宏观交易入门系列3-宏观交易入门

宏观交易第三课 | 宏观交易入门
拿来烤人的Monetary Economics习题
答题前,希望大家再温习一下前两课内容~
宏观交易101第一课丨货币银行体系的资金和信贷
宏观交易101第二课丨跨境资金流动

1. 文中提到“在没有信贷机制的交易市场,比如居民住房市场,有多少房子就只能买卖多少房子。在有信贷机制的市场,例如货币银行领域,银行即使现在只有比较少的现金,也可以向银行的存款客户承诺大量的兑付。”其实除了货币信贷市场,还有很多市场有类似的信贷机制,使得参与者可以以较少的基础资产,维持较大的偿付或者交割Claim。例如美国国债市场,由于债券回购市场很便利,国债交易员即使库存券很少,也可以向客户提供大量的Offer盘。国债市场之外,请再举出至少三个存在类似信贷机制的市场。中国银行间国债市场是这样的市场吗?
2. 如果把央行主动向市场投放基础货币的利率定义为基础利率下限,那么正常的货币银行体系,是否可能出现信贷利率低于基础利率下限的情况?如果出现了这种情况,意味着什么?作为一个Macro Trader,你打算如何布局头寸?
3. 你是FDIC主席。闺蜜FED主席说货币政策工具中有很多工具能影响银行风险管理,而银行风险监管工具没有能影响宏观通胀的,所以才有“宏观审慎管理”,不可能有“微观通胀管理”。你很不爽这个自大的碧池,那么你打算拿什么驳倒她?
4. 同样是Unsecured Borrowing,为什么LIBOR o/n和Fed Funds Rate之间存在可观的Spread?作为一个Macro Trader,你认为LIBOR和FFR之间有套利机制吗?如果有,你打算如何做这种套利?
5. 为什么金融危机期间Eurodollar的流动性会非常紧,逼的联储大量投放Swap,但Onshore流动性并未紧到迫使联储直接投放流动性的地步(QE是2009年才做的)?那么可观的Onshore/Offshore Spread为什么无法吸引商业银行从Onshore向Eurodollar搬运USD套利?
6. 为什么离岸的LIBOR对在岸的美元Swap、公司债等资产有基准利率意义?在岸美元也有Prime Rate,为什么重要性无法超过离岸的LIBOR?
7. 一些研究表明EM的资本管制措施,比如资本流动税,往往在面临资本流入压力的时候比较有效,在资本流出压力时无效,结合Monetary Economics解释这个现象。
8. 数字货币的狂热粉丝们试图游说政府彻底以数字货币取代现金,实现John Cochrane的《没有现金的世界》(A world without cash http://johnhcochrane.blogspot.com/2016/08/a-world-without-cash.html )里描绘的美好前景。商业银行强力反击,声称数字化货币将是另一种形式的金本位,按照Monetary Economics篇中的描述,突如其来的流动性紧缩将时不时威胁经济和货币体系。你同意商业银行的意见吗?如果商业银行说的有道理,数字货币体系有没有办法克服这个缺陷?
9. 判断题。如果认为“否”,需要简短说明理由。
(1). 中国M2/GDP远高于美国,说明中国经济杠杆率远高于美国。
(2). 受益于Flight to Quality的避险资产或者是货币银行系统的基础货币,或者是有基础货币职能的资产如国债、黄金等。
(3). 国际化货币必须伴随稳定的经常项目逆差。
好的,习题部分到此结束!接下来进入今天的重头!祝阅读愉快!

宏观交易员的自我修养之三
宏观交易入门

Macroeconomics for Traders
宏观交易入门

        如果读者读完Monetary Economics篇后,可以接受Macro Trader是纯粹的Flow Animal这个概念,那么接下来我们就可以为Macroeconomics For Traders给出一个很市侩的视角了:Macroeconomics对Macro Trader的重要性体现为,许多宏观经济的变化将导致Flow Chart出现变化。如果这种变化在近期出现的可能性很大,或者有可能改变Flow Chart的结构,那么对Macro Trader就是至关重要的。不过同样市侩的视角也告诉我们:更多、更深刻的宏观经济现象,如果对Flow Chart没有什么像样的影响,那么就是Macro Trader可以忽略的
        Macroeconomics博大而且庞杂,我不是经济学科班出身但还有点自知之明,不敢胡乱bibi. 所以本篇主要的目的是阐述Macro Trader们将Macro Research的结论应用于交易策略时常见的一些误区。这样协助Macro Trader多搞些市侩,少玩点情怀。这个方面,更系统一些的阐述可参阅《熊猫笔记20151230:岁末鸡汤之Fundamental》(小编注:该阅读材料将补充在正文后~)。(考虑到本文定位为Macro Trading 101,《岁末鸡汤》似乎可以命名为Macro Trading 202)

1.Time Horizon of Macro Scenarios

        宏观情景推演必须有一个Time Horizon,明确这是短期、中期还是长期的因素。很多混乱也是出在Time Horizon层面上。这些混乱中,最常见也是最具有危害性的不是把宏观情景本身的Time Horizon弄错,比如长期弄成中期,而是设计交易策略时无法为正确短期/中期/长期情景找到一个正确的切入点。这个方面,我给Macro Trader的建议是,Fight in the short term, Live in the mid term, Forget about the long term. 
        虽然宏观经济争论的题目很多,包括人口结构、基础设施和经济转型等许许多多重要的题目,但是Macro Trader作为一个市侩,应该最关注哪些最能影响市场信心的短期信号。典型的数字例如PMI,这个数字对Macroeconomist其实是个很无聊的数字,既不能像Retail Sales/Durable Goods Orders等数字那样协助你解读经济结构,又不能像Savings/Hourly Earnings等数字那样拿来形成输入或者价格参数,拿PMI做个像样的Macro模型都很寒碜。但是由于PMI是一系列市场参与者的信心体现,而这些参与者的信心,直接影响到信贷需求、风险偏好、价格预期等对Macro Trader极其重要的数据,所以PMI是几乎所有Macro Trader都密切关注的数字,尤其是变幻莫测的EM市场。
        对Mid term,Macro Trader们需要考虑到Short Term不可能偏离Mid Term太远,而且Mid Term显示的一系列图景随时可能进入Short Term,所以Macro Trader们也需要注意切不能偏离Short Term图景太远。比如次贷危机之前,从2006年开始,很多美国国债Trader就在讨论美国经济和房地产市场的问题,其中一个很强悍的论断是美国经济中消费占70%的驱动,考虑到美国消费基本全靠信贷支持,联储加息将导致消费者不堪重负。这个论断极其强悍,但是如果按照这个论调在2006年布局Long Treasury/Curve Steepen/Short Credit等头寸,多半熬不到2007年年中就会止损出局。这是因为短期层面上信贷仍然在源源不断的流入房地产市场,足以支撑这个游戏。所以如果Short Term与Mid Term打起来,Macro Trader是一定要站在Short Term这边的。但是,一旦房地产新增信贷衰竭,Mid Term情景很快就转化为Short Term,这时如果Macro Trader们对Mid Term情景已经推演的很透彻,就能够抢在其他还懵逼着的玩家之前迅速入场,占尽先机坐地收钱。
        显然,能够进入Long Term讨论范围的肯定是极为重大的题目,例如人口结构和经济转型等,但是作为一个市侩的Macro Trader,我不希望在交易策略中出现这些题目。如果市场突然热炒某些Long Term的主题,我即使鼓励Macro Trader跟风,也必须要求他们注意区分这是短期投机情绪出现的变化,还是真的长期结构性变化一夜降临了。典型的例子在2007年年初,经历了好几年无聊透顶的高增长低波动之后,一些Macro Analyst开始讨论美国的人口结构和负债,并且预言美国债务增长的不可持续性将导致美国国债利率上扬和美元丧失国际地位,我当时还很感兴趣,但拿到Paper一看,Time Horizon都是十几二十年。姑且不论这个判断是否正确,即使二十年之后美国国债利率真的上行到了10%以上,美元如同手纸一般,这二十年里也可以发生很多意外的事情,比如2008年的全球金融危机,这些事情足以把看空美债的Trader赶出局。如果有Trader仅仅因为不喜欢美国的负债结构就做空美债,愿市场保佑他还活着。
        对Long Term主题的矛盾态度,还有Mid Term主题的骑墙态度,都源于Trader的一个职业习惯,那就是Relative Value的收敛性。我们一直强调是市场的不均衡或者失效才给了Trader上下其手追求高收益的机会,那么一个很自然的推论就是,比起捕捉Relative Value,更重要的是考虑Relative Value将如何收敛。如果Relative Value有极大可能被市场资金流推动迅速收敛,就是值得做的Trade,大部分Arbitrage都是这个类型。但是如果Relative Value本身没有收敛机制,或者说市场上只有你一个人孤零零的做这个Trade,是非常危险的,这意味着Relative Value可能偏离均衡水平相当长的时间,而每一次偏离,都意味着你头寸的Mark to Market损失。如果正赶上投资者赎回或者被Call Margin,你就不得不出血斩仓。最典型的例子例如AH股套利,这种教科书一样的套利机会,由于资本管制卡住了收敛机制,资产价格上的不均衡成为常态,就只能停留在纸面上。

        所以,回到Short/Mid/Long的话题上,短期信号一般会催生出很强的Flow,如果博的准,Relative Value可以很快收敛,策略能够迅速兑现,这不仅意味着超高的Annualized Return也意味着风险很小。而中长期只能依靠市场逐步消化,如果市场天然的波动性太多,基于中长期做Trade可能会出现超低的Information Ratio。考虑到越来越多的Risk Manager和Investor对Information Ratio的热爱,市侩的Macro Trader们不得不放下对重大长期宏观主题的情怀,认认真真的做一个投机者。

2.Macro Stories

        明确Time Horizon之后可以开始玩数据了吗?还不能,需要切实理解数据背后的故事,尤其是做FX/Commodity/Cross Asset等需要比较两个经济体的Macro Trade。需要注意每个经济体都有不同的故事,即使是同样的数字,对每个经济体的意义都是不一样的。初学者经常犯的错误是把自己熟悉的宏观故事轻易外推。比如房地产市场,大家都知道房价上升和销量大增对经济是好事,但是房地产对Flow Chart的传导在中美两个经济体就完全不一样。中国经济是投资带动模式,所以房地产的火爆有利于进一步增加基建和房地产投资,从而带动大宗商品尤其是黑色大宗的需求,同时在居民房贷和房地产相关行业产生信贷的旺盛需求。但美国经济是消费模式,房价上涨,更直接的意义在于居民可以拿房产做Cash Out Refinance(2015年2季度,34%的Mortgage Refinance是Cash Out Refinance)。居民拿到的钱可以用来消费,所以美式地产热对消费有很好的提振。这两个模式迥然不同,不可生搬硬套,比如美式地产热如果正碰上油价飙升,对消费的提振作用要大打折扣。而中式房地产热?别为难我,我也不知道这头怪兽啥德性…
        这些问题,不仅初学者会犯,大牌人士有时也出于Marketing等原因,有意无意放一些似是而非的说法出来。这些说法因为有大牌人士开光,流毒就更甚。比如BRICS,我一直认为这是近年来为害最广的概念。BRICS是五个形态迥异的经济体,卖油的、卖农产品的、卖矿的、经常项目常年赤字全靠资本项目支撑BoP的…而中国除了工资和人口结构不太像发达国家之外,从产业链上其实是一个制造业超级大国,尽管自己赚取的增加值不高。如果要分析经济增长,把这风马牛不相及五家捏到一起能捏出啥来?所以我看基本面的时候必须一家家分开看,如果时间不够,至少要分成“资源型EM”、“初产品EM”和“中国”来看。这一点应该说也是受B家的影响。他家报告很少把EM囫囵端上来,篇幅再省,也要分“EM ex China”和”China”. 
        所以有一个很有意思的现象,早期有一些做Global Macro,尤其是做EM和Commodity的交易员,会雇佣一些记者来做Research。这些熟悉第一线的记者对Macro Story和Information的解读极有价值。现在研究手段已经极大丰富,Macro Trader可以省下一些实地调研的功夫。但是在《Monetary Economics》篇我们提到,如果做的太舒服,可能形成一个黑盒子,导致Trader丧失对市场基础结构的感知,最终会影响Trader的直觉。所以,一个讲究自我修养的Macro Trader,除了读报告听Conference Call,还是应该时不时跑跑第一线,锻炼自己的感知。
        对Macro Story的直觉,不是任何模型和数据可以取代的。需要说明一下,Macro Trading用到的Macro模型和方法,其实都很简单,简单到最能呼风唤雨的Macro Trader中没几个Ph.D in Macroeconomics. 决定Trader水平的是对Flow的敏锐感知,这一点必须建筑在观察力上。每次听到“好的经济学家是数学家,糟的经济学家是社会学家”这个说法,我总是心里揣揣。因为对Macro Trader,如果能够像社会学家一样观察,而且能把相关的主要Macro Story分析透彻,再做好相应的推演,就已经很强大了,如果还要做模型来推算,我总是担心会不会走得太远。

 

3.Macro Model & Data

        现在终于可以动手玩数据了。《熊猫笔记20151230:岁末鸡汤之Fundamental》(小编注:该阅读材料将补充在正文后~)曾谈过如何分析Macro数据,所以不打算重复了。只谈在《熊猫笔记20151230:岁末鸡汤之Fundamental》里面没有提到的两个话题。

1. 预测?解读?

        如果Macro Trader把自己定义为Flow Animal,重点在于推演宏观经济对Flow Chart的影响,那么有一个很自然的结论是,分析当前的Macro/Flow作用机制比预测Macro数字更重要。我们当然很敬仰对增长、通胀等宏观经济运行轨迹预测准确的Analyst,但是如果这个预测结果,对分析Flow Chart帮不上忙,那相当于给Tesla加汽油,并没有什么卵用。如何确保宏观预测的结果是有用的?可能答案不在预测,而在解读。最好的宏观分析师,应该有能力根据宏观经济数据拆解Flow Chart,这本身就是推演Flow Chart的一部分工作。如果这个解读工作足够纯熟,宏观分析始终围绕这Flow Chart这个令人迷醉的题目,那么任何一个Macro发现,几乎立即就能在Flow Chart上找到应用。如果能够做到Macro/Flow浑然一体,甚至不需要在预测方面多花功夫,因为Macro无法跳出Flow,而且Macro Trader可以努力做到即使未能预知Macro方面出现的新变化,也总能够依靠对Flow Chart的把握,抢在懵懵懂懂的其他玩家之前入场。这个方面,再度推荐偶像B家,可以读他们对杠杆周期的阐述,算是管中窥豹。

2.  模型

        在《熊猫笔记20151230:岁末鸡汤之Fundamental》里花了很多篇幅谈论模型,主要是两个原因。其一,宏观本身结构超级复杂,而结果又超级简单。不借助模型,很难解构宏观基本面状况。其二,模型本身,是一个很明确的沟通语言,有助于压制随时可能混入讨论的噪音。比如正在和一个Macro Analyst讨论增长的时候突然被另一个Macro Analyst插入一个油价的观点,就很容易打乱整个讨论。如果把油价押到它该去的维度,不管是生产\就业\个人消费\销售与订单,都有利于整盘讨论有建设性的进行。我甚至认为,如果一个宏观分析师完全依赖个人的直觉,即使Track Record再好我也不敢用他的分析押注。但如果我了解宏观分析师的模型和数据,而且能踏实的说他的工作我都知道怎么做只是因为没有时间精力我才直接问他要结论,这样我才敢信赖他的研究结果。

4.补充阅读:岁末鸡汤之Fundamental

     我习惯于把经济活动的总体状况称作Fundamental。需要指出的是针对不同的投资策略或者市场,Fundamental侧重的方向可能有不同。例如国债或者外汇市场,毫无疑问经济增长和通胀就是Fundamental。如果是HY市场,那么行业和公司的财务状况显然要比宏观经济更重要。本篇主要谈我个人在Fundamental研究,主要是宏观经济研究方面,得到的一些教训。
 

一、Fundamental的定位

       在FICC的领域,Fundamental的重要性如何强调都不为过,因为我们遵循的是Top Down Analysis。几个方面,第一,Fundamental可能如前所述不能决定策略的Risk/Return,但是可以判断策略大方向是否存在问题。我不反对做一些逆Fundamental的策略,但是需要注意这个策略应该是基于Valuation或者Technical出现的结构性机会,而且必须注意头寸控制和Time Horizon。第二,Fundamental往往顺着货币周期催生出很多的交易机会。有一些不看Fundamental的策略,如一些StatArb或者Relative Value策略,在07年以前做的很好。但是金融危机来了都一塌糊涂,这是因为07年以前的信贷扩张和流动性泛滥才是这些策略生存的土壤。金融危机期间的流动性收缩轻松抹掉了这些策略的生存空间。在此特别推荐一下《The Crisis of Crowding》(中译本《从众危机》),对这些教训的反思极为深刻。顺便说一句,研究宏观但不落实到Money and Credit的都是空炮。第三,主流市场参与者大部分做基于Fundamental的策略,这意味着如果Fundamental做的好,亏钱的可能性不大。
 
       但是Fundamental不能通吃一切!不能通吃一切!不能通吃一切!重要的事情说三遍。再度强调,一定要全面考虑所有市场因素,Fundamental对市场不是决定性作用。我见过很多勤奋的宏观研究员,想按照Fundamental做交易。但如前所述,市场同时受很多非Fundamental因素的影响,可能以很长的时间极大幅度偏离Fundamental。如果你的Book对波动容忍度不高,很容易被拖入完全没有预防的情景。更要命的是如果少考虑了Valuation/Technical等重要的风险因素,将无法建立很好的Risk/Return判断,这对你的投资决策以及执行是一个严重干扰。所以,除非你在做完全不需要考虑市场波动,只需要考虑结构性Premium的产品,例如银行的成本法投资户,或者极为复杂以至于只能用模型估值而且有高Carry保护的结构化Notes,都必须知道Fundamental不是你的全部。还是一句老话,市场价格不是被冥冥之中的手点出来的,而是无数参与者扭打撕咬达成的脆弱均衡。Fundamental隐身在两边默默的上下其手,影响多空力量对比,但是从不直接参战。

二、Fundamental方法总论

 
   考虑到宏观经济是大家最熟悉的Fundamental,接下来主要用宏观经济研究来阐述一下Fundamental研究的方法论。
 
       首先说教训。我总结我自己犯过的错误,以及观察到其他人走入的歧途,认为宏观经济研究方面,常见的错误如下:
 
1.数字的奴隶
       由于缺乏一个扎实客观的全局性宏观认识而完全被经济数字的跳动所左右,出来与与自己感觉不符的经济数字后或者忙不迭改观点,或者坚持观点但是只能以心虚或盲目的态度坚持。须知即使在经济最差的时候,也从来不缺正面的数字(提示:可以看一下Chicago Fed National Activity Index: Diffusion Index,看看这个指数在+-0.8以外的极端时间有多少)
2.数字复读机
       这种情况多见于卖方研究,以纯熟的套路和方法,复述经济数字,但是不花功夫对数字背后的宏观情况进行研判,或者分析归分析、研判归研判。别人问一个数字,可以解释的很清楚,比如将零售销售的数据分解开来详细分析,说不定还做一点扩展分析,做一些数据处理。看起来似乎做了很多工作,其实只是对数据的解释,而不是研究,无益于投资决策。卖方做这样的事是他们天然职责所在,因为卖方需要对不懂的人解释,但如果你已经脱离了“不懂”的层面,急切的想要寻求交易机会,那就不应该满足于仅仅复述这些数据。你应该配合投资决策需求开展宏观研究,而不是做一个功能强大的复读机。编个程序都能做的比数字复读机好。再扯一句,我以前还写过类似的写报告程序,糊弄领导方面真是又快又好。
 
3.数据挖掘
       统计、建模和数学很强,但是缺乏实地经验的宏观分析员,有时候可能陷入数据挖掘的误区,不是通过分析数字背后的脉络,而是盲目应用数据挖掘技巧,试图通过复杂的模型和数字进行预测。我特别反感数据挖掘,是因为这种做法很容易做出黑盒子模型,看似非常漂亮,但是使用者无法借助这个黑盒子理解经济的脉络。对统计方法和建模的应用,必须建立在对经济脉络的熟练感知上。建议借助在Zhihu的一篇很火的文章《美联储怎样预测宏观经济》,感受一下建模能力和经济学直觉要到了什么样的水平,才能有效的运用复杂的数学模型来预测经济。
 
       为了避免以上的问题,读Fundamental,我的习惯是按照PM读Attribution(归因分析)的方法读。顺便说一句,我考察债券PM,第一件事不是看历史业绩数字,而是看历史业绩的归因分析。必须知道哪些收益来自于博Duration/OverweightSpread/Leveraging/Selling Vol,我才能判断这个PM的强项在哪里,在什么样的市场里他的Risk/Return Profile最好。再结合我对市场的判断,决定给他的资金配置以及风险管理要求。读宏观我也习惯于按照Contribution/Attribution的方法读。例如如果读美国经济,需要意识到Demand上升,将会对经济带来持久的带动,Housing是最容易受利率水平影响的因素,利率如果受非美国经济的因素影响(例如欧债危机),可能在Housing领域观察到明显迹象但其他领域则反应平平,Consuming则是油价敏感,若油价大幅下行Consuming将有意外之喜,但是带动效应和可持续性不强。读到手的,不是几个数字的堆砌,而是一个很完整的经济故事。
 
       所以读基本面应该有一个时效性好、全面、客观的量化Model,再围绕这个Model进行诠释或者补充模型之外的因素。注意我没有把“准确”当成一项对Model的要求,因为我习惯与把基本面当成大方向来读,只要Approximately Right就行。在我看来,如果Model很准(尤其是一些预测型的Model),但是时滞太长或者解读太繁琐,也不利于在第一时间寻找确定性的机会。接下来还会以GDP为例,说明对基本面量化Model的看法。
 
       某些产品或者市场,例如HY,受的影响因素非常多,而且往往很不稳定,符合上述标准的模型很难找。一些人士喜欢用“打分卡”的方法建立基本面研究体系。这个方法我不反对,一个个思考打分因子的过程,自然就是分析Contribution的过程,协助你全面考虑整个体系。但我不关心打分卡最后加总起来是什么总分,而是更关心构建打分卡时各个因素是否已经考虑充分。所以Checklist有三个建议,一是不要把太多因子放到打分卡里面,打分卡是协助理解,做太复杂就不好理解了。要有能力分清主次。二就是打分卡结构要简洁可读,超过三层以上的打分卡就很难辨别原意了。三是不要太在意打分卡给每个因子的权重,而是要把心思花在分析各个打分因子上,要清楚目前最关心哪些因子。最后,不要把投资决策的责任用打分卡来机械的完成。人的综合权衡,而不是打分卡,才是投资决策的依据。
 
       不论是量化Model,还是打分卡方法,我的要求都是按Contribution/Attribution方法,先从分解数字开始,对每个因子形成具体实在的认识,最后综合形成一个完整的经济故事。我称之为Quantitate Data->Qualitative Stories-> Quantitative Assessment。Checklist要求能通过这个方法,回答以下问题:
 
1.如何看待目前的状态?
2.各个维度的因子在达到目前的状态中起了什么样的作用?
3.按照对各个维度因子的判断,基本面下一步的Base Scenario是什么?最可能的Adverse Scenario可能会是什么状况?
4.数据出现什么样的变化会验证/影响你的Base Scenario/Adverse Scenario判断?考虑到你对自己往往持有过剩的信心,数据如果出现什么样的变化,你将不得不承认自己错了?我可没有空等你找一个台阶下。
 
       按照这种方法读宏观,似乎GDP以及其分项就是一个很好的经济学模型。但GDP存在固有的问题,例如时滞太长、而且分析GDP的方法很难吸收一些重要的先行数字,因此对时刻准备做投资决策的PM/Trader帮助不大。在这个方面我最推崇的模型是Chicago Fed National Activity Index。这个指数系列的介绍参见
https://www.chicagofed.org/publications/cfnai/index. 指数采用的方法来自于James Stock & Mark Watson在1999年发表在Journal of Monetary Economics上的一篇文章“Forecasting Inflation”,之后这套方法在主流经济研究机构流行开来。除了Chicago Fed National Activity Index,还有OECD Leading Indicators,Goldman Sachs的Current Activity Indicator等。我推崇这套方法,并不是出于其预测准确性,虽然很多时候这套方法的确能显示出很不错的准确度(最新的例子可见Federal Reserve Bank of Atlanta的GDPNow模型对美国经济的预测),而是Chicago Fed National Activity Index构建之始就有一个很好的分项,将经济数字分为生产/就业/个人消费/销售与订单等四个维度,全套模型很完整的体现了四个维度的Contribution/Attribution。从这个角度出发,我甚至认为Goldman Sachs的Current Activity Indicator等方法只注意预测准确性而忽视分项的构建和解读,把这套方法当成一个数据挖掘的工具,放弃了最重要的部分,实在是买椟还珠。
 
三、因子分析方法论
 
       其实按照前述观点,宏观研究中维度或者因子分析,例如分析就业/销售/房地产等因子,其重要性大大高于预测整体数字。此外,还有一些专门因子,虽然不一定被纳入整体模型,但是对市场的影响极大(例如CPI等),这些因子也是需要花功夫琢磨的。因子研究难度比整体研究要高。整体预测模型还可以借助数学或统计方法抓出一个囫囵数字,但因子分析就是扎扎实实考研究员的研究直觉、经济学功底和分析能力了。在因子研究这个方面,我的观点和方法也一直在变化,在20151019的鸡汤里就提到过“普通”“文艺”“2B”的方式。我一度极为痴迷于“文艺”方法,现在更倾向于升级版的“普通”方法。
 
       因子研究最常见的方法是分析在统计部门在这些领域报告的数字,以对这些数字的解读确定观点。Checklist要求研究员能够把这个方法掌握的很纯熟,因为这些统计数字是研究的材料,对数字的掌握是研究员的基本功。但是在20151019的鸡汤里,我把这个方法是归入“普通研究员”。想进入“文艺研究员”的境界,需要在这个方法之上继续提高,因为这个方法有其固有的问题。
 
1.统计部门的工作习惯、统计方法和使用习惯
 
       研究员是经济数字的用户,但这个用户对生产者,也就是统计部门,没有影响力。统计部门有自己的工作倾向和工作习惯,不会因为适应研究员的需求而改变。甚至统计部门的一些考虑,例如严谨性等,会影响其经济数字的经济意义。在20151016的段子里举过一个例子,因为过于看重统计方法的严谨性,导致外汇局的外债统计数字在研究负债结构时经济意义不如BIS的数字。因此在使用某一个经济数字之前,研究员首先需要理清自己的需求,从这个具体需求出发使用这个数字。作为使用者,我认为研究员除了要理解每个数字的来源、方式等,还需要具备一定的深度研究能力。一是数据再处理能力。这个方面最常见的例子是调整非经济活动因素对经济数字的影响,例如按日历调整工业数字以消除春节因素的影响,分析天气对Payroll的影响等。二是根据自己的需求发掘新的统计数字。我在做MBS的时候,UBS有一个特别的MBS研究员以Google Search关键字出现频率判断美国居民再融资需求。另一个例子是在中国市场,有所谓“方便面指数”等。这个方面我不建议研究员走火入魔的追求新数字,但是至少应该对新方法的价值有一个评判。三是根据自己的需求,用已有的数字编制新指数的能力。我在这里举了一个我最欣赏的机构,B家的例子,是居民住房投资的数字。市场上没有一个统计机构统计住房投资数字,但是B家研究中需要这个数字,他们就用其他的统计数字再加工提炼,做成一个符合自己需求的,具有明显经济意义的数字。类似的模型和数字在B家的研究报告有上千个,构成了B家独树一帜的研究方法,保证其宏观研究的深度。
 
        坦白说,这些能力都或多或少属于“文艺”型,对研究员的要求不低。
 
2.研究员的工作倾向
 
       说一个本人经历过的例子。某次一家大行的著名Mortgage研究员发布了一篇报告,认为一个权威数字的变化,显示某类型机构的近期有很大的资产配置转换。其实这些变化是因为我的一些融资交易形成的,与所谓资产配置转换完全风马牛不相及。正好这家大行的交易员帮我安排了这些融资交易,所以我很好奇的问他,你知道这些数字的变化是怎么回事,为什么不提醒你们的研究员。交易员的回答说,你不懂研究员的苦。第一,为了保证研究工作的严谨,他无法采用一些非公开渠道得知的消息,知道的再多也没法写上去。第二,一些过于深刻的报告可能引起意外的后果,影响银行与客户的关系,或者银行的声誉,搞不好工作就丢了。为了保护自己,比较稳妥的办法是追随主流,同时适当的显示自己的亮点。因此硬着头皮写一份风险不大但是意义也不大的口水报告,是很常见的事情。
       这一点常见于卖方研究员,但需要指出的是,买方研究员出现这种倾向的也不少。毕竟买方研究员的研究不直接产生P&L,而是需要推给PM/Trader。如果风格与PM/Trader合不上,会徒劳无功。在这种情况下,买方研究员也会有压力把重心不是放在发展自己的“文艺”体系,而是按照口水报告的风格做研究。因为如果研究员想换工作,曲高和寡的“文艺”方法反而比大家耳熟能详的口水体系转换成本要高。
 
       这是对“普通”型研究的批评。但“文艺”型研究也有其死穴,在20151019的段子里有提到。首先是巨大的投入,成本相当高,周期相当长,甚至对管理都是很高的要求,因为“文艺”型研究需要大量的资源和团队协作,一个人绝对做不出来,甚至不是实力极其雄厚的机构也负担不起。再就是曲高和寡,这反而导致文艺研究员换工作时面临劣势。甚至文艺型PM/Trader都会面临类似的问题,因为新机构可能没有他习惯的研究资源和研究支持。考虑到这些原因,我后来更多的建议采取“抬扛”方法,试图用好“普通”型研究资源。这个方法就是专门找卖方研究员抬扛。对PM/Trader尤其是Flow Trader来说,一忌讳看的东西不够全面,二忌讳对主流观点理解不透彻(注意:可以偏离主流观点,但偏离的越远越需要对主流观点的全面透彻理解)。对现有的卖方研究结果做严苛的审查,本身就是一个弥补自己片面性的过程,但是这个过程需要以鸡蛋里挑骨头的抬杠方式,而不是锦上添花的合作补充方式进行。而且,需要找尽可能多的卖方。对手卖方不一定需要是文艺型、曲高和寡的研究员,最好是在普通型PM/Trader中受欢迎的普通研究员,这样抬一圈杠下来,对主流观点的倾向和缺陷都心中有数了,足以迎合其倾向而防备其缺陷。这是一个投入较小而效率相对较高的办法,算是把普通型研究用出文艺范的思路。
 
       不论是“普通”型方法,还是“文艺”型方法,其目的都不是预测某一个因子或者是赌某一个因子,而是分析这个因子的变化是否会引起某些结构性不均衡,或者成为结构性转换的先行迹象。最好赚的钱不是来自于赌方向,而是结构性的转换带来的风险小而收益确定的机会。Checklist要求问研究员这样几个问题:
 
1.在本期重要数据出来前,你有没有根据其他数字或者模型形成自己的一个预测或者Base Scenario,这个预测方法是稳定的还是动辄更改,是否定期回顾这些方法,是否保存预测结果检验和预测方法修正的记录?
2.做好预测后,判断经济处在周期的哪一段。在什么样的经济环境下、目前的数字看起来是比较合理的;一般来说,像这样的情景或者数字,会持续多久,然后在某个情况下出现反弹或者扭转。
3.在从Bottom回溯Top过程中,这些因子是如何影响你对整体图景的判断的。你的整体图景判断对哪一类重要数据最敏感,或者说哪一类的数据变化与你的Base Scenario相差较大时最有可能证实或者证伪你的观点。现在还有10分钟出数据,如果出现Surprise,在什么情况下,你会坚持原始观点,而在什么情况下,你会修正原始观点。
 
四、政策研究的补充
 
       政策研究不是我的强项,Checklist只提出了一个方法。金融危机的一个巨大副作用,就是政策制定者们从原有的监管角色越来越多的进入直接市场操作,例如QE。一个直接的后果是很多依赖市场机制Converge的模型不再有效,PM/Trader不得不进入直接博政策方向的角度,使得政策研究的重要性大大提高。
       这些政策都是有极大争议性的,而且我一直有一个感觉,可能政策制定者自己内部也非常纠结,而且做出会很多其实很愚蠢的政策。所以我的第一个建议是作为一个PM,千万不能表现出国师的态度,觉得自己比政策制定者高明,然后去根据自己的高明政策建议做投资决策。更多时候需要考虑,如果我处在政策制定人的角色,我所受的制约是什么,如何降低我而不是市场的风险。或者说,要有能力理解愚蠢的政策。第二是要避免在一个角度上下太多功夫,例如只研究流动性投放政策而忽视财政支持政策。要注意研究的全面性,尤其要注意,如果某一个政策可能在市场上造成极大的不均衡,这种不均衡显示出什么样的机会和风险。
       因为政策不一定是很正确,反而很可能是愚蠢的,所以一个人天然是很难把政策推演的非常全面和透彻的。Checklist的一个建议是找两组人来,各扮演正反方,让大家去辩论。辩论的受益人不是两组选手,而是围观群众。如果两组人能够把每一派的动机和倾向阐述的比较透彻,围观群众就能有一个很好的机制全面的理解政策。同样,这个方法的目的不是去预测政策可能出在什么地方,更多的是通过这种方法理解政策制定的动机以及可能出现的后续。这样你才能在以后政策变动时有足够的手段保护自己。
       Checklist是2012年写的,写得完全是应对外国政策的东西,不知道接下来这套方法会不会用到我们自己的经济分析上。

 

5.结束语

       Fiat Money体系下,央行和金融机构的信贷创造和流动性管理存在着若干先天的缺陷。观察这些缺陷,推演资金流将如何被这些缺陷扭曲再Front Run这部分资金,是Macro Trader的饭碗。在写作本文的时候,我正好读到宏观金融学巨擘John Cochrane的一篇Blog,《没有现金的世界》,描绘了一个通过数字货币和区块链搭建的货币体系,这个体系是如此完美,乃至金融体系天生就稳若磐石,央行轻敲键盘立即化通胀于无形,流动性召之即来挥之即去。A world too perfect for monetary economists.虽然这个图景看起来色彩实在太未来,估计远在若干世纪以后,但是我们似乎已经看到那时Macro Trader作为一个职业的终结。
参考资料
1. 熊猫笔记,20151230,20160606
2. Ray Dalio, How the Economic Machine Works, http://www.economicprinciples.org/
3. Federal Reserve Bank of Chicago, Chicago Fed National Activity Index, https://www.chicagofed.org/publications/cfnai/index

4. James H Stock, Mark W Watson, Forecasting inflation , Journal of Monetary Economics, 1998


宏观交易入门系列目录

1.宏观交易入门系列1-货币银行体系的资金和信贷
2. 宏观交易入门系列2-跨境资金流动
当前阅读>  3. 宏观交易入门系列3-宏观交易入门
4. 宏观交易入门系列4-Cash Study:货币基金改革如何隔山打牛
5. 宏观交易入门系列5-Trading Skills
6. 宏观交易入门系列6-Monetary Economics 考试题参考答案
7. 宏观交易入门系列7-衍生品和其它宏观交易技巧
8. 宏观交易入门系列8-尾声

发表评论

邮箱地址不会被公开。 必填项已用*标注