基于全球宏观指标构建的扩散指数具有合成方法简单、受极端值影响小、周期特征更加明显等优势，但宏观指标的时滞性特征导致其无法直接运用于资产配置中。我们使用factor mimicking的方法，针对制造业PMI扩散指数和CPI扩散指数，构造出与之对应的高频扩散指数因子组合，帮助投资者能更加及时地追踪全球宏观状态。之后，基于高频扩散指数因子组合的相关信息，我们构建了一套以高频扩散指数因子为矛、技术面模型为盾的全球大类资产配置策略体系，最终的大类预算调整+单资产收益预测+布林带指标策略在回测样本区间内的年化收益可达11.79%，夏普比率达1.88，Calmar比率达1.17，均高于基准的风险平价策略。策略在2020年后的表现更加亮眼，年化收益率超过12%，Calmar比率也达到2.48。上述回测结果表明，高频扩散指数因子具有一定的增量信息，或可为计划布局全球资产配置的投资者提供参考。

基于高频扩散指数因子构建全球大类配置资产策略

本研究针对宏观扩散指数存在的时滞性等问题，利用factor mimicking的方法，构造了扩散指数的高频因子组合，帮助投资者能更加及时地追踪全球宏观状态。之后，基于高频扩散指数因子组合的相关信息，我们构建了一套以高频扩散指数因子为矛、技术面模型为盾的全球大类资产配置策略体系，最终的大类预算调整+单资产收益预测+布林带指标策略在回测样本区间内的年化收益可达11.79%，夏普比率达1.88，Calmar比率达1.17，均高于基准的风险平价策略。策略在2020年后的表现更加亮眼，年化收益率超过12%，Calmar比率也达到2.48。上述回测结果表明，高频扩散指数因子具有一定的增量信息，或可为计划布局全球资产配置的投资者提供参考。

高频扩散指数因子与全球资产收益存在良好的映射关系

基于全球宏观指标构建的扩散指数具有合成方法简单、受极端值影响小、周期特征更加明显等优势，但宏观指标的时滞性特征导致其无法直接运用于资产配置中。我们使用factor mimicking的方法，针对制造业PMI扩散指数和CPI扩散指数，构造出与之对应的高频扩散指数因子组合。因子组合同比序列的运行状态，与资产收益存在良好的映射关系，以高频制造业PMI扩散指数因子为例，当其同比序列上行时，风险类资产的收益表现强于防御类资产，其中风险资产内部股票类资产的胜率高于商品资产；当其同比序列下行时，防御类资产的表现更加出色，而防御资产内部，货币资产持续获取收益的能力相对债券资产而言更为稳健。

高频扩散指数因子可为资产配置带来增量信息，提升策略表现

基于扩散指数和资产价格的映射关系，我们在风险平价策略的基准上，根据高频扩散指数因子的运行状态，调整资产大类间的风险预算相对比例，概括而言，当高频制造业PMI扩散指数因子或CPI扩散指数因子同比序列上行时，我们放大风险资产（股票、商品）的预算比例；而当它们下行时，则放大防御资产（债券、货币）的预算比例。此外，考虑到大类资产内部各细分资产，对高频扩散指数因子的反应程度可能存在差异，我们通过滚动窗口，利用高频扩散指数因子对每个细分资产的未来收益进行预测，放大预测收益更高的资产的风险预算比例。融合扩散指数相关信息后，策略年化收益率从基准的5.39%提升至10.93%， Calmar比率从0.99提升至1.21。

高频扩散指数因子为矛，技术面模型为盾

我们对高频扩散指数因子信息的利用，均是通过放大资产的风险预算来实现的。这种单向操作，可能会导致组合的权重在某些时刻会特别集中在个别资产上，而一旦资产的基本面信号与市场走势发生背离，组合或将遭受较大幅度的回撤。此时，如果叠加一层趋势动量追踪模型，或可提升整体策略表现。基于该思想，我们在策略中加入了简单的技术面指标——布林带指标，用于监测各个资产的价格趋势，当布林带指标显示资产有下行风险并发出看空信号时，我们将对应资产的风险预算进行削减。我们的最终策略“以高频扩散指数因子为矛，技术面模型为盾”，全样本回测区间年化收益可达11.79%，2020年后的年化收益可达12.35%，Calmar比率达2.48。

正 文

01 时滞性影响下，扩散指数难以直接运用于大类资产配置

扩散指数的优势在于构建方法简单，与资产价格存在良好映射关系

扩散指数合成法是一种将多类观测指标降维的分析方法，在前期报告《扩散指数视角下的宏观周期状态》（2024-08-29）中，我们基于全球多个国家的宏观数据，构造了包含制造业PMI、CPI在内的一系列全球宏观指标的扩散指数。和主成分分析等降维方法相比，扩散指数的构建方法相对简单，其核心思想是统计当前相对于上一期增长指标数量占样本指标总数量的比例（具体合成步骤如图1所示）。同时，扩散指数受数据极端值的影响较小，合成的序列具有更强的周期特征，能与资产价格的变化建立较好的映射关系。

下列图表以全球制造业PMI扩散指数和全球CPI扩散指数为例（回测区间：2006.12.31~2025.05.30），展现了扩散指数与资产价格间的良好映射关系。为降低短期噪音的影响，我们对扩散指数进行了滚动平均4个月的平滑操作。结果显示，当制造业PMI扩散指数上行时，股票、商品等风险资产往往具有较高的月度收益率，而当制造业PMI扩散指数下行时，债券、货币等防御性资产的收益表现要优于风险类资产（由于黄金相对其它商品，避险保值等类货币属性更强，因此这里我们把黄金归类为货币资产）；CPI扩散指数也有着相似的结果，上行时风险资产表现更佳，下行时防御资产收益能力更强。

扩散指数存在时滞性影响，难以直接用于指导大类资产配置

受宏观数据发布时滞性的影响，我们只能在相关宏观指标发布后，以后验的视角，才能获取到上述扩散指数与资产价格间的映射关系，而不同宏观指标的滞后性也存在差异，如制造业PMI数据一般在月初会披露上月结果，而CPI则在月中才会披露上月数据，这就导致我们在进行实际大类资产配置时，所使用的扩散指数会存在1~2个月的滞后。下图展示了滞后1期和2期时，扩散指数与大类资产间的映射关系（回测区间：2006.12.31~2025.05.30）。从结果上看，在扩散指数存在滞后的情况下，仅有商品、货币资产的收益分化表现较为明显，股票、债券类在滞后情况下的表现与非滞后情况相比出现了逆转：股票在扩散指数下行时的收益表现强于扩散指数上行时期，债券在扩散指数上行时的收益表现强于扩散指数下行时期，这与我们的直观感受相违背。该结果或表明，时滞性影响会破坏扩散指数与资产价格间的良好映射关系，导致我们无法直接使用扩散指数指导大类资产配置。

如何解决时滞性影响，是本篇报告的主要内容。在接下来的章节中，我们将基于factor mimicking的方法，利用日频指标，尝试构建高频组合追踪模拟扩散指数，以降低时滞性影响。之后，我们在以风险平价为基准的全球大类资产组合中，尝试加入高频扩散指数的增量信息，以增强整体策略表现。

02 基于Factor mimicking构建高频扩散指数因子

在前期报告《行业配置策略：高频宏观因子》（2023-06-10）中，我们曾使用factor mimicking的方法，构建了高频的增长、通胀、流动性等不同维度的宏观因子。Factor mimicking的基本假设是资产价格是最及时的能够反映宏观状态的指标；具体做法是构建一个资产组合，如果该组合的同比收益率走势与宏观指标同比增速走势较为接近，则该组合被称作宏观因子组合。由于我们在构建全球宏观扩散指数时，已针对底层指标均进行了同比化处理，因此自然的，我们也可以考虑利用factor mimicking，构建及时反映扩散指数状态的资产组合，并以此作为高频扩散指数因子。在本节接下来的内容中，我们将针对市场关注度较高的制造业PMI扩散指数、CPI扩散指数构建对应的高频因子组合。

传统的factor mimicking多数采用自下而上的方法，基本思想是对典型大类资产的收益率进行主成分分析，每个主成分都是一个资产组合，并将各主成分组合同比收益率走势与常见宏观指标同比增速走势依次比对，以赋予各主成分组合宏观经济含义。这种方法的优势是能够与待配置的资产体系保持一致，不容易遗漏关键的宏观维度，但缺陷是并不稳定，随着建模窗口和样本数量的改变，各主成分的方差贡献率随之改变，各主成分的排序可能发生变化，从而导致其宏观经济含义随之改变，如第一主成分可能时而代表增长、时而代表通胀。

对于本文的研究而言，由于宏观维度已经确定，我们将采用相对简化的方法，开展factor mimicking，以降低过拟合的风险。代理资产的样本池沿用上文使用的股、债、商、货币资产，同时在此基础上，加入了商品市场中常用的表征增长、通胀的铜金比等比值指标（商品比值指标的计算方法可见下表）。我们的简化factor mimicking具体步骤如下：

1，以制造业PMI扩散指数或CPI扩散指数为自变量，在样本内（2006年~2019年）对各个资产开展有放回抽样（Bootstrap）的一元线性回归，根据回归系数t值和R方的中位数确定各扩散指数对应的代理资产；

2，利用等权的方法对代理资产进行合成，构建高频扩散指数因子组合。

制造业PMI扩散指数的高频因子组合：铜金比+标普500

下图展示了制造业PMI扩散指数对主要资产的回归结果（只显示R方排名前10的资产），可以看到，权益资产中，标普500对制造业PMI扩散指数的变化更为敏感；债券类资产表现和制造业PMI扩散指数长期呈负相关关系；商品资产中，铜金比的表现和制造业PMI扩散指数相关性较高。由于铜金比中已包含铜价信息，因此我们不再额外单独选取COMEX铜资产，而是将铜金比和标普500的多头序列纳入到制造业PMI扩散指数的高频因子组合中。

下图展现了制造业PMI扩散指数高频因子组合的净值及月度同比序列。可以看到，基于铜金比+标普500的因子组合的同比序列与制造业PMI扩散指数的实际值走势较为相似。进一步的，我们构建了因子组合同比序列和资产价格的映射关系，与前文一致，为降低短期噪音的影响，我们对因子组合同比序列进行了滚动4个月平均处理。结果显示，当制造业PMI扩散指数因子组合同比序列上行时，股票、商品的收益均值和胜率均值均显著优于因子组合同比下行时期；而当因子组合同比序列下行时，债券和货币类资产表现更为出色。进一步的，我们以2020年为界限，考察2020年之前与2020年之后，因子组合和资产价格的映射关系是否稳定。结果表明，因子组合对于资产收益的分化效果在时序上是稳定存在的。值得注意的是，相比债券资产，货币资产在制造业PMI扩散指数高频因子下行时的表现更加稳健；同时，股票类资产在因子上行期的胜率要高于商品类资产。

CPI扩散指数的高频因子组合：CRB商品价格+布伦特原油

下图展示了CPI扩散指数对主要资产的回归结果（只显示R方排名前10的资产），可以看到，在各大类资产中，商品资产对CPI扩散指数的敏感性显著更高，其中CRB商品价格指数和布伦特原油的t值绝对值与R方位居前列。基于该结果，我们将CRB商品价格指数和布伦特原油的多头序列纳入到CPI扩散指数的高频因子组合中。

下图展现了CPI扩散指数高频因子组合的净值及月度同比序列。与制造业PMI扩散指数高频因子相似，基于CRB商品价格+布伦特原油的因子组合同比与CPI扩散指数的实际值走势较为一致。映射关系结果显示，当CPI扩散指数高频因子组合同比上行时，股票和商品资产往往会有更强的收益表现，其中商品类资产的收益率均值强于股票，而胜率均值与股票相近。而当CPI扩散指数高频因子组合同比下行时，债券和货币类资产收益能力更强，其中依然是货币类资产的收益表现相对债券更加稳健。

整体来看，我们基于factor mimicking构建的高频扩散指数因子组合，与资产价格间同样存在相对显著的映射关系：因子组合不同的运行状态（上行或下行），或对应着不同类别资产（风险资产或防御资产）的强势期。事实上，扩散指数高频因子，相对原始扩散指数，对资产强势期的划分更为准确。至此，我们完成了利用高频资产数据对低频、滞后的宏观指标的模拟追踪。在下一章节中，我们将基于高频扩散指数因子组合，构建全球大类资产配置策略。

03 高频扩散指数因子视角下的全球大类资产配置策略

底层资产池选择与基准风险预算比例设定

从本节开始，我们将利用高频扩散指数因子组合，构建完整的大类资产配置策略。策略底层资产池以第一节展示的资产池为基础，为平衡海内外资产数量，我们的债券资产只包含中国国债和美国国债，同时商品资产中删去海外的CRB商品价格指数，货币资产中，海外的外汇资产用美元指数统一替代。此外，考虑到可投资性，我们将部分资产替换成可投资的ETF产品追踪的指数。最终的底层资产池如下表所示，共涉及18个资产，其中国内和国外资产各9个。所有资产均转换为人民币计价。基准策略选用风险平价模型，以保证大类资产的分散。由于防御性资产，尤其是中国的债券指数，波动率较低，直接运用风险平价模型易导致防御资产持仓占比在80%以上，因此我们对四大类资产先设定股：债：商：货币=2：1：2：1的风险预算比例，各大类资产内部的细分资产再等权分配风险预算。按照上述规则，各细分资产的基准风险预算比例如下表所示。本节中所有策略均在月末调仓，回测区间设定为2012.12.31~2025.6.18。由于高频扩散指数因子组合是基于2019年及之前的数据构建的，因此我们后文会重点关注2020年之后的策略表现。

策略改进步骤1：利用高频扩散指数因子的运行状态调整资产大类预算

在前文中，我们发现高频扩散指数因子同比序列的运行状态，与大类资产的收益表现存在良好的映射关系，而我们的第一步策略改进方法，便是将这种映射关系融入到资产风险预算的调整中。具体而言，当高频制造业PMI扩散指数因子同比序列上行时，风险资产的表现强于防御资产，而风险资产中股票资产的收益率与商品相近，但胜率更高，因此此时，我们将四大类资产的风险预算比例调整为股：商：债：货币=8：4：2：1；当高频制造业PMI扩散指数因子同比序列下行时，防御性资产表现更优，其中货币资产的收益相对稳健，因此这种情况下，我们将四大类资产的风险预算比例调整为股：商：债：货币=1：2：4：8。这种风险预算调整方式与我们的市场经验也相契合，当制造业处于景气上行时，风险资产的收益更强；当经济处于景气下行时，投资者往往会更加青睐黄金、美元等避险资产。对于高频CPI扩散指数因子，由于其上行状态下，股票和商品的胜率相差不大，均优于防御性资产，因此，我们按照上行状态股：商：债：货币=2：2：1：1，下行状态股：商：债：货币=1：1：2：2的方式调整风险预算。

下列图表展示了通过步骤1改进的策略（下文统称为“大类预算调整策略”）和基准策略的净值走势和风险-收益特征对比。结果显示，在全部回测区间内，相对基准策略，大类预算调整策略有着更高的年化收益和Calmar比率，其中Calmar比率从0.99提升至1.13。2020年以来，大类预算调整策略的年化收益和Calmar比率依然相对更优，不过夏普比率因为波动率的上升而低于基准。策略超额收益最近的一轮大幅回撤出现在2023年下半年~2024年上半年，当时两个高频扩散指数因子均呈上行趋势，赋予策略组合中的股票资产较大的权重，而这段时间内国内股票市场表现相对一般，导致策略组合在这段时间内未跑赢基准。

从持仓分布看，受防御性资产波动率较低的影响，基准策略中防御性资产的持仓比例稳定在60%~80%之间，难以在风险资产的强势期内获取较高收益。相对而言，大类预算调整策略的持仓中风险资产和防御资产的轮动特征更为明显，如2021年上半年和2024年下半年，包含A股在内的风险资产整体呈上行趋势，对应时间段改进策略1的风险资产持仓比例出现了突破40%的情况。

策略改进步骤2：基于高频扩散指数因子预测单资产未来收益表现

考虑到大类资产内部各细分资产，对高频扩散指数因子的反应程度可能存在差异，我们的改进步骤2将针对各个细分资产，建立基于高频扩散指数因子的未来收益预测模型，然后根据模型的预测值，调整细分资产的风险预算。具体步骤上，预测模型采用简单的二元线性回归，模型自变量是两个高频扩散指数因子净值的过去20日收益率，因变量是资产未来20日的收益率。为了防止未来数据泄露，我们采用252+20日的窗口进行滚动回归建模，基于窗口前252日的数据获得回归方程的自变量系数，然后将该系数乘以窗口最后1期的高频扩散指数因子值，所得结果作为资产未来20日收益的预测值。在回归建模前，我们会将滚动窗口前252日的因变量数据利用z-score方法标准化，从而使得最终得到的预测值在各细分资产间是可比的。

对于每个调仓日，我们在改进步骤1调整大类资产风险预算的基础上，通过滚动窗口获得各细分资产未来收益的预测值后，根据预测值从大到小对资产进行排序，进一步放大排序位于前一半（9个）的资产的风险预算，放大比例设置为8倍（新策略下文统称“大类预算调整+单资产收益预测策略”）。下列图表展现了新策略的净值和收益表现。结果显示，在全样本回测区间内，大类预算+单资产收益预测策略的收益表现相对前文的策略有较为显著的提升，其中年化收益率由大类预算调整策略的7.46%上升至10.93%，夏普比率达1.79，Calmar比率也上升至1.21。相比全样本回测区间，大类预算调整+单资产收益预测策略在2020年后的表现更加优异，年化收益率可达12.19%，超过基准策略的5.65%和大类预算调整策略的6.67%，同时，2020年后，大类预算调整+单资产收益预测策略的夏普比率可达1.89，Calmar比率可达2.32。

值得一提的是，与大类预算调整策略相比，大类预算调整+单资产收益预测策略获取相对基准的超额收益能力更加稳健，超额收益净值曲线上行趋势更加平稳。与大类预算调整策略相似，大类预算调整+单资产收益预测策略最近的一次大幅回撤也发生在2023年下半年，但回撤持续时间要短于大类预算调整策略，后期的回撤修复速度和幅度也强于大类预算调整策略。

从持仓分布的角度看，大类预算调整+单资产收益预测策略相对大类预算调整策略，风险-防御资产的轮动更加频繁，同时风险资产的持仓比例上限也得到了进一步的提升，部分时间段，如2017年上半年、2021年上半年和2024年下半年，风险资产的持仓比例可达80%以上。

策略改进步骤3：高频扩散指数因子为矛，技术面模型为盾

在前期报告《全球大类资产配置的三层次逻辑及对宏观基本面量化的思考》（2024-11-29）中，我们曾指出，市场走势和基本面模型信号出现分歧时，市场往往是正确的，因此，在构建大类资产配置策略时，叠加一层趋势动量追踪模型或可提升整体策略表现。基于该思想，我们尝试在大类预算+单资产收益预测策略的基础上，增加资产价格趋势判断的相关技术面指标，以提升整体策略表现。

考虑到在大类预算+单资产收益预测策略中，我们对高频扩散指数因子信息的利用，均是通过放大资产的风险预算来实现的。这种单向操作，可能会导致组合的权重在某些时刻会特别集中在个别资产上，而一旦这类个别资产的基本面信号与市场走势发生背离，组合或将遭受较大幅度的回撤。因此，我们希望技术面指标能够起到一层“保护罩”的效果，具体而言，即是当技术面指标显示资产有下行风险而发出看空信号时，我们将对应资产的风险预算缩减为原来的四分之一，直到看空信号转为看多信号。在技术指标选择上，我们选取了具有代表性的通道策略——布林带策略，当资产价格的月线突破布林带上轨时发出看多信号，突破下轨时发出看空信号。布林带的参数设置为[12，1.5]，即布林带上轨等于资产价格12个月的均线+1.5×12个月的标准差，布林带下轨等于资产价格12个月的均线-1.5×12个月的标准差。

下列图表展示了加入技术面布林带指标后的新策略（下文统称为大类预算调整+单资产收益预测+布林带指标策略）的净值表现和风险-收益特征。结果显示，在全样本回测区间内，新策略相比大类预算调整+单资产收益预测策略，年化收益率由10.93%进一步提升至11.79%，夏普比率也达到1.88，超过基准策略。2020年后，新策略的年化收益可达到12.35%，Calmar比率可达2.48。该结果显示，即使只是加入了简单的布林带指标，策略整体收益和回撤控制能力也可以得到一定的增强。至此，我们完成了“高频扩散指数因子为矛，技术面模型为盾”的全球大类资产配置体系构建。

下列图表中我们统计了大类预算调整+单资产收益预测+布林带指标策略回测区间内每个月和每年的收益及超额收益情况。可以看到，大类预算调整+单资产收益预测+布林带指标策略每年都能稳定录得正年化收益，且能保持在5%以上，同时，除2021年外，在其他年份中，大类预算调整+单资产收益预测+布林带指标策略均能稳定跑赢基准策略，且在部分年份中超额年化收益可达10%以上。

从持仓分布的角度看，大类预算调整+单资产收益预测+布林带指标策略的风险-防御资产轮动速度和大类预算调整+单资产收益预测策略大致相当，在部分时点上存在一定的差异，如2025年以来策略对风险资产的配置比例低于大类预算调整+单资产收益预测策略。

总结与展望

本研究针对宏观扩散指数存在的时滞性等问题，利用factor mimicking的方法，构造了扩散指数的高频因子组合，帮助投资者能更加及时地追踪全球宏观状态。之后，基于高频扩散指数因子组合的相关信息，我们构建了一套以扩散指数为矛、基本面模型为盾的全球大类资产配置策略体系，最终的大类预算调整+单资产收益预测+布林带指标策略在回测样本区间内的年化收益可达11.79%，夏普比率达1.88，Calmar比率达1.17，均高于基准的风险平价策略。策略在2020年后的表现更加亮眼，年化收益率超过12%，Calmar比率也达到2.48。上述回测结果表明，高频扩散指数因子确实能为投资者布局全球大类资产带来一定的增量信息。

不过目前的融合策略依然存在不足之处，如资产间的轮动相对频繁；虽然加入了技术面指标监测资产的下行风险，但在部分时间段内，策略组合的权重依然会过于集中在少数资产上，导致策略的波动和回撤相对基准依然较大。同时我们也发现，资产对扩散指数的敏感性和反应程度在时序上和截面上均可能存在差异，例如2023年~2024年上半年，扩散指数上行，但A股相对其它资产市场表现较为一般，我们在改进步骤2中加入的单资产未来收益预测模型可以在一定程度上缓解该问题，但同时也增加了策略的复杂性，以及进一步加大了资产权重的集中性。针对上述不足之处，未来我们或许可以从以下几个方面进行优化：

1，引入更多维度的高频宏观扩散指数因子，如PPI、工业生产指标等，通过扩散指数间的“此起彼落”，达到分散资产权重的效果。同时，虽然全球主要资产在整体上的走势大致相当，但在部分时间段内，不同国家的同类型资产也会存在差异，因此，我们可以在单一国家内部构建出对资产收益具有较强指导性的扩散指数，对该国的资产“因地制宜”的构建配置策略；

2，前期报告《从资产配置走向因子配置：中国版全天候增强策略》（2025-06-03）中，我们从资产风险平价，改进为因子风险平价，达到突破资产分类局限、避免单一资产表现对整体收益的制约的效果。未来研究中我们也可以突破股、债、商、货币的资产分类体系，构建更能反应扩散指数风险特征的组合，以此提升整体策略的收益稳健性。

风险提示：

研究观点基于历史规律总结，历史规律可能失效；市场的短期波动与政策可能会干扰对经济周期的判断；市场可能会出现超预期波动。资产配置策略无法保证未来获得预期收益，对依据或使用该规律所造成的后果由投资者自行承担。报告中涉及到的投资标的不代表任何投资意见，请投资者谨慎、理性地看待。

研报：《金工：基于扩散指数的全球资产配置策略》2025年6月20日

研究员：林晓明 S0570516010001｜BPY421

研究员：陈　烨 S0570521110001

研究员：徐　特 S0570523050005

联系人：应宗珣 S0570123070193

（转自：华泰证券研究所）

转自：市场资讯