量化紧缩与央行资产负债表对资产价格的影响：流动性如何定价 • halo 的技术博客

我们习惯用「盈利增长 × 贴现率」这套框架给资产定价。但 2008 年之后，有一个变量悄悄爬上了定价公式的等号左边，却长期没被写进大多数量化模型里：央行资产负债表。

2008 年之前，美联储资产负债表约占 GDP 的 6%；三轮 QE 之后冲到 25%；2022 年起的量化紧缩（QT）又主动往回缩。这段时间里，风险资产不是在某个真空里按基本面定价，而是在一层被央行不断加厚、又不断抽走的「流动性地毯」上跳舞。地毯突然被抽走时（QT），资产会晃；地毯被铺上时（QE），资产会飘。

结论先放这：宏观流动性是可被定价的因子。 在我们的 240 个月（2006–2026）模拟数据上，把央行资产负债表（占 GDP%）的月度变化 ΔlogB 当作流动性因子，对资产月度超额收益做 OLS，得到显著的正流动性暴露 beta≈1.70（t≈10.7，R²≈0.33）——也就是说，资产负债表每多扩 1%（对数意义），资产当月平均多涨约 1.7%。更进一步，用滚动回归看时变的流动性 beta，会发现流动性越稀缺（缩表期），要求的流动性风险溢价越高。把这条规律接成一个「扩表满仓、缩表减仓」的择时策略，把回撤从被动持有的 −46% 压到了 −17%。

央行资产负债表(占GDP%)：QE扩表与QT缩表是流动性的两个方向

一、QT/QE 到底改变了什么#

一句话：QE 是央行买资产、把准备金注入银行体系；QT 是反过来缩表、把流动性收回去。

QE（量化宽松）：央行从市场买入国债/ MBS，向金融体系注入准备金，压低长端利率、抬升风险资产估值，本质是用「央行资产负债表扩张」换「私人部门流动性宽松」。
QT（量化紧缩）：央行停止再投资、让到期债券自然滚出，资产负债表主动收缩，准备金被抽走，流动性边际收紧。

这里关键的不是「央行持有了多少资产」，而是边际变化 ΔlogB——市场在给「流动性的方向」定价，不是给「存量的绝对水平」定价。所以模型里用的因不是 B_t 本身，而是它的一阶对数差分。

二、把流动性写成一个因子#

沿用多因子定价的写法，把资产月度超额收益拆成市场因子 + 流动性因子 + 噪声：

$r_t = \beta_{\text{liq}}\,\Delta\log B_t + \beta_{\text{mkt}}\,r^{\text{mkt}}_t + \varepsilon_t$

其中 $\beta_{\text{liq}}$ 就是我们要估的流动性风险溢价：它衡量「资产对流动性变化的敏感度」。 $\beta_{\text{liq}}>0$ 意味着扩表时资产涨得更多、缩表时跌得更多——这正是过去十几年风险资产与央行资产负债表同涨同跌的画像。

从零合成一段数据并回归，全部用 numpy：

import numpy as np

rng = np.random.default_rng(20260712)
T = 240                                # 20 年月度
# 合成资产负债表轨迹(占GDP%)：含 QE 扩表与 QT 缩表阶段
B = np.zeros(T); B[0] = 6.0
trend = np.zeros(T)
for (a, b, tr) in [(0, 30, 0.02), (30, 90, 0.32), (90, 168, -0.03),
                   (168, 180, 0.55), (180, T, -0.11)]:
    trend[a:b] = tr
B = np.clip(B[0] + np.cumsum(trend) + np.cumsum(0.05*rng.standard_normal(T))*0.15, 3, 30)
gdp = np.linspace(1.0, 1.6, T)
B_gdp = B / gdp

dlogB = np.diff(np.log(B))            # 月度流动性变化（流动性因子）
N = len(dlogB)
mkt = 0.006 + 0.035 * rng.standard_normal(N)
beta_liq_true, beta_mkt_true = 1.8, 0.7
exret = beta_liq_true * dlogB + beta_mkt_true * mkt + 0.018 * rng.standard_normal(N)

# ---- OLS: exret ~ dlogB (+ 截距) ----
X = np.column_stack([np.ones(N), dlogB])
beta, *_ = np.linalg.lstsq(X, exret, rcond=None)
resid = exret - X @ beta
se = np.sqrt(np.diag((resid @ resid)/(N-2) * np.linalg.inv(X.T @ X)))
tstat = beta / se
r2 = 1 - (resid @ resid) / (((exret - exret.mean())**2).sum())
print(beta[1], tstat[1], r2)          # ≈ 1.70, ≈ 10.7, ≈ 0.33

python

跑出来 beta_liq≈1.70、t≈10.7、R²≈0.33——流动性因子显著，且解释力不小。

流动性因子定价：扩表月资产多涨、缩表月多跌

散点图里，点在零线右侧（扩表月）明显偏上、左侧（缩表月）偏下，OLS 拟合线斜率显著为正。这恰恰是「流动性有价格」最直接的证据。

三、流动性越稀缺，风险溢价越高#

更精细的一步：流动性风险溢价不是常数。用 36 个月滚动窗口回归，得到随时间变化的流动性 beta，再把它对「流动性稀缺度」scarcity = 1 / (B_t/GDP) 画图：

流动性越稀缺，要求的流动性风险溢价越高

横轴越往右，资产负债表相对 GDP 越小、流动性越稀缺（典型如 QT 缩表期）；纵轴是滚动流动性 beta，也就是市场此刻「要求的流动性补偿」。二者正相关——流动性越紧，资产要求的风险溢价越高，等价于「同样一笔现金流，在缩表期要更便宜才有人买」。这正是 QT 通过「流动性稀缺 → 风险溢价抬升 → 估值压缩」这条链影响价格的机制。

四、实战应用：流动性择时#

把上面那句话变成策略：当月 ΔlogB>0（扩表/流动性注入）满仓，ΔlogB<0（缩表/流动性回收）降到 40% 仓位，外加 0.1% 无风险底仓：

signal = np.where(dlogB > 0, 1.0, 0.4)
pnl_timing  = np.cumprod(1.0 + signal * exret + 0.001)
pnl_passive = np.cumprod(1.0 + exret)

python

流动性择时：QT缩表期减仓，避开流动性收紧最痛的一段

结果对比：

被动持有：CAGR 15.8%，最大回撤 −46%；
流动性择时：CAGR 19.0%，最大回撤 −17%。

关键不是「预测拐点」，而是承认流动性在变、并据此调整风险预算：QT 缩表期把仓位从满仓砍到 40%，避开流动性收紧最痛、回撤最深的那一段；QE 扩表期满仓，把流动性红利吃满。它把一个宏观叙事，变成了可回测、可监控、可问责的明确数字。

数据落地：你的流动性代理从哪来#

上面的 dlogB 是合成变量，实盘里你要换成可观测、且公布及时的流动性代理。常见选择按频率从粗到细：

央行总资产（周度）：美联储 H.4.1 表每周公布的资产负债表规模，取对数差分即 dlogB 的直接现实版；缺点是周度、且含季节性（如 quarter-end 临时扩张）。
ON RRP（隔夜逆回购余额）：货币基金把多余现金存央行的量，是「体系中闲置流动性」的晴雨表。ON RRP 快速回落往往意味着准备金被抽向实体，是 QT 的领先指标。
TGA（财政部一般账户）：财政部在央行的现金。TGA 抽水（发债回笼）会瞬间收紧银行准备金，与 QT 叠加时形成「双重抽水」。
全球加总：把美联储、ECB、BoJ、BoE 等主要央行总资产按汇率合成一个全球流动性指数，避免被单一央行不同步误导（见陷阱 3）。

实用经验：用 ON RRP + TGA 的周度变化做「即时流动性温度计」，用央行总资产做「趋势确认」，二者同向时信号最强、反向时按兵不动。这样能把月度 dlogB 的前视与频率错配（陷阱 5）压到最低。

五、真实陷阱（诚实版）#

1. 反向因果（endogeneity）：不是「扩表 → 资产涨」单向，也可能是「资产暴跌 → 央行被迫扩表救市」。OLS 的 beta 同时捕获了这两方向，把它当纯暴露会高估主动择时能力。严谨做法要用外生流动性冲击（如央行沟通造成的预期外变化）做工具变量。

2. 稀缺度 ≠ 绝对水平：定价的是 ΔlogB 的边际变化和相对稀缺度，不是 B_t 的绝对大小。一个仍很大的资产负债表若停止增长，边际上已是收紧。只看「央行还持有很多资产」会误判流动性已宽松。

3. 全球央行不同步：美联储 QT 时，欧央行/日央行可能仍在扩表，全球流动性是净结果。单看一家央行会漏掉跨境流动性对冲。

4. 信号渠道 vs 数量渠道：市场很大一部分反应发生在「央行前瞻指引」宣布的那一刻，而非实际缩表落地时。用实际 ΔlogB 建模会漏掉「预期已 price-in」的部分，回测里的暴露可能被低估。

5. 频率错配：资产负债表是月度、且公布滞后；资产价格是日度。用月度信号做日度调仓，会引入前视与执行时滞，实盘 beta 会显著低于回测。

6. 样本窗口依赖：2008 后的「QE 永远托底」样本，可能让流动性 beta 偏高估；若未来进入「财政主导 + 高通胀」 regime，扩表未必再推升风险资产。这段 beta 不是永恒常数。

结语#

央行资产负债表不是宏观散文里的背景板，而是可被写进多因子模型、可被定价、可被择时的流动性因子。只要记住——它定价的是「边际变化」和「相对稀缺度」，真正的功夫在于区分「信号」与「数量」、并躲开反向因果那道坑。把这道坑迈过去，它就是你宏观风险预算里最被低估的那个旋钮。

本文数据与图表均由 generate_quantitative_tightening_images.py 用 numpy 从零计算生成（模拟资产负债表轨迹 + 流动性因子回归 + 滚动风险溢价 + 择时回测），非占位图。把 dlogB 换成你自己的流动性代理（如联储资产规模、逆回购余额变化），整套代码可直接复用。