經濟領先指數構建及對資產配置的影響

周 亮，周楷奇

（1.湖南財政經濟學院 財政金融學院，湖南 長沙 410205；2.鄭州大學 國際學院，河南 鄭州 450011）

一、引言

經濟周期是由經濟中主要宏觀變量的周期變化導致的，這些變量變動帶來的基本面變動驅動著股票價格的變化，所以資產價格與經濟狀態變量之間有著天然顯著的正向相關關系。Fama和French（1989）[1]發現經濟變量對股票和債券的預期收益變動有著較好的解釋。股價和宏觀變量間的因果關系已經有很多成功的研究，研究的市場遍布全球，包括美國、英國、日本、新加坡等。Ferson和Harvey（1991）[2]研究發現與經濟活動總體水平或者階段狀態有關的變量能夠解釋資產定價和預期股市收益之間的均衡關系。Mehr（2001）[3]指出公共政策對經濟增長的影響可以通過股價來測量。Ibrahim和Aziz（2003）[4]研究發現宏觀因素會通過影響預期現金流來影響股價。Charkravarty（2005）[5]也指出股價對宏觀變量高度敏感。Frankel和Saravelos（2010）[6]指出外匯儲備和真實匯率高估是經濟危機預測中的兩個最重要的領先經濟指標。根據Dzikevic?ius和Zamz?ickas（2009）[7]對澳洲經濟周期的研究發現，在經濟結構失衡狀態下，周期理論仍然能夠很好地解釋經濟狀態的改變。Ahemerkamp等（2012）[8]研究了多資產類別動量等策略的可預測性，發現商業周期指標具有很強的解釋力。Cooper等（2016）[9]提出了價值和動量的全球宏觀經濟風險模型，并發現在各個資產類別的預期收益和實際平均收益之間存在有意義的關系。Hitendra和Jain（2018）[10]采用ADS指數和PMI指數來識別衰退周期，將經濟周期的啞變量加入回歸方程預測資產表現。

美林證券公司提出的投資時鐘將宏觀經濟指標與資產輪動進行了較好地契合[11]。之后很多學者直接采用美林投資時鐘對資產輪動策略進行設計和研究。Wang和Qu（2016）[12]采用GA-RS算法對經濟周期進行分類，實證研究并發現了美林投資時鐘在中國市場的適用性。蘇民和逯宇鐸（2011）[13]對美林投資時鐘的周期階段做了重新安排，用傳統經濟學的思維將滯脹剔除出第四階段，而又建立一個新的非典型的經濟周期配置模型把滯脹納入，消除了美林投資時鐘與傳統經濟學的不融合問題，擴展了其應用范圍。張子能和董必焰（2012）[14]使用宏觀經濟數據確定完整的時鐘周期，并對這一時期各主要資產的風險收益情況進行統計分析后發現，投資時鐘理論對于我國資本市場的走勢預期、資產配置決策以及風險管理等方面具有較強的實踐意義。孫云等（2015）[15]以經濟景氣指數為基準進行數據分析后劃分經濟周期，并根據美林投資時鐘來對比市場品種的收益，從而驗證了其運用在中國的可行性。郜哲（2015）[16]和周亮（2018）[17]等學者運用美林投資時鐘理論對我國的大類資產配置進行了實證研究，分析了我國宏觀經濟指標與成熟經濟體的不同，指出投資時鐘原理在我國實踐應用中采取國家統計局的領先和滯后指數來劃分經濟周期更符合我國經濟的特點。王健輝等（2018）[18]利用光譜利率和流動性指標拓展了投資時鐘分析框架，并給出了不同廣譜利率和流動性環境下的資產配置建議。總體來看，大部分學者的研究都支持宏觀經濟指標尤其是經濟領先指標能夠對資產配置提供富有意義的指導。

常用來構造經濟領先指數的源指標包括股市指標、宏觀流動性、經濟各組成部分的產銷數據等。股市常被看成是宏觀經濟的晴雨表，但是我國A股市場的政策敏感性較為明顯，而中國香港股市由于市場化程度更高，且很多內地的股票都選擇在中國香港上市，因此很多學者（包括統計局的宏觀經濟景氣指數）都將恒生指數的月度收益率作為經濟領先指標的源指標。流動性對宏觀經濟的影響是重要且關鍵的，當經濟不景氣的時候，管理當局往往會選擇增大流動性的供給力度，從而刺激居民消費和企業投資，并帶動經濟重回增長的軌道；相反，當流動性收緊時，往往就是防止經濟過熱的起點，因此流動性是一個非常有效的經濟領先指標。可以從數量和價格兩個角度對流動性進行判斷，M2同比增長率能夠較為有效地衡量市場上的流動性，當前利率水平、期限利差及信用利差等利率指標則是衡量流動性價格的常用指標。除此以外，產品銷售率、貨運量、房地產開工等實體經濟指標也對宏觀經濟有一定的領先性，產銷率和貨運量直接反映了實體經濟的運行狀況，房地產則是大部分國家的支柱產業，其帶動了上下游幾十個行業的發展，因此這幾個指標可以直接反映出實體經濟所面臨的境況，能夠對宏觀經濟有一定的引領作用。PMI指標作為統計局定期發布的反映實體經濟的綜合指標，更是常被用來預判經濟增長的發展趨勢。除此以外，消費者信心水平等指標也常被用來預判宏觀經濟的發展。

目前常用的經濟領先指數包括國家統計局公布的宏觀經濟景氣指數先行指數以及OECD中國領先指數等，但是這些指數公布的時間往往較慢，一般都要滯后于實際經濟2個月時間以上。考慮到資本市場瞬息萬變，過慢的指標對投資實踐的指導意義大打折扣，因此本文擬借鑒這些領先指數的指標選取方法及合成方法，自行構建能夠更及時反饋經濟信息的領先指數，并對其經濟預警能力及資產配置指導能力進行詳細檢驗。

相對于其他研究經濟指標及資產配置的文獻，本文的可能貢獻在于：第一，本文借鑒常見的經濟領先指數構造方法，構造了更敏銳的經濟領先指標，同時通過跨期相關檢驗、脈沖響應分析等多種方法檢驗了經濟領先指標對宏觀經濟的領先性；第二，詳細考察了多種信號分解方法在提取經濟領先指標趨勢項時的有效性，不僅為本文經濟領先指標的區制劃分奠定了基礎，也是信號分解理論實際應用過程中的有益探索；第三，將經濟領先指標與資產配置及股市風格輪動結合起來，在驗證經濟領先指標對資產配置及風格配置有效性的同時，也拓展了資產配置和投資組合理論的應用邊界。

二、研究設計

（一）經濟領先指數構造方法

常見的經濟領先指數均是采用對宏觀經濟具有一定領先性的指標，并利用不同的加權方法進行合成。為了檢驗不同指標對宏觀經濟的領先能力，我們采用跨期相關系數進行分析，計算公式如式（1）所示：

其中，l表示超前或滯后的期數，l取負數時表示超前，取正數時表示滯后；L是最大滯后期數，nl是數據取齊后的數據個數。通過觀察跨期相關系數的大小及顯著性，就可以判斷出所選指標是否對宏觀經濟具有領先性，并利用具有領先性的經濟指標加權得到最終的經濟領先指數。常見的加權方法包括等權、主成分以及熵權等方法，考慮到熵權法能夠更好地利用到變量本身的不確定性，且不確定性對于經濟本身的波動具有較強的預見能力，因此采用熵權法對不同指標進行加權，具體計算步驟如下：

（二）信號降噪

為了考察經濟領先指數對資產配置的影響，需要對指數進行降噪，以防止狀態切換太頻繁導致更多的交易成本及錯誤信號。常見的降噪方法包括HP濾波、EMD經驗模態分解等，Hamilton（2018）[19]指出采用自回歸的方式對數據降噪，可以避免其他模型可能帶來的虛假信號。基于此，本文采用這三種方法來對構造的經濟領先指數進行降噪。

（1）HP濾波法。

HP濾波是最常用的降噪方法，將變化不定的時間序列數據中具有一定變化趨勢的平滑序列分離出來，將時間序列分為周期性波動數據和趨勢要素數據。該方法廣泛應用于宏觀經濟的趨勢分析中。計算方法如式（2）所示：

其中，yt為原始序列，gt為提取出來的趨勢項。λ為平滑系數，λ越大，則gt越平滑，當v趨向于無窮大時，gt趨向于一條直線；λ越小，gt越趨向于yt，當λ為0時，gt就是yt。

（2）EMD經驗模式分解法。

EMD是Huang等（1998）[20]開發的一種非線性、非平穩數據處理方法，它假定數據根據其復雜性可能同時存在多種振蕩模式，具體計算步驟如下。第一，確定時間序列x(t)的所有極大值和極小值。第二，用三次樣條插值生成其上下包絡emin(t)和emax(t)。第三，計算上下包絡的逐點平均值m(t)=(emin(t)+emax(t))+/2。第四，將x(t)和m(t)之差定義為d(t)=x(t)-m(t)。第五，如果d(t)是IMF，則將d(t)表示為第i個IMF，并用殘差r(t)=x(t)-d(t)替換x(t)，第i個IMF通常表示為ci(t)，如果d(t)不是IMF，則用d(t)替換x(t)。第六，重復步驟一至五，直到殘差項滿足某種停止標準為止。

EMD往往分解出來的IMF信號比較多，如果對每個信號進行建模的話，無疑會加大計算機的運算難度，從而導致計算時間過長。因此，借鑒Zhang等（2008）[21]的方法，將所有的IMF合成高頻和低頻兩個部分，實現信號的重構。具體計算步驟為：第一，計算每個成分（殘差項除外）的c1(t)到ci(t)之和的平均值；第二，使用T檢驗確定均值顯著偏離零的i；第三，在均值發生突變的變化點，就使用IMF從該位置進行部分重建，分別合成低頻部分和高頻部分，即用c1(t)至ci(t)合成高頻部分，用ci+1(t)至cN(t)合成低頻部分。

（3）Hamilton方法。

Hamilton（2018）[19]指出如HP等降噪模型可能帶來的虛假信號，因此在對經濟序列進行降噪時，采用自回歸的模型形式能夠更好地提取真實的趨勢序列，具體模型形式如式（3）所示：

其中，yt為原始序列，h為領先階數；vt為回歸殘差，即為波動項；趨勢項則可以表示為yt-vt。Hamilton（2018）[19]指出如果采用月度數據，將h設定為48比較好；如果采用季度數據，將h設定為16比較好，即采用4年的樣本進行回歸。

后續分析，本文將采用這三種方法對經濟領先指數降噪，同時利用一定的方法和技術比較三種降噪方法的優劣。

（三）馬爾科夫區制轉換模型

馬爾科夫區制轉換模型可以對經濟領先指數所處的階段進行劃分，從而對我們的資產配置提供前瞻性信息。馬爾科夫區制轉換模型的形式如式（4）—式（8）所示，假定變量滿足r階自回歸、具有N種區制，假設每種區制下有不同的均值和方差，則有：

其中，yt為所研究的時間序列，φ(L)為滯后算子多項式，st表示存在M種狀態的馬爾科夫區制轉移變量，st=1,2,…,M，pij為轉移概率，μst和σ2st分別為st狀態下的均值和方差。采用Hamilton濾波方法來推斷轉移概率，進而運用極大似然法可以求出各參數的估計值。本文采用變量的一階自回歸來構造兩區制馬爾科夫轉換模型AR(1)-MS(2)，具體模型形式如式（9）所示，其中yt表示經濟領先指數的時間序列：

（四）數據描述及統計

本文借鑒其他學者的研究，選定了9個可能對宏觀經濟具有領先性的指標，包括恒生指數月收益率（Stock）、產品銷售率同比變化（Sale）、PMI同比（PMI）、M2同比增長率（M2）、房地產開工率同比變化（House）、貨運量同比變化（Freight）、消費者預期指數（ICE）、期限利差（Term）以及信用利差（Credit）等，樣本區間為2005年1月至2021年6月的所有月度數據，所有數據均來自Wind數據庫，對于缺失數據采用線性平滑方法進行補齊。對變量的描述性統計分析如表1所示。從AR(1)和AR(6)可以看到，大部分經濟變量的自相關性均很強，如M2的6階自相關系數仍然高達0.83，股票收益率和產品銷售率同比變化的自相關性相對較弱，尤其是股票收益率，其6階自相關系數甚至為負值。

表1 變量描述性統計分析

三、實證檢驗

（一）變量篩選

雖然本文按照經濟邏輯以及前期研究，選用了9個經濟領先指標，但是這9個指標對于經濟的領先作用仍然需要提前進行分析，以篩選出更合適的指標對經濟的變動提前發出信號。表2報告了9個變量之間的相關系數，可以看到，絕大部分指標間具有相關關系，相關性最高的是貨運量與房地產建設，其相關系數高達0.55，兩個利率指標與部分經濟指標間的相關系數顯著為負，如二者與貨運量的相關系數均為-0.2，且在1%水平下顯著。除此以外，其他大部分指標間的相關系數均為正。總體來看，本文所選的9個經濟指標間存在著一定的互動關系，但是相互之間也存在著較大的差異，將這9個指標進行綜合，可以有效整合多方面的市場信息，從而可以對宏觀經濟形勢進行更全面的判斷。

表2 變量相關性檢驗

利用跨期相關檢驗，本文考察了9個經濟指標與工業增加值（IVA）之間的領先滯后關系，結果如表3所示，其中行標題代表領先或滯后的階數，“-12”表示每列所代表的經濟指標領先工業增加值12期，“0”表示經濟指標與工業增加值同期，“12”表示經濟指標滯后工業增加值12期，其他以此類推。表中陰影的數字代表經濟指標與工業增加值相關性最高的時期，可以看到，股票市場收益率、M2以及期限利差分別領先工業增加值2個月、6個月和10個月；產品銷售率、PMI及房地產開工率對工業增加值具有一定的領先性，并在同期達到最高的相關系數；貨運量、消費者預期指數以及信用利差則分別滯后于工業增加值3個月、12個月和12個月。因此在構造最終的經濟領先指數時，貨運量、消費者預期指數以及信用利差三個指標應予以剔除，同時為了增加信息的全面性，最終選擇了股票市場收益率、M2、期限利差、產品銷售率、PMI及房地產開工率6個指標進行分析。

表3 與IVA的跨期相關性檢驗

（二）經濟領先指標分析

本文首先對所有的指標進行X-12ARIMA季節性調整，再進行歸一化處理，考慮到不確定越高的指標對宏觀經濟的影響往往越大，因此采用熵權法來確定各指標的權重，從而合成最終的經濟領先指標（CLI），結果如圖1所示。從圖中可以看到，經濟在樣本區間出現了3個明顯的低點，分別是2008年10月、2014年12月以及2020年2月。2008年是受美國次貸危機的發酵，我國經濟于2008年下半年快速回落，大批農民工返鄉，出口負增長，2008年11月進出口總值同比下降9%，GDP在2008年第4季度下降4個百分點，經濟面臨“硬著陸”的風險。在此之后，中國政府果斷推出擴大內需、促進經濟平穩增長的相關舉措，抑制住了經濟下滑的趨勢，2009年GDP增長9.4%，經濟領先指標也在2009年出現了大幅攀升，并于2009年11月達到階段性峰值。2015年是中國經濟運行相對艱難的一年，1月份CPI遠低于市場預期，達到2009年11月來最低水平，PPI同比下降4.3%，為2009年來最大跌幅；中國樓市也面臨著硬著陸風險，房價從2014年下半年開始出現了下滑；而股市更是出現了劇烈的波動，2015年6月15日，上證指數觸及5178的高點后掉頭向下，千股跌停頻現，上證指數在2016年初達到2638的低點；整個2015年GDP增幅為6.91%，自1991年以來首次跌破7%。而經濟領先指數在2014年12月已經發出了經濟減緩的信號。2020年2月的低點則是受新冠肺炎疫情影響，全球經濟近乎停滯。2020年1—2月份我國規模以上工業企業利潤驟降38.3%；一季度貨物貿易進出口總值比去年同期下降6.4%，其中出口下降11.4%、進口下降0.7%、貿易順差減少80.6%；一季度我國GDP增速下跌至-6.8%。因此總體來看，CLI指標可以對我國宏觀經濟的動態走勢進行較好的擬合，且具備一定的前瞻性，更細致的數理分析詳見下文分析。

圖1 CLI走勢圖

為了觀察CLI對宏觀經濟的領先滯后關系，我們同樣對CLI與IVA進行了跨期相關性檢驗，結果如圖2所示，縱坐標表示跨期相關系數，橫坐標表示CLI對IVA的領先或滯后關系，“-12”表示CLI領先IVA指標12個月，“12”表示CLI滯后IVA指標12個月。從圖中可以看到，CLI指標對IVA具有較強的領先作用，在領先12個月時的相關系數就高達0.43，并在領先5個月時相關系數達到最大值0.62，說明所構建的CLI指標對IVA至少領先了5個月以上，進一步驗證了CLI指標的有效性。

圖2 跨期相關性檢驗

（三）脈沖響應分析

為了更進一步觀察CLI對宏觀經濟的影響，本文構造了VAR模型并進行脈沖響應分析，所選變量依次為IVA、Invest、Consume、Import、CPI、CLI，其中Invest為固定資產投資同比增速，Consume為零售品消費總額同比增速，Import為進出口總額同比，CPI為通貨膨脹率。將CLI置于變量之后，可以更清晰地判斷出CLI對宏觀經濟的影響，因為在VAR分析過程中，越靠后的變量影響往往越小。VAR模型根據AIC準則選擇滯后4階。圖3報告了IVA與CLI的相互作用，其中左圖為CLI一個單位沖擊對IVA的持續影響力，右圖為IVA一個單位沖擊對CLI的持續影響力。可以看到，CLI的單位沖擊對IVA產生了顯著的影響，且這種影響是持續的，在第8期達到最大，并一直持續到10期以后；而IVA的單位沖擊對CLI的影響卻較小，僅持續了3期就轉到了0及以下。因此可以說明，CLI對IVA具有顯著的持續的作用，這種作用表現出來就在于其經濟領先性，反之IVA卻對CLI作用甚微。

圖3 CLI與IVA的脈沖響應分析

圖4報告了CLI對其他宏觀經濟變量的脈沖響應分析結果，可以明顯看到，當給CLI一個單位沖擊后，對投資、消費、進出口以及通貨膨脹均有顯著的持續影響，且除了對投資的影響在第3期后基本維持均衡外，對消費、進出口及CPI的影響均隨著期數的增加而不斷累積。圖4的結論不僅進一步肯定了CLI對宏觀經濟的領先性，而且這種領先性不僅表現在對工業生產上，對于經濟的三駕馬車以及物價走勢，均有較強的領先性。因此綜合圖2至圖4的研究結論，本文得出以下結論，CLI指標是一個有效的經濟領先指標，并且由于所選的部分變量公布的時間點較為靠前，能夠及時對宏觀經濟的變化進行預先判斷。

圖4 脈沖響應分析

（四）對資產配置的啟示

1.回歸分析

本部分重點考察CLI指標對資產配置的影響，選擇了三種資產配置方式進行分析，分別是股票與債券的輪動配置，其中股票采用Wind全A指數衡量，債券采用中證全債指數衡量；參考Fama和French（1993）[22]的研究，考察了兩種股票風格的輪動配置，其一是小盤股與大盤股的輪動（對應FF三因子中的規模因子），分別采用巨潮小盤股指數和大盤股指數衡量；其二是成長股與價值股的輪動（對應FF三因子中的估值因子），分別采用巨潮成長股指數和價值股指數衡量。表4報告了CLI對這些指數相對收益的回歸結果，控制變量采用了投資、消費、進出口以及物價指數，CLI及所有的控制變量均取滯后一期。從表中回歸結果來看，所選變量對不同價格指數的比值具有一定的回歸效果，調整R2分別達到0.3、0.13和0.34。CLI對三個價值指數的擬合效果較好，其中對股票/債券及成長/價值比值的回歸系數均顯著為正，對小盤/大盤比值的回歸系數顯著為負。這說明在CLI處于上升趨勢時，配置股票、大盤股及成長股，相對于債券、小盤及價值股更優。

表4 CLI對資產配置的回歸分析

2.CLI降噪

我們進一步從實際投資績效的角度考察CLI對資產配置的影響，具體而言需要先將CLI區分為上升階段和下降階段，并在不同的階段配置不同的資產類別。在對CLI進行階段劃分時，常見的方法包括“谷—峰”法及馬爾科夫區制轉換方法。考慮到“谷—峰”法更多的是從事后角度進行判斷，實際投資過程中難以進行操作，因此采用馬爾科夫區制轉換法進行階段劃分。但是由于原始數據中包含了大量的噪聲，如果直接采用原始數據進行分析，會導致狀態變換過于頻繁，從而增大交易成本以及發出太多的虛假信號，因此在進行馬爾科夫區制轉換模型構建前，先對原始數據進行降噪。

常見的降噪方法包括HP濾波、EMD經驗模態分解等，Hamilton（2018）[19]指出采用自回歸的方式對數據降噪，可以避免其他模型可能帶來的虛假信號。基于此，本文采用這三種方法進行降噪，并挑選最合適的降噪方法進行進一步分析。

采用兩種方法進行判斷：一是觀察降噪序列與原序列的關系，擬合得越好的模型相對更優；二是我們對原始序列分階段擬合，觀察真實趨勢序列與實時趨勢序列的差異。具體而言，分別進行全樣本降噪（2005年1月至2021年4月）及部分樣本降噪（2005年1月至2020年2月），并觀察2005年1月至2020年2月這段時間內兩種降噪方法所提取趨勢項的差異。

圖5報告了研究結果，其中Panel A是三種降噪后的趨勢序列與原始CLI的走勢圖。可以看出，Hamilton方法效果最差，基本為一條水平直線，HP的效果較好，與原始CLI擬合較好，且能較好地識別出拐點，EMD變化相較HP要慢，能夠識別出更大級別的趨勢。Panel B至Panel D分別是HP、EMD及Hamilton降噪法的部分樣本比較情況。可以看出，HP降噪法除了存在一定的端點效應，全樣本與分樣本擬合結果基本一致；EMD降噪法同樣存在著明顯的端點效應，但是兩個樣本存在著一定的偏差，不如HP擬合得好；Hamilton全樣本與分樣本間的擬合曲線完全不一致。因此綜合來看，用HP進行降噪的效果要優于其他兩種方式，雖然存在著一定的端點效應，但是一方面可以將尾部幾個數據剔除，另一方面可以通過機器學習等方法對尾端數據進行擬合等方式的處理，以減小端點效應對數據處理的影響。

圖5 降噪結果分析

3.馬爾科夫區制轉換

我們建立兩區制一階自回歸馬爾科夫轉換模型MS(2)—AR(1)來對HP濾波后的CLI序列進行分析，回歸結果如表5所示。可以看出，MS-AR模型較好地將CLI區分成兩區制，其中區制1代表低風險，即風險不斷下降階段，對應圖6的灰色區域部分；區制2為高風險區域，即風險不斷上升階段，對應圖6的白色區域部分。兩區制的轉換概率分別高達0.96和0.92，說明高低區制非常穩定，相互轉換的概率較小，期望持續時間（用式1/（1-P）計算）分別達到25個月和12個月。從圖6繪制的區制轉化圖可以看出，高低區制基本上較好地擬合出了CLI的上升階段和下降階段，同時又規避了原始序列不斷波動的特性，避免了區制的反復切換。且從圖6可以看到，進入2021年，我國經濟開始進入下降區間。

表5 馬爾科夫區制轉換回歸結果

圖6 馬爾科夫區制劃分

4.資產配置績效分析

根據表4的回歸結果以及圖6的CLI區制劃分，構造資產配置擇時策略：對于股債輪動配置，在CLI上升區制配置股票資產，在CLI下降區制配置債券資產；對于規模輪動配置，在CLI上升區制配置大盤股，在CLI下降區制配置小盤股；對于價值輪動配置，在CLI上升區制配置成長股，在CLI下降區制配置價值股。考慮到宏觀數據公布的滯后性，本文對所有的CLI均滯后一期，即依據上一期CLI所處的區制來判斷本期的資產配置。

表6報告了資產輪動策略及對應的原始指數序列的投資績效，圖7報告了資產輪動策略以及對應指數的凈值曲線。可以看到，對于股債輪動而言，策略可以實現12.93%的年化收益，遠高于Wind全A指數的9.52%，且波動率及最大回撤均低于單獨配置Wind全A指數。從圖7中Panel A也可以看出，股債輪動策略最終凈值達到7.59，遠高于Wind全A指數的4.56；對于規模輪動而言，策略可以實現15.6%的年化收益，高于小盤股的13.58%和大盤股的11.91%，且其風險與大盤股持平，低于小盤股的32.64%，因此輪動策略的夏普比率達到0.43，高于小盤股的0.32和大盤股的0.3。從圖7中Panel B可以看出，規模輪動策略最終凈值達到11.21，遠高于小盤股指數的8.35；對于價值輪動而言，策略可以實現14%的年化收益，高于成長股的12.83%和價值股的11.73%，策略夏普比率為0.36，高于成長股的0.32和價值股的0.29。從圖7中Panel C可以看出，價值輪動策略最終凈值為8.88，高于成長指數的7.48。因此，綜合來看，本文所構造的CLI指標能夠對宏觀經濟進行較為有效的預警，且經過HP-MS劃分后的區制，能夠對投資者的投資實踐進行一定的指導。

圖7 資產配置策略凈值曲線

表6 資產配置擇時績效

四、結論與討論

選取2005年1月至2021年4月恒生指數收益率、產品銷售率同比變化、PMI同比、M2同比增長率、房地產開工率同比變化、貨運量同比變化、消費者預期指數、期限利差以及信用利差的同比數據構造我國宏觀經濟的領先指數。首先通過跨期相關檢驗剔除對經濟增長指標不具備領先性的指標，其次利用熵權法對剩余的指標進行加權，并研究了經濟領先指數（CLI）對宏觀經濟的預測能力以及對資產及股票風格配置的影響。結果發現：CLI指標領先了工業增加值5個月以上，且脈沖響應分析發現，CLI對工業增加值、投資、消費、出口以及物價指數等宏觀經濟指標均有持續穩定的影響，相反工業增加值等指標對CLI的影響則非常短暫；HP濾波能夠更好地提取CLI的趨勢項，并用馬爾科夫區制轉換模型對CLI趨勢項進行狀態劃分，發現CLI對股債配置以及股票風格配置可以起到非常有益的指導作用，股債輪動、規模輪動以及價值輪動策略在樣本區間分別可以獲得12.93%、15.6%及14%的收益率，遠高于單獨對兩項資產的買入持有配置以及等權配置。綜合來看，本文構造的CLI指標不僅能夠對宏觀經濟進行提前預判，而且能夠對資產配置實踐具有較強的指導意義。

本文的研究結論不僅是對經濟預測理論及資產配置理論的有力補充，同時對于投資實踐也具有較強的指導意義。

首先，部分指標確實具有較強的宏觀經濟預警能力。如本文最終選取的股市收益率、M2和期限利差等，通過適當的模型和方法將這些指標進行整合得到的經濟領先指數，可以對經濟狀態的未來發展走勢進行較好的預判，無論對國家大政方針的制定還是個人投資者投資策略的規劃，都具有較強的指導意義。

其次，美林投資時鐘在我國的投資實踐中仍然具有較強的指導意義，對其應用的關鍵在于經濟增長指標的準確選取。許多學者的研究均表明領先指數相對于GDP和工業增加值等實際經濟增長指標可以更好地用來對經濟周期進行劃分，且由于經濟指標公布的滯后性，領先指數可以部分規避該問題。在經濟擴張期適當多配股票及大盤成長型股票，可以在提高投資收益的同時降低投資風險。

再次，我們所構造的基于經濟領先指數的輪動雖然相對于簡單買入持有單一指數具有一定的超額收益，但是風險和回撤仍然較大。這說明投資是一件復雜的系統工程，想通過單一指標實現投資績效的顯著改善是較為困難的，更適合的策略應該是將多種指標進行綜合分析，同時借鑒大數據分析和人工智能等更復雜的系統性技術以提高預測的準確性。