国金金融工程高智威｜港股通大消费择时跟踪|中证|区间累计跌幅|国金金融|择时|港股通|高智威

作者：高智威、许坤圣

摘要

■ 投资逻辑

月度择时模型观点及策略表现

根据国金金融工程团队发布的《量化掘基系列之二：量化择时把握港股通大消费板块投资机会》,我们构建了基于动态宏观事件因子的中证港股通大消费主题指数择时策略。

2025年4月份配置模型收益率为-1.66%,高于等比例基准表现(-2.21%)，以及中证港股通大消费指数。从历史表现方面来看，从2018年11月至2025年4月，策略年化收益率为9.25%、最大回撤为-29.72%、夏普比率为0.52、收益回撤比为0.31，各维度上表现均优于基准。

另外，我们统计了从2018年11月至2025年4月择时策略的逐年表现，可以发现该策略在大多数年份都取得了正的超额收益，并且在等比例基准出现回撤的阶段，该策略较好地控制住了下行风险。

基于动态宏观事件因子的中证港股通大消费指数择时策略

为了探索中国宏观经济对香港大消费主题上市公司整体状况和走势的影响，我们选取中证港股通大消费主题指数作为研究对象，尝试从动态宏观事件因子的角度构建择时策略框架。我们用经济、通胀、货币和信用四维度的20余个宏观数据指标，基于数据样本内时间段的收益率胜率指标和开仓波动调整收益率指标数值，筛选出这些宏观数据每期最优的事件因子和最优的数据处理方式，并且从中挑选出了5个对中证港股通大消费主题指数择时效果较好的宏观因子。

在选定了最终使用的宏观指标之后，我们使用这些宏观数据构建的宏观事件因子来搭建择时策略：当大于2/3的因子发出看多信号，则当期该大类因子的信号标记为1；当少于1/3的因子发出看多信号时，则当期大类因子信号标记为0；若当因子发出看多信号的比例处于两个区间之后，则大类因子标记为对应具体的比例。将每期大类因子的得分作为当期的择时仓位信号。

风险提示

1、以上结果通过历史数据统计、建模和测算完成，若历史数据产生环境发生变化，可能出现模型失效风险；

2、政策环境发生变化，资产与相关风险因子失去稳定关系的模型风险；

3、市场环境发生变化，国际政治摩擦升级等带来各大类资产同向大幅波动风险；

4、基金相关信息及数据仅作为基金研究使用，不作为募集材料或者宣传材料；

5、本文涉及所有基金历史业绩均不代表未来表现。

+目录

一、月度择时模型观点及策略表现

二、基于动态宏观事件因子的中证港股通大消费指数择时策略

2.1 宏观数据的选用

2.2 宏观数据的预处理

2.3 宏观事件因子构建

2.4 择时策略构建

风险提示

正文

一、月度择时模型观点及策略表现

从细分指标来看，本次共有三个指标参与打分，分别为“金融机构:中长期贷款余额_当月新增_滚动12M求和_YoY”，“新增社融:滚动12个月求和:同比”和“中采制造业PMI：原材料价格”。其中，“中采制造业PMI_原材料价格”指标看多，“金融机构:中长期贷款余额_当月新增_滚动12M求和_YoY”和“新增社融_滚动12个月求和_YoY”指标看空，合成大类因子信号为33.3%。

通过在回测时间段根据大类因子信号所得到的择时仓位信号时间序列，可以看出择时策略总体上保持着较低的平均仓位，约为44%。为了能够更好地评价该择时策略，我们以回测期内策略的平均权重作为固定的择时仓位，构建一个等比例基准，并将其作为评估策略的对象。

二、基于动态宏观事件因子的中证港股通大消费指数择时策略

港股容易受到中国宏观、海外货币流动性等多因素的影响，具有很多不确定性，盲目投资往往会带来资金的重大损失，因此投资者应当具备建立中短期择时模型的能力，利用大盘的代表性来找到系统性的机会和规避系统性的风险。

为了探索中国宏观经济对香港大消费主题上市公司整体状况和走势的影响，我们选取中证港股通大消费主题指数作为研究对象，尝试从动态宏观事件因子的角度构建择时策略框架。

2.1 宏观数据的选用

在构建动态事件驱动策略框架的过程中，我们首先需要确定使用什么数据去搭建什么事件因子，即去寻找与资产收益率相关的宏观数据，并构建能够刻画它们与资产关系的事件因子。

在数据方面，通过选取，我们将经济、通胀、货币和信用四大类的20余个因子，包括PMI、PPI、M1等数据，纳入测试的范围当中。

挑选好数据后，需要对数据进行预处理操作后才可以进入事件因子的构建阶段，具体流程如下图所示，我们将在后文对每个步骤进行详细的阐述。

2.2 宏观数据的预处理

对于数据的预处理方面，我们分成了4个小步骤：

对齐数据频率：将指标的频率统一成月频，对于日频数据可以取每月的最后一个交易日的数据作为当月的数据，或者是取月内日频数据的均值作为当月的数据。

填充数据缺失值：对于缺失的数据，取数据过去12个月指标的一阶差分值的中位数叠加上一期的数值进行填充。

滤波处理：这个步骤需要结合数据判断，以防将数据中的重要信息过滤掉。我们尝试用量化的形式，通过同时构建数据的2种处理方式的因子，最终筛选出更适合该指标的处理方式：

a)不做处理的原始数据；b)做滤波处理的数据；

在滤波处理方面，选择使用单向HP滤波，避免数据处理过程中隐含的未来函数。

变化数据结构衍生因子：为了使数据更能捕捉资产收益率变动方向，我们对不同的数据使用不同的数据格式，包括数据的同比、环比、移动平均等。

2.3 宏观事件因子构建

数据预处理后，进入宏观事件因子构建阶段，我们将构建过程拆解成7个小步骤：

1）确定事件的突破方向：计算数据与资产标的下一期收益率的相关性，当相关性为正相关时，对该数据构建正向突破(变动)的事件，反之则构建反向突破(变动)的事件。

2）确定数据与资产的领先滞后性：对数据衍生出滞后0-4期的事件因子，通过筛选因子的指标衡量什么时滞期数下的事件因子更为合适，动态识别数据与资产目前的领先滞后关系。

3）生成事件因子：构建三类事件因子：数据突破数据均线，数据突破数据中位数以及数据的同向变化，对因子事件赋予不同的参数，共构建28个不同的因子事件。

生成事件因子后，就可以进入对事件因子的评价和筛选阶段，但首先需要确定下用什么衡量指标。我们列出了2种不同的衡量指标：收益率胜率和开仓波动调整收益率，其中收益率胜率不仅考虑了事件因子的开仓成功率，还包含了盈亏比的信息；开仓波动调整收益率综合考虑了指标成功率，收益率和波动率的信息。结合指标的不同特点，我们选取收益率胜率作为每期事件因子的筛选指标，开仓波动调整收益率作为后续确定数据滚动时间窗口的指标。

4）因子事件初筛选：每期生成因子的初步筛选为：a)满足t检验，能在95%的置信区间内拒绝事件信号发出之后，下一期资产收益为0的原假设；b)事件收益率胜率>55%; c)该事件的发生次数>滚动窗口的时间期数/6。

5）叠加事件因子：选择收益率胜率最高的事件因子作为当期的基础事件因子。从剩余通过初筛选的事件因子中，选出与基础事件因子低于0.85的次高收益率胜率事件因子，将其与基础事件因子进行叠加。若叠加因子事件的胜率高于基础因子事件，则选用叠加事件作为当期的事件因子，反之则仅用最高胜率事件作为当期的事件因子。

6）若经历了步骤4和5，当期没有能通过筛选的事件因子，则本期该宏观指标标记为空仓，且当期不加入其归属的大类因子打分当中，本质上这步实现了动态剔除低胜率的事件因子。

7）确定评判事件的最优滚动窗口：基于每期事件因子给出的择时信号，获得该宏观数据的历史净值表现。然后计算开仓波动调整收益率寻找对于不同宏观数据最合适的滚动时间窗口。我们在测试区间内测试了48，60，72，84，96个月时间维度。每个宏观数据都通过对比不同时间窗口的开仓波动调整收益率来选出最优参数。