再牛逼的选股策略，遇上股灾也得跪。你挑对了马，天上下刀子------照样死。

你花了三个月。

选股模型调了又调。

回测跑了一遍又一遍。

年化收益25%。

夏普比率1.8。

完美。

然后------

2015年6月来了。

千股跌停。

你的模型说：买入。

你的账户说：操你妈。

为什么？

因为你没看天。

个股策略是术，宏观环境是道。术再精，逆不了道。

一、什么是宏观因子

说白了------

大势。

GDP增速。

CPI。

M2。

利率。

社融。

PMI。

这些玩意儿，

你一个人改不了。

任何一只个股改不了。

任何一家公司改不了。

但它能决定------

你的策略是赚钱还是亏钱。

打个比方。

个股策略是船。

宏观因子是海。

风平浪静，破船也能到岸。

惊涛骇浪，航母也得翻。

你永远在跟宏观作对，只是你不知道而已。

二、六大宏观指标，逐个扒皮

1. GDP增速

GDP------国内生产总值。

通俗讲：

一个国家赚了多少。

增速高------经济热。

企业赚钱。

股市涨。

增速低------经济冷。

企业亏钱。

股市跌。

简单粗暴。

但有个问题------

GDP是滞后指标 。

它告诉你"上季度怎么了"。

不告诉你"下季度会怎样"。

所以------

光看GDP，等于看着后视镜开车。

2. CPI

居民消费价格指数。

就是物价。

CPI温和上涨（1%-3%）------

经济健康。

通胀可控。

利好股市。

CPI太高（>5%）------

通胀失控。

央行加息。

股市挨锤。

CPI为负------

通缩。

大家不消费。

经济凉了。

3. M2

广义货币供应量。

就是------

市场上有多少钱。

M2增速高------

放水。

钱多。

资产价格涨。

股市涨。

M2增速低------

收水。

钱少。

资产价格跌。

股市跌。

A股有句老话：

M2是A股的亲妈。放水涨，收水跌，就这么简单。

4. 利率

十年期国债收益率。

无风险利率。

利率低------

存银行没意思。

钱往股市跑。

股市涨。

利率高------

存银行躺赚。

钱从股市跑。

股市跌。

而且------

利率是所有资产定价的锚。

DCF模型里，分母就是利率。

利率升，估值降。

利率降，估值升。

反比关系。

铁律。

5. 社融

社会融资规模。

就是实体经济从金融体系借了多少钱。

社融高------

企业在借钱。

要扩张。

经济好。

股市涨。

社融低------

企业不借钱。

收缩。

经济差。

股市跌。

社融是领先指标 。

比GDP有用。

6. PMI

采购经理指数。

就是问一堆采购经理：

"你们公司这个月怎么样？"

PMI > 50------扩张。

PMI < 50------收缩。

也是领先指标。

每月月初就出。

比GDP快得多。

三、宏观温度计：给经济量个体温

六个指标。

各说各的话。

GDP说：还行。

CPI说：要涨。

M2说：在放水。

利率说：要加息。

到底听谁的？

全听。

做个综合评分。

我管它叫------

宏观温度计。

逻辑很简单：

六个指标，每个打0-100分。

加权平均。

得到一个综合温度。

温度高------经济热。

满仓干。

温度低------经济冷。

减仓保命。

温度中等------半仓。

别浪。

代码来了。

// python

安装依赖：pip install akshare pandas numpy matplotlib

import akshare as ak
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from datetime import datetime

plt.rcParams $'font.sans-serif'$ = $'SimHei'$
plt.rcParams $'axes.unicode_minus'$ = False

============================================

第一步：获取宏观数据

============================================

1. GDP增速（季度）

def get_gdp():
"""获取GDP同比增速"""
df = ak.macro_china_gdp()
df $'季度'$ = pd.to_datetime(df $'季度'$ )
df = df.sort_values('季度').reset_index(drop=True)

取"累计同比增长"列（即GDP同比增速）

df $'gdp_yoy'$ = df $'累计同比增长'$ .astype(float)
return df $\['季度', 'gdp_yoy'$ ].dropna()

2. CPI同比（月度）

def get_cpi():
"""获取CPI同比"""
df = ak.macro_china_cpi_monthly()
df $'月份'$ = pd.to_datetime(df $'月份'$ )
df = df.sort_values('月份').reset_index(drop=True)
df $'cpi_yoy'$ = df $'全国-同比'$ .astype(float)
return df $\['月份', 'cpi_yoy'$ ].dropna()

3. M2增速（月度）

def get_m2():
"""获取M2同比增速"""
df = ak.macro_china_m2_yearly()
df $'月份'$ = pd.to_datetime(df $'月份'$ )
df = df.sort_values('月份').reset_index(drop=True)
df $'m2_yoy'$ = df $'同比'$ .astype(float)
return df $\['月份', 'm2_yoy'$ ].dropna()

4. 十年期国债收益率（月度取均值）

def get_rate():
"""获取十年期国债收益率"""
df = ak.bond_china_yield(start_date="20100101")
df $'日期'$ = pd.to_datetime(df $'日期'$ )

取"中国国债收益率10年"

df_10y = df $\['日期', '中国国债收益率10年'$ ].copy()
df_10y $'中国国债收益率10年'$ = df_10y $'中国国债收益率10年'$ .astype(float)
df_10y $'年月'$ = df_10y $'日期'$ .dt.to_period('M')
df_monthly = df_10y.groupby('年月') $'中国国债收益率10年'$ .mean().reset_index()
df_monthly $'月份'$ = df_monthly $'年月'$ .dt.to_timestamp()
df_monthly $'rate_10y'$ = df_monthly $'中国国债收益率10年'$
return df_monthly $\['月份', 'rate_10y'$ ].dropna()

5. 社融（月度）

def get_social_financing():
"""获取社会融资规模"""
df = ak.macro_china_shrzgm()

该接口返回的列名可能有变化，做兼容处理

df = df.iloc $:36$ # 取最近36个月
df.columns = $'月份', '社融规模'$ + list(df.columns $2:$ )
df $'月份'$ = pd.to_datetime(df $'月份'$ , errors='coerce')
df $'社融规模'$ = df $'社融规模'$ .astype(float)
df = df.sort_values('月份').reset_index(drop=True)

计算同比增速

df $'sf_yoy'$ = df $'社融规模'$ .pct_change(12) * 100
return df $\['月份', '社融规模', 'sf_yoy'$ ].dropna()

6. PMI（月度）

def get_pmi():
"""获取制造业PMI"""
df = ak.macro_china_pmi()
df $'月份'$ = pd.to_datetime(df $'月份'$ )
df = df.sort_values('月份').reset_index(drop=True)
df $'pmi'$ = df $'制造业-指数'$ .astype(float)
return df $\['月份', 'pmi'$ ].dropna()

============================================

第二步：各指标打分（0-100）

============================================

def score_gdp(val):
"""GDP增速打分：越高越好"""

GDP增速 4%-10% 为正常区间

if val >= 8: return 90
elif val >= 6: return 70
elif val >= 4: return 50
elif val >= 2: return 30
else: return 10

def score_cpi(val):
"""CPI打分：温和通胀最好"""

CPI 1%-3% 最优

if 1 <= val <= 3: return 80
elif 0 <= val < 1: return 50
elif 3 < val <= 5: return 40
elif val > 5: return 10 # 恶性通胀
else: return 20 # 通缩

def score_m2(val):
"""M2增速打分：适度放水好"""

M2增速 8%-12% 为适度

if 8 <= val <= 12: return 75
elif val > 12: return 85 # 大放水，短期利好
elif 5 <= val < 8: return 45
else: return 20 # 严重收紧

def score_rate(val):
"""利率打分：越低越好（对股市）"""

利率 2%-4% 为正常区间

if val <= 2.5: return 85
elif val <= 3.0: return 70
elif val <= 3.5: return 50
elif val <= 4.0: return 30
else: return 15

def score_sf(val):
"""社融增速打分：越高越好"""
if val >= 15: return 90
elif val >= 10: return 70
elif val >= 5: return 50
elif val >= 0: return 30
else: return 10

def score_pmi(val):
"""PMI打分：50以上扩张"""
if val >= 52: return 85
elif val >= 50: return 65
elif val >= 48: return 40
else: return 15

============================================

第三步：构建宏观温度计

============================================

def build_temperature():
"""
构建宏观温度综合评分
返回：按月对齐的各指标分数 + 综合温度
"""

获取数据

gdp_df = get_gdp()
cpi_df = get_cpi()
m2_df = get_m2()
rate_df = get_rate()
sf_df = get_social_financing()
pmi_df = get_pmi()

以月度为主时间轴

all_months = sorted(set(
cpi_df $'月份'$ .tolist() +
m2_df $'月份'$ .tolist() +
rate_df $'月份'$ .tolist() +
pmi_df $'月份'$ .tolist()
))

results = \[\]
for month in all_months:
row = {'月份': month}

CPI

cpi_row = cpi_df $cpi_df\['月份'$ == month]
if not cpi_row.empty:
row $'cpi'$ = cpi_row $'cpi_yoy'$ .values $0$
row $'cpi_score'$ = score_cpi(row $'cpi'$ )
else:
row $'cpi_score'$ = np.nan

M2

m2_row = m2_df $m2_df\['月份'$ == month]
if not m2_row.empty:
row $'m2'$ = m2_row $'m2_yoy'$ .values $0$
row $'m2_score'$ = score_m2(row $'m2'$ )
else:
row $'m2_score'$ = np.nan

利率

rate_row = rate_df $rate_df\['月份'$ == month]
if not rate_row.empty:
row $'rate'$ = rate_row $'rate_10y'$ .values $0$
row $'rate_score'$ = score_rate(row $'rate'$ )
else:
row $'rate_score'$ = np.nan

PMI

pmi_row = pmi_df $pmi_df\['月份'$ == month]
if not pmi_row.empty:
row $'pmi'$ = pmi_row $'pmi'$ .values $0$
row $'pmi_score'$ = score_pmi(row $'pmi'$ )
else:
row $'pmi_score'$ = np.nan

GDP（季度数据，映射到最近月份）

gdp_row = gdp_df $gdp_df\['季度'$ .dt.to_period('Q') == month.to_period('Q')]
if not gdp_row.empty:
row $'gdp'$ = gdp_row $'gdp_yoy'$ .values $-1$
row $'gdp_score'$ = score_gdp(row $'gdp'$ )
else:
row $'gdp_score'$ = np.nan

社融

sf_row = sf_df $sf_df\['月份'$ == month]
if not sf_row.empty:
row $'sf_yoy'$ = sf_row $'sf_yoy'$ .values $0$
row $'sf_score'$ = score_sf(row $'sf_yoy'$ )
else:
row $'sf_score'$ = np.nan

results.append(row)

df = pd.DataFrame(results)

综合温度：加权平均

权重：M2 25%, 社融 20%, PMI 20%, 利率 15%, CPI 10%, GDP 10%

weights = {
'm2_score': 0.25,
'sf_score': 0.20,
'pmi_score': 0.20,
'rate_score': 0.15,
'cpi_score': 0.10,
'gdp_score': 0.10,
}

score_cols = list(weights.keys())
weight_vals = np.array(list(weights.values()))

df $'temperature'$ = (
df $score_cols$ .fillna(50) * weight_vals
).sum(axis=1)

return df

============================================

运行示例

============================================

if name == 'main':
print("正在获取宏观数据，请稍候...")
temp_df = build_temperature()

print("\n最近12个月宏观温度：")
print(temp_df $\['月份', 'temperature'$ ].tail(12).to_string(index=False))

画图

fig, ax = plt.subplots(figsize=(14, 6))
ax.plot(temp_df $'月份'$ , temp_df $'temperature'$ , 'r-', linewidth=1.5)
ax.axhline(y=70, color='g', linestyle='--', alpha=0.5, label='过热线(70)')
ax.axhline(y=40, color='b', linestyle='--', alpha=0.5, label='过冷线(40)')
ax.fill_between(temp_df $'月份'$ , 70, 100, alpha=0.1, color='red')
ax.fill_between(temp_df $'月份'$ , 0, 40, alpha=0.1, color='blue')
ax.set_title('宏观温度计', fontsize=16)
ax.set_ylabel('综合温度', fontsize=12)
ax.legend()
ax.grid(True, alpha=0.3)
plt.tight_layout()
plt.savefig('macro_temperature.png', dpi=150)
plt.show()
print("\n图片已保存：macro_temperature.png")

跑一下。

你就能看到一条温度曲线。

红的时候------经济过热。

蓝的时候------经济过冷。

中间------正常。

温度计不会告诉你买什么，但会告诉你该不该买。

四、温度→仓位：该上几成仓

温度有了。

然后呢？

调仓位。

逻辑极简单：

|----------|----------|-----------|
| 温度区间 | 经济状态 | 建议仓位 |
| ≥ 75 | 过热 | 50%（开始防守） |
| 60-75 | 偏热 | 70% |
| 40-60 | 中性 | 80% |
| 25-40 | 偏冷 | 50% |
| < 25 | 极冷 | 30%（极端防守） |

等等------

过热反而减仓？

对。

物极必反。

经济过热------央行加息。

加息------杀估值。

2007年，GDP增速14%。

A股见顶6124。

然后呢？

跌到1664。

最热闹的时候，往往是最危险的时候。

反过来------

极冷的时候，反而不能空仓。

为什么？

因为极冷之后------

央行放水。

政策托底。

经济触底反弹。

2008年底。

2014年中。

2019年初。

都是极冷之后暴涨。

代码：

// python

安装依赖：pip install akshare pandas numpy

import akshare as ak
import pandas as pd
import numpy as np

============================================

宏观温度 → 仓位调整策略

============================================

def temperature_to_position(temperature):
"""
根据宏观温度返回建议仓位比例
temperature: 0-100 的综合温度
返回: 建议仓位 (0-1)
"""
if temperature >= 75:
return 0.50 # 过热，防守
elif temperature >= 60:
return 0.70 # 偏热
elif temperature >= 40:
return 0.80 # 中性，标准仓位
elif temperature >= 25:
return 0.50 # 偏冷，谨慎
else:
return 0.30 # 极冷，极端防守

def macro_position_strategy(start_date='20150101', end_date='20241231'):
"""
宏观仓位策略回测
对比：纯持有沪深300 vs 宏观调仓
"""

获取沪深300指数

hs300 = ak.stock_zh_index_daily(symbol="sh000300")
hs300 $'date'$ = pd.to_datetime(hs300 $'date'$ )
hs300 = hs300 $(hs300\['date'$ >= start_date) &
(hs300 $'date'$ <= end_date)
].copy()
hs300 = hs300.sort_values('date').reset_index(drop=True)
hs300 $'hs300_ret'$ = hs300 $'close'$ .pct_change()

获取宏观数据（简化版，用月度数据）

cpi_df = ak.macro_china_cpi_monthly()
cpi_df $'月份'$ = pd.to_datetime(cpi_df $'月份'$ )
cpi_df $'cpi'$ = cpi_df $'全国-同比'$ .astype(float)

m2_df = ak.macro_china_m2_yearly()
m2_df $'月份'$ = pd.to_datetime(m2_df $'月份'$ )
m2_df $'m2'$ = m2_df $'同比'$ .astype(float)

pmi_df = ak.macro_china_pmi()
pmi_df $'月份'$ = pd.to_datetime(pmi_df $'月份'$ )
pmi_df $'pmi'$ = pmi_df $'制造业-指数'$ .astype(float)

按月构建温度

hs300 $'年月'$ = hs300 $'date'$ .dt.to_period('M')

positions = \[\]
for ym in hs300 $'年月'$ .unique():
month_ts = ym.to_timestamp()

CPI分数

cpi_val = cpi_df $cpi_df\['月份'$ .dt.to_period('M') == ym
] $'cpi'$ .values
cpi_s = score_cpi(cpi_val $0$ ) if len(cpi_val) > 0 else 50

M2分数

m2_val = m2_df $m2_df\['月份'$ .dt.to_period('M') == ym
] $'m2'$ .values
m2_s = score_m2(m2_val $0$ ) if len(m2_val) > 0 else 50

PMI分数

pmi_val = pmi_df $pmi_df\['月份'$ .dt.to_period('M') == ym
] $'pmi'$ .values
pmi_s = score_pmi(pmi_val $0$ ) if len(pmi_val) > 0 else 50

简化温度：三个指标等权

temp = cpi_s * 0.33 + m2_s * 0.34 + pmi_s * 0.33
pos = temperature_to_position(temp)
positions.append({'年月': ym, 'temperature': temp, 'position': pos})

pos_df = pd.DataFrame(positions)

合并

result = hs300.merge(pos_df, on='年月', how='left')
result $'position'$ = result $'position'$ .ffill().fillna(0.8)

计算策略收益

result $'strategy_ret'$ = result $'hs300_ret'$ * result $'position'$ .shift(1)
result $'strategy_ret'$ .iloc $0$ = 0

累计收益

result $'buy_hold_cum'$ = (1 + result $'hs300_ret'$ .fillna(0)).cumprod()
result $'strategy_cum'$ = (1 + result $'strategy_ret'$ .fillna(0)).cumprod()

输出结果

total_days = (result $'date'$ .iloc $-1$ - result $'date'$ .iloc $0$ ).days
years = total_days / 365.25

bh_total = result $'buy_hold_cum'$ .iloc $-1$ - 1
st_total = result $'strategy_cum'$ .iloc $-1$ - 1

bh_annual = (1 + bh_total) ** (1/years) - 1
st_annual = (1 + st_total) ** (1/years) - 1

最大回撤

bh_peak = result $'buy_hold_cum'$ .cummax()
st_peak = result $'strategy_cum'$ .cummax()
bh_mdd = ((result $'buy_hold_cum'$ - bh_peak) / bh_peak).min()
st_mdd = ((result $'strategy_cum'$ - st_peak) / st_peak).min()

print(f"回测区间：{start_date} ~ {end_date}")
print(f"{'='*50}")
print(f"沪深300买入持有：总收益 {bh_total:.1%}，年化 {bh_annual:.1%}，最大回撤 {bh_mdd:.1%}")
print(f"宏观调仓策略：总收益 {st_total:.1%}，年化 {st_annual:.1%}，最大回撤 {st_mdd:.1%}")
print(f"{'='*50}")
print(f"超额收益（年化）：{st_annual - bh_annual:.1%}")
print(f"回撤改善：{st_mdd - bh_mdd:.1%}")

return result

复用打分函数（从上面的温度计代码复制）

def score_cpi(val):
if 1 <= val <= 3: return 80
elif 0 <= val < 1: return 50
elif 3 < val <= 5: return 40
elif val > 5: return 10
else: return 20

def score_m2(val):
if 8 <= val <= 12: return 75
elif val > 12: return 85
elif 5 <= val < 8: return 45
else: return 20

def score_pmi(val):
if val >= 52: return 85
elif val >= 50: return 65
elif val >= 48: return 40
else: return 15

============================================

运行

============================================

if name == 'main':
result = macro_position_strategy()

看出门道没？

宏观调仓不一定比死拿赚得多。

但------

回撤小。

回撤小，就意味着------

你睡得着觉。

赚钱的策略千千万，能让你拿住的才是好策略。

五、三次系统性风险复盘

不讲故事。

上数据。

2015年：杠杆牛崩盘

背景：

• 2014年下半年到2015年上半年，M2增速飙到13%+

• 融资融券余额从4000亿干到2.2万亿

• 宏观温度：75+，过热

2015年6月------

证监会查场外配资。

崩了。

沪深300：一个月跌40%。

千股跌停。

国家队救市。

如果你当时宏观温度到了75以上减仓到50%------

你的回撤比死扛的人少一半。

2018年：贸易战

背景：

• 2017年底金融去杠杆

• M2增速从11%掉到8%

• 社融增速断崖下跌

• 利率飙升到3.9%

宏观温度：从60直接掉到35。

2018年全年：

沪深300跌25%。

如果你在社融断崖的时候就把仓位降到50%------

又躲过一劫。

2020年：新冠

背景：

• 2019年底PMI连续在荣枯线附近

• 经济本就偏弱

• 宏观温度：40左右

2020年1月底------新冠爆发。

沪深300：两周跌12%。

但------

2月底央行大幅放水。

M2增速从8.8%飙到11.1%。

宏观温度快速回升。

如果你在M2飙升的时候加仓------

3月到7月，沪深300涨了25%。

别人恐惧你贪婪------前提是央行在放水。

三次复盘，一次结论：

宏观因子不是让你赚更多，是让你亏更少。

亏更少，就是赚更多。

复利的本质------

少亏。

六、实操指南

说了这么多。

怎么用？

每月花十分钟。

1号到5号之间------

宏观数据基本都出了。

打开AKShare。

跑一遍温度计。

看看温度。

温度高------减仓。

温度低------加仓。

温度中------不动。

就这。

不用天天盯盘。

不用追涨杀跌。

宏观因子是慢变量。你不需要每天看，但你需要每月看。

最后提醒一句------

宏观因子不是万能药 。

它能帮你避开大灾。

但它不能帮你选股。

选股是微观的事。

择时是宏观的事。

两条腿走路。

缺一条都走不远。

抬头看天，低头看路。天要下雨赶紧跑，路有黄金弯腰捡。

5.3 宏观因子：抬头看天

再牛逼的选股策略，遇上股灾也得跪。你挑对了马，天上下刀子------照样死。

一、什么是宏观因子

二、六大宏观指标，逐个扒皮

1. GDP增速

2. CPI

3. M2

4. 利率

5. 社融

6. PMI

三、宏观温度计：给经济量个体温

安装依赖：pip install akshare pandas numpy matplotlib

============================================

第一步：获取宏观数据

============================================

1. GDP增速（季度）

取"累计同比增长"列（即GDP同比增速）

2. CPI同比（月度）

3. M2增速（月度）

4. 十年期国债收益率（月度取均值）

取"中国国债收益率10年"

5. 社融（月度）

该接口返回的列名可能有变化，做兼容处理

计算同比增速

6. PMI（月度）

============================================

第二步：各指标打分（0-100）

============================================

GDP增速 4%-10% 为正常区间

CPI 1%-3% 最优

M2增速 8%-12% 为适度

利率 2%-4% 为正常区间

============================================

第三步：构建宏观温度计

============================================

获取数据

以月度为主时间轴

CPI

M2

利率

PMI

GDP（季度数据，映射到最近月份）

社融

综合温度：加权平均

权重：M2 25%, 社融 20%, PMI 20%, 利率 15%, CPI 10%, GDP 10%

============================================

运行示例

============================================

画图

四、温度→仓位：该上几成仓

安装依赖：pip install akshare pandas numpy

============================================

宏观温度 → 仓位调整策略

============================================

获取沪深300指数

获取宏观数据（简化版，用月度数据）

按月构建温度

CPI分数

M2分数

PMI分数

简化温度：三个指标等权

合并

计算策略收益

累计收益

输出结果

最大回撤

复用打分函数（从上面的温度计代码复制）

============================================

运行

============================================

五、三次系统性风险复盘

2015年：杠杆牛崩盘

2018年：贸易战

2020年：新冠

六、实操指南