【招商定量·深度报告巡礼之十七】经济中周期的量化拆解与投资策略构建

（以下内容从招商证券《【招商定量·深度报告巡礼之十七】经济中周期的量化拆解与投资策略构建》研报附件原文摘录）
　　内容摘要 本报告以对中等长度经济周期的拆解和状态判断为切入点开展研究分析，尝试解答以下三个问题：1）国内经济数据的核心周期长度为多少？2）如何对各经济数据的核心周期进行预测和状态判断？3）各经济周期状态如何指导大类资产配置？本文主要运用的研究方法和结论如下： 对景气度、通胀、存货、利润、货币、信贷六维经济数据使用“HP滤波+傅里叶变换”两步法提取核心驱动周期，发现大部分数据的核心周期长度都为3至4年 经过HP滤波提取周期项后，大部分经济数据都满足宽平稳性。然后，再对周期项使用傅里叶变换提取其中最核心的谐波周期，并基于此进行中长期预测。这一方法有两点优势：1）能给出经济数据具体由哪些长度的周期组成，并可用谐波函数进行预测，解决其他周期拆解方式无法给出具体频域和样本外预测的问题；2）解决短期预测方法存在的市场分歧度较低和观点变化频率较高的问题。 从对六维经济数据拆解的结果来看，大部分都存在约3至4年的核心周期长度。不过，国内的信贷周期偏长，约7年左右。由于国内信贷与投资数据走势相对一致，我们认为其本质更接近于由固定资产更新和投资所产生的“朱格拉”周期。 对提取的核心周期项进行周期性预测，并给出三类状态判断方法，分别为周期位置、趋势缺口和预期差法，其中以周期位置法为主，且其预测前后一致程度高 周期位置法将经济周期划分为“上升初期、上升中期、上升末期、下降初期、下降中期、下降末期”6类状态，经过检验大部分数据2年内预测状态的前后一致度在80%以上，模型的观点产出较为稳健。当前，景气度、通胀、存货、利润周期均处于上升初期阶段，基本面或将持续向好。 大部分经济周期都有股债择时能力，且增长周期对股票的成长/价值、债券的长/短久期区分度较高，金融周期对股票的大/小盘、债券的高/低等级区分度较高 大部分经济数据进入顺周期后都暗示股票将进入上涨区间，但存在行情捕捉不全的问题。将增长顺周期与动量信号结合以捕捉“左侧”和“鱼尾”行情后，2011年以来该择时策略年化收益率达9%，最大回撤控制在17%以下。 根据利润和信贷周期划分四象限，进行“大盘价值、大盘成长、小盘价值、小盘成长”轮动策略，2011年以来年化收益率约11%，显著跑赢基准。 根据经济数据顺周期状态，构建股债固定比例配置和风险预算模型配置后，策略表现较平均配置基准和风险平价模型有了显著提升。 构建“增长+通胀”、“存货+利润”、“货币+信用”的投资时钟策略，三者均能跑赢基准，库存周期表现最佳，增长通胀周期次之，货币信用周期表现相对较弱 通过构建股票、债券、商品、货基四类资产的轮动策略，发现库存周期策略的绝对收益最佳、回撤控制能力最强，增长通胀周期的绝对胜率较高，货币信用周期虽然也能显著跑赢基准，但在绝对收益和回撤控制能力上均相对偏弱。 I 经济中周期的拆解、预测、合成 为了更好地在短期信号的基础上，给出偏中长期的宏观周期信号，实现完整的自上而下的资产配置逻辑，本文首先通过HP滤波和傅里叶变换两步法，提取出各个宏观经济数据的核心周期变量，并基于此明确了不同经济维度所处的中长周期位置。然后，根据对所处周期位置的状态划分，构建了顺周期和投资时钟两类投资策略 。在顺周期策略中，本文在不同资产内部分别测试了择时和轮动模型效果，并给出了两个具有亮点的策略，一是“综合增长顺周期+动量信号”的股票择时模型，二是“增长+金融”周期结合下的大小盘和成长价值轮动策略。在投资时钟策略中，本文检验了增长通胀、库存、货币信用周期这三类常见投资时钟模型的效果，认为这三类模型均能跑赢基准，且各有亮点。 1. 什么是中周期以及该周期下主要关注的经济数据 首先，本文所谓的“中周期”并非特指市场已经熟知的“朱格拉周期”。虽然在古典周期嵌套模型中，基钦周期约为3-4年、朱格拉周期约为7-11年、库兹涅茨周期约为15-25年、康德拉季耶夫周期约为45-60年，朱格拉周期是所谓的中周期。但是，在实际投资过程中，3至4年却已基本可以覆盖一轮股市牛熊，时间跨度并不短。因此，从实际投资出发，本文将3至4年定义为中周期而不是特指朱格拉周期，我们最终的拆解结果也验证了这是大部分经济数据的核心周期长度。 为何本文重点尝试对3至4年的中周期进行判断与预测？主要有3个原因： 1）我国经济增速从超高速向中高速换挡过程中，长周期走势基本确定。2011年前，我国持续保持两位数以上的GDP同比增长速度。在经过多年的超高速增长后，近十年（除2020和2021特殊情况）我国GDP同比增长速度虽然仍维持较高水平，但是相较之前已经明显进入增速换挡期。当然，增速换挡是经济发展的自然结果。根据罗斯托的经济成长阶段理论，当一国经济从工业化起飞向成熟阶段转换时，经济增长速度将自然而然地边际放缓。实际情况中，不论是GDP同比增速还是工业增加值同比增速等经济增长相关的指标，都呈现出长期增速放缓的趋势，因此当前中国处于长周期增长速度放缓的特征相对明显。 2）短周期走势的市场预测趋于一致，短期方向性变化难成增量信息。 一方面，对于有高相关度的高频数据作为外生变量进行预测的宏观变量，当前市场预测的一致较强（如CPI、PPI等），尤其是对方向判断的精度已经很高。预测的一致度提高确实有助于我们判断短期经济走势，但若从有效市场的角度来讲，当预测已经成为市场共识，那么该预测值所反映的信息会快速反应至资产价格。因此，目前短周期的预测值主要被用于与实际值进行比较来构建预期差策略，市场已很难从经济数据短周期自身的方向性变化中获取增量信息。 另一方面，对于没有高相关度的高频数据，但有明显季节性和自相关性的宏观变量，短期预测的主流方法SARIMA等本质上都是在观察历史均值水平。这一类方法在市场平稳时的预测效果较好，但当市场有异常变化时，预测很容易出现低估或高估的情况。其中的典型案例是2022年以来市场对人民币贷款当月新增值的预测。虽然在实际操作中我们会使用票据利率等外生变量对该数据进行预测，但这些外生变量与人民币信贷增量的相关性并不高，本质上仍是季节性预测起到了决定性作用。如果我们在每月直接用过去5年同月均值作为人民币贷款当月新增值的预测数据，最终呈现的结果实际上与市场一致预测并没有太大差距， 2022年下半年以来二者甚至几乎重合。然而，2022年以来由于地产市场调整等外生事件的影响，人民币贷款当月增量的波动明显增加，而模型所给出的预测值却仍是历史平均水平，造成了频繁的信贷超预期和低于预期情况的出现。通过这个例子，我们可以看到，对于没有高相关高频数据的经济变量，其预测值几乎可以用均值水平进行替代，更是难以从中获得增量信息。 3）在自上而下的投资决策中，实际上很多判断都基于中期走势预测。当我们自上而下对某些经济数据走势进行判断时，经常会自问诸如“数据是否已经到底/见顶？”、“数据在上行趋势中，大概还有多久会见顶？”、“数据何时能超过趋势走势”等等。我们不否认某些数据是可以进行大约1年长度的预判（如信贷等具有强季节性的数据），但即便如此，在为期4年的中周期中，单方向周期持续的长度约为2年。仅有对未来1年的数据走势进行推断，还称不上是对中周期的预测，而其他依靠高频数据进行预测的经济变量更是难以进行超过1个月的远期预测。此外，我们需要分清楚中周期预测和拐点判断的区别。一般的拐点判断，只是在确认当前趋势是否被扭转，也即仅对历史拐点做识别。而在中周期预测中，只有当历史和未来的两个拐点都被确认时才能描绘出一个完整的中周期图景。 最后，又有哪些经济数据是在中周期维度下值得关注的核心指标？ 从官方机构的角度来看，以OECD在构建综合领先指标（CLI）时对经济数据的分类为例，其认为除了GDP之外的、且具有一定前瞻性的重要宏观经济数据可以大致分为以下4类：1）早期阶段指标（Early stage）：如新订单数据、建设许可数量等；2）快速反应指标（Rapidly responsive）：如平均工作时长、企业利润变化、企业库存变化等；3）预期敏感指标（Expectation-sensitive）：如原材料价格、景气度调查问卷等；4）主要驱动指标（Prime movers）：如货币供应量、贸易条件等。从海内外金融机构的角度来看，一类与官方的做法类似，通常从经济学理论或者经验出发，划分为例如景气度、通胀、投资、生产、消费、金融条件、贸易条件等几个维度；另一类则尝试使用量化的方法，例如通过对各类资产收益率做主成分分析，发现排名靠前的主成分与经济增长、通胀、金融条件、利率等经济数据的走势高度相关，以此确定核心经济指标。 本文研究的重点虽然不在于如何选择核心经济指标，但仍希望在经济数据的选择上保持严谨。所以，结合官方和业界的普遍做法，我们对中周期所关注的核心经济指标的选择设置了两个核心原则： 1）外生调整对该数据的影响较小，这一原则主要避免纳入了如财政收支同比增速等受逆周期政策调整影响较大的经济数据，以及类似CPI等受部分非核心外生因素（对CPI而言是猪周期）影响较大的经济数据。 2）数据的起始点至少在2006年及以前，并且数据的频率至少为月度。这一原则主要目的是为了在后续信号构建和回测中保持足够长的数据长度，数据长度太短会导致周期划分的稳健性不足。 根据上述两大原则，我们划分了6个中周期关注的核心经济维度，并将其中的景气度、通胀、库存、盈利周期称为增长周期，而将货币和信贷周期称为金融周期，具体来看： 1）景气度周期：PMI同比增速。通过每月公布的制造业PMI数据构建，并非简单计算同比值，具体的计算方法可见图表8中的数据描述。使用这个数据的主要原因是GDP增速公布频率偏低，工业增加值等数据长期波动程度较小，而PMI同比增速则解决了上述两个问题。 2）通胀周期：PPI当月同比增速。正如上文所言，一方面，CPI周期受猪周期影响较大；另一方面，其余潜在的通胀代理指标，如核心CPI，其数据长度较短，难以用于测算。又如GDP平减指数，公布频率又相对较低，仅为季度数据。因此，综合来看选择PPI作为通胀的代理指标相对合适。 3）库存周期：工业企业产成品存货同比增速。这一变量即是基钦周期中所指的库存周期，相较于PMI中的产成品存货等指标，增速数据更能准确地体现经济的周期性变化。对于产成品存货周期是否完全属于增长周期，本文暂时无法给出明确结论。虽然从后文的测算结果来看，存货上行周期往往对应着景气度上行周期，但从库存周期理论上来讲，还需要结合需求端的变化对库存周期做进一步划分。我们在文章第二部分的投资时钟模型中，会将产成品库存增速与利润增速相结合构建传统意义上的库存周期。因此，读者只需注意此处的库存周期仅是产成品存货增速这一个数据的简称，并非经典的四象限库存周期。 4）盈利周期：工业企业利润总额累计同比增速。这一指标本身的选择并没有过多值得讨论之处，但这一数据与上述的产成品存货数据在数据预处理上则有一点需要读者注意。工业企业存货和利润总额增速数据在每年的1月份以及2007至2010年中的部分月份存在数据缺失，本文对这一部分缺失值的处理方法是向前寻找最近的可得数据进行填充。其背后的原因是希望与实际投资情景保持一致，即在没有数据公布的时候我们只能获取到历史数据，这样保证了在后续设置信号以及回测过程中不会使用未来数据辅助判断。 5）货币周期：1年期国债到期收益率。选择这个数据的主要原因是，一方面常用的R007或DR007等数据月内波动程度较大，存在异常值，而1年期国债到期收益率与之相关性较高，且月内波动相对较小。另一方面，直接使用政策利率的变化则会面临变化频率较低的问题。 6）信用周期：中长期贷款余额同比增速。传统信用周期会选择社融或人民币贷款数据作为代理变量，但这两个数据均有问题。一方面，社融数据虽然有历史数据，但实际的公布时间并没有那么早，并且期间还伴随多次的口径修正。另一方面，人民币贷款中还包含短期贷款，这一部分存在逆周期冲量的情况。中长期贷款数据则反映的是经济实际的扩张意愿，内生驱动的特征相对较为明显，能一定程度上解决以上两个问题。 此外，针对上述六维宏观经济数据，我们还将景气度、通胀、库存、盈利周期划分为增长周期，而将货币和信用周期划分为金融周期。这样划分的原因主要有两点，一是货币和信用周期属于金融体系指标，不论是利率还是贷款数据，都直接反映了金融部门的变化。二是货币和信用周期所包含的信息要多于景气度、通胀、库存、盈利等指标。本文所划分的4个增长周期数据均较为显著地刻画了宏观经济的一部分维度，而货币或者信贷要影响实体经济却往往需要经过一系列的传导链条，因此与增长周期之间的关系也更为间接。基于以上两点原因，本文对六维经济数据进行了增长周期和金融周期的两大类划分。 2. 六维经济数据的中周期拆解与预测 2.1 各类周期拆解方法的比较 不论是古典周期理论，还是近期被热点讨论的“库存周期”等等，本质上大多源自对经济数据周期性变化的观察所得到的经验性规律，所以此处衍生出两个问题：第一，是否真的存在所谓的“中周期”？第二，周期的长度是否会发生变化？为了解决这两个问题，我们需要用数量化模型对经济数据进行具体周期拆解，同时该模型最好还兼具中长期预测能力。常见的周期拆解模型有如下四类： 1）移动平均、PAT等：整体上遵循移动平均的概念，即以过去一段时间的数据均值作为趋势项，偏离值作为周期项。这一类方法的优点是简单易懂，但移动平均窗口选择主观性较强，在强外生冲击下的平滑效果并不好。此外，这种方法无法将数据拆解为具体的几个周期叠加之和，难以进行更为深入的分析。 2）HP滤波、BK滤波、CF滤波等：经济周期趋势消除法中常用的几个频率选择滤波器。其中HP滤波可近似为高通滤波（分离出较高频率的成分），而BK和CF滤波则为带通滤波（分离出中间频率而去掉高频和低频的成分）。目前HP滤波是较为主流的经济周期拆解法，OECD在2008年后计算综合领先指标时使用的便是两阶段HP滤波法。具体来讲就是先用较高的λ值提取周期项，然后用较低的λ值对周期项做平滑，可见这已经是一套相对成熟的体系。这类方法在样本内对周期和趋势的拆解都非常有效，但主要面临三个问题，一是参数选择仍存在一定争议，二是没有样本外预测能力，三是仍然无法拆解出不同频率的周期数据。 3）傅里叶变换、小波变换等：频谱分析的核心算法。傅里叶分析的基本目的是要把一个平稳信号分解为不同频率的分量，而这些分量的基本形式则为正弦和余弦函数。换而言之，研究傅里叶变换的目的之一，就是要研究如何把一个平稳的时变函数有效地分解为正弦和余弦分量之和，以便后续实现滤波操作。因此，傅里叶变换的思想与经济周期拆解的思想不谋而合，即都需要将某一时间序列用不同频率的周期性数据之和的方式进行拟合。这一方法解决了上述两类周期拆解模型的问题，具体来看傅里叶变换方法有两个优点：1）有具体周期的拆解能力，能给出某一时间序列具体由哪些主要频率的周期组成；2）有一定样本外预测能力，得益于傅里叶级数为正弦和余弦函数之和，当确定主要周期后，理论上可以对无限长的未来区间进行预测。 不过傅里叶变换也有两个缺点：1）该方法主要适用于滤除近似周期性的波动信号，而对具有局部特征的信号无能为力。具体的解决方法是使用小波变换，但这并不是本文关注重点，且小波函数的构造也是一大难点。不过，这一思路在后续研究中可以继续深入，考虑到经济数据在部分时间段会受到强烈的外生冲击而产生局部周期信号，小波变换可以用来对此进行优化；2）选择哪些具体周期进行拟合较为主观，也即傅里叶变换的频谱图虽然能告诉我们哪些周期是主导周期，但最终选择哪几个周期进行拟合并没有相关的自适应算法，整体上仍以主观选择为主，不过本文后续只关注最核心的一个周期，一定程度上避免了该问题。 4）EMD等模态分解算法：相较于小波变换中仍存在核函数的主观构造，EMD等模态分解算法则克服了此类无自适应的问题。具体来讲，对于非平稳信号，EMD算法同样可以将其拆解为不同频率的周期信号组合，并且不需要对参数进行选择，由于这样的特性，其应用范围也更加广泛。不过，虽然表面上看EMD算法与傅里叶变换类似，但其核心有本质不同，即其虽然获得了自适应拆解的优势，但也丢失了在频阈上进行具体频率识别的能力。换而言之，EMD算法虽然能给出多个频率的数据组合，但我们并不知道具体的频率值。此外，虽然EMD是自适应算法，但最后在对数据进行拟合时，同样不可避免地要面临组合分量的主观选择问题。 总的来讲，结合各类周期拆解模型，我们认为傅里叶变换的方法最符合周期拆解思想。不过由于傅里叶变换主要针对平稳信号进行处理，因此在此之前我们会对经济数据使用HP滤波法去除趋势项，并重点关注周期项的变化。 2.2 “HP滤波+傅里叶变换两步法”拆解周期的具体过程和案例展示 具体的“HP滤波+傅里叶变换两步法”如下： 1）使用HP滤波去除数据的趋势项，由于本文中经济数据都为月度数据，根据（Ravn和Uhlig，2002）和国内验证（汤铎铎，2007）的参数选择，HP滤波中参数λ选择设置为129600。 2）针对上述去趋势后的经济数据，使用傅里叶变换进行频谱分析，并选择最具影响力最大的周期（频谱图中排名第一幅度所对应的频率）作为经济数据的核心周期项，并基于此进行中周期状态的刻画与预测。 在这一部分，我们用例子对两步法中的傅里叶变换进行简单解释，以方便投资者更直观地理解这一方法。在信号分析中，主要有两个工作需要完成：一是消除高频噪声，二是数据压缩。而傅里叶变换的核心思想，就是将函数转换成不同频率和振幅的三角函数和式形式，这样就可以通过去除高频三角函数和保留大振幅三角函数，来完成去噪和压缩这两个核心目标。具体来看，以傅里叶级数为例，可以将一个定义域在[-π,π]上的连续函数做如下拆解： 而傅里叶变换可以被看作是傅里叶级数的连续形式，相较傅里叶级数把定义在[-π,π]上的函数分解为频率为整数关系的谐波分量组合，傅里叶变换则是将一个无限时宽的函数分解为连续频率的谐波分量组合。 不过，对于实际数据，我们更多采用离散傅里叶变换（DFT）或快速傅里叶变换（FFT，更高效的DFT），本质上是用数值方法来近似傅里叶级数中的系数（即上述a,b项）。当然，本文重点并非证明，实际上我们只需通过观察上述傅里叶级数，就可以清晰直观地感受到其内涵。而傅里叶变换的目的就是去有效计算上述函数中不同频率k所对应的幅度。为了更方便各位读者理解，我们以“上帝视角”构造了一个函数，并对其进行傅里叶变换，最后根据频谱图选择不同频率数据对该函数进行拟合。 在构造函数中，我们可以看到其主要由三部分组成，一是sin(t)+0.5cos(5t)项构成的中低频分量，二是0.25cos(20t)构成的高频分量，三是0.1ε项构成的噪音。本文使用傅里叶变换进行周期提取的目的，就是希望将第一部分的中低频分量进行保留，而过滤掉第二部分的高频分量和第三部分的噪音。在实际情况下，我们无法观察到上述构造函数的具体形式，此时就需要观察傅里叶变换后，各个频率和其幅度的对应关系。再根据这一关系，选择拟合需要的具体频率。 通过快速傅里叶变换算法（FFT），可以对上述离散数据算出各个频率下所对应的幅度（即频谱图）。从下图可以看到当频率为1、5、20时对应的幅度有明显的凸起，其幅度值分别为1.00、0.49、0.24，而其余频率振幅几乎为0，这一拆解结果与我们“上帝视角”构造的函数中的参数几乎完全一致。当然，在实际情况下，我们并不清楚实际函数的具体形式，所以通常会选择振幅较大的几个频率进行估计,在这里选择振幅排名最靠前的两个频率（即1、5这两个频率）来估计实际数据，从下图来看，拟合效果还是相当不错的，不仅有效过滤了高频波动和噪音项，并且也告诉了我们构造函数中1和5是核心频率。 2.3 “HP滤波+傅里叶变换两步法”对六维经济数据的周期拆解与预测 在确定了周期拆解方法后，我们就可以对第一部分中选择的六维经济数据进行周期拆解和预测。不过，在实际进行拆解之前还有两个问题需要解决： 1） HP滤波后的数据是否满足平稳性要求？ 2） 国内经济数据长度较短，在低频区间会存在采样频率的密度不足的问题，那么该如何对样本数据进行补充以提高分辨率？ 首先，我们对HP滤波后数据进行多重平稳性检验，可以发现以上六维经济数据在去趋势后基本满足平稳性要求。具体来看，我们用ADF、PP、DFGLS三种平稳性检验方法对全样本数据进行平稳性检验，其中除了利润总额累计同比增速数据在DFGLS方法下未呈现平稳性之外，其余情况均通过了平稳性检验。然后，考虑到后续构建测量时用的是滚动数据，因此除了全样本检验之外，我们还对六维经济数据进行了滚动窗口检验（此处滚动窗口为截面上可获取的所有历史数据，而非固定长度滚动）。从结果上来看，所选变量在滚动窗口下的平稳性仍保持宽平稳性，因此我们可以进行滚动的傅里叶变换操作。 其次，我们通过对HP滤波后的周期项数据进行补零操作，来解决栅栏效应，提高低频分辨度。以长度为240个月为例，若不进行补零操作，当我们频率取1、2、3、4、5、6时，对应周期只能取到240、120、80、60、48、30个月的周期，其中如31至47个月的周期并无法纳入分析范围，导致存在遗漏或误判核心周期的问题。解决这一问题的方法是对数据进行补充，本文采用补零的方式对数据进行延长。比如若我们将数据扩充至2400个月，那么我们就可以取到周期为40的数据分量（频率为60）。当然，补零操作会对傅里叶变换的结果有所影响，不过只要补充区间是原区间的整数倍，最终只会调整频率所对应的幅值，但不改变频谱的结构。本文暂不关注幅值的变化，核心仍为对周期频率的识别，因此补零操作不会对我们的最终结果造成影响。不过，此处仍存在一个问题，即补零的长度为多少较为合适？通过对六维经济数据全样本情况下，不同补零长度下最大幅度对应周期的观察，通常将区间扩充至6000以上，核心周期取值就会收敛。考虑到国内宏观经济数据总体长度在20-30年，即平均约300个样本点，故当我们补零区间控制在20倍以上原数据长度时，所得结果差异就会非常之小了。 经过上述两步预处理后，我们就可以对六维经济数据进行拆解。从全样本和滚动周期的拆解结果来看，大部分经济周期的确都存在约40个月左右的核心周期，只有信贷周期的长度为相对偏长的84个月左右。换而言之，大部分经济数据在40个月左右的周期下所对应的幅度要远超其他周期，市场上经验性的3-4年“中周期”从实证角度来讲是客观存在的。 不过，为何信贷周期的核心驱动周期长度要相对偏长呢？我们认为国内信贷周期的本质更接近于 “朱格拉”周期。其由于存在折旧和技术发展等原因，固定资产有客观存在的更新周期。当固定资产开始更新，投资需求将拉动信贷的增长，推动经济发展。设备更新结束后，固定资产投资必要性下降，对信贷的需求下降，经济周期转而下行。这种固定资产的周期性更新所带动的投资和信贷的变化，最终会产生约7至10年的经济周期。从国内的实际数据上来看，国内的中长期贷款与新增固定资产投资增速相关性较高，2018年后与新增地产投资的高相关性尤为明显。这一点并不难解释，中长期贷款余额中居民贷款占比在30%至40%之间波动，是重要的组成部分，而居民中长期信贷的变化与地产行业息息相关。总的来讲，虽然信贷周期的核心周期长期来看并不稳定在40个月左右，但其84个月（约7年）的长周期变化背后仍然蕴含着一定经济学意义。因此，在不刻意进行数据挖掘的原则下，本文仍保留信贷约84个月的核心周期。尽管这一相对较长的周期并不能非常好地拟合实际数据的变化，但其仍然暗示了更深层次的信贷中枢变化周期。同时，信贷周期的案例也很好地体现了周期拆解法与短期预测法的不同，即前者更注重于从内生变化的角度进行宏观的解释，而后者则追求在技巧上对短期数据预测的精确度。 基于拆解结果，我们还可以根据正余弦函数的周期特性，对未来一段时间的经济数据进行预测。这里我们展示全样本情况下，也即截至9月底，6类经济数据的中周期历史值以及未来60个月的预测变化。相较于12个月以内的短期预测，中等长度的预测能够帮助我们完成诸如“经济周期是否处于周期底部/顶部”和“是否处于趋势上行/下行”等判断，这也是中周期拆解与预测相较其他经济数据预测方法最大的不同。从9月经济数据来看，增长、通胀、库存、盈利均已处于底部右侧区间，而信贷周期则已处于顶部区间。总的来看，在六维经济变量中有四个数据都处于周期底部，因此从中周期拆解的角度来讲，当前国内经济基本面的确已经处于底部区间。 3. 综合增长周期的合成以及经济周期阶段划分 3.1 综合增长周期的合成 从定性的角度来看，本文所纳入的经济数据反映的是经济基本面的不同维度，因此很难明确何种经济数据在其中占绝对主导地位。虽然我们已经将经济数据分为了增长周期和金融周期两部分，但是在增长周期内部仍然有四类不同维度的经济周期。因此，我们尝试对“景气度、通胀、存货、利润”这四个周期进行合成，构建一个“综合增长周期”。 首先，对各维度的经济数据周期项进行相关性分析。可以发现，“景气度、通胀、存货、利润”从全历史的角度来看存在正相关性，因此具有可加性。 然后，将“景气度、通胀、存货、利润”的傅里叶中周期项，以与其他数据总体相关性的倒数为权重进行加权求和。每一个经济周期的总体相关性为与其余三个经济周期的相关性之和，这个值越高说明这个数据与其他周期的吻合度越高。但是，我们认为这种吻合度越高，其在合成中的权重反而应该相对更低，主要原因在于如果某几个数据之间走势非常接近，那么这几个数据几乎可以视为一体，而等权加和的方式会对这一类数据赋予过高的权重，从而丢失了对周期之间差异性的描述。此外，由于不同经济数据之间一方面存在量纲不同的可能，另一方面相同量纲的数据之间振幅差距也比较大，所以在加总周期项之前，我们还需要对各周期项进行归一化操作，具体做法即在截面上除以该周期项振幅。最终，根据上述两步操作，我们可以得到一个合成的 “综合增长周期”指标。 需要注意的是，在每一时间点的“综合增长周期”会进行全历史修正。在对经济数据进行“HP滤波+傅里叶变换两步法”拆解周期的过程中，无论是HP滤波和傅里叶变换，在每一个时间截面上都会自适应地得出不同结果（HP滤波中周期项会发生微调，傅里叶变换中核心周期长度会发生变化）。因此，我们需要对构造的“综合增长周期”的稳健性进行检验。所谓“综合增长周期”的稳健性，就是希望一方面其在每个时间点较之前时间点的数据没有巨大的修正，另一方面则是希望每个时间点上对未来中长周期的判断能符合未来的实际走势。 此处我们采用两个方法进行检验，一是通过选择样本时间节点进行观察，二是构造一个预期偏离值并观察其变化。首先，我们选择了2019年底以来每年底的时间点上“综合增长周期”的历史数据以及预测数据进行观察，从结果上来看，构造的“综合增长周期”稳定性是较强的，一方面其历史值变化不大，另一方面其预测值也与未来实际变化走势接近。其次，我们在某一时间点上，计算过去12个月对于该月预测值的加权平均值，并用当月实际值减去历史综合预测值，得到“综合偏离度”指标。其中历史预测值的权重设置为w=(13-i)/Σ(13-i), i=1,2...12，在这种设定下，与当月最接近的月份所给出的预测值所占权重越大，离当月越远所占权重则越小。从综合偏离度的角度来看，整体较为平稳，仅在2017年和2020年出现了相对明显的高估和低估。 3.2 周期的三类状态划分方法 这一部分我们根据周期的历史和未来预测值，构建了三类状态划分的方法： 第一类，“周期位置法”，即划分为“上升初期、上升中期、上升末期、下降初期、下降中期、下降末期”6个周期位置。这种划分方法实际上是将“上行、下行”和“底部、中部、顶部”这两类划分方法进行结合。具体来看，我们认为一个完整周期中大约有1/2的时间是处于中部趋势性变化区间、1/2的时间处于底部/顶部的模糊阶段（也即1/4处于底部、1/4处于顶部），同时也有1/2的时间处于上行周期、1/2的时间处于下行周期。以40个月的周期为例，其中20个月为上行周期，5个月为上行阶段初期（上行+底部）、10个月为上行中期（上行+中部）、5个月为上行末期（上行+顶部）。在某一时间点对当前周期位置的具体判断方法如下： 进一步，我们希望对周期状态预测的一致性进行检验。之所以检验“稳健性”，而不是准确性，其主要原因在于两方面。一是，即便我们观察实际的全历史经济数据，也很难给出一套规则去判断经济是究竟处于什么周期；二是，经济中周期自身通常还蕴含更多难以直接观察的内容，这与多个周期合成的实际数据走势常常并不吻合。如上文所提的信贷周期，如果以84个月的周期变化角度与实际数据的变化进行比对，结果是不理想的；而如果用40个月左右的周期对其拟合，准确度虽然上升但我们又难以兼顾84个月周期背后的固定资产更新周期的经济意义。因此，在这里我们能做的是对预测的稳健性进行检验，也即当前时点模型给出的周期阶段划分，是否与过去几年对当前时点的划分保持一致。如果我们给出的观点稳健度很低，那就意味着这一模型难以完成中周期的策略构建。因为对于调仓频率较低的投资者，观点的频繁变化是相对不利的一个因素。所以，我们对每个月在过去一段时间对当月的预测状态与当月实际给出的预测状态计算胜率，并最后对每个时点的胜率进行平均，计算状态预测的前后一致性。 从结果上来看，距离当前时点越近，预测状态的一致性就越强。此外，大部分数据在2年内的预测平均准度在80%以上，这意味着本模型给出的对未来2年后状态判断，在实际数据给出前，80%的时间段内观点都不会发生明显变化，模型预测观点的前后一致程度较高。 第二类，“趋势缺口法”，即划分为“低于趋势、高于趋势”2个状态。这种划分方法的核心思想是数据在经过HP滤波后，其周期项的大小也决定了趋势缺口，即当周期项小于0时低于趋势，大于0时高于趋势。 第三类，“预期差法”，即划分为“低于预期、高于预期”2个状态。这种划分方法基于上文我们构造的“综合偏离度指标”，当综合偏离度指标小于0时则当前值低于中期预期，大于0时则高于中期预期。 在每个月经济数据公布后，我们都可以将“六维周期”以及“综合增长周期”更新至最新状态。以当前最新的数据为例，按数量化标准划分后，综合增长周期、PMI周期、通胀周期、存货周期、利润周期均处于“上升初期”阶段，符合当前市场对基本面底部的判断。不过虽然当前经济周期处于较为确定的右侧上行区间，但是客观来讲，其仍低于趋势和前期预测水平，经济修复还有较大空间。 II 经济中周期策略初探 1. “顺周期”策略 本文定义中周期方向上行的区间为“顺周期”，进入顺周期的标志为基本面状态进入“上升初期”阶段，而退出顺周期的标志为进入“下降初期”阶段。这一方法与短期预测模型所给出的信号不同，由于前文我们已经验证过中周期预测的稳定性较强，因此一旦中周期进入上行区间，那么短期内信号很难出现变化，调仓频率较低。而短期预测模型往往根据月度预测的方向进行判断，而经济数据月度走势又往往存在波动性，因此调仓频率相对更高一些。 1.1 “顺周期”股票择时和风格轮动策略 1.1.1 “顺周期”股票择时策略 对权益资产而言，“顺周期”往往代表着基本面向好，因此我们以综合增长周期以及六维经济数据是否进入顺周期为信号进行择时。 策略区间：2011年1月31日-2023年10月12日。 策略标的：万得全A。 顺周期进入信号：中周期状态为“上升初期”。 顺周期退出信号：“上升初期”的进入信号出现后，直到“下降初期”信号才退出，期间其他信号不触发退出信号。 从结果上来看，综合增长周期以及通胀、库存、利润、货币周期的择时效果较好，主要的差异在于对2014年下半年和2015年上半年牛市周期的把握度。 其中，令人意外的一是货币周期的择时结果，其呈现利率上行时利多权益而利率下行时利空权益，这与宽货币周期下权益资产表现可能较好的直觉并不相符合。二是信用周期的择时效果，其呈现宽信用周期能捕捉的权益资产上涨区间较短。我们认为造成这一现象的主要原因如下： 对于货币周期，其主要通过流动性和利率隐含的经济预期两条途径影响权益资产价格。具体来讲，宽货币政策往往是在经济偏弱的时候推出，而紧货币政策又往往是在经济过热的时候才会出现。因此，流动性的“宽”并不意味着基本面的“顺”，二者存在相互冲抵的情况，进而对货币周期在权益市场的择时效果造成影响。而从回测结果上来看，国内货币周期暗含的经济景气度状态似乎是更有影响力的一个因素，货币市场流动性的宽松与否往往难以有效传导至权益市场。 对于信用周期，我们更倾向于认为是模型所给出信号变化频率的问题。由于目前模型保留的仅是最核心周期的判断，而信贷周期长度的分布范围较广，最近几年则是84个月的长周期为主导周期。这使得在很长一个时间区间内，以中长期贷款余额增速为代表的周期状态并不会发生明显变化。而一轮牛熊时间大约为3至4年，长时间的状态不发生变化容易令信号错过几个比较明显的上涨区间，进而使得信用周期的择时效果相对较差。不过，虽然如此，信用周期也非一个利空信号，在宽信用周期内，权益资产的回撤仍然有较好的控制。 1.1.2 “综合增长顺周期+动量”股票择时策略 在上述仅依靠基本面顺周期进行权益择时的策略中，我们发现基本面信号往往不能完全捕获权益资产的上涨区间。从顺周期信号设置的角度来讲，虽然通过“上升初期”和“下降初期”的阶段划分，能够识别底部和顶部拐点，但是在实际投资中，一方面不一定会在拐点信号完全出现后进行决策，另一方面即便拐点信号出现后也不一定会有明显调仓。在进入“上升初期”阶段之前，基本面还会经历“下降末期”阶段，对于习惯在左侧布局的投资者，经济周期的“下降末期”阶段反而是较好的建仓时点。在进入“下降初期”后，经济往往还处于过热状态中，对于希望博弈最后“鱼尾行情”的投资者，此时也并不会完全清空股票仓位。总的来讲，“下降末期”和“下降初期”阶段投资者最关心的两个问题分别是“在基本面拐点向上之前，市场底是否还未出现？”和“在经济顶出现后，市场是否还有向上惯性？”，而这两个问题通常由技术面信号进行解答。因此，在上述顺周期信号的基础上，我们对股票做多和空仓信号进行如下修改： 顺周期进入信号：1）中周期状态为“上升初期”，权益资产满仓；2）中周期状态为“下降末期”叠加“指数月均价格连续两个月上涨”，权益资产半仓。 顺周期退出信号：1）中周期状态进入“下降初期”信号且“指数月均价格没有出现连续两个月上涨”，权益资产空仓；2）中周期状态进入“下降初期”信号但“指数月均价格连续两个月上涨”，权益资产半仓。 从结果上来看，相较于纯顺周期策略，加入了动量信号后，择时模型在2014至2015年中、2019年下半年跑出了更好的表现。 1.1.3 “顺周期”风格轮动策略 除了择时策略，“顺/逆周期”对不同风格的权益资产的影响也存在差异。从大小盘风格来看， 经济增长预期转暖有利于提升市场风险偏好进而利于小盘股，因此小盘股存在一定的顺周期性。从成长价值风格来看，经济上行周期下的盈利增长预期转暖叠加市场风险偏好提升，有利于成长风格，而价值风格在此区间则难以体现其防御属性。 首先，构建成长和价值风格的轮动策略，策略标的为国证成长和国证价值指数。除了1年期国债利率外，其余6个指标我们都在“顺周期”时做多成长股（成长:价值=90%:10%），在“逆周期”时做多价值股(成长:价值=10%:90%)。而对于1年期国债利率，考虑到在贴现模型中，利率作为分母端，下行时有利于成长股的表现，因此在这一部分我们将利率周期的信号调整为，利率下行时做多成长股，反之做多价值股。 从结果上来看，利润和景气度“顺周期”做多成长风格的策略有相对明显的正向超额，尤其在2020年后其获得了明显的超额收益。而令人相对意外的仍是货币周期的结果，从回测结果中可以看到只有货币周期在2016至2017年获得了显著的超额收益，但其最终净值表现却不及基准。从利率周期的划分上来看，2016至2017年大部分状态都处于利率上行区间，做多价值风格则抓住了2017年“漂亮50”的行情。但是，在2020年，利率同样处于上行周期，但这一阶段成长风格却大幅上涨。因此，从回测结果上来看，货币周期或者利率的走向对成长和价值风格择时的效果并不稳健，这与直觉并不相符。究其原因，仍是我们在上文所提的，利率中不仅仅包含着流动性预期，也包含着基本面景气度预期。比如，利率下行时虽然会利好成长股的估值，但经济并不一定向好，反而利空成长股，二者相互抵消，对成长股并无明显的利空或者利多影响。 其次，构建大盘和小盘风格的轮动策略，策略标的为巨潮大盘和巨潮小盘指数。除了1年期国债利率外，其余6个指标我们都在“顺周期”时做多小盘股（小盘:大盘=90%:10%），在“逆周期”时做多大盘股(小盘:大盘=10%:90%)。而对于1年期国债利率，考虑到流动性转暖有利于缓解估值压力，利于小盘股，因此在这一部分我们将利率周期的信号调整为，利率下行时做多小盘股，反之做多大盘股。 从结果上来看，大小盘表现差异主要受金融周期影响。其中，信贷周期对大小盘的表现区分度最高，即信贷上行周期时小盘股表现要明显优于大盘股。这是一个有意思的结论，也即虽然信用周期对权益资产的择时效果相对较差，但却对权益资产内的大小盘风格轮动有十分显著的区分效果。我们认为其背后的原因主要有两点。一方面，中小企业信贷需求的弹性更大。由于我们仅考虑中长期贷款余额增速，将短期信贷冲量的因素剔除后，对企业信贷部分保留的是企业实际用于业务发展的信贷需求。从这一角度来看，中长期贷款的上行往往代表经济内生动力的增强，企业对于未来还款的信心较足。从中国人民银行公布的季度贷款需求指数上来看，中小企业信贷需求的弹性要远高于大型企业。另一方面，从信贷的结构上来看，小微企业是企业信贷的主要组成部分。在中长期贷款中，企业贷款占比约占60%至70%，是主体部分。通过计算小微企业季度贷款增量占企业贷款增量的比重，可以发现小微企业信贷在最近几年已经是信贷的主要组成部分。因此，中长期贷款增速的变化，往往能够反映中小企业的固定资产投资、设备更新周期的变化，进而影响股价。因此，信贷周期的变化能区分大小企业（大小盘股票）的表现。 最后，从增长和金融周期两方面入手，构建“大盘价值、大盘成长、小盘价值、小盘成长”（国证指数）的四风格轮动策略。根据前文分析，经济周期主要影响的是成长和价值风格，金融周期主要影响的是大盘和小盘风格。因此，我们在增长周期中选择利润总额累计增速同比周期作为代理变量，金融周期中选择中长期贷款余额同比周期作为代理变量。在增长和金融周期同处上行周期时，配置小盘成长风格；在增长周期上行，但金融周期下行时，配置大盘成长风格；在增长周期下行，但金融周期上行时配置小盘价值风格；在增长和金融周期同时下行时，配置大盘价值风格。从最终结果上来看，“增长+金融”周期信号结合下，四风格轮动策略的表现明显优于基准。 1.2 “顺周期”债券择时和久期以及信用轮动策略 1.2.1 “顺周期”债券择时策略 对于债券资产，其在“顺周期”时的表现往往相对较差，因此我们选择在“顺周期”持有货币基金，而在其余时间才持有债券，策略的标的为中债新综合财富指数以及国证货币基金指数。从择时的结果上来看，大多数指标都有一定债券择时效果。其中，择时效果最优的是PMI同比变化周期，择时效果最差的是信贷周期。 PMI所代表的景气度周期对债券有较好的择时效果并不意外，但为何信用周期却无法对债券有明显的择时效果？我们认为主要有两点原因。一方面，信用周期的长度相对偏长，且从全历史角度来看与其他经济周期的相关性不高，与PMI同比增长周期的相关性为24%，与利率周期的相关性为-23%，水平并不算很高。这说明信贷上行时，经济周期的上行和利率的下行只是其中一部分解释因素，因此无法对债市给出一个明显的择时方向。另一方面，信贷的增长还会对债券的供给有一定的挤出效应，也即信贷增速的上行往往伴随债券供给的下行。这一负相关性在企业信贷和企业债券的供给变化上尤为明显，且2020年后的负相关性继续增强。从这一角度来看，信贷上行区间反而有可能是做多债券的信号。 1.2.2 “顺周期”债券长短久期和高低等级轮动策略 在债券的久期轮动和等级轮动策略中，我们将信号设置为“顺周期”时持有短债或者中低等级信用债，其余时间持有长债或中高等级信用债。从背后的逻辑上来看，其核心内容在于顺周期时经济整体向好，选择长久期债券的风险要大于短久期债券，而中低等级信用债的违约风险较低；在经济走弱时则可以适当拉长久期来获取更多收益，而持有中高等级信用债则规避了违约风险。长/短久期债券标的为中债长期债券财富指数和中债中短期债券财富指数，高/等级信用债指数标的为中证中高等级信用债全价指数和中证中低等级信用债全价指数。 债券久期轮动策略和等级轮动策略的结果与债券择时结果较为类似，即增长周期和利率周期对长/短久期债券和高/低等级债券表现的区分度较高，以这些指标为轮动信号能获取明显的超额收益，而信贷周期的效果则相对较差。 1.3 “顺周期”股债固定比例轮动和风险预算策略 从资产属性来看，“顺周期”状态下权益资产表现往往由于债券表现。因此，我们在这里构建两个“顺周期股债轮动”模型，具体设计如下： 策略区间：2011年1月31日-2023年10月12日。 策略标的：万得全A、中债新财富综合指数。 顺周期进入信号：中周期状态为“上升初期”。 顺周期退出信号：“上升初期”的进入信号出现后，直到“下降初期”信号初期才退出，期间其他信号不触发退出信号。 轮动模型1——固定比例轮动：进入“顺周期”信号触发后股债配比调整为9:1，退出“顺周期”信号触发后股债配比调整为1:9。这一模型比较基准为季度等权再平衡策略。 轮动模型2——风险预算模型：进入“顺周期”信号触发后股债权重根据风险预算比9:1所得（协方差矩阵用历史242个交易日计算），退出“顺周期”信号触发股债权重根据风险预算比1:9所得。这一模型比较基准季度根据风险平价模型所得权重进行再平衡的策略。 从固定比例轮动和风险预算模型的结果来看，“顺周期”下将更多权重赋予权益资产的确有助于提高组合收益。我们以综合增长周期的顺周期为例子，可见该策略除了无法捕捉2014中至2015年中的权益资产上涨行情，在其余时间段，尤其是在2016后，固定比例轮动和风险预算模型都相较基准有持续的超额收益。而2014至2015年的A股市场行情，即便没有定量化的周期划分，从各个宏观经济数据的走势来看，也基本可以得出该轮行情并非由基本面驱动。不过，这也提示我们，基本面周期信号并不是万能的，“顺周期”通常只是权益资产价格上涨的必要条件之一。虽然经济基本面往往是大类资产择时的核心要素，但仍有其他很多因素会造成资产价格的变化。 不过，幸运的是，如果从更广泛的资产配置的角度来对策略表现进行解读，我们认为根据基本面的“顺/逆”进行股债的轮动配置，从中长周期来看确实能够带来稳健的绝对和相对收益。不仅如此，即使是在固定比例轮动模型之下，策略的中长周期的胜率也非常高，其中大部分顺周期策略在2011年至2023年之间的年度胜率都能超过90%，非常适合投资周期较长、风险偏好较低的投资者。 站在当前角度，不论是本文所给出的定量中周期阶段判断，还是市场上偏定性的判断，都认为目前的经济周期已经处于右侧上行的“顺周期”初期阶段。而从回测的角度来看，历史上进入顺周期后同样也出现过阶段性小幅回撤的情况，但拉长周期后，顺应周期的变化进行资产配置仍能获得不错的回报。因此，针对当前国内出现一定程度的资产荒和信心不足的现象，我们认为不必过于悲观，进入“顺周期”后最重要的或许是保持耐心，静待花开。 2. 投资时钟策略 除了前文的“顺周期”择时和轮动策略之外，市场上也存在着各类投资时钟模型。本文在这里对“增长+通胀”（即美林时钟）、库存周期（存货和利润周期）、货币信用周期这三类常见的投资时钟模型，使用中周期视角下的信号进行回测检验。从结果上来看，这三类投资时钟模型均能跑赢基准，且库存周期的表现最佳，增长通胀周期次之，货币信用周期表现相对较弱。 2.1 “增长+通胀”周期 美林时钟的理论想必各位投资者已经十分熟悉，简单来讲，其根据经济增速缺口和通胀增速的变化方向，将宏观周期划分为四大类： 1） 复苏：经济增长上行、通胀下行。景气度已从底部反转，且通胀没有对货币政策产生压力，经济存在长期向上预期，这一阶段最佳资产是股票，债券次之。 2） 扩张：经济增长上行、通胀上行。景气度上行至末期，且通胀已经产生压力，政策趋于收紧，经济存在向下预期。但通胀的持续上行往往代表着商品价格有上涨趋势，因此这一阶段的最佳资产是商品，股票次之。 3） 滞涨：经济增长下行，通胀上行。景气度已经明显向下，但货币政策受制于通胀仍存收紧可能，因此风险资产和债券均有下跌风险，这一阶段的最佳资产是现金，商品次之。 4） 衰退：经济增长下行，通胀下行。景气度和通胀已经双重验证经济的下行阶段，债券资产性价比已经优于现金，故这一阶段的最佳资产是债券，现金次之。 根据上述理论，我们选择制造业PMI同比周期作为经济增长周期、PPI当月同比周期作为通胀周期，并根据下图构建大类资产轮动策略。其中，信号的产生是在每月底根据历史数据进行判断，不存在使用未来数据的问题。而股债商标的此处分别选择万得全A指数、中债新财富综合指数、南华商品指数，现金标的选择的是国证货币基金指数，在各个阶段的具体权重设置可见下图。 从周期划分的结果上来看，由于国内增长和通胀周期相关性相对较高，因此衰退和扩张周期的跨度往往较长，而复苏和滞涨这两个过渡周期的长度则相对较短。而增长通胀策略的整体表现虽然跑赢了基准，并且从区间划分上来看基本都相对准确地描述了国内宏观周期的变化。但是，这一策略的绝对收益水平也并没有想象中那么高。我们认为造成这一现象的原因在于，在海外市场，货币政策的主要锚是通胀水平，且货币周期变化向资产价格变化的传导路径较为顺畅，因此通胀水平变化对各类资产的影响较大。而在国内市场，通胀虽然也是货币政策考量的一大因素，但除此之外，货币政策还有“币值稳定、充分就业、金融稳定、国际收支平衡”等多重目标，且国内政策利率变化向市场利率传导路径仍非完全顺畅，因此通胀周期对国内资产的影响力并没有那么大，最终导致其与增长周期结合后对国内资产轮动的区分能力相对没有那么高。 2.2 “存货+盈利”周期 除了增长通胀周期外，当前市场还比较关注库存周期对大类资产的影响，根据产成品存货增速和盈利增速可以划分四类库存周期。从以往的研究上来看，产成品存货增速虽然也是一类顺周期指标，但是整体上相对滞后，而盈利增速则相对领先，因此二者存在相对明显周期错位。设置库存周期存在的意义在于，单一地观察产成品库存的变化来判断经济的冷暖并不全面，比如库存的下降既可能是需求过于旺盛导致，也可能是供给收紧导致。因此，我们需要结合需求指标进行辅助判断，通常我们会选择企业的利润增速来描述下游的需求变化，二者相互结合形成了四类库存周期： 1） 被动去库：当经济开始复苏时，需求有所回升，但企业还未来得及提高产量，进而库存被动减少。此时，利润增速的上行已经开始反映在股票价格之上。因此，这一阶段最佳资产是股票，债券次之。 2） 主动补库：当经济从复苏走向过热，市场需求旺盛带动企业主动补库存备货，以应对后续生产需要。此时，产销两旺的状态有利于原材料价格的上行，因此，这一阶段最佳资产是商品，股票次之。 3） 被动补库：当经济从过热阶段回落，市场需求放缓，而企业供给具有惯性，库存被动增加。虽然权益市场在利润下行的背景下表现相对较弱，但考虑到此时仍有前期经济上行的惯性，完全选择债券或许并不是明智的选择。因此，这一阶段最佳资产是现金，商品次之。 4） 主动去库：当经济进一步下滑，需求降至最低，企业开始调整生产计划，主动减少库存。这一阶段产销双弱，比较接近衰退周期的状态，故最佳资产是债券，现金次之。 信号的设置以及回测标的选择均与增长通胀周期下的设置保持一致，不同周期下各类资产权重设置见下图。 从周期划分上来看，由于存货增速变化和利润增速变化的错位度相对较高，所以整体区间划分相对均匀，但2020年后主动补库和主动去库周期的持续时间也出现了变长的情况。随着工业企业产成品存货和利润总额增速的触底，当前库存周期已经进入主动补库阶段。 从策略结果上来看，相较增长通胀周期，库存周期下的大类资产轮动策略的收益回撤比得到了进一步的改善。整体来看，库存周期信号的效果是相对不错的，尤其是在2016年后产生了持续的超额收益，而超额收益回落较多的区间也主要是由2014至2015年股票市场的非基本面因素驱动上涨所导致。 2.3 “货币+信用”周期 第三类常见的投资时钟是货币信用周期理论。实际上，由于信用周期并不是一个经济学意义上的专有名词，所以其定义也非常模糊。我们既可以认为信用只是信贷，也可以认为信用是全社会融资需求。此外，货币周期也没有一个相对统一的标准，我们既可以认为其是政策利率的变化周期，也可以认为是短期市场利率的变化周期。因此，在对货币信用周期进行回测时，需要明确本文所谓的货币和信用周期是短期无风险利率和中长期贷款余额增速周期的结合。 我们在这一部分仅考虑股票、债券和现金资产的轮动策略。其背后的主要原因在于，货币和信用这两个指标更多地是描述金融市场的运行情况，难以从中总结出关于实体经济变化的情况，因此对商品市场究竟该如何在货币信用周期中进行择时并不清晰。 从轮动信号上来看，在短期无风险利率和中长期贷款增速为代理指标的货币信用周期下，根据前文分析，在宽信用时容易出现债涨、股票小幅上涨的情况，而货币周期则对股票和债券的择时效果都比较好。因此，对于权益资产我们主要根据货币周期设置仓位，对于债券资产则结合两个周期情况设置仓位，并有如下策略： 1） 宽货币宽信用：中长期贷款余额增速上行，1年期国债利率下行。信贷增速上行驱动股票市场上行，同时对债券供给有一定挤出效应，叠加利率下行，股债都应该持有，但债券的权重应相对更高。 2） 紧货币宽信用：这一阶段从信贷的角度来讲，股债仍有共同向上的动力，但利率趋于上行后，债券的权重应该有所降低。 3） 宽货币紧信用：信贷下行暗示权益资产上涨动力不足，但利率仍处于下行周期，债券仍有配置价值，故半仓债券半仓现金。 4） 紧货币紧信用：对于债券资产而言，信贷的下行不会对供给产生挤出效应，而利率的上行又产生了利空因素，因此这一阶段并不适合配置债券。对于股票而言，虽然信贷增速下行暗示经济增长动力有所减弱，利率上行仍包含着对经济走强的预期，二者相互对冲，因此在组合中半仓股票半仓现金。 从货币信用周期投资时钟模型的结果上来看。在不纳入商品的考虑之后，组合的回撤和波动率较“增长+通胀”和“存货+利润”周期模型均有所上升。 III 总结和改进空间 1. 总结 总的来讲，本文主要完成了以下三部分工作： 第一，经济数据核心周期的提取与预测。对所选经济数据通过“HP滤波+傅里叶变换”两步法，提取出每个时间点最重要的周期，并根据此对各经济数据未来60个月的周期项走势进行预测。 第二，经济数据周期状态的划分。根据当前经济数据以及对未来周期项变化的预测，总结出当前所处的经济周期。本文提出了三类划分方法，分别为周期位置法、趋势缺口法和预期差法，其中周期位置法所给出的周期状态是本文构建策略的主要依据。 第三，根据各个维度经济周期的状态，构建了顺周期策略和投资时钟策略。在顺周期策略中，我们观察了不同维度经济周期在顺周期信号下，对股票和债券自身的择时、轮动策略效果，以及股债固定比例、风险预算模型效果。并且，发现在这一信号下有两个策略表现较为突出，一是“综合增长周期+动量”的择时模型，二是“增长周期+金融周期”的大小盘和成长价值风格轮动模型。在投资时钟模型中，我们回顾了常见的三类周期组合，一是增长通胀周期，二是库存周期，三是货币信用周期，结果显示三类投资时钟模型均能在大类资产轮动的策略上产生较好的效果。 2. 改进空间 本文仍然有很多值得改进和继续研究的内容，主要包括以下三点： 第一，在经济维度的选择上可以更加广泛。本文目前仅纳入了六维经济数据，但国内经济数据种类远超于此。此外，我们还可以纳入海外经济数据，以观察全球的经济周期变化。 第二，在周期提取和划分方法上仍有改进空间。一方面，目前我们只使用傅里叶变换进行周期提取，并用滚动窗口的方式规避了局部数据不平稳的问题，但在信号处理中仍有小波变换等方式可以解决类似的问题，值得在后续进行尝试。另一方面，当前我们只选择了每个经济数据最核心的一个周期作为我们进行周期状态划分的依据，但其中第二或第三重要的周期仍然具有分析的价值。周期分析可以不限于3至4年的中周期长度，还可以延伸至长周期或者相对偏短的周期。 第三，在策略设计上，可以在BL模型以及行业轮动模型上有进一步探索。在BL模型中，核心设置之一是观点矩阵的确认，而观点矩阵则涉及到对未来一段时间各类资产收益率的预期。从历史研究来看，直接将历史收益率代入观点矩阵的效果并不好。而本文模型可以在每个月底给出各维度经济周期状态，在统计历史该周期状态下的资产收益率和波动率数据后，就可以形成一个观点矩阵。此外，在股票的轮动模型中，除了风格轮动，如果我们能丰富经济数据观察的维度，就可以对行业轮动策略做进一步的探索。 重要申明 风险提示 本文内容基于当前数据和现有理论构建模型，当市场出现异常波动或市场环境发生重大改变时，存在模型失效的风险。 分析师承诺 负责本研究报告全部或部分内容的每一位证券分析师，在此申明，本报告清晰、准确地反映了分析师本人的研究观点。本人薪酬的任何部分过去不曾与、现在不与，未来也将不会与本报告中的具体推荐或观点直接或间接相关。 本报告分析师 任 瞳 SAC职业证书编号：S1090519080004 王武蕾 SAC职业证书编号：S1090519080001 研究助理 王禹哲 SAC职业证书编号：S1090123080004 免责申明 本微信号推送内容仅供招商证券股份有限公司（下称“招商证券”）客户参考，其他的任何读者在订阅本微信号前，请自行评估接收相关推送内容的适当性，招商证券不会因订阅本微信号的行为或者收到、阅读本微信号推送内容而视相关人员为客户。 完整的投资观点应以招商证券研究所发布的完整报告为准。完整报告所载资料的来源及观点的出处皆被招商证券认为可靠，但招商证券不对其准确性或完整性做出任何保证，报告内容亦仅供参考。 在任何情况下，本微信号所推送信息或所表述的意见并不构成对任何人的投资建议。除非法律法规有明确规定，在任何情况下招商证券不对因使用本微信号的内容而引致的任何损失承担任何责任。读者不应以本微信号推送内容取代其独立判断或仅根据本微信号推送内容做出决策。 本微信号推送内容仅反映招商证券研究人员于发出完整报告当日的判断，可随时更改且不予通告。 本微信号及其推送内容的版权归招商证券所有，招商证券对本微信号及其推送内容保留一切法律权利。未经招商证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）