资产配置理论框架 - 资产配置的核心是通过跨资产类别的组合设计，对风险与收益进行系统化权衡，其本质是“用分散化对抗不确定性” [3][7] - 资产配置框架可拆解为四个维度：收益增值、风险分散、流动性管理、长期稳健，各维度权重根据投资者需求动态调整 [3] - 配置思路的落地路径包括：确定大类资产基准权重与风险中枢、明确投资约束、结合外部环境与趋势信号对权重进行动态微调 [3] - 在此过程中可运用三种不同时间维度的策略：战略资产配置、战术资产配置与动态资产配置 [3] 资产配置模型分类 - 研究梳理了资产配置的三类经典模型方法论，包括收益驱动、风险驱动和宏观驱动三大类共11个模型 [3][10] - 收益驱动模型以收益-风险权衡为核心，通过优化资产权重实现预期收益目标，例如均值方差模型和Black-Litterman模型 [10] - 风险驱动模型以风险控制为首要目标，通过风险分配、约束或目标设定构建稳健组合，例如风险平价模型和CVaR优化模型 [13] - 宏观驱动模型基于宏观经济周期、因子或指标变化调整资产配置，例如美林时钟模型 [13] 量化回测框架与测试设定 - 研究从2015年1月1日至2025年12月31日，以月度换仓的频率，量化比较各模型在中国和全球资产配置上的有效性 [4][16] - 测试选择了9个相对主观超参数较少、能量化回测的收益驱动和风险驱动模型，包括均值方差、Black-Litterman、LSTM结合Black-Litterman、风险平价、波动率目标、CVaR优化等 [4][12] - 测试分为两种投资场景：1）国内投资者关注的可投资产：A股、港股、中国债券、黄金、大宗商品；2）更广泛的全球资产：美国权益、欧洲权益、中国权益、日本权益、中国债券、美国债券、黄金、大宗商品 [4][14] - 测试框架细节包括：月度换仓、无卖空限制、分别测试无资产权重上限和50%权重上限版本、使用一年滚动窗口数据、无杠杆设置、全球资产统一换算为人民币计价 [16][17][59] 中国资产配置回测结果 - 在无资产权重上限的中国配置场景下，Black-Litterman模型实现了13.64%的年化收益，年化波动率13.13%，相对等权基准的年化超额收益为6.28%，夏普比率为1.04 [4][23] - 均值方差模型年化收益率为13.55%，年化波动率13.51%，夏普比率为1.01，整体风险收益特征与Black-Litterman模型接近 [4][23] - 风险驱动模型如风险平价和波动率目标制模型展现出较强的绝对风险控制能力，但收益难跑赢基准，例如风险平价模型年化收益4.88%，年化波动率仅2.03%，夏普比率高达2.35 [23] - 限制50%资产权重上限后，收益驱动模型年化收益与绝对波动下降，夏普无明显变化；风险驱动模型年化收益与绝对波动上升，夏普比例显著下降 [5][22][24] 全球资产配置回测结果 - 在无资产权重上限的全球配置场景中，模型表现排序与中国场景基本相同，增强收益推荐关注Black-Litterman和LSTM-Black-Litterman模型 [6][31] - Black-Litterman模型在全球场景中年化收益12.82%，年化波动率11.30%，夏普比率1.12 [32] - 从绝对收益风险平衡角度，推荐波动率目标制和风险平价模型，上述风险驱动模型夏普比率均高于1，但除风险预算模型外，其余均跑输基准 [6][31] - 限制50%的资产权重上限后，Black-Litterman模型仍维持较好表现，年化收益为13.01%，夏普比率1.17 [33] 中国细分资产配置回测 - 研究对中国资产配置场景进行了更细颗粒度的测试，将权益资产按市值拆分，债券资产按品种特性拆分，商品资产和港股通也进行了细分 [34] - 在细分资产配置中，Black-Litterman模型在收益维度表现突出，年化收益达17.75%，年化超额收益达9.15% [34] - 风险平价和波动率目标模型在风险控制角度较为出色，延续了低波动、低换手的特征 [34] 模型敏感性测试 - 对滚动窗口进行敏感性测试，将默认的一年滚动窗口改为三年后，Black-Litterman和均值方差模型的收益有所衰减 [39] - 风险驱动模型对于滚动区间的变化并不敏感 [39]