宏观因子映射：把资产收益拆解到增长与通胀两轴

“我持有股票、信用债、国债、大宗商品、黄金、现金六类资产，单一资产最大权重才 35%，够分散了吧？”

这句话是资产配置里最贵的错觉。我拿一个正是这样构造的组合做实测：权重赫芬达尔指数（HHI）只有 0.235，从权重表上看确实分散。但把它的收益回归到宏观因子上，51.8% 的波动来自同一个增长因子，通胀因子只占 3.5%。

它不是分散组合。它是一个加了债券装饰的股票。

结论先放这：分散度不是资产种类数，是因子暴露的均衡度。 判断标准只有一个——把组合收益回归到”增长意外/通胀意外”两轴，看方差怎么分。本文用 25 年月频合成数据（增长/通胀两个持续性状态因子，月频自相关分别 0.814 / 0.846，相关系数 -0.05）跑完整流程：按因子暴露而非资产名称重新配权后，通胀敞口从 -0.0138 压到 +0.0003、最差象限收益从 -24.5% 收敛到 -3.6%、Sharpe 从 0.64 升到 1.00。所有数字均由下文 Python 真实计算，非占位图。

一、为什么是「增长」和「通胀」这两轴#

这个框架的思想源头是桥水的”全天候”：资产价格反映的是对未来现金流的贴现，而两件事决定这个贴现——经济增长（决定现金流）和通货膨胀（决定贴现率与货币的实际购买力）。

关键在”意外”两个字。已经被市场预期到的增长和通胀，早已定价在资产里。驱动收益的是预期之外的部分。所以两个因子的正确定义是：

• 增长意外：实际经济活动相对预期的偏离
• 通胀意外：实际通胀相对预期的偏离

实务中的常见代理变量：增长意外用花旗经济意外指数、PMI 变化、股债相对表现；通胀意外用盈亏平衡通胀率（BEI）变化、TIPS 与名义债的相对表现、大宗商品指数。本文用 OU 过程直接合成两个标准化状态因子，避开代理变量选择这个（真实且严重的）问题——第八节会把它作为一盆冷水单独说。

二、因子映射：一个 OLS 就够了#

映射本身简单到令人怀疑：

X = np.column_stack([np.ones(M), g_z, i_z])       # 常数 + 增长 + 通胀
b = np.linalg.inv(X.T @ X) @ X.T @ asset_returns  # b = [alpha, beta_g, beta_i]

七类资产的估计结果（beta 已乘 100，读作”每 1 个标准差的因子意外，带来多少百分点的月度收益”）：

估计精度很好（增长 beta 平均绝对误差 0.0012、通胀 0.0006，相对真值都在 5% 以内）。把它画到平面上，整个资产宇宙的结构一目了然：

三个立刻能用的读点：

1. 股票和信用债在同一个象限、方向几乎重合。 你以为在做”股债配置”，实际上信用债的增长 beta（+0.89）就是一个缩水版股票。真正对冲股票的是国债（-0.70），不是信用债。
2. 黄金的增长 beta 在统计上不存在（t = 0.2）。 它是一个近乎纯粹的通胀对冲工具。这个”不显著”本身就是最有价值的信息——它说明黄金和股票的相关性来源不是增长，配在一起能真正降低增长集中度。
3. 大宗商品同时正暴露于增长和通胀。 它在”过热”象限是王者，但在通缩衰退里会双杀。

三、四象限：没有任何资产在四个格子里都活着#

把连续的两轴离散化成四个宏观象限，是这个框架最直观的表达：

QUAD = np.where((g_z >= 0) & (i_z <  0), 0,   # 金发姑娘：增长↑ 通胀↓
        np.where((g_z >= 0) & (i_z >= 0), 1,  # 过热：    增长↑ 通胀↑
        np.where((g_z <  0) & (i_z >= 0), 2,  # 滞胀：    增长↓ 通胀↑
                                          3)))# 通缩衰退：增长↓ 通胀↓

四个象限在 25 年里的占比相当均衡（23.3% / 24.7% / 24.7% / 27.3%），这也是 OU 过程该有的性质。各资产的象限内年化收益：

（象限内年化收益的绝对值偏大，因为样本按状态筛选后是”极端月份”的年化外推，不代表可实现的长期收益。看的是相对排序，不是绝对水平。）

这张表是整个框架的心脏：

• 每个象限都有赢家，但每个赢家在别的象限都要挨打。 股票在金发姑娘 +55.2%，在滞胀 -35.9%；大宗商品在过热 +61.6%，在通缩衰退 -37.7%；黄金在滞胀 +23.1%，在金发姑娘 -19.9%。
• 只有现金四格全正，但代价是四格都只有 1%~3%。风险平价的哲学正是从这里出来的：不预测象限，而是让组合在四个象限都不死。
• 滞胀是最难的象限。 只有通胀挂钩债和黄金是正的，传统 60/40 的两条腿在这里同时受伤。

四、核心实验：名义分散 vs 因子分散#

现在做本文最重要的对照。构造四个组合：

w_6040  = {"股票": 0.60, "国债": 0.40}
w_naive = {"股票": 0.35, "信用债": 0.25, "大宗商品": 0.15,
           "国债": 0.15, "黄金": 0.05, "现金": 0.05}   # 6 类资产，看起来很分散
w_eq    = 等权 1/7
w_fb    = 按因子暴露求解（下面展开）

w_naive 是重点：它持有 6 类资产、单资产最高 35%、权重 HHI 仅 0.235。任何只看权重表的人都会说它分散。

因子平衡组合的求解思路是在满仓约束下，逼近指定的因子暴露：

B = np.array([[beta_g[a] for a in assets],       # 2 x n 因子载荷矩阵
              [beta_i[a] for a in assets]])
A = np.vstack([B, np.ones(n)])                   # 加满仓约束行
t = np.array([target_g, target_i, 1.0])
W = np.diag([1.0, 1.0, 50.0])                    # 满仓约束加大权重
Q = A.T @ W @ A + ridge * np.eye(n)              # ridge 防止极端权重
w = np.linalg.solve(Q, A.T @ W @ t)
w = np.clip(w, -0.35, 1.0); w = w / w.sum()

目标设为”增长敞口 = 60/40 的一半，通胀敞口 = 0”。ridge 项不是装饰——没有它，二元约束下 7 个自由度会解出极端的多空对冲，样本外必然崩。

结果：

关键对照写清楚：

名义分散组合的权重 HHI 是 0.235（看着分散），但因子集中度 HHI 是 0.470（实际集中）——整整翻了一倍。 它多持有的那 4 类资产，大部分只是在重复押注同一个增长因子。这就是”因子拥挤”：你以为在买不同的东西，其实在反复买同一个风险。

而按象限拆开看，差别更刺眼：

60/40 在滞胀里 -24.5%，因子平衡只有 -3.6%；四象限极差从 61.0 个百分点压缩到 15.6 个百分点。这才是资产配置真正该优化的东西——不是提高平均收益，是缩小”命运的方差”。

代价也必须说清楚：因子平衡在金发姑娘象限只有 +11.4%，而 60/40 有 +36.6%。它砍掉的不只是左尾，右尾也一起砍了。 这不是免费午餐，这是一次明确的偏好选择：你愿不愿意用”最好的年份少赚 25 个百分点”，换”最差的年份少亏 21 个百分点”。

五、样本外检验：这套东西经得住吗#

上面所有结果都用了全样本估的 beta——这是标准的样本内偏差。做个诚实的检验：用前 10 年估 beta 求权重，后 15 年持有不变。

SPLIT = 12 * 10
Bin = 用 RET[:SPLIT] 估计的因子载荷矩阵
w_fb_oos = solve_factor_balanced(target_g_in, 0.0)   # 只用前 10 年信息
oos = 后 15 年的实际表现

两个要点：

1. 样本外 Sharpe 0.82，是 60/40 的两倍。 从样本内 1.00 衰减到 0.82，衰减幅度可接受——因为这套方法没有”优化收益”，只是”配平风险”，参数少、过拟合空间小。
2. 通胀 beta 目标真的实现了。 用前 10 年数据算出的权重，在后 15 年跑出 +0.0003 的实现通胀暴露，几乎正中靶心。因子暴露这个目标，比收益目标稳定得多——这才是这套框架能用的根本原因。

顺带说一句：本文合成数据里 beta 是常数，所以样本外稳定性被高估了。真实世界的 beta 会漂，下一节就是这盆冷水。

六、beta 稳定性：黄金的增长 beta 基本是噪声#

滚动 60 个月重估 beta，看它们有多稳：

用”信噪比” = |真实 beta| / 滚动估计标准差 来量化：

黄金的增长 beta 信噪比只有 0.51——估计噪声是真实信号的两倍。 任何基于”黄金当前的增长 beta 是多少”做的择时判断，本质上是在读随机数。

这个结果的实践含义很具体：

• 强信噪比的暴露（国债通胀 beta 12.93、股票增长 beta 7.90）可以直接用于配权。
• 弱信噪比的暴露（黄金增长 beta 0.51）应当直接约束为零，而不是用滚动估计值。硬要估它，只会把噪声灌进优化器，被 np.linalg.solve 忠实放大成极端权重。
• 这也解释了为什么第四节的 ridge 项必不可少：它在数学上就是”我不完全相信这些 beta”的显式表达。

三盆冷水#

第一，真实世界的 beta 不只是有噪声，它会真的变号。 本文合成数据里 beta 是常数，所以滚动估计的波动纯粹是估计误差。真实市场不是这样：股债相关性在 2000-2020 年是稳定负的（债券对冲股票），2022 年通胀冲击下变成正的，60/40 单年吃了双杀。股债负相关是一个通胀 regime 的产物，不是资产的物理属性。 用 2010 年代数据估出来的 beta 矩阵配权，在 2022 年会失效——不是因为方法错，是因为输入变了。任何严肃的实现都必须包含 beta 的 regime 检测或至少是滚动再校准。

第二，因子平衡不是收益增强，它是风险重新分配。 本文因子平衡组合年化 3.97%，低于 60/40 的 6.25%。Sharpe 更高（1.00 vs 0.64）不假，但如果你的负债端需要 6% 的名义回报，Sharpe 1.00 的 4% 组合帮不了你——你需要对它加杠杆，而加杠杆会引入本文完全没建模的东西：融资成本、追保风险、以及”波动率目标策略在真正的危机里被迫在最低点减仓”这个众所周知的问题。风险平价基金在 2020 年 3 月和 2022 年的表现，本质上都是这个坑。

第三，两因子模型的解释力有天花板，而残差不是白噪声。 本文单资产 R² 最高只有 0.659（国债）、最低 0.256（黄金），组合层面 R² 也就 0.39~0.57。剩下 40%~75% 的方差被归入”特质”，但它们里面藏着真实的风险来源：流动性冲击、信用利差、汇率、地缘政治。2008 年不是一次”增长意外向下”事件那么简单，它同时是一次流动性枯竭。把三维世界压成两维，压掉的那一维往往在最关键的时刻回来找你。 实务中通常需要至少加第三轴（流动性/风险偏好），代价是估计难度陡增。

落地清单#

1. 先做诊断，再谈优化。 把现有组合回归到两轴上，看方差分解。如果某个因子占比超过 50%，你没有分散，你有一个伪装。
2. 权重 HHI 和因子 HHI 一起看。 两者差距越大，“名义分散”的幻觉越严重（本文案例：0.235 vs 0.470）。
3. 弱信噪比的 beta 直接约束为零，不要拿滚动估计值喂优化器。判断线：|beta| / 滚动 std < 1 就当它不存在。
4. 优化目标是”最差象限”和”四象限极差”，不是 Sharpe。 后者会被样本期内恰好走强的因子误导。
5. 求解一定要加 ridge 或权重上下限。 二元约束 + 七个自由度，不加约束必出极端多空解。
6. beta 矩阵至少年度再校准，通胀 regime 切换时立即重估。

这套框架的价值不在于它能多赚钱——它多半会让你少赚。它的价值在于你终于知道自己在赌什么了。而在资产配置里，“知道自己在赌什么”这件事，本身就值一大笔钱。