当前的经济周期状态表明，增长周期已开始回升，货币财政周期向上扩张，主要可见经济指标的回稳态势预计会在3月份显现，指标数值的公布和交易反应的融入预计在4月中上旬，经济企稳的时间点也预计将出现在一季度末和二季度初之间。

经济周期是自上而下分析大类资产的重要起点。以美林时钟为代表，虽然有效性近年来在国内外都打了折扣，但其所构建的分析范式已经成为市场宏观研究的“套路”。理论上，它是根据教科书中总需求-总供给模型的交叉，以产出缺口和通胀两个指标为代表，将宏观经济运行分为四个象限(阶段)：复苏、过热、滞胀和衰退，然后再探究不同象限内大类资产所表现出来的规律性特征及其背后的理论解释。例如复苏早期是配置股票的最佳时点，而衰退早期是配置利率债的好时机，过热阶段最好买商品，滞胀时期最好持有现金(短久期资产)。基于此分析范式，周期视角的风格轮动、行业轮动等配置策略也已经很成熟。另外两种拓展路径是增加金融周期，或将周期阶段划分得更细，如马丁?普林格的“双周期-六阶段”资产配置模型。

那么，关键之关键就是确定经济周期，如果第一步就错了，那资产配置建议很可能就谬以千里了。GDP无疑是经济周期最好用的指标，但实践中，GDP指标存在滞后和低频两个缺点，所以往往只能做事后验证。两个常用的思路是：一，寻找领先指标，典型如信贷、工作小时数、PMI(新订单等)，以及对特定群体的信心调查数据等;二，使用更高频的数据，如日度、周度等。这两种方法并非互斥关系，实践中可进行交叉验证，相得益彰。但是，两种方法都存在一个共同的问题，就是同一方法内部的不同指标可能给出相反的信号。所以，有一种方法就是构建一个“扩散指数”，来表示主要方向。就像投票，一个指标一个投票权，少数服从多数。这种方法不免主观了，常犯错误，毕竟指标对经济周期而言并非等权重。

我们构建了自上而下大类资产配置的六维打分体系。其中，对“宏观面”的诊断方法——混频动态因子宏观即时预测模型(MF-DFMNowcasting)，即利用混频动态因子模型，基于卡尔曼滤波(一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法)平滑估计与EM(Expectation-Maximization)估计(一种迭代算法，用于含有隐变量的概率参数模型的最大似然估计或极大后验概率估计)，提取潜在经济周期因子，进行经济周期指数打分与宏观预测，可供投资者参考。

MF-DFM方法：服务宏观大类资产配置

经济周期是众多不同领域的经济活动在差不多接近的时期中所产生的扩张、衰退、复苏的反复过程。长久以来，经济周期的运动呈现出了两个基本特性：一是可观测的经济指标协同变化;二是扩张阶段与收缩阶段的非对称性。由史观之，扩张是经济的正常状态，衰退往往是短暂却又痛苦的。

在显性层面，经济周期的波动是经由一系列可观测的经济变量表达的;而在隐性层面，则是由少量共同的、隐藏的宏观因子驱动的，这些因子反映了经济复杂系统的真实状态。基于这种动态因子模型的思想，我们构建了混频动态因子宏观即时预测模型。

方法服务于研究目的，应用预测模型主要是为了服务宏观大类资产配置研究中的几项突出需求，该模型的优势对应的也恰恰是传统方法的不足。

首先，该模型允许数据的混频。混频数据普遍存在于经济、资产运行中，季度的如GDP、人均收入数据等，月度的如消费、投资、通胀数据等。尽管经济状态每天都在产生新的演变，但不是每天都能得到新的观测值。GDP是整个经济系统中最重要的指标，中国季度GDP及其增长率数据通常是在季度结束后20日公布，这与日度更新的资产价格高频数据之间存在着极大的落差。传统方法为将数据频率统一，需要进行重采样或降采样。如果采用加总法将高频数据降低频率改为季度数据，这往往会导致人为的数据信息减少;或者将低频数据通过插值法改为高频数据，这又会导致信息的虚增。若放弃季度公布的GDP等数据的采样，则会导致经济系统中最重要的数据缺失。借助MF-DFM的卡尔曼平滑估计特征，则能够解决这个问题，通过状态空间模型的形式纳入高频数据和低频数据，这个过程中的副产品是预测月度的GDP数据。

第二，该模型满足预测需求。一般意义上的宏观预测不仅仅包括对未来数据的预测，还隐含着对尚未公布的前期经济数据以及当期数据的临近预测，后者便是即时预测(Nowcasting)，这个术语最初用于气象学，用来预测当前和未来几个小时内的天气。在宏观领域，目前更多应用在对当季度的GDP预测上，由于模型允许新公布数据的即时引入，使得能够在新数据发布的同时，更新包含GDP在内的预测值。

第三，这一模型能吸纳高维度的经济数据。MF-DFM模型使用了状态空间模型的稀疏矩阵特征，避免估计难度随着模型中包含的变量数量的增加而增加，从而避免维度诅咒的问题。纳入较多的变量，很多经济数据中可能含有预测的目标变量(如GDP)信息，因此能提升预测中的有效信息。

第四，这一模型能避免传统指数构建方法的不足。模型从高维数据中提取少量共同因子，构建经济周期因子或指数，从众多经济时间序列