10 min read

宏观数据之量化实践——大纲

Source: http://x.com/i/article/2083821089243668480
https://x.com/polymaster/status/2073319359179837881

在这篇文章之后,我们同步构建了

https://isnow.ai

这个项目,该项目主要用来把一些宏观数据发布的重要日子(欢迎试用)可以同步到 Google/Apple/Outlook Calendar,也可以查历史数据,现在就可以订阅,全都是免费的。但是你要注意有没有进到垃圾邮件。有问题也可以反馈给我。

接下来,我们将会以一系列论文精读的文章搭建理论框架,并把这些宏观量化指标也上架到我们的服务里面去。这是我们的写作计划大纲。

感谢小天博士为这一系列文章进行论文阅读,review 和撰稿。

也欢迎来关注我的公众号:预测市场那些事儿

宏观数据解读文章系列:写作大纲与论文索引

这组文章的核心问题不是“某个宏观数据利好还是利空”,而是:宏观数据如何通过现金流预期、利率、风险溢价与政策反应函数,传导到股票、债券和指数价格中。

例如,CPI 超预期后股市下跌,不能简单解释成“通胀利空”。更准确的拆解应当是:

  • 是实际利率上升?
  • 是名义利率上升?
  • 是股权风险溢价上升?
  • 还是未来利润预期被下修?

这个系列希望建立一套更适合量化研究和交易复盘的宏观数据分析框架。

一、系列总框架

宏观数据影响资产价格,至少可以拆成四条主线:

现金流预期宏观数据改变市场对企业收入、利润、融资和投资的判断。 例如就业、消费、PMI、工业生产等数据,通常会影响增长预期。

贴现率与利率路径宏观数据改变市场对美联储政策路径、短端利率和长端利率的预期。 对股票而言,贴现率上升往往压低估值。

风险溢价宏观不确定性上升时,投资者要求更高风险补偿。 同一个数据,在不同经济状态下可能对应完全不同的风险溢价反应。

政策反应函数市场交易的不是数据本身,而是“数据会如何改变央行反应”。 因此,“好消息是坏消息”或“坏消息是好消息”本质上经常是政策预期变化的结果。

二、文章系列大纲

01|宏观数据公布为什么会出现“好消息是坏消息” 核心问题 为什么强劲的经济数据有时会导致股市下跌?为什么失业率上升有时反而会推高股票?

文章重点

  • 宏观数据的方向不能单独决定资产价格反应。
  • 市场反应取决于经济所处状态:扩张、放缓、衰退或复苏。
  • 同一个 surprise,在不同 regime 下可能有相反含义。
  • 实证模型中应加入状态交互项:

$\text{Asset Return} = \alpha + \beta_1 \text{Surprise} + \beta_2(\text{Surprise} \times \text{Macro Regime}) + \epsilon$

主要参考

  • McQueen and Roley, 1993,Stock Prices, News, and Business Conditions
  • Boyd, Hu and Jagannathan, 2005,The Stock Market’s Reaction to Unemployment News: Why Bad News Is Usually Good for Stocks

02|FOMC 与货币政策冲击 核心问题 为什么不能直接用“加息 / 降息”解释股票市场?为什么有时利率上升,股票也会上涨?

文章重点

  • 区分预期内政策变化和意外政策变化。
  • FOMC 冲击至少包含两类:Target shock:当前政策利率相对预期的变化; Path shock:声明和前瞻指引改变未来政策路径。
  • 现代市场中,未来政策路径往往比当次是否加息 25 个基点更重要。
  • 需要区分纯粹紧缩冲击与央行信息冲击:利率上升、股票下跌:更接近纯粹紧缩; 利率上升、股票上涨:更接近央行释放正面经济信息。

主要参考

  • Bernanke and Kuttner, 2005,What Explains the Stock Market’s Reaction to Federal Reserve Policy?
  • Gürkaynak, Sack and Swanson, 2005,Do Actions Speak Louder Than Words?
  • Nakamura and Steinsson, 2018,High-Frequency Identification of Monetary Non-Neutrality: The Information Effect
  • Jarociński and Karadi, 2020,Deconstructing Monetary Policy Surprises—The Role of Information Shocks
  • Boehm and Kroner, 2024,Monetary Policy without Moving Interest Rates: The Fed Non-Yield Shock
  • Byun 等,2026,The Fed’s Fine-Tune: Coarse Statements and Predictive Pressers
  • Knox and Vissing-Jorgensen, 2026,The Effect of the Federal Reserve on the Stock Market: Magnitudes, Channels and Shocks

03|宏观公告风险溢价与收益预测 核心问题 宏观公告日是否本身存在风险溢价?宏观变量能否用于中长期收益预测?

文章重点

  • 宏观公告不仅带来公布瞬间的价格跳跃,也可能带来事前风险补偿。
  • 应分别研究:公告前收益; 公布瞬间收益; 公告后漂移。
  • 做月度或季度宏观择时时,要警惕样本内显著、样本外失效。
  • 与其押注单一“最优宏观因子”,不如考虑多个弱预测信号的组合:

$\text{Forecast Combination} > \text{Best Backtested Single Factor}$

主要参考

  • Savor and Wilson, 2013,How Much Do Investors Care About Macroeconomic Risk?
  • Welch and Goyal, 2008;Goyal, Welch and Zafirov, 2024
  • Rapach, Strauss and Zhou, 2010,Out-of-Sample Equity Premium Prediction: Combination Forecasts and Links to the Real Economy
  • Han, Lu and Zhou, 2026,Macro Financial Trends and Market Expected Returns

04|宏观公告对股票收益变化的影响 核心问题 单个宏观公告之外,能否构建连续的“宏观消息流因子”?

文章重点

  • 将宏观公告汇总成不同类别的新闻指数。
  • 区分:经济活动消息; 价格 / 通胀消息; 政策预期消息。
  • 从单次公告事件研究,扩展到季度或月度层面的宏观消息流解释。
  • 进一步检验宏观利好消息是否与企业收入、利润、融资和投资改善相关。

主要参考

  • Modugno and Palazzo, 2025,Decoding Equity Market Reactions to Macroeconomic News

05|美债和指数关联分析 核心问题 为什么有时美债可以对冲股票,有时却会和股票一起下跌?

文章重点

  • 股债相关性不是常数。
  • 在不同通胀环境和宏观冲击类型下,债券对股票的对冲能力会发生 regime shift。
  • 资产配置不能默认 60/40 组合中的债券 beta 恒定。
  • 需要区分:增长冲击; 通胀冲击; 货币政策冲击; 风险偏好冲击。

主要参考

  • Campbell, Pflueger and Viceira, 2025,Bond-Stock Comovements

06|通胀冲击 核心问题 CPI、PCE 等通胀数据为什么经常成为市场波动的核心触发器?

文章重点

  • 通胀冲击可能同时影响:名义利率; 实际利率; 盈利预期; 风险溢价; 美联储反应函数。
  • 需要区分“坏通胀”和“需求强劲带来的价格上涨”。
  • CPI surprise 后的反应不应只看股指方向,还应同步观察:2 年期美债收益率; 10 年期美债收益率; 实际利率; 盈亏平衡通胀率; 美元指数; 行业与风格轮动。

主要参考

  • Modugno and Palazzo, 2025,Decoding Equity Market Reactions to Macroeconomic News
  • Campbell, 1991,A Variance Decomposition for Stock Returns

07|构建宏观因子组合方法 核心问题 如何把大量宏观数据变成可回测、可解释、可更新的因子系统?

文章重点

  • 单个宏观指标噪音较大,应考虑从大量序列中提取 latent factors。
  • FRED-MD / FRED-QD 可作为美国宏观大数据面板的基础。
  • ALFRED 可用于避免使用事后修订数据造成前视偏差。
  • 实时宏观系统必须处理:数据发布日期不同; 指标频率不同; 月末 / 季末数据缺失; 数据修订; ragged-edge 问题。
  • Nowcast 通常比直接预测下一季度 GDP 更适合交易系统。

主要参考

  • Stock and Watson, 2002,Macroeconomic Forecasting Using Diffusion Indexes
  • Giannone, Reichlin and Small, 2008,Nowcasting: The Real-Time Informational Content of Macroeconomic Data
  • Jordà, 2005,Estimation and Inference of Impulse Responses by Local Projections
  • McCracken and Ng,FRED-MD / FRED-QD

08|宏观因子量化回测分析 核心问题 如何把宏观数据研究落地为可检验的量化策略?

文章重点

  • 不能只做解释型回归,还要做严格的实时回测。
  • 回测至少应区分:公布前可见信息; 公布瞬间 surprise; 公布后价格漂移; 事后修订数据。
  • 宏观 surprise 可以来自:actual − consensus; 期货 / OIS 隐含预期; 预测市场分布; 新闻文本和央行发布会文本; 宏观金融变量趋势。
  • 预测市场提供的不只是均值,还可以提供:分布偏度; 尾部概率; 公布前预期修正; 公布后的 forecast error。

主要参考

  • Diercks 等,2026,Kalshi and the Rise of Macro Markets
  • Han, Lu and Zhou, 2026,Macro Financial Trends and Market Expected Returns
  • Byun 等,2026,The Fed’s Fine-Tune: Coarse Statements and Predictive Pressers

三、底层理论框架

1. 宏观因子资产定价

**Chen, Roll and Ross, 1986,**Economic Forces and the Stock Market

这篇是宏观多因子资产定价的经典文献。重点讨论工业生产、通胀、期限利差、信用利差等经济风险是否能够解释股票横截面收益。

它适合帮助建立第一版宏观因子分类,但在现代实证中,不应直接照搬其线性、低频设定。

2. 商业周期与预期收益率

**Fama and French, 1989,**Business Conditions and Expected Returns on Stocks and Bonds

核心思想是:预期收益率具有商业周期属性。经济状态不仅影响企业现金流,也影响投资者要求的风险补偿。

因此,当衰退风险上升时,当期股价可能下跌,但中长期预期收益率反而可能上升。

3. 股票收益的方差分解

**Campbell, 1991,**A Variance Decomposition for Stock Returns

这篇文章是建立“宏观—资产价格”框架的底层理论起点。

它把意外股票收益理解为:

$\text{股价变化} \approx \text{预期现金流修正} - \text{预期贴现率修正}$

也就是说,宏观数据公布后,股价反应并不只是“数据好不好”,而是市场同时在更新两个变量:

  • 未来现金流;
  • 未来贴现率。

四、文末参考文献索引

  1. Bernanke, B. S., and Kuttner, K. N.,2005,What Explains the Stock Market’s Reaction to Federal Reserve Policy?
  2. Boehm and Kroner,2024,Monetary Policy without Moving Interest Rates: The Fed Non-Yield Shock
  3. Boyd, Hu and Jagannathan,2005,The Stock Market’s Reaction to Unemployment News: Why Bad News Is Usually Good for Stocks
  4. Byun 等,2026,The Fed’s Fine-Tune: Coarse Statements and Predictive Pressers
  5. Campbell, J. Y.,1991,A Variance Decomposition for Stock Returns
  6. Campbell, Pflueger and Viceira,2025,Bond-Stock Comovements
  7. Chen, Roll and Ross,1986,Economic Forces and the Stock Market
  8. Diercks 等,2026,Kalshi and the Rise of Macro Markets
  9. Fama and French,1989,Business Conditions and Expected Returns on Stocks and Bonds
  10. Giannone, Reichlin and Small,2008,Nowcasting: The Real-Time Informational Content of Macroeconomic Data
  11. Goyal, Welch and Zafirov,2024,更新版收益预测变量检验
  12. Gürkaynak, Sack and Swanson,2005,Do Actions Speak Louder Than Words?
  13. Han, Lu and Zhou,2026,Macro Financial Trends and Market Expected Returns
  14. Jarociński and Karadi,2020,Deconstructing Monetary Policy Surprises—The Role of Information Shocks
  15. Jordà,2005,Estimation and Inference of Impulse Responses by Local Projections
  16. Knox and Vissing-Jorgensen,2026,The Effect of the Federal Reserve on the Stock Market: Magnitudes, Channels and Shocks
  17. McCracken and Ng,FRED-MD / FRED-QD
  18. McQueen and Roley,1993,Stock Prices, News, and Business Conditions
  19. Modugno and Palazzo,2025,Decoding Equity Market Reactions to Macroeconomic News
  20. Nakamura and Steinsson,2018,High-Frequency Identification of Monetary Non-Neutrality: The Information Effect
  21. Rapach, Strauss and Zhou,2010,Out-of-Sample Equity Premium Prediction: Combination Forecasts and Links to the Real Economy
  22. Savor and Wilson,2013,How Much Do Investors Care About Macroeconomic Risk?
  23. Stock and Watson,2002,Macroeconomic Forecasting Using Diffusion Indexes
  24. Welch and Goyal,2008,收益预测变量样本外检验

Photo by

Markus Winkler on

Unsplash