量化模型与构建方式 1. 模型名称：Black-Litterman模型（BL模型） - 模型构建思路：BL模型是对传统均值-方差模型（MVO）的改进，采用贝叶斯理论将主观观点与量化配置模型结合，通过投资者对市场的分析预测资产收益，优化资产配置权重[14] - 模型具体构建过程： 1. 选择投资标的：针对全球资产，选取沪深300、恒生指数、标普500、中债-国债总财富指数、中债-企业债总财富指数和南华商品指数；针对国内资产，选取沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE黄金[15] 2. 结合主观观点与市场数据，利用贝叶斯方法调整资产的预期收益 3. 通过优化算法计算资产配置权重，解决均值-方差模型对预期收益敏感的问题[14][15] - 模型评价：BL模型有效解决了均值-方差模型对预期收益敏感的问题，同时相较于纯主观投资具有更高的容错性，为投资者提供高效的资产配置方案[14] 2. 模型名称：风险平价模型 - 模型构建思路：风险平价模型的核心思想是将投资组合的整体风险分摊到每类资产中，使得每类资产对投资组合整体风险的贡献相等[19] - 模型具体构建过程： 1. 选择底层资产：针对全球资产，选取沪深300、标普500、恒生指数、中债-企业债总财富指数、南华商品指数和COMEX黄金；针对国内资产，选取沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE黄金[20] 2. 计算资产对组合的风险贡献：基于资产的预期波动率及相关性，计算初始资产配置权重下的风险贡献 3. 优化资产配置权重：对各资产实际风险贡献与预期风险贡献的偏离度进行优化，得到最终权重[19][20] - 模型评价：风险平价模型通过均衡风险分布，构建了在经济周期不同阶段都能获得稳定收益的策略[18][19] 3. 模型名称：基于宏观因子的资产配置模型 - 模型构建思路：基于增长、通胀、利率、信用、汇率和流动性六大宏观风险因子，构建资产配置框架，将宏观研究与资产配置研究相结合[23][24] - 模型具体构建过程： 1. 构造高频宏观因子：通过Factor Mimicking Portfolio方法构造增长、通胀等六大宏观风险因子[24] 2. 计算因子暴露：每月末计算资产的因子暴露水平，并以风险平价组合为基准，计算基准因子暴露[24] 3. 主观调整因子偏离值：根据对未来宏观环境的判断，给定主观因子偏离值，结合基准因子暴露，得到资产组合的因子暴露目标[24][26] 4. 反解资产权重：将因子暴露目标带入模型，反解得到下个月的资产配置权重[24] - 模型评价：该模型通过主观调整因子偏离值，灵活反映投资者对宏观环境的判断，增强了资产配置的适应性[24] --- 模型的回测效果 1. Black-Litterman模型 - 国内资产BL模型1：本周收益0.41%，9月份收益0.63%，2024年收益5.98%，年化波动1.69%，最大回撤0.78%[16][18] - 国内资产BL模型2：本周收益0.27%，9月份收益0.50%，2024年收益5.40%，年化波动1.47%，最大回撤0.65%[16][18] - 全球资产BL模型1：本周收益0.81%，9月份收益0.76%，2024年收益6.62%，年化波动1.97%，最大回撤0.95%[16][18] - 全球资产BL模型2：本周收益0.62%，9月份收益0.52%，2024年收益5.48%，年化波动1.48%，最大回撤0.64%[16][18] 2. 风险平价模型 - 国内资产风险平价模型：本周收益0.08%，9月份收益0.07%，2024年收益4.46%，年化波动1.15%，最大回撤0.37%[22][23] - 全球资产风险平价模型：本周收益0.13%，9月份收益-0.07%，2024年收益4.90%，年化波动1.03%，最大回撤0.31%[22][23] 3. 基于宏观因子的资产配置模型 - 基于宏观因子的资产配置模型：本周收益0.04%，9月份收益0.06%，2024年收益3.87%，年化波动1.24%，最大回撤0.45%[28][29]