动态配置的宏观因子模仿组合(含代码)

论文《Dynamic Allocation Macro Factor-Mimicking Portfolios》由 Matéo Molinaro 和 Lucien Chaudron 撰写，发表于 2026 年 1 月 27 日。文章研究了如何通过宏观因子模拟组合（FMP）和机器学习预测模型，将宏观经济信息转化为有效的投资策略。

1. 引言

• 构建针对通胀的因子模拟组合（FMP），作为可投资的宏观风险代理。

• 利用统计和机器学习模型，基于大规模宏观数据集预测通胀动态。

• 根据通胀预测结果实施动态资产配置策略，优于静态基准。

2.1 数据：

股票数据：来自 CRSP 数据库，涵盖 NYSE、AMEX 和 NASDAQ 上市的普通股，时间跨度为 1970 年 1 月至 2024 年 12 月。投资范围限制在每期市值排名前 1000 的公司。

宏观数据：来自 FRED-MD 数据集。

2.2 方法论：

测量股票层面的通胀敞口：通过双变量回归模型估算个股对通胀的敏感度（Beta），同时控制市场风险。

统计调整：使用加权最小二乘法（WLS），给予最近 5 年数据更高权重，以捕捉时变性。应用贝叶斯收缩（Bayesian shrinkage，Vasicek 1973），通过加权时间序列估计值和横截面先验值来降低估计风险，提高 Beta 的稳定性。

组合构建：每月重平衡。做多通胀 Beta 最高的前 10% 股票，做空最低的 10% 股票。

2.3 结果：

• 贝叶斯通胀 Beta 分布以零为中心，但具有显著的离散度，表明公司间存在异质性，适合构建多空组合。

• Beta 的离散度随时间变化，在特定宏观经济时期（如高通胀期）显著性增加，验证了动态方法的必要性。

• 虽然回归模型的 R-squared 均值较低，但部分企业的尾部数据表明通胀对其回报有显著解释力。

3. 通胀预测

3.1 数据：使用 2024-12 版 FRED-MD 数据集（125+ 个宏观变量），目标变量为未来 1 个月的 CPI。

3.2 方法论：

模型：对比了多种模型，包括线性模型（OLS, Lasso, Ridge, Elastic Net）、树模型（Random Forest, Gradient Boosting, XGBoost, LightGBM）、支持向量回归（SVR）和神经网络（MLP）。

因子提取：部分模型使用主成分分析（PCA）将 125 个变量降维为 12 个主成分。

验证框架：采用扩展窗口的向前滚动交叉验证（Expanding walk-forward cross-validation）来评估样本外（OOS）预测性能。

3.3 结果：

4. 动态配置 FMP

4.1 方法论：

基于预测模型的信号进行动态配置：

4.2 结果：

绩效：lasso_pca（PCA Lasso）、lasso和 elastic_net等策略在年化回报、夏普比率（Sharpe Ratio）和最大回撤控制上均表现优异。

对比：多个动态策略的表现优于静态基准（Bench LO EW stocks）和静态 FMP 策略。

结论：收益的提升不仅来自更高的回报，还来自对下行风险的有效控制（更好的择时）。

5. 结论