量化模型与因子总结 量化模型与构建方式 1. 模型名称：多资产基金投顾筛选模型 [2][18] * 模型构建思路：为了从众多基金投顾产品中筛选出真正实现跨市场、跨类别多元化配置的产品，避免将“A股+债券”的简单组合误判为多元配置[2][18]。 * 模型具体构建过程： 1. 将基金投顾的持仓拆解为11类大类资产，包括：A股、国内债、货币及现金、港股、美股、海外债券、黄金、新兴市场、其他发达市场、其他商品、REITs[18]。 2. 计算非传统资产的合计权重。非传统资产定义为：从总资产中扣除“A股、债券、货币及现金、港股”这四类传统主流资产后的其余资产[2][18]。 3. 设定阈值：若非传统资产的合计权重超过20%，则将该基金投顾归类为“多资产基金投顾”[2][18]。 2. 模型名称：多资产基金投顾三维标签分类模型 [3][32][34] * 模型构建思路：为精准刻画多资产基金投顾的风险收益特征与策略风格，构建一个包含风险偏好、资产配置集中度、大类资产换手率三个维度的分类体系[3][32]。 * 模型具体构建过程： 1. 风险偏好标签：依据组合中生息资产与增值资产的配置比例划分。若生息资产权重超过70%，归类为偏债型；若增值资产权重超过70%，归类为偏股型；其余情形归为平衡型[34]。 2. 集中度标签：采用赫芬达尔-赫希曼指数（HHI）衡量组合在大类资产上的配置集中度。计算公式为： $HHI = \sum w_i^2$ 其中，$w_i$ 为第 $i$ 类大类资产的配置权重[34]。 设定阈值：HHI > 0.5 为高集中度，HHI < 0.25 为低集中度，介于两者之间为中集中度[34]。 3. 换手率标签：以近两年大类资产维度的年化单边换手率为计算口径，衡量投顾在大类资产层面的择时调整频率[34]。 设定阈值：换手率 > 2倍 定义为高换手率，< 1倍 定义为低换手率，其余区间为中换手率[34]。 3. 模型名称：多资产基金投顾Brinson业绩归因模型 [42][45][46] * 模型构建思路：为评估多资产基金投顾超额收益的来源，将总超额收益分解为资产配置收益（反映大类资产择时能力）和选基收益（反映底层基金优选能力）两部分[42]。 * 模型具体构建过程： 1. 资产配置收益：衡量投顾主理人对大类资产的择时配置能力。计算公式为： $R_{allocation} = \sum_i (w_i^{actual} - w_i^{benchmark}) \times r_i^{asset}$ 其中，$w_i^{actual}$ 为第 $i$ 类大类资产的实际配置权重，$w_i^{benchmark}$ 为第 $i$ 类大类资产在同类风险偏好（偏股型/偏债型/平衡型）下的战略基准配置权重，$r_i^{asset}$ 为第 $i$ 类大类资产的区间收益率[42]。 2. 选基收益：剔除资产配置收益后剩余的收益部分，反映主理人在各资产类别内部优选基金的能力。计算公式为： $R_{selection} = R_{excess} - R_{allocation}$ 其中，$R_{excess}$ 为基金投顾产品相对于其风险偏好基准的总超额收益[45][46]。 模型的回测效果 1. 多资产基金投顾三维标签分类模型 [37][38][39] * 风险偏好维度（2023-2025年化收益率）： * 偏债型：2025年 7.4%，2024年 5.9%，2023年 3.9%[39] * 平衡型：2025年 15.7%，2024年 8.8%，2023年 -4.7%[39] * 偏股型：2025年 18.5%，2024年 10.5%，2023年 -1.0%[39] * 集中度维度（2023-2025年化收益率）： * 低集中度 (HHI<0.25)：2025年 17.7%，2024年 8.2%，2023年 0.4%[39] * 中集中度：2025年 13.0%，2024年 6.9%，2023年 -4.0%[39] * 高集中度 (HHI>0.5)：2025年 7.8%，2024年 6.9%，2023年 3.9%[39] * 换手率维度（2023-2025年化收益率）： * 低换手率 (<1倍)：2025年 15.6%，2024年 8.8%，2023年 1.7%[39] * 中换手率：2025年 10.6%，2024年 7.3%，2023年 0.5%[39] * 高换手率 (>2倍)：2025年 11.2%，2024年 7.6%，2023年 -5.4%[39] 2. 绩优偏股型多资产基金投顾（近两年年化收益率前五） [47][49] * 国泰进取全球配置：2026年以来区间收益率10.3%，2025年年化收益率37.3%，2024年年化收益率25.0%，2023年年化收益率-2.6%；2025年年化夏普比率1.4；2025年超额年化配置收益10.5%，超额年化选基收益6.3%[49] * 富贵闲人：2026年以来区间收益率7.9%，2025年年化收益率28.7%，2024年年化收益率12.5%，2023年年化收益率-1.5%；2025年年化夏普比率1.7；2025年超额年化配置收益3.6%，超额年化选基收益5.5%[49] * 全球精选：2026年以来区间收益率6.3%，2025年年化收益率28.6%，2024年年化收益率12.5%，2023年年化收益率-1.2%；2025年年化夏普比率2.1；2025年超额年化配置收益2.7%，超额年化选基收益4.5%[49] * 环球日积月累：2026年以来区间收益率6.5%，2025年年化收益率26.8%，2024年年化收益率9.5%，2023年年化收益率-5.5%；2025年年化夏普比率1.6；2025年超额年化配置收益6.6%，超额年化选基收益1.8%[49] * 招商海外掘金：2026年以来区间收益率3.8%，2025年年化收益率34.2%，2024年年化收益率9.4%，2023年年化收益率4.0%；2025年年化夏普比率3.2；2025年超额年化配置收益-0.8%，超额年化选基收益14.5%[49] 3. 绩优偏债型多资产基金投顾（近两年年化收益率前五） [55][58] * 全球固收+：2026年以来区间收益率2.0%，2025年年化收益率9.6%，2024年年化收益率9.4%，2023年年化收益率0.5%；2025年年化夏普比率2.3；2025年超额年化配置收益2.6%，超额年化选基收益1.3%[58] * 嘉实百灵全天候策略：2026年以来区间收益率1.0%，2025年年化收益率8.9%，2024年年化收益率9.7%，2023年年化收益率3.7%；2025年年化夏普比率3.1；2025年超额年化配置收益3.8%，超额年化选基收益0.5%[58] * 省心投配置宝：2026年以来区间收益率1.3%，2025年年化收益率10.8%，2024年年化收益率5.0%；2025年年化夏普比率3.1；2025年超额年化配置收益2.3%，超额年化选基收益1.0%[58] * 老有所依：2026年以来区间收益率2.3%，2025年年化收益率7.6%，2024年年化收益率8.1%，2023年年化收益率1.0%；2025年年化夏普比率2.8；2025年超额年化配置收益-3.1%，超额年化选基收益4.3%[58] * 兴全多元收益：2026年以来区间收益率1.0%，2025年年化收益率8.6%，2024年年化收益率5.2%；2025年年化夏普比率2.1；2025年超额年化配置收益2.0%，超额年化选基收益-0.6%[58] 4. 绩优平衡型多资产基金投顾（近两年年化收益率前五） [64][68] * 天马进取：2026年以来区间收益率3.4%，2025年年化收益率21.4%，2024年年化收益率15.2%，2023年年化收益率-18.4%；2025年年化夏普比率1.1；2025年超额年化配置收益-0.9%，超额年化选基收益13.6%[68] * 时光旅行者：2026年以来区间收益率2.5%，2025年年化收益率21.3%，2024年年化收益率22.4%，2023年年化收益率3.1%；2025年年化夏普比率2.4；2025年超额年化配置收益15.6%，超额年化选基收益-10.3%[68] * 思远定投全球好资产：2026年以来区间收益率4.5%，2025年年化收益率23.4%，2024年年化收益率11.0%，2023年年化收益率5.5%；2025年年化夏普比率2.1；2025年超额年化配置收益-3.8%，超额年化选基收益8.4%[68] * 月食计划：2026年以来区间收益率3.2%，2025年年化收益率17.4%，2024年年化收益率7.3%，2023年年化收益率-12.1%；2025年年化夏普比率1.5；2025年超额年化配置收益2.8%，超额年化选基收益-0.6%[68] * 绘盈长投计划：2026年以来区间收益率1.5%，2025年年化收益率15.5%，2024年年化收益率15.2%，2023年年化收益率11.1%；2025年年化夏普比率1.9；2025年超额年化配置收益3.6%，超额年化选基收益-4.4%[68] 量化因子与构建方式 1. 因子名称：集中度因子（HHI） [34] * 因子构建思路：量化多资产基金投顾组合在大类资产配置上的分散程度，高HHI值代表配置集中于少数资产，低HHI值代表配置分散[34]。 * 因子具体构建过程： 1. 获取基金投顾在11类大类资产上的配置权重 $w_i$[34]。 2. 计算赫芬达尔-赫希曼指数（HHI）： $HHI = \sum_{i=1}^{11} w_i^2$ 其中，$w_i$ 为第 $i$ 类大类资产的配置权重[34]。 2. 因子名称：大类资产换手率因子 [34] * 因子构建思路：衡量多资产基金投顾在大类资产层面的择时调整频率，高换手率代表频繁进行大类资产轮动，低换手率代表坚持战略配置、调仓频率低[34]。 * 因子具体构建过程： 1. 基于基金投顾的定期持仓报告，计算相邻两期在大类资产维度上的单边调仓比例[34]。 2. 计算近两年的年化单边换手率作为因子值[34]。 对模型或因子的评价 1. 多资产基金投顾三维标签分类模型：该模型有效揭示了不同策略风格的风险收益特征，数据验证表明，低集中度（分散配置）和低换手率（低频择时）的产品整体长期业绩更佳，而高频择时策略可能因交易成本和踏空风险效果欠佳[3][37][38]。 2. Brinson业绩归因模型：该模型成功将多资产基金投顾的超额收益分解为配置收益和选基收益，揭示了不同绩优产品的主要收益来源存在显著差异，例如有的产品主要依靠大类资产择时，有的则依靠底层基金优选[42][48][56][65]。 3. 集中度因子（HHI）：是一个有效衡量资产配置分散度的指标，回测结果显示，低集中度（高分散）策略在结构性行情中表现更优，但过度分散可能削弱收益弹性[34][37][47]。 4. 大类资产换手率因子：该因子表明，在大类资产层面进行频繁择时（高换手率）与收益呈现负相关关系，坚持战略资产配置、降低交易频率的策略更有可能在波动中获取稳定收益[3][34][38]。