其为客户。在任何情况下，本公司不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任。

本报告的信息均来源于本公司认为可信的公开资料，但本公司及其研究人员对该等信息的准确性及完整性不作任何保证。本报告中的资料、意见及预测仅反映本公司于发布本报告当日的判断，可能会随时调整。在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告。本公司不保证本报告所含信息及资料保持在最新状态，对本报告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。

本公司力求报告内容客观、公正，但本报告所载的资料、工具、意见、信息及推测只提供给客户作参考之用，不构成任何投资、法律、会计或税务的最终操作建议，本公司不就报告中的内容对最终操作建议做出任何担保。本报告中所指的投资及服务可能不适合个别客户，不构成客户私人咨询建议。投资者应当充分考虑自身特定状况，并完整理解和使用本报告内容，不应视本报告为做出投资决策的唯一因素。

投资者应注意，在法律许可的情况下，本公司及其本公司的关联机构可能会持有本报告中涉及的公司所发行的证券并进行交易，也可能为这些公司正在提供或争取提供投资银行、财务顾问和金融产品等各种金融服务。

本报告版权归"国盛证券有限责任公司"所有。未经事先本公司书面授权，任何机构或个人不得对本报告进行任何形式的发布、复制。任何机构或个人如引用、刊发本报告，需注明出处为"国盛证券研究所"，且不得对本报告进行有悖原意的删节或修改。

分析师声明

本报告署名分析师在此声明：我们具有中国证券业协会授予的证券投资咨询执业资格或相当的专业胜任能力，本报告所表述的任何观点均精准地反映了我们对标的证券和发行人的个人看法，结论不受任何第三方的授意或影响。我们所得报酬的任何部分无论是在过去、现在及将来均不会与本报告中的具体投资建议或观点有直接或间接联系。

投资评级说明

投资建议的评级标准		评级	说明
评级标准为报告发布日后的6个月内公司股价（或行业指数）相对同期基准指数的相对市场表现。其中A股市场以沪深 300指数为基准；新三板市场以三板成指（针对协议转让标的)或三板做市指数(针对做市转让标的）为基准；香港市场以摩根士丹利中国指数为基准，美股市场以标普 500 指数或纳斯达克综合指数为基准。	股票评级	买入	相对同期基准指数涨幅在15%以上
		增持	相对同期基准指数涨幅在5%~15%之间
		持有	相对同期基准指数涨幅在-5%~+5%之间
		减持	相对同期基准指数跌幅在5%以上
	行业评级	增持	相对同期基准指数涨幅在10%以上
		中性	相对同期基准指数涨幅在-10%~+10%之间
		减持	相对同期基准指数跌幅在10%以上

国盛证券研究所

北京

地址：北京市西城区平安里西大街26号楼3层

上海

地址：上海市浦明路868号保利One561号楼10层

邮编：100032

邮编：200120

传真：010-57671718

电话：021-38124100

邮箱：gsresearch@gszq.com

南昌

深圳

地址：南昌市红谷滩新区凤凰中大道1115号北京银行大厦

邮编：330038

地址：深圳市福田区福华三路100号鼎和大厦24楼

传真：0791-86281485

邮编：518033

邮箱：gsresearch@gszq.com

START YOUR FINANCE

起点财经，网罗天下报告

量化专题报告

宏观预期差量化与超预期策略一一宏观经济量化系列之二

作者

相关研究

每日免费获取报告

内容目录

图表目录

一、宏观量化的研究路线

二、如何刻画经济数据预期差？

2.1预期数据的选择

2.2 宏观预期数据特征与处理

2.3 如何刻画经济数据的预期差

三、如何刻画货币政策预期差？

3.1 央行的货币政策工具

3.2 刻画货币政策预期差的四种思路

基于固浮利差法的货币政策预期差定义虽然逻辑性较强，但也有其缺点：

因此，市场利率法对货币政策预期差的定义为：

3.3中国货币政策预期差的定义

3.4 美联储货币政策预期差的定义

因此美联储货币政策预期差的最终定义为：

四、宏观预期差指数与超预期策略

4.1宏观预期差指数的编制方案

4.2预期差交易策略设计

五、总结

参考文献

风险提示

免责声明

分析师声明

投资评级说明

国盛证券研究所

START YOUR FINANCE

宏观经济量化系列之二：宏观预期差量化与超预期策略-20221223-国盛证券-33页