基于多因素模型的宏观经济因素模型，通常从宏观数据本身或预期变动出发，形成对个股或组合的系统性看法。本文所借鉴的BIRR模型框架更偏重超预期因素对资产超额收益率的影响，该模型纳入了五个宏观经济因素变量，分别是信心风险、时间风险、通胀风险、经营周期风险和市场择时风险。我们选取2006年11月至2009年6月共32期作为样本期进行建模，而2009年7月至2009年12月作为样本外数据来检验模型效果。回归得到的拟合效果最好的一组因子为：发电量、M2、CPI、社会消费品零售总额和沪深300择时。我们进而使用这五个宏观因子构建宏观因子模型，并考虑了宏观多因子模型的具体应用：利用股票对宏观因子的风险敏感程度来调整个股权重，进而改善投资组合回报。
　　（一）套利定价理论(APT)
　　套利定价理论(Arbitrage Pricing Theory)由Stephen Ross于1976年提出，其建立在因素模型基础上，基本思路是通过构造套利定价模型，给出在一定风险下满足无套利条件的资产收益率，在这一收益率下，投资者仅能得到无风险利率决定的收益，而不能得到额外利润。当具有某种风险证券组合的期望收益率与定价不符合时，便产生了套利机会。和传统的CAMP模型相比，在APT模型中要求的基准资产组合不一定是整个市场资产组合，任何与影响证券收益的系统因素高度相关的充分分散化的资产组合均可充当基准资产组合，有效解决了CAPM模型依赖的市场资产组合往往难以观测这一问题。
　　（二）基于APT的三种典型的宏观经济因素模型
　　1.RAM模型
　　宏观经济因素模型的典型例子是所罗门兄弟公司的模型，所罗门兄弟公司把其模型称为“风险归属模型”(Risk Attribution Model, RAM)。在RAM 模型中采用以下六个因素来描述金融环境分别是：长期经济增长预期的变化、短期商业周期风险、长期债券收益变化、短期国库券收益变动、通货膨胀的程度和美元与贸易伙伴国货币的汇率。
　　2.BARRA模型
　　完全剔除了风格因子或者市场因子，是基本因素模型的扩展。MSCI Barra 对多因素模型的研究和商业应用在这一领域可能最具影响力。比如Barra 采用公司和行业特征数据所建立的基本因素模型。如今，这套模型已经推出了Barra E3，并且覆盖了全球主要的资本市场（中国的最新版本为C2）。但在基本因素模型之外，Barra 也在宏观经济多因素模型方面进行了深入研究。MSCI Barra 在宏观因素模型中纳入了通胀水平，原油价格、美元指数、VIX指数、工业产出和失业率等六个指标。
　　3.BIRR模型
　　BIRR(2003)由Burmeister、Ibbotson、Roll和Ross四人提出，相比较前面两种模型，BIRR更偏重超预期因素对资产超额收益率的影响，也是本文借鉴的模型框架。该模型纳入了五个宏观经济因素变量，分别是信心风险、时间风险、通胀风险、经营周期风险和市场择时风险。
　　信心风险：反映的是股票或股票组合对投资者信心超预期变化的敏感程度，通常用20年期的公司债券和政府债券的息差表示。资产回报和信心风险一般呈同方向变化，这意味着当投资者对市场信心增加时，会给股票及股票组合带来额外的正向回报。
　　时间风险：反映的是资产回报对投资者到期收益超预期变化的敏感程度，通常用20年期的政府债券和30天国库券息差表示。正的时间风险回报意味着长期债券的价格要高于短期债券，也即对投资者持有长期债券的时间成本的补偿。股票或股票组合的价格和时间风险一般呈正相关，而成长型股票对时间风险的敏感程度要高于收入型股票。
　　通胀风险：反映的是未预期货膨胀率的上升对股票及股票组合的影响。大多数行业和通胀风险负相关，奢侈品行业对通胀风险的敏感系数更高，而生活必需品行业受通胀的影响较小。
　　经营周期风险：反映的是未预期的实际经济增速变动对资产组合的影响。大多数行业回报和经营周期风险呈正相关走势。当经济从萧条转向复苏阶段时，经营周期敏感度强的零售行业通常表现优于经营周期敏感度相对较弱的公用事业行业。
　　市场择时风险：反映的是标普500指数超额收益率中未能被其他四个因素解释的部分。当其他四个宏观因子的影响趋近于零时，市场择时风险和标普500收益率成一定比例，其对个股的影响就相当于个股的贝塔值。市场择时风险给几乎所有股票带来正向回报。
　　从三种模型的因子选择上可以看出，RAM模型更偏重于商业周期对资产收益率的解释力度，而MSCI BARRA模型则基于传统的宏观经济四个目标：经济增长、物价稳定、充分就业和国内外收支平衡角度来解释资产收益率变化。此外，BARRA模型偏重从客观角度来描述资产超额收益，如VIX指标的纳入也是对市场情绪的客观反映，而BIRR模型则倾向于从主观角度反映资产价格变化。其纳入的五个宏观因子都是用超预期部分来解释资产的超额收益。在变量的选择上，BIRR模型统一用市场择时风险来反映汇率变化、资产价格波动及政策调整等超预期因素对股票及股票组合收益率的影响，可以将超预期因素通过市场的主观行为提前反映，其解释力度更强也更加广泛，因此本文主要选用BIRR模型来分析宏观因子对资产回报的影响。
　　（三）BIRR模型在我国的可用性探讨
　　本文主要借鉴BIRR模型的框架来量化分析各个宏观因子对个股及股票组合的影响。在模型代理变量的使用上，考虑到我国债券市场尚未完善，利率仍未市场化，因此在确定信心风险和时间风险代理变量时，我们无法沿用国外的模式，而是寻找了相应的变量来进行替代，此外，在通胀风险、经营周期风险和市场择时风险的代理变量确定上，我们也根据国情进行了相应的微调；在数据处理上，由于我国没有建立相应宏观数据预期集，我们拟使用HP滤波法获得各个因子的趋势性走势，并将其和因子实际值的差值作为因子的超预期表现部分纳入模型当中；在样本选择上，我们权衡了数据的可获得性和时间跨度，选取2006年11月至2009 年6月共32期作为样本期进行建模，而2009年7月至2009年12月作为样本外数据来检验模型效果。
　　1.宏观经济指标的初步选取
　　在选择相关指标时，我们充分考虑了如下因素：一是指标的代表性，即能够充分代表我国经济整体运行的状况；二是指标的影响性，即能够对经济生活的各方面产生充分的影响；三是数据的可得性。在此前提下，我们进一步参考中国宏观经济数据库和相关宏观经济理论，同时结合实践经验，挑选出18个数据长度能覆盖样本期、且对沪深300指数具有潜在重要影响的宏观因子，并按照BIRR模型的框架归类，建立备选宏观因子备选库，结果如表1所示。需要说明的是，在信心风险和时间风险的代理变量选择上，因为我国债券市场尚未完善，利率仍未市场化，因此我们寻找了相应的变量来进行替代。
　　表1  国外和国内代理变量对照
　　
　　
　　2.宏观因子的预处理及参数的确定
　　将分类后的所有因子对沪深300指数收益率从-3到+3 阶进行逐阶回归，进而从每个类别中筛选出具有相对重要影响的宏观因子，并确定各因子的先行或滞后阶数及数据形式。结果显示，对沪深300指数收益率具有相对重要影响的因素有10个，分别是：F2(PMI)、F3(发电量)、F6(M0)、F8(M2)、F9(金融机构存贷差)、F11(CPI)、F12(PPI)、F14(工业增加值)、F16(社会消费品零售总额)、F18(沪深300择时)等。随后我们将10个因素重新纳入BIRR框架，通过分类建模，选出拟合效果最好的一组因素，这组因素就是我们所需要的宏观因子模型参数。经过2×3×2×2×1=24次估计，我们选出的拟合最好的一组因子为：发电量、M2、CPI、社会消费品零售总额和沪深300择时，需要强调的是，模型各参数的代入值应为各参数的期末实际值和其均衡值的差值。
　　（四）BIRR宏观多因子套利模型的构建及应用
　　在筛选出拟合效果最好的五个宏观因子之后，接下来就可以进一步构建宏观多因子模型。宏观多因子模型构建的基本思路，就是以股票或股票组合的超额预期收益率为应变量，风险因子的非预期收益率为自变量进行回归，求得每只股票对每个风险因子的敏感度系数(回归系数) ，即风险敏感度矩阵，再利用其求得股票组合的风险矩阵。我们选取了权重最大的30只股票构建市场组合，并使用模型对个股进行回归。从结果来看，该模型对30只股票的拟合优度大多分布在区间[0.4, 0.8]。整体来看，拟合效果还是不错的。
　　在依据资产组合模型建立起投资组合后，我们进一步利用股票对宏观因子的风险敏感程度来调整个股权重，进而改善投资组合回报。因组合内各类资产的比例处于不断变化之中，我们关心的是当宏观状态发生变化时如何对资产比例的动态变化进行再平衡处理处理。值得注意的是，在宏观经济数据公布时，如果投资者对于经济数据的解读存在分歧，市场对经济数据的反映是迟缓的，而在市场对经济数据的解读形成共识后，资产价格会迅速调整，因此BIRR模型需要提前布局和适合做中长期战略性投资。
　　根据相关数据及周期判断均显示，CPI在2009年下半年拐点出现，考虑到前期政府扩张性的财政政策和宽松的货币政策导致的流动性过剩，我们预计CPI会有超预期表现，因此我们将CPI作为主要的投资线索来调整投资组合的权重。具体做法为：首先，以沪深300指数中权重排名前30位的股票构建市场组合；其次，将该市场组合的各股票按照对CPI的敏感系数强弱进行排序；然后在保证所有股票权重和不变的情况下，根据各个股票对CPI的敏感系数强弱调整相应权重，构建新的投资组合。从下图我们可以看到，基于CPI调整的投资组合回报有显著改善。
　　图1  权重调整后的组合累积收益率走势
　 　　
　　
　　（五）对于BIRR模型的进一步思考
　　前面所述仅仅是基于BIRR的宏观多因子模型的初探。在具体应用当中，该模型仍有许多方面有待完善，主要表现在以下方面：（1）代理变量有待改进。在信心风险和时间风险的代理变量选择上，因为我国债券市场尚未完善，利率仍未市场化，因此我们寻找了相应的变量来进行替代。替代变量的合理性有待实证的进一步检验；（2）纳入宏观角度的主观看法：在构建投资组合时，还可以从宏观角度生成主观看法矩阵，再结合ABL(Augmented Black-Litterman) 模型进一步生成行业优化配置结果；（3） 以周期模型为辅助增强模型估计效果：鉴于BARRA模型划分周期的显著效果，我们在将来的研究当中还将会尝试将BIRR模型和BARRA模型的特点相结合，利用BARRA模型确定大致的经济周期，再根据不同周期资产回报的特性，有侧重性地选择行业及股票构建股票组合。（4）资产再平衡的频度和条件研究：在研究战略资产配置再平衡时，我们考虑了两种再平衡的方法。第一种方法是将时间频率设定为再平衡的条件，即研究在多长的时间间隔下进行再平衡是最优的；第二种方法是将投资组合的市值变化设定为再平衡的条件，即研究投资组合的市值变化达到什么幅度时进行再平衡是最优的。我们在以后的研究当中也会及时跟进，不断改善模型的实证效果。