股票市场最惹人发笑的部分是：每一个同时买和卖的人都会认为自己比对方聪明。—Philips·A·Fisher
对于一般的投资者来说，受限于股票研究的深度于广度，投资股指相比自己选股有很多优势，比如交易成本与研究的时间成本更低，不需要承受个股财务暴雷等风险。根据沃顿商学院Jeremy Siegel的研究成果，将1802年至2011年美国各大类资产的复合收益进行对比发现，股票是所有资产中长期收益最高的。
其实这也比较容易理解，首先人类社会一直处在螺旋式上升的进程中，上市公司整体构成的股票指数一定程度上代表了社会财富的缩影，当社会整体财富上升时，股票价格会随之上涨，然后通过股利的方式进行分配。
在描述股票市值与经济增长的关系方面，“巴菲特指标”具有一定的参考意义，巴菲特曾说“这可能是衡量股市在任何特定时刻估值水平的最佳单一指标”
“巴菲特指标”=市值/GNP：当指标低于70%至80%，那么股市估值处于一个较合理水平，买入股票非常划算，但是，一旦这个指标超过200%，那么买股票就是在玩火。
对于中国的情况来说，GDP比GNP的代表性更强，假设今年中国GDP同比增长3%的情况下，GDP可以达到117.80万亿。A股总市值截至2022年9月30日为75.98万亿，巴菲特指标计算结果约为64.5%，已经进入低估值区间。
此外，股票是长期抗通胀的资产，因为股票代表了你真实的拥有一家公司的实物资产。芝加哥货币与经济学派代表人物Milton Friedman有一句名言：通胀无论何时何地都是一种货币现象。通胀多数情况下是由于货币超发带来的，那么超发的货币资本为了追寻利润，往往会选择流入预期收益高的资产比如股票，股市的整体估值会在流动性增加的时候抬升。
最后，股票的估值是否足够低并不完全取决于股票这一资产本身，而取决于股票与其他大类资产预期收益率的比较，股债性价比指标就是比较常见的衡量股票与债券相对估值的有效指标。以wind全A的1/PE与十年期国债收益率构建股债性价比指标可以发现，当前股票指数的相对性价比已经接近2020年新冠疫情爆发初期，仅次于2018年底的水平。
股票作为企业的所有权，长期估值的企业未来所有的现金流的折现值，短期估值代表了市场参与者对于短期景气度的博弈。大多数股民（包括很多知名基金经理）都坚持自下而上的分析框架，重视个股行业宏观。但是作为大类资产配置为主的投资者，基本秉承了宏观行业个股的分析框架，其实两种框架并没有优劣之分，很多时候还可以相互融合来提高风险收益比。
宏观对冲策略常见于私募对冲基金中，主要特点是1、策略容量大2、使用杠杆3、通过多空对冲的方式减少单一资产与单个方向的头寸暴露4、最终将宏观研究（宏观因子）落地到对于各大类资产的方向性判断上。这类策略的收益比较依赖团队的全面性，就国内来说，某夏投资、某湖投资、某某汇富投资（私募基金无法公开宣传）以及某些大型外资机构在中国发行的产品都是其中的佼佼者。
2020-2022由于疫情、全球宽松的货币财政政策、战争威胁与地产周期下行的原因被称为宏观大年，在宏观占主导的年份中，优秀的宏观大类资产分析框架显得非常重要。从宏观策略的角度，主要是将股票作为一种大类资产与其他的资产进行风险收益上的对比（前面的股债性价比指标就是一种大类资产间的对比），然后通过抓住最适合投资股票的宏观环境而获利，本质上是一种多资产的择时投资策略。
戴维斯双击这个词是由美国著名投资人戴维斯家族来定义的，主要讲的就是股票价格受到来自于盈利和估值转好的双重推动上涨。
根据公式来看，，每股收益与公司基本面和行业基本面相关，行业基本面与宏观政策与经济周期相关，但是最重要的影响因素就是公司自身的运营情况。而市盈率作为股票相对估值的代表，受到行业景气度与宏观景气度的影响，当行业处于上升周期的时候，行业中的公司市盈率都会相对偏高，比如热门的新能源等行业的市盈率长期居高不下，而当宏观经济前景乐观的时候，股市整体的市盈率也会在投资者的乐观预期下抬升，也就是出现所谓的牛市。
总体来看，每股收益的高低相对客观，而市盈率的波动则相对主观。所谓的戴维斯双击，就是提前在估值较低而且每股收益持续增长的阶段进行投资，等待宏观与行业景气度的修复带来的估值提高和每股收益增长的双重利好收益。
对于纯粹的长期成长股投资者来说，择时主要体现在对于公司盈利增速的拐点判断，在公司利润高增速期介入投资，在利润进入平稳期或衰退期退出。但是对于进行大类资产配置的投资者来说，投资股票则是为了追求戴维斯双击，那么就需要对股票进行阶段性估值，并尽量在低估值的阶段逆势买入，同时在高估值和每股收益增速见顶的时候卖出，避免戴维斯双杀。
既然提到了因子，那么需要对因子先下一个定义，一个因子代表了众多资产均要承担的某种共同风险，而因子收益率就是投资者承担这类系统性风险得到的补偿。以著名的CAPM模型为例，CAPM模型可以理解为一种单因子模型，唯一的因子是市场组合风险溢价因子（Rm-Rf），市场中每一只股票都需要承担整体大盘指数涨跌的系统性风险，只不过不同的股票对于这类因子的敏感度不同，比如大盘下跌的时候，有的股票跌的多，有的股票跌的少，那么这种敏感性被称为风险暴露，用不同股票的β值来表示。
CAPM 模型
但是仅凭市场组合的风险溢价并不能解释市场中出现的一些异象，这些异象无法用公式中的因子进行解释，体现为实际的收益率与公式计算出的收益率不相等，比如美股市场中小市值股票比大市值股票长期收益高，市净率P/B低的股票长期收益更高等等。所以1992年后出现了Fama-French 的三因子模型，三因子模型是在CAPM的市场风险溢价因子之外，另外加上了账面市值比HML和市值SMB两个因子，以此来解释价值效应和规模效应，因子模型逐渐成为股票定价的主流模型被学界不断挖掘。2015年的五因子模型就是在三因子模型基础上增加了盈利因子RMW与投资因子CMA，从而进一步对股票收益进行解释。
Fama-French 五因子模型
可是即便增加到五因子，依然有不能被解释的股票收益“异象”， 但是因子的数量不能无限制的增加，否则就会出现多重共线性导致的因子冗余。于是Barra（2007）（后被 MSCI 收购）提出了纯因子模型（pure factor model），模型目的是为了保证通过某一个纯因子构建的投资组合仅对该纯因子有风险暴露而对其他的因子不存在风险暴露，从而消除了因子多重共线性的影响，也就是说，任何一只股票的期望收益率可以由多个线性无关的因子进行解释。
2018年MSCI 在CNE5版本因子基础上更新了中国的CNE6版本因子，CNE6包括10个一级因子，20个二级因子，46个三级因子。根据火富牛的Barra风格因子累计收益统计，今年表现最好的四个因子为成长因子5.58%、价值因子4.55%、波动因子2.07%、分红因子1.21%，表现最差的因子为流动性因子-9.42%和动量因子-5.51%。从这个因子归因可以看出，今年A股市场的动量效应与流动性效应表现较差，但是成长与价值指标选股预计会有不错的收益。这里引出了因子的第二个功能，也就是因子除了预测股票预期收益之外，还可以对股票进行风险归因，从而了解过去一段时间股指因为哪类风险敞口而上涨或者下跌。
前文的五因子模型和barra模型都是基于基本面的财务指标或量价指标构建的，但是宏观经济趋势也是非常重要的股票估值影响因素。
SSGA的Kelly等人（2014）在《Practical Applications for Factor Based Asset Allocation》中，通过对多个大类资产进行PCA主成分分析后得到了增长、利率和通胀三种宏观因子，根据宏观因子对不同的资产组合进行风险的归因，并利用得到的宏观因子进行了资产配置策略设计。
PCA主成分分析是另一种统计上常用的分析工具，这一方法利用正交变换把线性相关的多个变量数据转换为了线性无关的少数变量数据，这些线性无关的变量被称为主成分，主成分分析法主要用来发现数据的基本结构，以宏观指标来说，动辄上百个宏观指标的变量需要进行PCA降维处理，避免维度灾难。
BlackRock的Greenberge等人（2016）提出了一种将因子暴露映射为资产组合的方法，该方法使用了6个宏观经济因子（股权、通货膨胀、实际利率、商品、信用和新兴市场），以此来进行资产配置。
在这里主要介绍国内华泰证券林晓明团队的中国宏观因子资产配置C1型策略，(简称HACRO-C1)，该策略借鉴了国外的成熟做法，采用增长、通胀、信用、货币四个风险维度构建了宏观因子体系。增长因子的代理指标采用固定资产投资、工业产品产量、房地产开发销售等；通胀因子的代理指标采用国内外商品资产价格；信用因子的代理指标采用社会融资规模、贷款余额、货币供应等；货币因子的代理指标采用货币市场利率和债券市场利率等。
根据四类宏观因子的上行与下行状态对宏观时间周期进行划分，统计不同因子上行与下行周期中各个资产的波动率调整后的月平均收益率，确定宏观因子与资产收益的对应关系，统计表明，增长因子上行利好股票；通胀因子上行利好商品；信用因子主要对股票有显著区分度，信用扩张时股票上行；货币因子主要对债券有显著区分度，货币宽松时债券上行。
虽然以上结果基于量化回测，但是进行主观投资的投资者只要对这四类宏观指标有所了解，依然可以通过主观研究获取宏观因子的收益，收益并不一定弱于宏观量化策略，后期会对宏观因子与大类资产的映射关系进行更加详细的介绍。
上文提出的因子模型中的各类因子都曾经(或依然)在中国股市的定价中发挥效力，但是必须要先说明的是，由于市场处于不断的进化和博弈当中，任何一类有效的因子一旦被公开，大量资金涌入一定会降低因子的预期收益率，因子拥挤度指标就被用来刻画资金对于因子利用程度，因子利用程度过高可能会短时间内出现因子收益的大幅回撤。
MSCI 的Bonne G, Roisenberg L, Kouzmenko R, et al. （2018）提出了因子拥挤模型（The MSCI Factor Crowding Model）。该模型通过一个标准化的因子拥挤程度指标，为投资者提供择时决策依据。该指标涉及（1）持仓、（2）定价-收益、（3）估值价差、（4）做空率差、（5）两两相关、（6）相对波动率和（7）因子动量。研究表明，上述信息对在因子波动和收益上都有解释效力，而且本文发现出现了拥挤信号的因子在后续的12个月中比没有拥挤信号的因子将有更大的频率（相差7倍）出现显著的因子回撤。
通过计算因子拥挤度指标可以提前发现哪类影响因素是被过度交易的，从而可以规避这类因子拥挤风险。
温馨提示：答案为网友推荐，仅供参考