量化模型与构建方式 1. 目标波动率配置模型 1. **模型名称**：目标波动率3%配置策略[84][85][86] * **模型构建思路**：构建一个以控制组合整体波动率为核心目标的资产配置策略，将年化波动率目标设定为3%[84][87]。 * **模型具体构建过程**：模型基于风险预算框架进行资产配置。具体过程未在提供内容中详细描述，但核心是通过动态调整各类资产（如股票、债券等ETF）的权重，使得整个投资组合的预期年化波动率稳定在3%左右[84][86]。 2. **模型名称**：目标波动率5%配置策略[89][90][91] * **模型构建思路**：构建一个以控制组合整体波动率为核心目标的资产配置策略，将年化波动率目标设定为5%[89][92]。 * **模型具体构建过程**：模型基于风险预算框架进行资产配置。具体过程未在提供内容中详细描述，但核心是通过动态调整各类资产（如股票、债券等ETF）的权重，使得整个投资组合的预期年化波动率稳定在5%左右[89][91]。 2. 宏观打分资产配置模型 1. **模型名称**：境内股债宏观打分配置策略[99][100][101] * **模型构建思路**：以获取绝对收益为目标，通过宏观指标对境内股债两类资产进行打分，动态调整配置比例，实现多元资产配置[101]。 * **模型具体构建过程**：每月末根据经济增长、通货膨胀、货币政策、估值、情绪等五大类宏观指标对股票和债券资产进行打分。根据打分结果决定下个月的资产配置比例。例如，当股票得分高时超配股票ETF（如沪深300、中证1000 ETF），低配债券ETF；反之则超配债券ETF，低配股票ETF[101][102]。 2. **模型名称**：全球资产宏观打分配置策略[104][105][106] * **模型构建思路**：以获取绝对收益为目标，通过宏观指标对全球范围内的多类资产（包括A股、港股、美股、德股、日股、黄金等）进行打分，动态调整配置比例，实现全球多元资产配置[106]。 * **模型具体构建过程**：每月末根据各类资产的宏观指标进行打分。根据打分结果决定下个月的资产配置比例。可配置的资产包括代表A股的沪深300ETF、中证1000ETF，代表港股的恒生指数ETF，代表美股的标普500ETF，代表德股的DAX指数ETF，代表日股的日经225指数ETF，以及黄金ETF等[106][107]。 3. 风格轮动配置模型 1. **模型名称**：大盘 vs 小盘风格轮动策略（基于中证800成分）[110][111] * **模型构建思路**：在中证800指数成分股范围内，通过多维度打分模型，动态判断并轮动配置大盘风格（沪深300）与小盘风格（中证500）的ETF[110]。 * **模型具体构建过程**：每月末进行调仓。首先，计算沪深300指数与中证500指数的风格得分，得分维度包括估值、盈利、成长、分析师预期、动量、波动率等。然后，比较两者得分，选择得分更高的一类风格进行超配，同时低配另一类风格。具体表现为：全仓持有得分高风格对应的ETF（如300ETF或500ETF）[110][112]。 2. **模型名称**：价值 vs 成长风格轮动策略[117][118] * **模型构建思路**：通过多维度打分模型，动态判断并轮动配置价值风格与成长风格的ETF[118]。 * **模型具体构建过程**：每月末进行调仓。选取代表价值风格的ETF（如上证红利ETF，510880.SH）和代表成长风格的ETF（如创业板ETF，159915.SZ）。通过多维度指标对价值和成长风格进行打分，比较两者得分，选择得分更高的一类风格进行超配，同时低配另一类风格[118][119]。 3. **模型名称**：300增强 vs 300ETF轮动策略[125][126][127] * **模型构建思路**：在沪深300指数范围内，通过多维度打分模型，动态选择是持有被动跟踪的300ETF，还是持有具备增强效应的主动管理型300增强基金[125][127]。 * **模型具体构建过程**：每月末进行调仓。对300增强基金（作为备选池）和基准300ETF进行多维度打分。如果300增强基金的综合得分超过300ETF，则配置300增强基金；否则，配置300ETF[127][128]。 4. 行业轮动配置模型 1. **模型名称**：四维度行业轮动策略（基本面+市场面）[130][131] * **模型构建思路**：从基本面、市场面、事件驱动、资金流向四个维度对行业进行打分，筛选出高景气度行业，构建ETF投资组合[131]。 * **模型具体构建过程**：每月末进行调仓。具体四个维度包括：1）基本面（如盈利增速、ROE变化）；2）市场面（如动量、波动率）；3）事件驱动（如政策、产业新闻）；4）资金流向（如北向资金、公募基金持仓）。对中证800的各二级行业进行打分，选取综合得分最高的若干个行业，等权配置其对应的行业ETF[131][132]。 2. **模型名称**：四象限月度行业轮动策略[133] * **模型构建思路**：根据行业的“景气度趋势”和“拥挤度”两个核心指标，将行业划分为四个象限，并据此进行行业轮动配置[133]。 * **模型具体构建过程**：每月末进行调仓。首先，计算每个行业的景气度趋势得分（反映基本面变化方向）和拥挤度得分（反映交易过热程度）。然后，将行业划分到“高景气-低拥挤”、“高景气-高拥挤”、“低景气-低拥挤”、“低景气-高拥挤”四个象限中。策略核心是超配“高景气-低拥挤”象限的行业，低配或规避“低景气-高拥挤”象限的行业，并配置对应的行业ETF[133]。 模型的回测效果 1. **目标波动率3%配置策略**，年化收益率6.74%，年化波动率3.37%，最大回撤-3.72%，夏普比率1.38，卡玛比率1.81，索提诺比率1.89[86] 2. **目标波动率5%配置策略**，年化收益率8.04%，年化波动率4.48%，最大回撤-4.41%，夏普比率1.33，卡玛比率1.82，索提诺比率1.79[91] 3. **权益增强资产配置策略**，年化收益率11.66%，年化波动率5.72%，最大回撤-8.64%，夏普比率1.67，卡玛比率1.35，索提诺比率2.28[96] 4. **境内股债宏观打分配置策略**，年化收益率6.98%，年化波动率3.74%，最大回撤-4.21%，夏普比率1.77，卡玛比率1.66，索提诺比率3.32[101] 5. **全球资产宏观打分配置策略**，年化收益率11.15%，年化波动率3.91%，最大回撤-3.40%，夏普比率2.76，卡玛比率3.28，索提诺比率5.24[106] 6. **大盘 vs 小盘风格轮动策略（基于中证800成分）**，年化收益率26.65%，年化波动率29.45%，最大回撤-56.91%，信息比率(IR)1.19，月度胜率63.89%[110] 7. **大盘 vs 小盘风格轮动策略（基于300ETF vs 1000ETF）**，年化收益率11.53%，年化波动率21.07%，最大回撤-35.19%，信息比率(IR)0.85，月度胜率61.11%[114] 8. **价值 vs 成长风格轮动策略**，年化收益率22.64%，年化波动率26.03%，最大回撤-56.48%，信息比率(IR)1.05，月度胜率53.85%[118] 9. **价值 vs 成长风格轮动策略（基于300ETF vs 创业板ETF）**，年化收益率25.58%，年化波动率23.75%，最大回撤-50.98%，信息比率(IR)1.51，月度胜率66.67%[122] 10. **300增强 vs 300ETF轮动策略**，年化收益率16.64%，年化波动率18.05%，最大回撤-29.93%，信息比率(IR)1.17，月度胜率56.67%[127] 11. **四维度行业轮动策略（基本面+市场面）**，年化收益率20.17%，年化波动率22.94%，最大回撤-35.59%，信息比率(IR)1.42，月度胜率66.67%[131] 12. **四象限月度行业轮动策略**，年化收益率16.22%，年化波动率26.14%，最大回撤-44.33%，信息比率(IR)1.02，月度胜率56.77%[133] 量化因子与构建方式 *（注：提供的报告内容主要侧重于资产配置模型和策略的构建与回测，未详细阐述底层个股层面的量化因子（如价值、动量、质量等因子）的构建方法。报告中的“风格轮动”和“行业轮动”是基于对风格指数或行业指数的综合打分，而非从个股因子合成到组合的传统量化因子模型。因此，本部分无具体量化因子构建内容。）* 因子的回测效果 *（注：同“量化因子与构建方式”部分说明，报告未提供底层量化因子的独立测试结果。）*

报告核心观点 本报告旨在为不同风险偏好的投资者提供一套基于风险平价和风险预算模型的、可落地的ETF资产配置策略体系[1][7] 报告通过构建多维动量评分体系动态调整资产风险预算，并引入高夏普比率的“短融ETF”作为风险调节阀，为低风险偏好投资者设计了目标波动分别为3%和5%的绝对收益策略，历史年化收益分别达**6.74%** 和**8.04%**，且自2016年以来每年均获得正收益[4] 针对高风险偏好投资者，报告在多元资产分散基础上，叠加了基于宏观因子的“沪深300红利低波ETF”与“沪深300成长ETF”月频轮动模型进行权益增强，构建的策略年化收益达**11.66%**，夏普比率为**1.56**，同样实现了自2016年起每年正收益[4] 构建资产配置组合的准备步骤 - **明确四大核心步骤**：构建成熟可复制的ETF资产配置组合需遵循四大步骤：明确风险收益目标、依据有效性与流动性精选低相关性资产、引入科学的量化配置模型（如风险平价）、设定纪律化的动态再平衡机制[4][8][9] - **强调多元配置的必要性**：多元资产配置能分散单一资产尾部风险、平滑资金曲线，并能适应宏观周期切换，实现“全天候”投资，而ETF因其低费率、高透明度等优势是实现多元配置的最优载体[11] - **精选标的三大原则**：选取ETF底层资产应遵循有效性（经济属性与风险溢价来源可靠）、分散性（覆盖风险溢价来源广、资产间相关性低）和流动性（交易成本与变现能力）原则[12] - **构建底层资产池**：报告从场内ETF中选取了横跨股票、债券、美股、黄金和商品等多个大类、共15只流动性好、规模较大的ETF作为策略标的池，并对其进行了回溯填充处理以用于历史回测[13][14][15][16] 低风险偏好的资产配置策略 - **策略核心与基底模型**：针对低风险偏好投资者，策略核心在于防御与稳定性，选择以风险预算模型为基底，并通过动量信号对预算进行调整以实现收益增强[19][20] - **构建多维动量评分体系**：为消除单一动量因子的随机性，报告从长短期趋势、风险调整收益、相对价格位置等维度构建了**11个**基础动量指标，并通过处理共线性问题最终合成为五个正交的动量评分因子[21][22][24][25][27] - **风险预算模型与波动控制方法**：策略将资产的动量评分通过指数函数映射为正的风险预算，并创新性地引入高夏普比率（全区间达**2.91**）的“短融ETF”作为风险调节阀，通过动态调整其仓位来将组合波动精准控制在目标水平（如3%或5%）[35][36][37][39] - **目标波动3%绝对收益策略表现**：该策略历史年化收益为**6.74%**，最大回撤为**3.72%**，年化波动为**3.37%**，夏普比率为**1.38**，卡玛比率为**1.81**[49] - **目标波动5%绝对收益策略表现**：该策略历史年化收益为**8.04%**，最大回撤为**4.41%**，年化波动为**4.48%**，夏普比率为**1.33**，卡玛比率为**1.82**，相较于不控波动的原始策略，最大回撤有明显改善[53] 高风险偏好的资产配置策略 - **策略核心与增强设计**：针对高风险偏好投资者，策略在不使用杠杆的前提下，通过将底层资产聚焦于高波动标的，并专项叠加权益端的收益增强设计来提升投资性价比[54][57] - **构建红利-成长轮动模型**：报告深度结合美债利率、信用环境、经济景气度及市场情绪等多维宏观因子，构建了“沪深300红利低波ETF”与“沪深300成长ETF”的月频轮动模型，该轮动策略全区间年化收益达**16.65%**，相较于沪深300ETF有明显优势[58][59][63] - **权益增强多元配置策略表现**：将上述轮动模型与以风险平价为基底的多元资产配置策略结合，构建的策略历史年化收益达**11.66%**，年化波动为**5.72%**，最大回撤为**8.64%**，夏普比率高达**1.67**，在多数年份提供了**10%以上**的年化收益[67]

多元资产配置的背景与动因 - 地缘政治事件（如中东冲突）作为“黑天鹅”加剧了市场不确定性，推动资金流向油价及金银等避险资产 [2] - 利率持续下行，使得单纯持有债券或存款难以满足基本收益预期，即使年化收益目标仅为3%-4%，投资者也必须走出“躺赢”舒适区 [2] - 复杂的外部环境（包括制裁、谈判等）使投资者深刻认识到需要通过不同类型的资产来对冲波动，即“鸡蛋不能放一个篮子” [2] - 2025年市场为多元资产配置提供了实证，先行者在股票（基金）和黄金上均获得收益，且整体回撤更小，产生了显著的收益效应并推广了该理念 [2] 实施多元资产配置的核心挑战 - 从“知道”到“能做”多元资产配置，中间至少存在三重主要障碍 [3] 第一重挑战：建立投资框架 - 投资框架是将投资目标转化为具体行动和流程的基础，其底层是基本投资观，需明确收益来源并厘清个人需求 [5] - 投资者需诚实回答：赚什么钱、能承受多大亏损、期望多少收益、真正了解哪些资产 [5] - 缺乏成熟框架易陷入简单分类陷阱，如固定股债比例配置或买入不同行业股票，这可能忽视资产间的波动相关性，导致无法降低单一资产下行冲击，形成无效分散 [5] - 只有基于自身收益预期和风险承受能力，在自己理解的资产中找到合适的“投资配方”，才能避免为了分散而分散 [5] 第二重挑战：确立决策坐标系（心中有锚） - 面对市场波动，投资者需要一套属于自己的、可观测、可验证、可应对的决策坐标系作为“锚” [6] - 没有“锚”的投资者会追逐市场热点和叙事，容易在涨跌中煎熬；有“锚”的投资者则能在恐慌中看到机会，在亢奋时想到风险 [6] - 基金经理唐军提出，应在不同维度和层面建立相对独立的决策框架，例如将股票资产配置分为战略配置仓位（取决于股市中长期观点）和战术配置仓位（取决于中短期的“预期差”模型） [6] - 类比从上海开车到北京：战略是定大方向（往北开，走特定高速），战术是应对途中事故或拥堵进行小段绕行，两者结合确定配置锚点，提高安全准时到达的概率 [6] 第三重挑战：进行风险预算 - 风险预算指在配置某一资产前，根据其自身波动性及与组合内其他资产的相关性，确定该资产的最高配置比例，核心是思考“最多能买多少”以及下跌是否会拖垮整个组合 [7] - 基金经理唐军举例：若因看好黄金中长期表现而战略配置，但未做科学风险预算、配置比例过高，则可能在黄金阶段性回撤时，为控制账户总回撤而被迫减仓 [7] - 未算好风险账可能导致长期判断正确却倒在黎明前；反之，若买入前做好风险预算，明确配置比例即使波动20%组合也能承受，则能安心持有并赚取收益 [7] 能力养成的路径与建议 - 多元资产配置能力的养成需要时间熬出来的功力，包括对市场的敬畏、人性的洞察以及在涨跌中磨炼出的心态和纪律意识，这些无法速成 [9] - 起步建议从自己熟悉的领域开始，例如若对股票和债券有基本认知，可从股债组合起步，不必强求一开始就覆盖股票、债券、商品、外汇等所有资产类别，以免顾此失彼 [9] - 可阅读资深从业者（如基金经理唐军）的实践思考、总结与经验教训以汲取养分，例如其关于“做配置，如何避免追涨？”和“配置是个‘体力活’”的见解 [9][10] - 投资忌追风，应掌握基本技能，从熟悉的领域试手，观察学习资深者的方法，耐心拓展自身能力圈 [10]

报告行业投资评级 未提及 报告的核心观点 - 2026年1月配置建议涵盖A股、国内债市、美股、日股、印股和黄金等资产，A股关注周期中盘蓝筹与国产AI等行业，国内债市关注短端品种，美股、日股短期偏中性震荡，印股短期偏弱震荡，黄金短期强势且中长期配置价值显著 [7] - 介绍了“组合保险 + 风险预算”两阶段稳健型多资产组合设计方法，兼顾收益弹性与风险控制 [7] - 提出股债目标中枢风险预算策略、低波动“固收 +”策略和两类全球大类资产配置策略，并展示了各策略的业绩表现与配置权重 [7] 根据相关目录分别进行总结 市场回顾与配置展望 - 市场回顾：2025年黄金表现亮眼，全球权益表现分化，债券相对低迷，黄金涨幅58.57%领先，印股小幅回落 [15][16] - 资产配置展望：A股经济景气与通胀回升支撑中长期走势，关注短期回调风险和化工等行业；国内债市偏中性，关注短端品种；美股、日股短期中性震荡；印股短期偏弱震荡；黄金短期强势，中长期配置价值显著 [18][20][22][31][34][38] 稳健型组合设计思路：“组合保险 + 风险预算”两阶段法 - 资产配置模型在国内投资应用的困境：均值 - 方差最优化及其衍生模型对收益与风险敏感，风险平价模型在国内投资中权益资产占比过低 [45] - 优化思路1：利用组合保险方法优化高风险资产的夏普比，以国内股债CPPI组合为例，能有效优化A股长期收益风险比 [52] - 优化思路2：融合目标配置中枢风险预算策略，股债风险预算之比等于目标股债配置中枢平方乘以波动率之比平方，可动态调整配置权重 [59][60][61] - “组合保险 + 风险预算”：兼顾收益弹性与风险控制，第一阶段提高组合夏普比，第二阶段进行风险预算投资组合，决策不依赖资产收益预测 [63] 股债目标配置中枢风险预算组合 - 投资情景与方案设计：采用融合股债目标配置中枢的动态风险预算方法，构建股债RB和股债CPPI_RB两类组合，配置中枢为1:9、2:8、3:7 [67][68][69] - 组合业绩分析：回测区间内，融合股债目标配置中枢风险预算策略业绩优于固定配置中枢股债组合，股债CPPI_RB组合更优 [70] - 配置权重与边际变化：三类配置中枢组合股债配置满足目标要求，2025年12月底股债RB组合适度增持A股，债券内部增持长债、降低短债 [75] 低波动“固收 +”组合 - 投资情景与方案设计：加入黄金资产降低股债双杀风险，采用“组合保险 + 风险预算”两阶段法，配置中枢为股:黄:债 = 1:1:4 [80][81] - 组合业绩分析：回测区间内年化收益率7.08%，年化波动率3.47%，最大回撤 - 4.92%，业绩表现良好 [83] - 配置权重与边际变化：2025年12月底边际增持短融，降低其他资产权重，两阶段分别调整子组合内部和子组合间权重 [90] - 策略落地：可由ETF资产实现跟踪，2023年以来年化收益与基于ETF构建的组合相近 [95] 全球大类资产配置组合 - 投资情景与方案设计：通过全球资产配置分散风险，采用“组合保险 + 风险平价”两阶段法构建FOF组合 [102][104] - 全球多资产配置策略I：选取A股、债券、黄金、美股四类资产，回测区间内年化收益率11.85%，2025年录得20.94%，2025年12月底边际增持政金债，减持其他资产 [105][106][111] - 全球多资产配置策略II：在策略I基础上增加日股、印股，回测区间内年化收益率10.25%，2025年录得13.56%，2025年12月底边际增持孟买30和政金债，减持其他资产 [125][126][133]

彭博投资管理论坛核心观点 - 论坛聚焦宏观量化情景分析、风险预算、多资产因子模型及风险管理实践等热门话题，探讨量化投研策略如何重塑资产管理行业[1] - 彭博凭借前瞻视野、高质量数据、先进技术，持续开发数据与分析工具以支持投资者决策[1][3] 宏观量化情景分析 - 彭博研发基于因子的宏观量化情景分析模型，将宏观变量与主要驱动因素和因子模型连接，利用3000×3000的因子协方差矩阵每日更新，精细刻画资产间相关性与风险传导[4] - 用户可自由设定宏观变量冲击幅度及驱动因素分配权重，灵活模拟不同经济环境下投资组合表现[6] 风险预算在股票配置中的应用 - 风险预算策略利用A股低相关性和波动差异，系统性调整配置，减少对高波动、高相关性板块的暴露，从而在波动中有效帮助减少损失[7] - 在风险预算策略中加入限制条件可有效降低跟踪误差及换手率，使每个资产对组合风险贡献均衡而非仅看权重[9] 多资产策略与风险管理实践 - 多资产策略创新更多为启发投资者、降低风险，而非单纯追求收益，机构核心竞争力在于交易执行能力、宏观研究与交易工具选择[10] - 全球资管公司最佳实践包括以优化器构建资产组合、风险监控与情景分析，定期进行绩效归因与分析，并持续优化与再平衡[12] - 风险控制和管理在投资决策中非常重要，由风险角度出发的策略对捕捉alpha帮助很大，风险预测更稳定且易于量化，采用风险平价等方法可提升组合稳健性[13] 彭博组合管理和因子模型方案 - 客户可通过彭博PORT Enterprise一站式获得组合配置分析、绩效归因、风险分析、压力测试等服务，或选用风险模型数据包将多资产风险数据接入内部系统[15] - 两种方案均搭载彭博独有的跨资产风险模型，覆盖中国及全球股票、债券、大宗商品、另类资产等多个类别[17] 因子投资与另类数据 - 利用另类数据和机器学习应对因子动物园挑战，基于彭博供应链数据开发出集中度风险因子、支配力评分因子等创新因子[17] - 使用NeuralBeta深度学习模型动态估算Beta来预测未来波动率和方差，其表现显著优于传统OLS等方法[19]

框架构建 - 分析美林时钟框架在特定历史背景下有效及失效的原因 [5] - 引入“信用-货币”框架作为新的宏观分析工具，并基于此框架描述当前宏观状态 [5] - 根据当前的宏观状态推导出相应的资产配置结论 [5] 配置与组合构建 - 探讨主动资产配置相较于被动配置所能解决的核心问题 [5] - 实施主动资产配置所需的前期准备工作 [5] - 分析配置先行的FOF基金能解决的投资问题 [9] - 阐述在战略层面和战术层面如何执行资产配置策略 [9] - 解释风险预算概念及其在既定预算下构建投资组合的方法 [9] 投资理念与思维 - 探讨投资框架在投资决策中的重要性 [9] - 分析逻辑思维对于投资的意义 [9] - 阐述概率思维的概念以及如何运用概率思维来理解市场择时 [9] - 介绍回报流概念，探讨哪些资产类别可以构成不同的回报流，并分析桥水基金的相关实践 [9]

资产配置框架的性质 - 资产配置并非单一模型，而是一套覆盖维度广泛的研究体系，工作量巨大 [1] - 主动配置被视为一项"体力活"，强调其需要多维度研究，而非否定其技术性和专业性 [1] 被动配置的局限性 - 被动配置旨在通过分散投资利用资产间的低相关性来降低波动，同时获得基础资产的平均收益率 [5] - 使用历史平均收益率作为预期收益率会导致配置模型追涨过去表现好的资产 [5] - 资产间的相关性不稳定，例如2008年金融危机后美股和美债的负相关性（跷跷板效应）减弱，导致分散效果打折 [6] - 被动配置效果高度依赖基础资产本身的表现，国内A股过去十年年化收益率仅2.2%，而最大回撤达-48%，过去二十年年化收益率为8.7%，最大回撤为-73% [13] - 国内中债财富指数过去十年年化收益率为4.1%，配置A股可能无法有效增厚收益反而放大波动，例如配置22%的A股（过去二十年表现）以期增厚1%收益，需承受约-16%的最大回撤 [14] 主动配置的可行性与挑战 - 从概率和长期视角看，择时配置是可行的，专业研究可将胜率提升至50%以上，长期在资产高估时低配、低估时超配是可行的 [18] - 宏观驱动逻辑会变化，没有一成不变的策略，例如美林时钟在2008年后因政府强力干预经济而失效，研究框架需持续调整 [21] - 主动配置需要多维度"下注"，寻找或构建15-20个良好的、互不相关的回报流以降低风险并维持预期收益 [22] - 在国内公募FOF实践中，通过在资产配置、风格、行业、基金选择等多个维度和层面建立相对独立的决策框架来提升效果，工作量巨大 [23] - 严格的风险预算是主动配置的重要组成部分，需根据资产波动性和相关性设定配置比例上限，以承受逻辑外因素带来的波动 [24][25] 核心结论 - 国内基础资产类别有限且A股呈现低收益、高波动特征，导致被动配置效果不理想，促使转向主动配置 [27] - 主动配置需应对宏观逻辑变化，通过多维度、多层次的独立决策框架和严格风险预算来提升效果和实现配置观点 [27]

核心观点 - 在无风险收益下行时代，传统银行理财难以满足投资者需求，多元化资产配置成为更优解决方案 [1] - 华夏基金通过双轮驱动模式，为机构投资者提供专户产品，满足低波稳健收益需求 [1] - 多元稳健收益团队由固定收益总监范义领衔，通过四大长期策略形成稳健收益 [1][2] 投资策略框架 负债端特征驱动 - 专户产品需严格满足机构客户对底层持仓穿透要求，坚决放弃信用下沉策略 [4] - 通过充分沟通明确客户负面清单，聚焦宏观久期收益和多资产收益 [4] - 在约束条件下做减法，转向更可持续的收益来源 [4] 多资产能力构建 - 基于MVP宏观模型建立久期策略优势，2018年前瞻性提高组合久期 [7] - 重点布局可转债市场，配置10+投研人员深度挖掘定价偏离机会 [8][10] - 将可转债作为能力拓展跳板，实现从纯债到多资产的全覆盖 [10] 投资理念进化 - 从"信仰驱动"转向"质量驱动"，建立价值投资框架 [12] - 强调现金流折现本质，债券与股票收益来源具有一致性 [13] - 通过跨资产投资经历培养自下而上研究能力 [12] 团队管理机制 纪律与自主平衡 - 采用主账户人模式统一风险收益特征 [15] - 在风险预算框架下给予基金经理自主决策空间 [15] - 区分纪律底线与行为限制，实现约束与创新的平衡 [15] 多元化团队建设 - 团队成员具备差异化专业背景：宏观周期、转债成长、量化模型等 [17] - 细分策略专人负责，包括ABS、类利率债、高收益债等 [18] - 通过集体智慧应对市场变化，提高决策胜率 [19] 行业趋势应对 - 低利率环境下，向多策略和多资产要收益成为核心能力 [21] - 资管行业进入护城河构建阶段，平台化能力成为竞争关键 [22] - 机构投资者更看重定制化解决方案能力，而非单一业绩指标 [22]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **高频宏观因子模型** - 构建思路：通过资产组合模拟构建高频宏观因子体系，观察市场交易的宏观预期变化[12] - 具体构建过程： 1. 对利率、汇率、信用等因子直接通过相关指数多空组合构建 2. 对高频经济增长和通胀因子： - 合成低频宏观指标（如工业增加值同比、CPI同比等） - 筛选领先于低频指标的资产（如恒生指数、CRB金属现货等） - 通过滚动多元回归确定资产权重，构建投资组合模拟宏观因子走势[12][13] - 评价：高频指标对低频宏观数据具有领先性，能有效捕捉市场预期变化[13] 2. **债券久期择时模型** - 构建思路：基于改进的Diebold2006模型预测收益率曲线变化[20] - 具体构建过程： - 水平因子预测：结合宏观变量预判和政策利率跟随 - 斜率/曲率因子预测：采用AR(1)模型 - 映射不同久期债券的预期收益[20] - 评价：能动态捕捉利率曲线形态变化 3. **黄金预期收益模型** - 构建思路：将黄金与TIPS实际回报关联[32] - 具体公式： $$E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$$ $$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$$ 其中k通过扩展窗口OLS估计，π^e取美联储2%通胀目标[32] - 评价：模型对黄金长期趋势有较强解释力 4. **主动风险预算模型** - 构建思路：将风险平价与主动信号结合动态调整股债配置[37][38] - 具体构建过程： 1. 多维度信号生成： - 股债比价（ERP）：$$ERP=\frac{1}{PE_{ttm}}-YTM_{TB}^{10Y}$$[39] - 股票估值分位数 - 市场流动性（M2-M1剪刀差）[42] 2. 信号通过softmax函数转化为风险预算权重： $$softmax(x)=\frac{\exp(\lambda x)}{\exp(\lambda x)+\exp(-\lambda x)}$$[47] - 评价：相比传统风险平价模型具有更好的动态适应性 5. **行业轮动3.0模型** - 构建思路：从交易行为、景气度等6维度构建子模型并动态合成[53] - 具体构建过程： - 交易行为模型：捕捉日内动量+隔夜反转效应 - 景气度模型：捕捉盈余动量 - 资金流模型：识别主动抢筹行为 - 其他维度包括筹码结构、宏观驱动、技术分析[53][55] - 评价：多维度合成有效提升行业轮动胜率 量化因子与构建方式 1. **转债估值因子** - 百元转股溢价率：衡量转债与正股相对估值[25] - 修正YTM-信用债YTM：剥离转股条款影响，比较偏债转债与信用债价值[25] 2. **转债风格因子** - 转股溢价率偏离度：识别高估值转债 - 理论价值偏离度：结合定价模型识别定价偏差[27] - 20日动量+波动率偏离度：捕捉市场情绪[27] 3. **基金选基因子** - 高质量因子：基于财务质量指标 - 高成长因子：基于盈利增长指标 - 低估值因子：基于估值分位数[86] 模型回测效果 1. **高频宏观因子** - 高频经济增长因子：7月同比上行[13] - 高频消费通胀因子：7月同比下行[17] - 高频生产通胀因子：7月同比上行[17] 2. **债券久期择时** - 7月策略超额收益32.4bp[21][24] - 近一年超额收益-2.11%[21] 3. **黄金预期模型** - 未来一年预期收益率22.4%[32][33] - 过去一年策略绝对回报39.77%[34][35] 4. **主动风险预算** - 全样本年化收益6.54%，收益波动比1.64[52][54] - 8月股票仓位7.44%，债券仓位92.56%[51] 5. **行业轮动3.0** - 7月多空收益3.07%[61][64] - 动态合成模型中景气度/资金流模型权重较高[67] 6. **转债风格轮动** - 2018-2025年化收益24.54%，IR 1.47[29] - 2025年收益35.17%[29] 7. **ETF轮动组合** - 7月超额收益1.83%[71][74] 8. **FOF组合** - 7月收益5.45%，超额-1.81%[83][84]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：普通风险平价模型** - 模型构建思路：通过使组合中每个资产的风险贡献相等来实现风险分散[18] - 模型具体构建过程： 1. 计算资产协方差矩阵 $$\Sigma$$ 2. 求解权重向量 $$w$$ 满足 $$w_i \cdot (\Sigma w)_i = w_j \cdot (\Sigma w)_j$$ 对所有资产 $$i,j$$[14] 3. 当资产不相关时，权重与波动率倒数成正比[18] - 模型评价：适用于低相关资产，但对中国股债等属性差异大的资产需调整权重[21][23] 2. **模型名称：调整风险预算的风险平价模型** - 模型构建思路：通过动态调整不同资产的风险预算倍数来优化配置[27][36] - 模型具体构建过程： 1. 静态调整：权益风险预算设为25，商品/黄金设为36（资产数量开方倍数）[29][36] 2. 动态调整：基于过去6个月夏普比，最高预算为静态值的1.5倍[36] 3. 权重计算：$$w_i = \frac{b_i/\sigma_i}{\sum_j b_j/\sigma_j}$$，其中 $$b_i$$ 为风险预算[28] 3. **模型名称：宏观风险平价模型** - 模型构建思路：引入宏观因子分解资产收益，调整风险预算[38][42] - 模型具体构建过程： 1. 资产收益分解：$$r_{t,i} = \beta_i \cdot F_t + \epsilon_{t,i}$$，其中 $$F_t$$ 为宏观因子[39] 2. 计算宏观因子相关性矩阵 $$\rho_{macro}$$[38] 3. 结合微观风险预算：$$b_i' = b_i \cdot (1 + \frac{Sharpe_i}{max(Sharpe)})$$[38][42] 模型的回测效果 1. **普通风险平价模型** - 年化收益：6.47% | 最大回撤：-2.84% | 波动率：2.79% | 夏普比：2.25 | 月度胜率：74.76%[55] 2. **宏观风险平价模型** - 年化收益：7.99% | 最大回撤：-4.01% | 波动率：3.79% | 夏普比：2.03 | 月度胜率：71.84%[55] 3. **调整风险预算的宏观风险平价模型** - 年化收益：9.11% | 最大回撤：-3.64% | 波动率：3.62% | 夏普比：2.41 | 月度胜率：71.84%[61] 量化因子与构建方式 1. **因子名称：夏普比动态调整因子** - 因子构建思路：根据资产近期夏普比动态调整风险预算[36][59] - 因子具体构建过程： 1. 权益资产：比较1个月夏普比与阈值0.5，高于则预算设为64[59] 2. 可转债资产：比较1个月夏普比与阈值0.6，高于则预算设为36[59] 2. **因子名称：宏观状态权益择时因子** - 因子构建思路：基于宏观信号放大/缩小权益风险预算[59][60] - 因子具体构建过程： 1. 配置信号：权益预算乘以4 2. 非配置信号：权益预算除以4[59] 因子的回测效果 1. **夏普比动态调整因子** - 年化收益提升：+1.12%（宏观模型） | 最大回撤改善：-0.37%[61] 2. **宏观状态权益择时因子** - 年化收益提升：+2.45%（普通模型） | 月度胜率提升：+4.85%[60][61] ETF资产配置实施 - **子类资产调整规则**： 1. 债券：根据10年期国债收益率与20日均线关系切换久期[67] 2. 权益：价值风格时配置70%红利ETF，否则50%；大盘风格时配置80%沪深300ETF[67] - **回测结果**： 年化收益9.43% | 最大回撤-4.16% | 夏普比2.36 | 月度胜率72.15%[69]