量化模型与构建方式 1. 模型名称：防御性绝对收益原始策略 (DAR original) * 模型构建思路：构建一个与60/40股债组合负相关的多空因子组合，以提供下行保护，且其长期净回报预期为零（不产生回报拖累）[17][38]。 * 模型具体构建过程： 1. 使用一个包含多个资产类别（股票、债券、外汇、商品）因子的集合[17][28]。 2. 在每个月底，使用过去60个月的滚动窗口，计算每个因子与全球60/40股债组合收益的相关性[37]。 3. 根据计算出的相关性对所有因子进行排序。相关性越低（越负）的因子排名越靠前[17]。 4. 构建多空组合：做多与60/40组合负相关性最强的前1/3因子，做空与60/40组合正相关性最强的后1/3因子。中间1/3的因子被剔除[17][37]。 5. 多头和空头两侧的因子均采用等权重配置[37]。 2. 模型名称：收益增强型防御绝对收益策略 (DAR4020) * 模型构建思路：在DAR original的基础上进行改进，通过增加净多头因子暴露，在保持防御属性的同时，获取正的长期因子溢价，从而提升整体收益[19][39]。 * 模型具体构建过程： 1. 前三个步骤与DAR original相同：准备因子池、计算60个月滚动相关性、根据相关性排序[37][44]。 2. 构建多空组合：做多与60/40组合负相关性最强的前40%因子，做空与60/40组合正相关性最强的后20%因子[19][44]。 3. 多头和空头两侧的因子均采用等权重配置[44]。 3. 模型名称：趋势跟踪策略 (Trend-following) * 模型构建思路：通过捕捉资产价格的持续性趋势来获取收益，并在市场发生趋势性逆转时提供下行保护[18][30]。 * 模型具体构建过程： 1. 选取跨资产类别的时间序列动量因子，包括债券趋势因子、商品趋势因子、股指趋势因子及外汇趋势因子[30]。 2. 对于每个资产，计算其过去12个月（剔除最近一个月）的收益率以确定趋势信号[30]。 3. 将上述各资产类别的趋势因子按照等波动率加权的方式组合成一个综合的趋势跟踪策略[30]。 4. 模型名称：50/50 DAR4020与趋势跟踪组合 * 模型构建思路：将DAR4020和趋势跟踪策略相结合，利用两者在不同市场阶段（回撤初期 vs. 持续趋势）的互补性，以分散风险并改善整体防御效果[21][62]。 * 模型具体构建过程： 1. 分别构建DAR4020策略和趋势跟踪策略[44][66]。 2. 将两个策略按50% : 50%的权重进行组合[63][66]。 3. 将组合后的策略波动率调整至5%（与单一防御策略可比）[63][66]。 5. 模型名称：60/40股债组合叠加防御策略 * 模型构建思路：在传统的60/40股债配置基础上，加入防御性策略（如DAR4020、趋势跟踪或其组合），旨在降低组合整体回撤，改善风险收益特征[67][71]。 * 模型具体构建过程： 1. 基准组合构建：全球60/40股债组合由60%的市值加权股票（总回报，美元）和40%的全球GDP加权债券（美元对冲）组成。1871年4月之前，全球债券采用等权重配置[27]。 2. 叠加方式： * 启发式叠加：将波动率调整为5%的防御策略（DAR4020、趋势跟踪或50/50组合）与原始60/40组合简单相加[67][72]。 * 优化叠加：通过优化器确定防御策略的配置权重。目标可以是最小化组合风险或最大化收益风险比。在最大化收益风险比时，可加入约束使叠加后的整体波动率不高于原60/40组合[67][72]。 模型的回测效果 所有防御策略的收益均已根据样本期内实现波动率统一缩放至5%的年化波动率，以增强可比性。60/40组合为原始收益[44][52]。 1. DAR original模型 (1800-2021)：年化收益率0.8%，年化波动率5.0%，信息比率(IR) 0.16，与60/40组合相关性-0.28，贝塔值-0.18，60/40上涨月份平均收益-0.15%，60/40下跌月份平均收益0.49%[44]。 2. DAR4020模型 (1800-2021)：年化收益率2.3%，年化波动率5.0%，信息比率(IR) 0.46，与60/40组合相关性-0.28，贝塔值-0.18，60/40上涨月份平均收益-0.03%，60/40下跌月份平均收益0.61%[44][52]。 3. 趋势跟踪模型 (1800-2021)：年化收益率4.8%，年化波动率5.0%，信息比率(IR) 0.97，与60/40组合相关性-0.05，贝塔值-0.03，60/40上涨月份平均收益0.41%，60/40下跌月份平均收益0.38%[52]。 4. 50/50 DAR4020与趋势跟踪组合 (1800-2021)：年化收益率4.4%，年化波动率5.0%，信息比率(IR) 0.89，60/40上涨月份平均收益0.24%，60/40下跌月份平均收益0.62%[66]。 5. 60/40+DAR4020组合 (1800-2021)：年化收益率9.2%，年化波动率7.9%，信息比率(IR) 1.16[72]。 6. 60/40+趋势跟踪组合 (1800-2021)：年化收益率11.8%，年化波动率9.0%，信息比率(IR) 1.31[72]。 7. 60/40+50/50防御组合 (1800-2021)：年化收益率11.4%，年化波动率8.3%，信息比率(IR) 1.37[72]。 量化因子与构建方式 报告中对单因子的构建过程描述较为概括，主要引用了其他文献。以下根据报告内容整理其提及的因子类型和基本思路。 1. 因子名称：美国股票价值因子 (Value U.S. Equities) * 因子构建思路：基于股息收益率构建，买入高股息收益率股票，卖出低股息收益率股票[29][33]。 * 因子具体构建过程：报告未详述，引用自Baltussen， Van Vliet 和 Van Vliet (2023)的研究[26][29]。 2. 因子名称：美国股票质量因子 (Quality U.S. Equities) * 因子构建思路：基于投资和盈利能力构建，买入高质量（低投资、高盈利）股票，卖出低质量股票[29]。 * 因子具体构建过程：报告未详述，为投资因子与盈利能力因子的等权均值，数据来自Wahal (2019)[26][29]。 3. 因子名称：美国股票动量因子 (Momentum U.S. Equities) * 因子构建思路：买入过去表现好的股票，卖出过去表现差的股票[29]。 * 因子具体构建过程：报告未详述，类似于Jegadeesh和Titman (1993)的WML组合，数据来自Baltussen， Van Vliet 和 Van Vliet (2023)[26][29]。 4. 因子名称：美国股票低风险/反贝塔因子 (BAB U.S. Equities) * 因子构建思路：做多低贝塔资产，做空高贝塔资产，并对多头加杠杆以匹配空头风险[28][46]。 * 因子具体构建过程：报告未详述，引用自Frazzini和Pedersen (2014)的反贝塔因子(BAB)方法[28]。 5. 因子名称：美国股票规模因子 (Size U.S. Equities) * 因子构建思路：买入小市值股票，卖出大市值股票[29]。 * 因子具体构建过程：报告未详述，引用自Fama和French (1992， 1993)的SMB组合[29]。 6. 因子名称：跨资产类别因子 (如趋势、动量、价值、Carry等) * 因子构建思路：在股票指数、债券、外汇、商品等不同资产类别的期货或指数上，运用时间序列动量（趋势）、横截面动量、价值、Carry等策略构建多空组合[28]。 * 因子具体构建过程：报告未详述，引用自Baltussen， Swinkels和Van Vliet (2021)的研究[26][28]。 因子的回测效果 因子收益已按10%年化事前波动率目标缩放[34]。表中数据为全样本（起始日期至2021年12月）年化收益率及与60/40组合的相关性[33][34]。 1. 美国股票价值因子：年化收益率1.12%，与60/40组合相关性-0.32[34]。 2. 美国股票质量因子：年化收益率7.22%，与60/40组合相关性-0.21[34]。 3. 美国股票动量因子：年化收益率6.33%，与60/40组合相关性-0.14[34]。 4. 债券趋势因子：年化收益率6.36%，与60/40组合相关性-0.10[34]。 5. 商品趋势因子：年化收益率6.15%，与60/40组合相关性-0.05[34]。 6. 股指动量因子：年化收益率5.72%，与60/40组合相关性-0.04[34]。 7. 外汇价值因子：年化收益率1.15%，与60/40组合相关性-0.04[34]。 8. 美国股票低风险(BAB)因子：年化收益率5.81%，与60/40组合相关性0.09[34]。 9. 美国股票规模因子：年化收益率1.69%，与60/40组合相关性0.12[34]。