102
0同属量化师门的传统量化和宏观量化，其实是两种完全不同的投资范式。
虽然都共享着数学模型与程序化执行的外衣，内里却流淌着截然不同的投资血液：一个捕捉市场错误定价，一个获取经济周期的红利。
最近宏观管理人远澜就做客俱乐部，为群里的投资人朋友详细拆解了二者的不同。
一、收益来源
传统量化策略，无论是股多还是CTA，核心目标都是挖掘Alpha。
它们通过统计模型、高频数据或基本面因子，寻找市场中的定价偏差或价格趋势，试图跑赢基准或获取绝对收益。
其收益来源更多依赖于短期市场波动或特定品种的供需失衡。它们的本质，是用算力和模型速度，比别人更快地发现并纠正市场的"错误"。
而宏观量化策略的底层逻辑完全不同。它的目标不是战胜市场，而是抓取市场的Beta。
远澜对宏观策略的定义是，宏观策略其实做的事情就是去抓住各类资产在中长周期上，由于它内生的价值所增长的收益总和。
换句话说，宏观量化并不强调错误定价，而是刻画市场的状态。
当传统量化关注"哪只股票被低估了"，宏观量化则是问"当前市场有32.897%的概率处于滞胀周期，我应该如何配置"。 前者追求预测的精确性，后者追求概率的完备性；前者相信信息优势可以战胜市场，后者相信纪律配置可以顺应市场。
二、对因子的理解
在传统量化中，因子是直接生成交易信号的利器。
无论是多因子选股模型还是CTA的趋势因子，经过机器学习或线性组合后，最终输出的就是“买”或“卖”的指令。
这里的逻辑链条是直接的、确定性的：因子信号 → 模型组合 → 交易执行 → 收益实现。因子的有效性，用预测准确率来衡量。而模型的优劣，则用夏普比率来排序。
因此，迭代的方向永远是更精细的数据、更复杂的算法、更高频的交易——从日频到分钟频，从分钟频到tick级，从线性模型到深度学习，从几百个因子到上万个因子。
而宏观量化对因子的使用方式截然不同，宏观因子并不直接下单，它们只做一件事：帮助模型形成当前市场所处的概率分布。
例如，模型不会武断地说“现在是滞胀”，而是给出一个精确的概率，32.897%滞胀、33.102%复苏、34.001%衰退。这个看似"模糊"的结果，恰恰是宏观量化的精髓，就是承认单一因子的局限性，通过概率的多样性来逼近市场的真实状态。
不同宏观因子，如货币信用、增长、通胀等，像多个分析师，各自投票，最终形成一个概率矩阵。这个矩阵不追求单次预测的精准，而是追求对多周期、多情景的完整覆盖。
所以迭代的方向就是更结构化的宏观数据库，更概率化的周期框架，以及更纪律化的对冲执行。
三、底层策略的构建逻辑
这是宏观量化与传统量化最本质的差异。
传统的量化多策略产品，通常采用并列关系：将几个不相关的子策略，比如量化选股、CTA、可转债等拼凑在一起，通过组合优化来平滑净值。
每个子策略独立运作，追求各自的Alpha目标，最后通过权重加权形成组合。这种架构的优势是直观易懂、风险分散。
但缺点是，子策略之间缺乏内在逻辑关联，甚至在某些市场环境下会相互冲突。 比如股票多头与商品空头同时亏损时，组合的风险并非"1+1=2"，而可能是"1+1>2"。
宏观量化则是一种因果关系，因为要配置宏观周期，所以才有各种辅助策略。而不是因为有多个策略，才把它们凑在一起。
比如在远澜的框架中，存在一个绝对的核心——基于宏观因子的经济周期主策略。这个主策略决定了当前应该配置哪些大类资产、以及配置的方向。
而所有辅助策略（情绪周期、趋势跟踪、多因子定价）不是为了独立赚钱，而是服务于主策略：修正主策略的波动、减少回撤、帮助主策略更稳定地拿住Beta。
因为宏观数据以月度、季度为频率公布，导致主策略的换手周期长达3-4个月，难以应对市场的短期突变。辅助策略的介入，正是为了填补这一时间缝隙。
综上，宏观量化本质上还是宏观策略，而非宏观视角的量化策略。量化是表达方法，宏观周期是底层逻辑。它与量化是核心、策略是应用的传统量化有本质不同。
当然对于我们投资人而言，两种策略并无优劣之分。理解这种本质差异，是为了让我们能找到真正匹配自身需求的产品，而不是跟风入场之后发现并不是自己的菜，从而导致不佳的持有体验。
