宏觀經濟周期與資產價格聯動機制：跨周期配置的范式重構

摘" "要：選取工業品、農產品、黃金、30年國債以及全A指數作為研究對象，用跨期相關分析、分位數回歸及馬爾科夫區制轉換等多種方法，考察了不同經濟指標對大類資產收益的影響及不同周期下的大類資產表現，結果發現：PMI對大類資產收益的區分度最高； PMI+PPI的指標組合能夠對經濟周期進行相對更優的區制劃分，在復蘇期股票最優、債券最差，在過熱期工業品最優、黃金最差，在滯漲期黃金最優、股票最差，在衰退期債券最優、工業品最差；基于PMI+PPI區制劃分所構造的輪動投資組合在樣本期內能夠獲得19.82%的年化收益，表現出非常好的投資績效。研究結論不僅說明了選擇適用經濟指標的重要性，同時也驗證了經濟周期在大類資產配置中的重要性和有效性。

關鍵詞：經濟周期；資產配置；大類資產；投資組合

中圖分類號：F830" "文獻標識碼： A" 文章編號：1674-2265（2025）06-0003-09

DOI：10.19647/j.cnki.37-1462/f.2025.06.001

一、引言與文獻綜述

宏觀經濟周期波動與資產價格之間的聯動機制一直是金融經濟學研究的核心議題。近年來，全球宏觀經濟環境呈現高波動性特征，地緣政治沖突加劇、供應鏈重構、通脹中樞抬升以及主要中央銀行貨幣政策劇烈調整，使得傳統經濟周期理論下的資產配置策略面臨嚴峻挑戰。在中國語境下，國家“十四五”規劃明確提出“增強金融服務實體經濟能力”，2023年中央金融工作會議進一步強調“優化資金供給結構”“做好科技金融、綠色金融、普惠金融、養老金融、數字金融五篇大文章”。政策導向要求資產配置研究必須突破傳統“美林投資時鐘”框架，深入分析經濟周期結構性變化（如新舊動能轉換、人口老齡化、碳中和轉型）對資產價格的非線性沖擊。與此同時，金融市場結構正在發生深刻變革：資產關聯性增強，股債“蹺蹺板”效應減弱，另類資產（如REITs、大宗商品、加密貨幣）與傳統資產的相關性發生突變；政策干預強化，中國跨周期調節與歐美逆周期調控形成政策周期錯位，跨境資本流動加劇市場波動；技術驅動的新變量，如大數據、AI預測模型（如Transformer在宏觀經濟預測中的應用）為周期識別提供了新方法論。這些變化迫切要求我們突破傳統分析框架，構建更具適應性的資產配置理論體系。

經濟周期對投資有重要的影響。當經濟周期向上時，經濟增長迅速，社會就業率高，工資收入增長快，消費需求旺盛，企業盈利良好，帶動設備和房地產等投資擴大，此時投資者往往可以通過股票市場獲得較高的投資收益；但在經濟周期向下時，經濟陷入衰退，社會失業率擴大，勞動者的收入不升反降，自然會壓縮消費需求，從而帶來整體物價的下行以及企業銷售收入的降低，企業盈利降低會進一步壓縮自身的投資需求，此時將大量的資金投資在股市中就不是一個明智的決定，由于中央銀行此時大概率會通過降息及購債等方式來刺激經濟，債券市場在這個時期往往可以獲得較好的表現。Fama和French（1989）[1]、Ferson和Harvey（1991）[2]、Dzikevi?ius和Zam?ickas（2009）[3]、Hitendra和Jain（2018）[4]、尚煜和許文浩（2020）[5]、吳娜等（2023）[6]、陳隆軒和楊杰（2022）[7]等學者的研究均發現，宏觀經濟指標對股票和債券的收益率均有較強的指示作用，基于宏觀經濟指標的資產配置模型能夠獲得更高的投資績效。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很好的融合（Lynch，2004）[8]，它將經濟周期劃分為復蘇、過熱、滯脹及衰退四個狀態，在不同的周期下配置不同的資產能獲得更高的投資收益。隨后大量學者根據該框架對資產配置策略進行了設計和論證，代表性的研究包括Wang和Qu（2016）[9]、孫云等（2015）[10]、郜哲（2015）[11]、周亮（2021）[12]、陳雷和李爍鑠（2022）[13]、王寶璐等（2023）[14]。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。

在用經濟周期進行資產配置時，最重要的是對經濟周期進行準確的劃分，區制轉換是一種常用的方法。許多文獻直接對區制在投資組合中的應用進行了研究，具體的研究方向包括但不限于基于資產收益的區制轉換模型（Kritzman等，2023）[15]、對宏觀狀態的區制劃分（Ilmanen等，2014；Jurczenko和Teiletche，2018；Kollar和Schmieder，2019；de Longis和Ellis，2023）[16-19]、對個別宏觀經濟指標的區制劃分（Blin 等，2021；Elkamhi等，2023）[20，21]、宏觀因子投資組合（Swade 等，2024）[22]以及機器學習模型（Mueller-Glissmann和Ferrario，2024）[23]。Kelliher等（2022）[24]基于四個預定的宏觀投資組合進行資產配置，根據隱馬爾科夫區制轉換模型對主要市場風險源進行估算，并利用風險平價方法將不同的宏觀投資組合進行綜合配置，實證結果發現該策略能夠獲得不錯的收益。國內學者方面，王霦和魏先華（2017）[25]在大類資產配置的背景下探討了資產收益的區制轉換特征對資產配置的影響，研究了如何將馬爾科夫區制轉換模型應用于資產配置過程，并給出了具體的模型框架與方法。龍翠紅等（2019）[26]通過構建非對稱理論模型，建立馬爾科夫區制轉換VAR模型研究了三區制下通貨膨脹率和實際股票收益率之間的關系。蘇樂怡等（2024）[27]采用具有時變狀態轉移概率的波動率模型研究了原油市場波動率指數（OVX）的預測問題。

綜合來看，經濟周期能夠對投資者的大類資產配置進行指引，且區制轉換模型常用來對經濟周期進行劃分，但是目前的研究在劃分經濟周期的宏觀指標選擇上并不統一，尤其是在經濟增長指標的選取上，既有研究直接選用GDP、工業增加值等指標，也有研究選用PMI或貨幣指標等具有一定領先性的指標。本文在已有研究的基礎上，利用跨期相關系數分析及非線性的分位數回歸方法，系統研究了多個宏觀經濟指標間的關系及其對資產收益的影響，并在提取有效宏觀指標的基礎上對經濟周期進行了劃分，并利用多個大類資產構造了資產輪動及配置組合。相對于已有研究，本文的創新之處可能在于：一方面，通過對宏觀經濟指標進行系統性分析所劃分的經濟周期相對更為精確，也能夠為大類資產的收益分布提供更有效的指引。另一方面，所選的大類資產也相對更為豐富，除了股票選用常見的全A指數外，我們將商品細分為工業品和農產品，同時納入了黃金資產，對債券選擇了久期更長的30年國債，該品種由于在衰退期對利率更為敏感往往能夠獲得更高的收益。這些與以往研究不同的資產選擇，不僅可以提高資產配置組合的投資績效，也為未來的研究及投資實踐提供了更有效的思路。

二、研究設計

（一）“美林投資時鐘”

經典的“美林投資時鐘”如圖1所示，按照經濟增長預期和通脹預期，將經濟周期劃分為復蘇、過熱、滯脹及衰退四個狀態。在復蘇期，經濟增長加速，但是通脹仍然低迷，此時應該配置股票類資產；在過熱期，經濟仍然保持高速增長，但是通脹也很強勁，此時配置商品類資產能夠獲得更大的收益；在滯漲期，經濟增長已經開始減速，但是通脹仍然維持在高位，此時選擇持有現金類資產是最佳的保值策略；而在衰退期，經濟增長減速，通脹也很低迷，此時對債券類資產的配置是最佳的投資策略。常用來劃分經濟周期的經濟增長指標包括工業增加值、GDP、產出缺口、國家統計局領先指數等，用來劃分通脹的指標主要有CPI和國家統計局滯后指數。本文將通過跨期相關分析及分位數回歸等方法詳細比較和檢測多個宏觀經濟指標間的領先滯后關系以及對大類資產收益的影響，并基于篩選過的經濟指標對經濟周期進行識別和劃分。

（二）馬爾科夫區制轉換模型

馬爾科夫區制轉換模型常用來對經濟周期進行劃分。假定模型形式為[r]階自回歸、具有[N]狀態的馬爾科夫區制轉換模型，假設每種區制下有不同的均值和方差，則有：

[?（L）（yt-μst）=εt]，[εt～N（0，σ2st）]

[p（st=j|st-1=i）=pij]，[i，j=1，2，…，N]

[j=1Npij=1]，[i=1，2，…，N]

[μst=μ1s1t+μ2s2t+…+μNsNt]

[σ2st=σ21s1t+σ22s2t+…+σ2NsNt]

其中，[yt]為所研究的時間序列，[?（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。

本文根據AIC準則采用二階自回歸來構造經濟周期的兩區制馬爾科夫轉換模型AR（2）—MS（2），具體模型形式如式（1）所示，其中[yt]表示工業增加值或CPI時間序列：

[（yt-μst）=φ0+φ1（yt-1-μst-1）+φ2（yt-2-μst-2）+εt]，[εt～N（0，σ2st）]

（1）

（三）分位數回歸

分位數回歸提供了回歸變量X和因變量Y的分位數之間線性關系的估計方法。相對于最小二乘估計，分位數回歸模型具有四個方面的優勢：第一，分位數模型特別適合具有異方差性的模型；第二，能給出條件分布的大體特征；第三，在擾動項非正態的情形下，分位數估計量可能比最小二乘估計量更有效；第四，分位數回歸時通過使加權誤差絕對值之和最小得到參數的估計，估計量不容易受到異常值的影響，從而使估計更加穩健。

對一個連續隨機變量[y]，如果[y≤Q（τ）]的概率是[τ]，則稱[y]的[τ]分位數值是[Q（τ）]；設隨機變量[Y]的分布函數為[F（y）=P（Y≤y）]，則[Y]的第[τ]分位數為[Q（τ）=inf{y：F（y）≥τ}（0lt;τlt;1）]。

對于一般模型：[yi=x'iβτ+ατi+μτi]，其中[yi]為被解釋變量，[xi]為[k×1]的行向量，[βτ]為[k×1]的行向量，表示對應于被解釋變量第[τ]分位數的各解釋變量的回歸系數，[ατi]為截距項，[μτi]為隨機誤差項。現假設[Y]的條件分位數由[k]個解釋變量組成的矩陣[X]現行表示：

[Q（τxi，β（τ））=x'iβ（τ）]，式中，[xi=（x1i，x2i，…，xki）']為解釋變量向量，[β（τ）=（β1，β2，…，βk）']是[τ]分位數下的系數向量，則：

[Q（τ）=argminε{i，yi≥ετ|yi-ε|+i，yilt;ε（1-τ）|yi-ε|}=argminε{iρτ（yi-ε）}]

當[τ]在（0，1）上變動時，求解下面的最小化問題就可以得到分位數回歸不同的參數估計：

[βN（τ）=argminβ（τ）（i=1Nρτ（yi-x'iβ（τ）））]

（四）變量選取與描述性分析

1. 資產描述性分析。為了驗證經濟周期對各類資產的影響，本文選擇3個資產類別的5個資產指數作為研究對象，包括代表大宗商品的工業品、農產品以及黃金，代表債券的30年國債，代表股票的全A指數，樣本周期為2009年1月—2024年7月的所有月度數據。表1報告了各資產指數的描述性統計及相關系數，從Panel A可以看到，在所選樣本區間內，5個資產的年化收益率均為正，其中工業品最高（6.68%），農產品最低（2.41%）；從風險角度來看（用年化波動率及最大回撤來衡量），工業品和全A指數的風險最高，而30年國債的風險最低；從風險調整后收益來看（用夏普比率和索提諾比率衡量），30年國債由于風險遠低于其他資產，因此，其夏普比率和索提諾比率分別為0.9547以及0.3597，均遠高于其他資產，農產品和全A指數的風險調整后收益偏低。從Panel B可以看到，除了工業品和農產品相關系數較高外，其他資產間的相關性普遍不高，全A指數與工業品間、30年國債與農產品間、30年國債與黃金間的相關系數均為負，說明通過不同資產間的組合配置可以起到降低組合風險的作用。

圖2展示了四種資產的凈值走勢（由于工業品和農產品的走勢較為接近，為了避免曲線過多，圖2中沒有列示農產品的走勢），可以看到，工業品最終凈值最高，達到了2.74；30年國債和黃金的最終凈值基本一致，分別為2.41和2.4，但是30年國債的波動率遠小于黃金；全A指數不僅最終凈值較低，而且波動高于其他資產。

2. 宏觀指標描述。為了檢驗經濟周期對資產收益的影響，我們選擇了CPI、PPI、M1、M2、M1-M2（M1同比和M2同比的差值）、PMI、PMI新訂單以及新增人民幣貸款（LOAN）等指標，其中CPI和PPI用來衡量通貨膨脹，其他指標均對宏觀經濟具有一定的領先性，用來衡量經濟增長。圖3展示了M1和CPI的指標走勢（限于篇幅，我們僅展示了兩個指標），可以看到，M1相對CPI具有一定的領先性，M1的大部分波峰和波谷領先于CPI的波峰和波谷。因此，利用領先指數以及通貨膨脹指標，可以較好地按照“美林投資時鐘”框架對經濟周期進行劃分。下一部分將對宏觀指標進行更詳細的分析。

三、實證分析

（一）宏觀指標分析及選取

我們選擇了多個指標來表征經濟增長或通貨膨脹，但是部分指標之間的相關性過大，而且并不是每個指標都是有效的，因此，有必要在進行進一步分析前對宏觀指標進行篩選。表2報告了宏觀指標之間的相關系數，可以看到，PMI和PMI新訂單的相關系數高達0.9874，因此，下節分析只考慮PMI；新增人民幣貸款與M2和M1的相關系數分別高達0.8146和0.6969，M1-M2與M1的相關系數高達0.8097，M1和M2的相關系數為0.7337，說明貨幣金融數據間相關性非常強，應盡量保留最有效的指標或者將指標進行聚類；PMI與貨幣金融指標間的相關性也普遍較強，大部分都在0.5以上，說明領先指標間具有一定的相似性。

為了更準確地識別宏觀指標間的關系，我們對指標進行了跨期相關分析，選擇較為滯后的PPI作為基準，觀察不同指標與PPI的領先和滯后關系，結果如表3所示。其中，每一行代表所選指標對PPI的相對階數，如“-12”代表該指標領先PPI指標12期，“3”代表該指標滯后PPI指標3期；相關系數絕對值最大時的階數則反映了該指標與PPI間的領先滯后關系。可以看到，CPI略滯后于PPI一期，所選6個領先指標均顯著領先于PPI，其中，M2和新增人民幣貸款領先了12期，M1領先10期，M1-M2領先8期，PMI和PMI新訂單領先了7期。這說明領先指標對經濟增長（尤其是滯后指標）有較好的指引作用。考慮到M1-M2以及PMI新訂單與其他指標間相關性過強，且領先性較弱，接下來的分析中將其剔除。

（二）宏觀指標對資產收益的影響

1. 分位數回歸分析。我們用宏觀經濟指標對資產的下一期收益率進行分位數回歸，以評估宏觀指標對資產收益的區分能力，結果如表4所示，其中tau為我們所選的回歸分位數。可以看到，對30年國債有顯著影響（0.1、0.5或0.9分位）的宏觀指標包括M1、M2、新增人民幣貸款、PMI及CPI；對黃金有顯著影響的宏觀指標包括新增人民幣貸款、PMI和CPI；對工業品有顯著影響的宏觀指標只包括M1和CPI；所有的宏觀指標對農產品均有顯著影響；除了M1，所有指標均對全A指數有顯著影響。綜合來看，所選的6個經濟指標對大部分資產價格均有顯著影響，即能夠較好地對資產收益進行區分。

2. 區制劃分及大類資產表現。除了分位數回歸的參數方法，我們還采用了非參數方法來判斷宏觀指標對資產收益的區分能力。先采用馬爾科夫區制轉換模型對宏觀指標進行區制劃分，圖4展示了M1指標的馬爾科夫區制轉換結果（限于篇幅，其他指標的結果未列出），其中白色部分代表上升趨勢，灰色部分代表下降趨勢，從圖中可以看到，區制劃分的結果較好，能夠較好地對M1的上升和下降趨勢進行區分。

根據對宏觀指標的區制劃分，我們就可以統計每種資產在指標上升和下降趨勢時的表現，表5報告了研究結果。可以看到，對工業品區分最好的是PMI，在PMI上漲時，工業品可以獲得20.95%的年化收益，而在PMI下降時，工業品的年化收益率為-1.21%，M1和PPI也能對工業品進行一定的區分，M2、新增人民幣貸款及CPI的區分效果較差；對農產品區分最好的依次是PMI、PPI、CPI以及M1，M2和新增人民幣貸款的區分效果較差（新增人民幣貸款的區分結果與預期相反）；大部分指標對黃金的區分度均不明顯；對30年國債區分效果最好的仍然是PMI，在PMI上漲時，30年國債的年化收益為-0.35%，在PMI下降時，30年國債的年化收益高達10.38%，其他指標的區分效果較為一般；對全A指數區分效果最好的仍然是PMI，新增人民幣貸款、CPI、PPI以及M1次之，M2無明顯區分效果。從區分度和邏輯（領先指標上漲有利于全A指數和大宗商品，下跌有利于國債；落后指標上漲有利于大宗商品，下跌有利于全A指數）來看，PMI的效果最好，其次是PPI和M1，M2的效果較差。PMI作為前瞻性指標，能靈敏反映企業采購意愿和生產經營活動，這使其對資產收益具有最為顯著的區分度。當PMI突破榮枯線時，市場會立即修正對企業盈利的預期，股票資產因其對企業基本面的直接暴露而率先做出反應。特別是在復蘇初期（PMI從低位回升但PPI仍低迷時），權益資產的彈性最大，而債券因經濟回暖預期面臨估值壓力。M1對大類資產收益的高區分度主要源于其直接反映經濟中的活錢變化，這些資金流動會快速影響不同資產的表現。當M1增速上升時，說明企業和居民手里的活錢變多，這些錢要么進入實體經濟帶動需求，要么流入金融市場推高資產價格。股票往往最先受益，特別是對資金敏感的科技股和周期股，因為市場預期企業投資和消費將改善。債券此時表現較差，因為經濟好轉可能引發中央銀行收緊貨幣政策。商品則會因實際需求回升而上漲，尤其是工業金屬。

3.“美林投資時鐘”框架下的資產分析。我們基于“美林投資時鐘”框架，選用領先指標和滯后指標將經濟周期劃分為復蘇、過熱、滯漲和衰退4個階段，并統計每個階段下各資產的收益率。由于領先指標中PMI表現最佳，滯后指標中PPI表現優于CPI，表6中Panel A報告了基于PMI和PPI劃分的經濟周期下各資產的收益表現；作為對照，Panel B報告了基于PMI和CPI劃分的經濟周期下各資產的收益表現；考慮到M1在區分資產收益時也有較好的表現，我們將PMI和M1等權構造了經濟領先指標（LEI），并基于LEI與PPI劃分了經濟周期，該分類下各資產的收益表現見Panel C。三個面板的結論基本相似，在復蘇期全A指數表現最佳、國債表現最遜，在過熱期工業品表現最佳、黃金表現最遜（Panel B 30年國債表現最遜），在滯漲期黃金表現最佳、全A指數表現最遜，在衰退期國債表現最佳、工業品和農產品表現最遜。該研究結論與“美林投資時鐘”的初始結論大體吻合（即復蘇期持有股票，過熱期持有商品，滯漲期持有現金，衰退期持有債券），只是在具體的資產選擇上，本文進一步做了細致的探討。總體而言，PMI+PPI下各占優資產的收益最高（衰退期中的國債在PMI+CPI下收益最高）。

究其原因，是因為在跨周期調節政策框架下，PMI對政策拐點的指示作用更強。例如，當PMI連續低于閾值時，中央銀行可能提前啟動寬松，這使得債券資產在周期轉換時點的反應更為敏感。同時，PPI對中游制造業利潤的擠壓效應在我國更為顯著，這放大了工業品在不同周期階段的波動幅度。組合來看，在復蘇期（PMI上升、PPI下降），需求端改善但產能仍過剩，企業利潤率提升快于成本端，股票（尤其是周期股）受益于盈利預期上修，債券則因寬松政策退出而承壓。如2020年下半年疫情后復蘇階段，滬深300指數上漲27%，而十年期國債收益率上行60bp。在過熱期（PMI和PPI均上升），工業品受益于量價齊升，企業補庫存行為強化商品需求，而實際利率回升壓制黃金表現。例如，2021年第二季度，南華工業品指數上漲18%，COMEX黃金下跌7%。在滯脹期（PMI下降、PPI上升），成本推動型通脹侵蝕企業利潤，黃金作為抗通脹和避險資產的雙重屬性凸顯。如2011年第三季度中國PMI跌破50而PPI高達7.5%時，黃金上漲16%，滬深300指數下跌15%。在衰退期（PMI和PPI均下降），通縮預期下貨幣政策寬松，債券獲得資本利得與票息的雙重保護，工業品則面臨需求坍塌。如2022年第四季度債券牛市期間，十年期國債收益率下行35bp，螺紋鋼期貨下跌12%。

4.投資策略構造及分析。基于表6的研究結果，我們構造了4種投資策略，分別是在PMI+PPI劃分經濟周期的基礎上，每種周期下只持有1種資產（即按照表6的結果，在復蘇期持有全A指數，在過熱期持有工業品，在滯漲期持有黃金，在衰退期持有30年國債），結果見表7第1行；在PMI+CPI劃分經濟周期的基礎上，每種周期下只持有1種資產，結果見表7第2行；在PMI+PPI劃分經濟周期的基礎上，每種周期下持有2種資產（即按照表6的結果，在復蘇期持有全A指數和工業品，在過熱期持有工業品和農產品，在滯漲期持有黃金和30年國債，在衰退期持有30年國債和黃金），結果見表7第3行；在LEI+PPI劃分經濟周期的基礎上，每種周期下只持有1種資產，結果見表7第4行。可以看到，PMI+PPI（1種資產）策略的收益率最高，年化收益率高達19.82%，最終凈值高達16.5；PMI+PPI（2種資產）策略雖然年化收益率較低，但是由于分散了風險，年化波動率及最大回撤遠低于其他策略，因此，其夏普比率和索提諾比率最高，分別達到了1.3942和1.2187。更形象的結果如圖5所示，可以看到，雖然4種策略的走勢基本相似，但PMI+PPI（1種資產）策略的凈值遠高于其他三種策略。

四、結論與討論

經濟周期對大類資產的收益有顯著影響，本文選擇工業品、農產品、黃金、30年國債以及全A指數3個資產類別的5個資產指數在2009年1月—2024年7月的所有月度數據作為研究對象，并用跨期相關分析及分位數回歸等方法從10余個宏觀經濟指標中挑選出PMI、M1、PPI等6個對大類資產收益最具指示作用的宏觀經濟指標，采用馬爾科夫區制轉換模型對這些指標進行區制劃分，并基于“美林投資時鐘”框架探討了不同周期下的大類資產表現，結果發現：PMI對大類資產收益的區分度最高，在PMI上漲時，工業品、全A指數及30年國債的平均年化收益率分別為20.95%、21.8%和-0.35%，而在PMI下降時，工業品、全A指數及30年國債的平均年化收益率分別為-1.21%、-5.29%和10.38%；PMI+PPI的指標組合能夠對經濟周期進行相對更優的區制劃分，在復蘇期時股票占優、債券最差，在過熱期時工業品最優、黃金最差，在滯漲期時黃金最優、股票最差，在衰退期時債券最優、工業品最差；基于PMI+PPI區制劃分所構造的輪動投資組合，在樣本期內能夠獲得19.82%的年化投資收益，波動率和最大回撤分別僅為15.48%和20.55%，表現出非常好的投資績效；且這種經濟周期下的投資績效，在PMI+CPI的組合以及加入M1構造出領先指標LEI后，仍然是穩健的。

針對以上研究結論，本文提出以下政策建議：首先，建議構建PMI+PPI雙核決策框架，將M1作為輔助監測指標。實證研究表明，PMI和PPI的組合對經濟周期劃分具有顯著優勢：當PMI回升至榮枯線以上而PPI仍處于低位時（復蘇期），應實施定向寬松政策，重點支持制造業設備更新和技術改造；當PMI和PPI同步持續上行時（過熱期），需要及時收緊流動性，防范工業品價格過快上漲；當PPI高位運行而PMI跌破榮枯線時（滯脹期），應采取“穩增長+控通脹”的組合政策；當兩者同步下行時（衰退期），則需加大逆周期調節力度。其次，建議建立基于PPI的企業成本預警機制。當PPI同比漲幅連續3個月超過5%時，應啟動企業成本監測，通過增值稅留抵退稅、階段性社保費減免等措施緩解企業壓力。同時，可考慮建立重點工業品價格平準基金，在PPI波動較大時適時調節市場供需。再次，建議完善宏觀政策協調配合機制。根據指標組合特征實施差異化政策：在復蘇期，財政政策可加大技改投資支持，貨幣政策保持流動性合理充裕；在過熱期，可提高工業品期貨交易保證金，控制投機炒作；在滯脹期，需加強對重要民生商品的價格監管；在衰退期，可適當放寬金融機構不良貸款容忍度。最后，建議強化市場預期引導。統計部門可定期發布“PMI-PPI周期定位圖”，幫助市場主體準確判斷經濟位勢。中央銀行在貨幣政策執行報告中可增加對指標組合的專業解讀，特別是在周期轉換關鍵時點及時闡明政策取向。當前要重點關注PPI持續負增長的影響，建議采取針對性措施，一方面通過專項再貸款支持制造業轉型升級，另一方面適度增加基建投資帶動工業品需求。

參考文獻：

[1]Fama E F，French K R.1989.Business Conditions and Expected Returns on Stocks and Bonds [J].Journal of Financial Economics，（25）.

[2]Ferson W，Harvey C R.1991.The Variation of Economic Risk Premiums [J].Journal of Political Economy，（99）.

[3]Dzikevi?ius A，Zam?ickas M. 2009. An Overview of Financial Crisis in U.S.[J].Economics and Management，2009，（14）.

[4]Hitendra D V，Jain V. 2018. Adaptive Multi-factor Allocation [R].MSCI Working Paper.

[5]尚煜，許文浩.基于經濟周期的股票市場行業資產配置研究 [J].經濟問題，2020，（03）.

[6]吳娜，魏智佳，白雅馨.經濟周期下企業金融資產配置的同群效應研究 [J].云南財經大學學報，2023，（02）.

[7]陳隆軒，楊杰.企業金融資產配置是否抑制了綠色技術創新？ [J].金融發展研究，2022，（07）.

[8]Merrill Lynch.2004. The Investment Clock [R].Special Report：Making Money from Macro.

[9]Wang B，Qu S. 2016. Rotation Effects of Alpha Factor in Chinese Stock Market Based on Investment Clock [J].Journal of Information amp; Computational Science，（13）.

[10]孫云，張昊，張嘉豪.美林投資時鐘理論在中國金融市場應用探索 [J].經濟問題探索，2015，（09）.

[11]郜哲.基于投資時鐘原理的中國大類資產配置研究與實證 [J].河北經貿大學學報，2015，（03）.

[12]周亮.Black-Litterman模型在大類資產配置中的應用：基于貨幣周期及風險平價策略的改進 [J].運籌與管理，2021，（08）.

[13]陳雷，李爍鑠.資產配置的選擇與優化策略研究——基于“美林投資時鐘”的視角 [J].金融論壇，2022，（06）.

[14]王寶璐，宋培，郭艷紅.不同市場狀態下行業投資時鐘的構建——基于中國股票市場行業月份效應的研究[J].投資研究，2023，（07）.

[15]Kritzman M，Kulasekaran C，Turkington D. 2023. Portfolio Construction When Regimes Are Ambiguous [J].Journal of Portfolio Management，（01）.

[16]Ilmanen A，Maloney T，Ross A. 2014. Exploring Macroeconomic Sensitivities：How Investments Respond to Dierent Economic Environments [J].Journal of Portfolio Management，（03）.

[17]Jurczenko E，Teiletche J. 2018. Active Risk-Based Investing [J].Journal of Portfolio Management，（03）.

[18]Kollar M，Schmieder C. 2019. Macro-Based Asset Allocation：An Empirical Analysis [R].EIB Working Paper.

[19]de Longis A，and Ellis，D. 2023. Tactical Asset Allocation，Risk Premia，and the Business Cycle：A Macro Regime Approach [J].Journal of Portfolio Management，（04）.

[20]Blin O，Ielpo F，Lee J，Teiletche J. 2021. Alternative Risk Premia Timing：A Point-in-Time Macro，Sentiment，Valuation Analysis [J].Journal of Systematic Investing，（01）.

[21]Elkamhi R，Lee J S，Salerno M. 2023. Portfolio Tilts using Views on Macroeconomic Regimes [J].Journal of Portfolio Management，（03）.

[22]Swade A，Lohre H，Nolte S，Shackleton M，Swinkels L. 2024. A Century of Macro Factor Investing Diversied Multi-Asset Multi-Factor Strategies through the Cycles [J].Journal of Portfolio Management，（05）.

[23]Mueller-Glissmann C，Ferrario A.2024. Dynamic Asset Allocation Using Machine Learning： Seeing the Forest for the Trees [J].The Journal of Portfolio Management，（05）.

[24]Kelliher C，Hazrachoudhury A，Irving B.2022. A Novel Approach to Risk Parity：Diversication across Risk Factors and Market Regimes [J].Journal of Portfolio Management，（04）.

[25]王霦，魏先華.資產收益的區制轉換特征與動態大類資產配置 [J].投資研究，2017，（06）.

[26]龍翠紅，王海維，顏雨欣.三區制下我國通貨膨脹率和股票收益率關系的實證研究——基于馬爾科夫區制轉換VAR模型 [J].華東師范大學學報（哲學社會科學版），2019，（04）.

[27]蘇樂怡，喬高秀，馬學琨，蔣龔月.股票市場沖擊與原油波動率指數預測——基于時變狀態轉移概率模型的研究 [J].數學的實踐與認識，2024，（06）.