CHINA EQUITY RESEARCH

宏观量化 · 市场在交易什么周期

因子模拟组合(FMP)× 6 因子 × Level 模式 × Ridge 估计 | 2015–2026
2026-10-09数据截面
数据截止：2026-10-09 · 标的：宏观量化因子模拟组合
CHINA EQUITY RESEARCH · 结论
一、核心结论:市场在交易什么
数据截面 2026-10-09

数据时点 2026-10-09。以下判断由 FMP(因子模拟组合)从资产价格反推的市场隐含信号生成。

当前没有结构因子通过正式叙事门槛，近期读数仅作研究观察。

核心判断

最近21个交易日对数收益：增长组合+0.45%；信用组合+0.14%；通胀组合+0.11%；货币环境组合+0.00%；人民币双边汇率组合+0.00%；利率组合-0.19%。

增长组合贡献较大的是000300（+0.63%），000852贡献-0.43%；通胀组合贡献较大的是NHECI（+0.19%），H11001贡献-0.11%；信用组合贡献较大的是931218（+0.13%），931206贡献-0.10%。当前OOS与增量检验不足以将这些价格变化认定为统一宏观周期。

同参考期官方增长状态截至2026-08-31，近3月改善（+0.278标准化单位）；旧周期按可用月份拼接，不能将两种时间口径的读数互作确认。 美林相对水平背景：通胀偏高，近3个月降温；这不是产出缺口测量。 自建普林格宏观代理：双降 (信用− 增长− 通胀+)。周期与FMP共享官方指标，一致只表示同源口径一致。 Pring式资产趋势代理：阶段1；使用6个完整月，资产与训练组合重叠，不能算独立确认。

最大预期差

未完成同目标、同参考期校准的差值不作官方预期差解释。

诚实声明:陈旧因子已退出排序；市场控制变量不参与结构性周期认定。 本轮尚无候选通过全部增量解释门槛，不能声称解释力已经提高。

CHINA EQUITY RESEARCH · 理论
二、研究背景与框架
数据截面 2026-10-09

因子模拟组合(Factor-Mimicking Portfolio, FMP)的核心思想是:用一个可交易的资产组合去"跟踪"某个宏观因子,从而使该组合的收益成为市场对该因子的隐含定价。这一思路可追溯至 Hasbrouck (2000) 的信息份额方法、Breen, Glosten & Jagannathan (1989) 对宏观冲击的资产定价研究,以及 Fama & French (1992, 2015) 的因子组合构建传统。与风格因子(市值、价值)不同,FMP 跟踪的是经济增长、通胀、信用、货币条件等不可直接交易的宏观状态量。

本报告的目的是:感知市场正在交易什么宏观周期。通过比较"市场隐含因子水平"(FMP 组合累计收益)与"官方发布的因子数据"(PMI、CPI、社融等),量化两者之间的预期差(divergence)。当市场定价与官方数据持续背离时,该差值的回归即是经典的宏观交易信号。

研究设计:

  1. 六因子池:
因子类型经济含义资产 basis 构成
增长结构因子增长加速度A股 + 小盘 + 成长风格 + 周期防御 + 银行相对 + 债券 + 工业金属
通胀结构因子通胀加速度商品综合 + 能源 + 农产品 + 长久期 + 债券
信用结构因子信用脉冲信用利差 + A股 + 小盘 + 银行相对 + 长久期 + 债券
货币条件混合因子边际宽松A股 + 小盘 + 成长风格 + 银行 + 长久期 + 信用 + 债券
利率市场控制10Y国债收益率变化全资产池
美元市场控制人民币兑美元汇率USDCNY 交叉汇率(聚源港府金管局)
  1. 滚动因果 ridge 估计:60 月滚动窗口,每月用严格历史数据重估,t 月拟合的权重在 t+1 月生效。
  2. Level 模式 + unit_gross 归一化:跟踪宏观因子的水平(而非变化率),组合总杠杆固定为 1.0,可跨因子比较。
  3. Look-ahead-free:所有标准化用 shift(1) 排除当期,信号在月末 t 计算后标为 t+1 生效。回测区间 2015–2026。
CHINA EQUITY RESEARCH · 理论
三、理论框架
数据截面 2026-10-09

2.1 因子模拟组合的数学定义

2.1.1 数学原理

FMP 的目标是找到一组资产权重 $w$,使其组合收益 $Xw$ 尽可能贴近目标宏观因子 $y$。这是一个最小化跟踪误差的回归问题:

$$\hat{w} = \arg\min_{w} \| Xw - y \|^2$$

其中 $X \in \mathbb{R}^{T \times N}$ 为 $T$ 期、$N$ 个资产(basis)的收益矩阵,$y \in \mathbb{R}^{T}$ 为目标因子序列。由于资产间高度共线性、且 $N$ 可能接近 $T$,普通最小二乘(OLS)在样本有限时方差爆炸,因此引入岭回归(Ridge)正则化。

2.1.2 优势与局限

优势:

  1. 可交易性:FMP 直接给出可持有的资产权重,而非抽象的因子暴露。
  2. 市场隐含性:组合收益反映市场对该因子的真实定价,包含预期与情绪。
  3. 可对比性:不同因子在同一 gross 预算下可横向比较强度。

局限:

  1. 因子定义依赖:结果高度依赖 target 的构建方式(level/diff/AR1)。
  2. 资产宇宙敏感:basis 选择不当会引入噪声,样本短时不稳定。
  3. 非因果关系:FMP 跟踪相关性,不识别因子对资产的因果传导。

2.2 滚动因果岭回归估计

2.2.1 数学原理

为控制过拟合并处理共线性,目标函数加入 L2 惩罚,得到岭回归解:

$$\hat{\beta} = (X^\top X + \lambda I)^{-1} X^\top y$$

其中 $\lambda \geq 0$ 为正则化强度。正则化参数 $\lambda$ 通过广义交叉验证(GCV)选择,无需预留验证集:

$$\mathrm{GCV}(\lambda) = \frac{\mathrm{RSS} \cdot n}{(n - \mathrm{tr}(H_\lambda))^2}, \quad H_\lambda = X(X^\top X + \lambda I)^{-1} X^\top$$

回归前对资产做标准化(方差归一),使各 basis 在同一尺度上竞争:

$$\tilde{x}_{it} = \frac{x_{it} - \bar{x}_i}{\sigma_i}, \quad \tilde{y}_t = y_t - \bar{y}$$

估计采用滚动扩展窗口:在自然月 $t$,仅用 $[t-W+1, t]$ 内的连续历史(W=60 月)拟合,所得权重在 $t+1$ 月生效。这确保每个时点的权重都仅依赖严格历史,无 look-ahead。

2.2.2 优势与局限

优势:

  1. 稳定性:L2 正则化抑制共线性资产权重爆炸,样本有限时仍稳健。
  2. 自适应:GCV 数据驱动选 $\lambda$,无需人工调参。
  3. 因果性:滚动 + t+1 生效,严格避免前视偏差。

局限:

  1. 滞后性:滚动窗口对结构性变化反应慢,regime 切换初期跟踪误差扩大。
  2. 参数假设:GCV 假设误差同方差,异方差环境下 $\lambda$ 选择有偏。
  3. 样本量约束:窗口 W=60 要求至少 36 个有效观测,新资产(basis)无法立即纳入。

2.3 Target 构建:Level / Diff / AR1

宏观因子(如 PMI、CPI 同比)本身是水平序列。FMP 的 target 可取三种形式:

$$\text{level: } y_t = x_t \qquad \text{diff: } y_t = \Delta x_t = x_t - x_{t-1} \qquad \text{ar1: } y_t = x_t - (\alpha + \beta x_{t-1})$$

本报告采用 level 模式:对于增长、通胀等已标准化的因子,直接跟踪其水平——组合收益反映"市场对该因子水平的定价"。这与经典 FMP 定义一致(Hasbrouck 2000)。diff 模式会跟踪"因子的变化率",在经济意义上是二阶导数,噪声更大;AR1 模式提取意外成分,适合做"惊喜跟踪"。

所有 target 在回归前进一步做因果 z-score 标准化(排除当期,避免信号泄漏):

$$z_t = \frac{y_t - \mu_{其中 $\mu_{

2.4 信号生成:市场隐含 vs 官方 Divergence

FMP 组合的累计收益(level)经因果 z-score 标准化后,即市场隐含因子水平。将其与官方因子的因果 z-score 相减,得到预期差:

$$\mathrm{divergence}_t = z^{\text{market}}_t - z^{\text{official}}_t$$

正值表示市场比官方更乐观,负值表示市场更悲观。divergence 的持续扩大与均值回归是核心 leading 信号:当市场定价显著偏离官方数据时,后续要么官方数据向市场靠拢(数据超预期),要么市场向官方修正(价格反转)。

权重经 unit_gross 归一化后,组合总杠杆固定:

$$w^{\text{final}}_i = w_i \cdot \frac{g_{\text{target}}}{\sum_j |w_j|}, \quad g_{\text{target}} = 1.0$$

这使所有因子的 FMP 组合在同一杠杆预算下可比,避免高波动因子主导比较。

2.5 方法论对比

维度Level 模式Diff 模式AR1 模式
跟踪对象因子水平因子变化率因子意外成分
经济意义市场隐含水平变化率的二阶导惊喜/超预期
噪声水平低(平滑)高(差分放大)中(残差)
样本量要求中(需标准化窗口)低(仅需相邻两期)高(需 AR 拟合)
适合场景周期定位、水平对比动量、拐点识别事件研究、预期差
本报告采用是否否(研究备选)
CHINA EQUITY RESEARCH · 实证
四、实证分析
数据截面 2026-10-09

4.1 当前周期定位

核心结论
市场正在交易衰退定价:多因子 risk_off,防御与债券占优
  • 7/13 个因子处于 risk_off(衰退)regime,市场隐含水平处于历史低位
  • 官方增长因子(最新一期)高于历史均值
  • 预期差最大的因子是上游成本:市场比官方更悲观(divergence z = -4.43)
FMP 数据时点:2026-10-09 · 覆盖 13 个有 signal 的因子

六因子当前 signal 仪表盘

因子市场隐含 z历史分位市场 regime市场 vs 官方 divergence
增长+0.4669%中性-1.25
通胀-1.4315%衰退-1.88
信用-0.5442%中性+0.44
货币环境+0.6458%中性+1.00
利率-1.460%衰退-1.60
人民币双边汇率-1.6010%衰退-1.44

市场隐含 z 为 FMP 累计收益的因果 z-score;z>+1 为复苏,z<-1 为衰退。divergence = 市场隐含 z − 官方 target z,正值表示市场比官方更乐观。

CHINA EQUITY RESEARCH · 实证
4.2 市场拟合的宏观因子:资产价格反推的市场预期
数据截面 2026-10-09

这是 FMP 的核心交付——把所有宏观因子的市场拟合曲线放在同一张图,横向比较市场对哪个因子最乐观、最悲观。 资产价格是日频的,市场预期随之高频变化。无需官方数据,市场自己的定价就是答案。

市场拟合的宏观因子(资产价格反推,日频 z-score)

每条线是一个宏观因子,由资产价格反推得到(日频,因果 z-score 标准化)。同图横向比较即可回答"市场在交易什么":位于高位的因子是市场定价乐观的(如复苏/通胀上行),位于底部的是市场定价悲观的(如衰退/通缩)。z>+1 为该因子历史高位,z<-1 为历史低位。各因子历史起点不同(早期部分线缺失),ECharts 会自然断开。