炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

（来源：华泰证券研究所）

基本面修复进程仍是交易主线之一，建议适度博弈宏观预期差机会

本文基于前期报告《国内宏观净预期差与大类资产配置》（2024-08-15）提出的宏观净预期差模型构建国内（包括香港市场）ETF配置策略，策略高度适配宏观不确定性大、宏观预期交易频繁的环境，2024年样本外表现不俗，年化收益21.90%，夏普比4.91。净预期差策略从传统宏观预期差中剔除市场提前定价的部分，对宏观数据的预期差进行更贴合市场的解读，从而能够更好地捕捉预期证伪阶段的资产投资机会。预计2025年二季度宏观基本面的修复进程仍是交易主线之一，建议投资者关注宏观数据和市场宏观预期的边际变化，适度博弈宏观预期差机会。

策略原理回顾：使用宏观净预期差合理度量宏观数据公布的事件冲击

宏观净预期差策略的核心在于捕捉未被市场提前定价的“净预期差”，通过结合基本面分析与市场信息来提升对预期冲击程度判断的准确性，区别于传统预期差仅关注数据与预期的偏差。模型主要分为两步：(1) 指标刻画。使用分析师对宏观指标的预测值和宏观指标的真实公布值刻画传统“卖方预期差”，并借助Factor mimicking构建的买方预期指数刻画市场提前计入的预期，从传统预期差中提纯出真正对交易有价值的部分。(2) 指标筛选与因子合成。结合统计学手段和宏观逻辑对单个资产筛选净预期差指标，并考虑宏观状态的影响，为资产量身定做宏观净预期差因子。

策略表现分析：ETF组合收益稳健，2024年样本外表现不俗

单资产择时方面，策略在2024年样本外表现不俗，股票类多空策略的单年度收益均位于历年前40%分位数水平，沪深300、恒生指数和恒生科技指数的择时年度收益均创下了历史新高。ETF配置方面，策略使用风险预算模型作为底层模型，通过截面夏普动量优选资产、宏观净预期差观点动态调整风险预算、不定期再平衡实现灵活配置。在回测区间2013-12-31至2025-02-21内，策略的年化收益率为10.35%，年化波动率为4.17%，年化夏普比为2.48，最大回撤为3.54%，卡玛比为2.92，能够长期稳健地获取收益。

策略得失分析：两方向努力提高胜率，剔除price-in能够捕捉预期反转

宏观净预期差策略本质是一类事件驱动策略，更重赔率。我们通过两方面努力来提高策略的胜率：(1) 结合宏观状态对事件进行分域筛选；(2) 建模时引入市场信息，剔除买方提前price-in的部分。策略相比与传统预期差策略的alpha来自市场过度反应后的预期反转，2024年9月的行情就是一个例子。但预期反转alpha存在的前提是宏观主导微观，表现为买方预期跟随宏观边际变化调整。而在微观自发形成的行情下，买方预期更可能以动量的形式存在，即“反转失灵”。2025年1月下旬由DeepSeek引发的行情就是此种情况。

风险提示：宏观指标与资产的映射关系根据历史规律总结，历史规律可能失效。例如当市场出现黑天鹅事件（政策、产业变化、技术突破）时，短期交易逻辑或和历史总结有所出入。宏观净预期差模型有其适用的市场条件，无法保证在任何市场条件下均可取得正超额收益。例如模型在市场宏观定价占据主导的情况下表现更佳。无论是买方预期还是卖方预期，可能都无法完全代表所有市场参与者的宏观观点。报告涉及的具体行业不代表任何投资意见，请投资者谨慎、理性地看待。

宏观净预期差：量化宏观数据公布事件的预期差冲击

宏观经济数据公布是一类包含新信息——宏观数据预期差的公开事件，会影响投资者的交易决策。宏观预期差策略通过量化分析预期差的方向和程度，来捕捉宏观数据公布后预期差冲击带来的短期投资机会。我们认为，事件中真正会对市场产生影响的是预期差中尚未被市场提前定价（price-in）的部分，称为“净预期差”。净预期差和传统预期差的本质区别在于，分析基本面事实时加入市场信息，从而提高判断准确率。

卖方净预期差=卖方预期差-买方price-in

预期差从出现到回归会经历三个阶段：计入过度预期、过度预期证伪、预期逐渐修正。具体而言，宏观指标公布前，分析师公布预测值即卖方预期，市场充分考虑一致预期并转化为交易决策。宏观指标公布时，交易主体能第一时间获悉真实发布值与分析师一致预期的预期差。宏观指标公布后，市场进入过度预期修正阶段，定价预期差中未被市场提前消化的部分。将这一过程转化为数学语言：

1) 计算宏观指标公布值与预测值的差值，即卖方预期差。

2) 计算市场提前计入的预期，即买方price-in。

3) 计算卖方净预期差，等于卖方预期差减去买方price-in。

对于卖方预期差，我们使用Bloomberg提供的分析师预测数据进行刻画。Bloomberg收录了包括中采制造业PMI、PPI同比等在内的23个中国重要的宏观指标的预测数据，且保留了历次宏观数据发布的具体日期和公布时间，能保证回测的严谨性。首先，对预测值进行MAD异常值处理，以排除极端值对后续计算的干扰。然后，使用分析师预测中值表示一致预期，构建t统计量刻画真实值远离一致预期的程度。最后，使用一些数学手段对指标进行标准化处理，确保指标在截面和时序上可比。对于每次宏观数据发布事件，我们都可以根据上述方法计算得到值域为[-1,1]的标准化卖方预期差值，用来衡量卖方预期差的程度。

对于买方price-in，我们使用资产价格信息进行刻画。首先，使用资产价格构建买方宏观预期指数，刻画难点在于单一资产价格包含了除宏观因素以外的诸多噪音。前期报告《行业配置策略：高频宏观因子》（2023-06-13）中提出了一种解决方案——使用自上而下的Factor mimicking，利用宏观因子和资产价格的相关性，将一篮子资产组合起来，构建的高频宏观因子是资产组合被赋予了宏观含义的产物，可以被视为买方的宏观预期。然后，构建t统计量刻画买方预期指数在临近宏观指标公布日的异动程度，标准化至[-1,1]区间内，用以表示市场提前price-in的宏观预期。最后用卖方预期差减去买方price-in，就得到了单指标的净预期差。我们将净预期差大于零定义为指标超预期，小于零定义为指标不及预期。

前期报告《国内宏观净预期差与大类资产配置》（2024-08-15）聚焦国内宏观维度，构建了国内增长和国内通胀的宏观净预期差，并用于境内资产测试。本研究将进一步补充港股市场测试。香港资本市场和全球金融体系关系紧密，资产定价受到中美因素双重影响。为更全面地对港股资产进行净预期差分析，本研究补充美国增长和美国通胀这两个维度的宏观预期信息。综合考虑数据关注度（需具有代表性）、分析师预测数据可用性（预测样本个数需满足研究需求）和公布值稳定性（不会频繁大修），本研究选取美国ISM非制造业PMI表征美国制造业增长、美国ISM非制造业PMI表征美国非制造业增长、美国CPI同比表征美国通胀。买方宏观预期指数的构建步骤详见前期报告。

需说明的一点是，本研究在构建美国增长和通胀预期指数时使用全球资产价格数据，本质刻画的是全球资本对美国经济前景的预期。该指数可以用于香港市场，因为香港市场与全球金融体系深度耦合，外资的定价权较大。但是境内市场仍以内资机构为主，较难构建专属境内的美国宏观预期指数。因此，我们不将美国增长与通胀指标用于境内资产的分析。

量身定做单资产净预期差因子

考虑到不同经济周期阶段下市场交易逻辑及参与者结构的差异性可能导致驱动各类资产的宏观因素存在分化，我们结合宏观先验逻辑和统计学方法构建资产在不同宏观状态下的“宏观预期资产”的映射关系矩阵，然后为单一资产定制差异化宏观净预期差因子。宏观状态观点由《宏观因子指数回顾、改进与应用》（2022-02-15）中介绍的方法给出。该因子本质是一类事件驱动因子，当某个宏观指标公布后，我们可以根据映射关系矩阵判断该指标是否会在当前的宏观状态下对资产产生影响，影响的方向和程度取决于净预期差值，然后给出净预期差观点。

筛选结果举例：美国CPI同比 & 港股指数

为直观展示净预期差指标的有效性，我们借鉴事件研究法的思想，以宏观指标公布日为事件日（t=0），构建[-5,+10]交易日的观测窗口，统计资产在事件窗口期的平均收益表现。结果表明，美国CPI同比超预期在信用收缩阶段显著利空恒生指数、恒生科技指数。这一结果符合宏观逻辑，在信用下行周期中，美国CPI同比超预期或会通过强化货币政策紧缩预期、收紧全球流动性、推升风险溢价等多重渠道对港股市场形成利空。港股市场的外资主导性、离岸属性以及对全球流动性的高度敏感性，使其在这一环境下容易受到影响。

策略表现分析：2024年样本外表现不俗

国内单资产择时策略

将宏观净预期差因子应用于单资产择时时，我们综合考虑两期净预期差的信号，即当净预期差值连续两期大于0时，发出看多（+1）信号，连续两期小于0时，发出看空（-1）信号，其余情况空仓持有现金。例如2024年9月9日发布通胀数据时，策略会把50%的观点权重放在通胀数据上，另外50%的观点权重放在2024年8月31日发布的PMI类数据上。

单资产择时策略的平均持仓天数在10-16天，接近于半月频调仓的策略。图表15展示了各资产仅做多择时策略和多空择时策略的分区间收益统计结果。结果表明宏观净预期差因子普遍能够对资产进行有效的择时。2024年为一个完整的样本外检验年度，宏观净预期差策略表现不俗，股票类多空策略的单年度收益均位于历年前40%分位数水平，沪深300、恒生指数和恒生科技指数的择时年度收益均创下了历史新高。策略赶上了2024年“9·24”政策驱动型行情，但错过了2025年1月下旬开始由Deepseek概念驱动、脱离宏观基本面的结构性机会，各资产的择时策略均出现了回撤。盈亏同源，由此产生的思考我们会在下一部分进行讨论。

国内ETF配置策略

将宏观净预期差因子应用于多资产ETF配置时，我们使用风险预算模型作为底层模型，通过截面夏普动量优选资产、宏观净预期差观点动态调整风险预算、不定期再平衡实现灵活配置。宏观净预期差观点仍由两期信号给出。策略具体细节详见前期报告《国内宏观净预期差与大类资产配置》（2024-08-15）。我们以国内可交易的ETF为回测标的，股票资产选取A股ETF和港股ETF，债券资产选取十年国债ETF，商品资产纳入黄金ETF。构建的国内版本ETF组合受QDII额度的影响较低。此外，为延长回测区间，所有ETF成立之前的收益率用其跟踪指数的收益率来填充。

回测的具体设置如下：

1) 回测期：2013-12-31至2025-02-21

2) 资产池：6种股票资产，1种债券资产，4种商品资产，详见图表23

3) 调仓方式：每月末，根据截面夏普动量从股票资产和商品资产中分别选出2个和1个强势资产，和十年国债ETF共同用于下个月配置。在强势的细分资产中有至少一个资产的宏观观点发生变化的截面进行调仓

4) 费率：双边万分之二

5) 基准组合：对股票、债券、商品各大类资产分别赋予1/3的风险预算，大类内部各细分资产平均分配大类预算，优化求解得到的组合即为基准组合

回测区间内，从绝对收益角度，策略的年化收益率为10.35%，年化夏普比为2.48；134个月份中，有100个月份获得了正收益，占比超75%；滚动持有策略1年，有100%的概率获得正收益，有超过50%的概率获得不少于7%的收益率。从稳健性角度，策略的最大回撤为3.54%，卡玛比率为2.92，最长连续上涨月数为10个月，最长连续下跌月数为3个月。整体来说，策略能够长期稳健地获取收益。

2024年多资产ETF配置策略创历史新高，样本外收益为21.90%，年化夏普比为4.91，全年12个月份中有11个月份取得了正收益，最大回撤仅1.50%。截至2025年2月21日，策略今年以来的累计收益为3.6%。

模型得失分析

净预期差策略重赔率，两方向努力提高胜率

宏观净预期差策略本质是一类事件驱动策略，因为宏观经济数据公布是一个可能导致投资者预期发生变化的公开事件。事件驱动策略一般具有较高的风险与收益并存的特点，更重赔率。我们做了两方面的努力来进一步提高策略的胜率：

1) 结合宏观状态，对事件作分域筛选。例如，在信用收缩时期，超预期的通胀类数据更容易被解读为利好，对市场的提振作用通常更大。这一步的关键是宏观状态的划分是否准确，前期报告《宏观因子指数回顾、改进与应用》（2022-02-15）提出的方法样本外已跟踪了多年，具备较强的可靠性。

2) 建模时引入市场信息，对事件进行更贴合市场的解读。通过从传统卖方预期差中剔除买方提前price-in的部分，我们打通了“宏观事件投资者预期交易决策”的逻辑传导链条，从事件中提纯出真正对交易有价值的部分。换言之，若只依据传统的卖方预期差来进行交易，赚取的是Beta，因为信息是公开的，逻辑是通用的，需要忍受诸如市场将“利好”解读为“利好出尽”的判断失误带来的收益波动。而对市场price-in的解读是非公开信息，以行为金融学为逻辑支撑，博取的是认知偏差带来的alpha。

为直观说明上述两个处理对策略效果的提升，我们为基于宏观净预期差的ETF配置策略设计两个对照策略：

1. 不剔除price-in：使用卖方预期差代替净预期差，其他策略细节保持不变。

2. 不进行宏观分域：不进行宏观状态的划分，将所有对资产有效的指标在全域上使用，其他策略细节保持不变。

结果表明若不进行宏观状态的分域和不剔除买方price-in，都会削弱策略的表现，年化收益率相比原版策略分别下降了2.20%和1.47%。

剔除买方price-in能够捕捉预期反转alpha

进一步对净预期差策略的收益来源作分析。假设传统卖方预期差为O，买方事前price-in为P，那么净预期差N（N=O-P）和传统预期差（O）在两种情况下，会给出不同的信号：

1） 利好出尽：O>0（实际数据好于卖方预期），P>0（买方已经price-in了部分利好），但|O|<|P|，即买方过度反应，净预期差（N）为负。

2） 利空出尽：O<0（实际数据差于卖方预期），P<0（买方已经price-in了部分利空），但|O|<|P|，即买方过度反应，净预期差（N）为正。

所以净预期差相比传统预期差额外捕捉的其实是买方预期反转的alpha。2024年9月就是一个绝佳的预期反转alpha机会。我们以沪深300的净预期差信号为例进行分析。2024年8月，市场对经济增长有较强的预期，体现为买方price-in的历史分位数水平从月初的22%持续攀升至月末的99%。但连续不及预期的宏观数据不断打击市场信心，至9月中旬，买方price-in的分位数已回落至历史极低区间（<10%）。在极度悲观的市场环境下，“宏观数据没有大幅不及预期”被模型解读为“利空出尽”。随着财新制造业PMI的大幅超预期、金融和地产数据不及预期程度的收窄，考虑两期信号的模型从9月13日正式对沪深300转为看多，后续密集出台的利好政策助推了沪深300的涨势。

预期反转alpha存在的前提是宏观主导微观

对市场宏观预期反转机会的押注实际上是建立在宏观主导微观的假设下。当宏观主导微观时，宏观的边际变化被市场定价的概率更大，表现为买方预期跟随宏观调整。而在微观自发形成的行情中，买方预期更可能以动量的形式存在，即“反转失灵”。2025年1月底开始的行情就是微观主导的结构市，在此依然以沪深300的净预期差信号为例进行分析。2025年1月初开始，市场的宏观预期持续升温，表现为买方price-in逐渐升至历史80%分位数水平。相继不及预期的宏观数据被模型解读为大幅利空，但恰逢DeepSeek引发的AI技术革命叙事持续发酵，宏观基本面丧失定价主导权，所以净预期差策略持续回撤。直至2月份陆续公布超预期的经济数据，宏观净预期差模型才开始对股票转为看多。

统计沪深300、A50指数、红利低波和恒生指数这四个和经济基本面更相关的资产分年度的多空择时策略的超额收益，我们发现2018年、2020年和2022年是宏观净预期差策略的大年。这三年均呈现“宏观不确定不断加大”的特征：2018年中美贸易战升级，国内金融去杠杆；2020新冠疫情全球蔓延；2022年全球地缘政治动荡，国内疫情反复。这进一步论证了净预期差策略更适合宏观主导的行情。

展望2025年二季度，宏观经济环境仍面临多重不确定性因素的扰动，随着科技板块情绪驱动型行情的阶段性调整和宏观数据真空期的结束，宏观基本面的修复进程仍会成为市场关注的主线之一，建议投资者关注宏观数据和市场预期的变化，适度博弈宏观预期差机会。

总结与展望

宏观净预期差策略近几年不俗的表现带给我们的启示是，在对基本面事件（宏观政策、公司财报、产业政策等）进行量化分析时，对“宏观事件投资者预期资产价格”的传导链条进行合理地建模是非常关键的。市场对同一事件的不同解读，例如将“PMI超预期”解读为“利好”和“利好出尽”，会对资产价格产生截然不同的影响。如何更好地量化事件对投资者预期的影响，是基本面量化需要解决的问题。

本研究在刻画卖方预期和买方预期时仍仅使用结构化信息，视角局限于传统的宏观数据发布事件，是对宏观预期的片面刻画。随着LLM模型的兴起，语义挖掘、事件归因链推演等技术能够辅助我们更好地利用非结构化信息（政策文本、媒体情绪、产业链结构等）对市场预期进行建模，这或是捕捉基本面预期差alpha的蓝海方向。

1） 宏观指标与资产的映射关系根据历史规律总结，历史规律可能失效。例如当市场出现黑天鹅事件（政策、产业变化、技术突破）时，短期交易逻辑或和历史总结有所出入。

2） 宏观净预期差模型有其适用的市场条件，无法保证在任何市场条件下均可取得正超额收益。例如模型在市场宏观交易占据主导的情况下表现更佳。

3） 无论是买方预期还是卖方预期，可能都无法完全代表所有市场参与者的宏观观点。

4） 报告涉及的具体行业不代表任何投资意见，请投资者谨慎、理性地看待。

研报：《基于宏观净预期差的国内ETF配置策略——ETF智投研究系列之八》2025年2月27日

林晓明 分析师 S0570516010001 | BPY421

徐特 分析师 S0570523050005

李薇 联系人 S0570124070087