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： 对传统的均值-方差模型（MVO）进行改进，采用贝叶斯理论将投资者对市场的主观观点与量化配置模型有机结合起来，通过融合观点来优化资产配置权重[12] * 模型具体构建过程： 报告提及该模型基于系列研究构建。针对全球资产和国内资产分别构建了两种模型。全球资产BL模型以沪深300、恒生指数、标普500、中债-国债总财富指数、中债-企业债总财富指数与南华商品指数为基础[13]。国内资产BL模型以沪深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黄金为投资标的[13] * 模型评价： 有效解决了均值-方差模型对于预期收益敏感的问题，同时相较纯主观投资具有更高的容错性[12] 2. 模型名称：风险平价模型 * 模型构建思路： 对传统的均值-方差模型的改进，核心思想是使每类资产（因子）对投资组合整体风险的贡献相等[17] * 模型具体构建过程： 分三步构建：第一步，选择合适的底层资产；第二步，计算资产对组合的风险贡献；第三步，求解优化问题计算持仓权重[18]。全球资产风险平价模型基于沪深300指数、标普500指数、恒生指数、中债-企业债总财富指数、南华商品指数和COMEX黄金构建[18]。国内资产风险平价模型基于沪深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黄金构建[18] 3. 模型名称：基于宏观因子的资产配置模型 * 模型构建思路： 构造涵盖增长、通胀、利率、信用、汇率和流动性六大风险的宏观因子体系，建立一个将宏观主观观点进行资产层面落地的配置框架[23] * 模型具体构建过程： 分四步构建：第一步，每月末计算资产的因子暴露水平；第二步，以资产的风险平价组合作为基准，计算基准因子暴露；第三步，根据对未来一个月的宏观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；第四步，带入模型反解得到下个月的各个资产配置权重[23]。该策略使用Factor Mimicking Portfolio方法构造六大宏观风险的高频宏观因子，并以国内8类资产作为资产池[23] 4. 因子名称：宏观因子（增长、通胀、利率、信用、汇率、流动性） * 因子构建思路： 构造一个涵盖六大宏观风险的因子体系，用于连接宏观研究与资产配置[23] * 因子具体构建过程： 通过Factor Mimicking Portfolio方法构造了增长、通胀、利率、信用、汇率和流动性六大宏观风险的高频宏观因子[23] 模型的回测效果 （数据截至2026年5月22日当周或2026年以来，指标值来源于表1及文中描述[10][15][19][28]） 1. 国内资产BL模型1，上周收益0.11%，5月份收益0.46%，2026年收益1.43%，年化波动3.66%，夏普比率1.06，卡玛比率1.76，最大回撤2.21% 2. 国内资产BL模型2，上周收益0.11%，5月份收益0.46%，2026年收益2.57%，年化波动2.99%，夏普比率2.37，卡玛比率5.48，最大回撤1.3% 3. 全球资产BL模型1，上周收益0.06%，5月份收益0.26%，2026年收益2.76%，年化波动2.57%，夏普比率2.96，卡玛比率6.97，最大回撤1.09% 4. 全球资产BL模型2，上周收益0.18%，5月份收益0.49%，2026年收益1.93%，年化波动1.64%，夏普比率3.22，卡玛比率7.52，最大回撤0.7% 5. 国内资产风险平价模型，上周收益0.07%，5月份收益0.15%，2026年收益1.86%，年化波动1.12%，夏普比率4.54，卡玛比率10.23，最大回撤0.5% 6. 全球资产风险平价模型，上周收益0.06%，5月份收益0.18%，2026年收益1.71%，年化波动0.92%，夏普比率5.10，卡玛比率12.15，最大回撤0.39% 7. 基于宏观因子的资产配置模型，上周收益0.01%，5月份收益0.01%，2026年收益2.09%，年化波动2.34%，夏普比率2.45，卡玛比率5.07，最大回撤1.13%