根据研报内容，现总结如下： 量化模型与构建方式 1. **模型名称**：Black-Litterman模型（BL模型）[12] * **模型构建思路**：该模型是对传统均值-方差模型的改进，采用贝叶斯理论将投资者的主观观点与量化配置模型有机结合起来，通过投资者对市场的分析预测资产收益，进而优化资产配置权重[12] * **模型具体构建过程**：模型有效解决了均值-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] 报告中提及了两种应用：针对全球资产构建了两种BL配置模型，投资标的包括沪深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[13]；针对国内资产也构建了两种BL配置策略，投资标的包括沪深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[13] * **模型评价**：为投资者持续提供高效的资产配置方案[12] 2. **模型名称**：风险平价模型[17] * **模型构建思路**：该模型是传统均值-方差模型的改进，其核心思想是把投资组合的整体风险分摊到每类资产（因子）中去，使得每类资产（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**：模型构建分为三步：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] 具体应用上，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黄金构建了全球资产风险平价模型[18]；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黄金作为投资标的，构建了国内资产风险平价策略[18] 3. **模型名称**：基于宏观因子的资产配置模型[21] * **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，并基于此建立一个通用性的宏观因子资产配置框架，将宏观研究的主观观点进行资产层面的落地[21] * **模型具体构建过程**：通过Factor Mimicking Portfolio方法构造六大宏观风险的高频宏观因子[22] 以前文提到的8类国内资产作为资产池，按以下四步构建策略：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，计算出基准因子暴露；第三步，根据对宏观未来一个月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；第四步，带入模型反解得到下个月的各个资产配置权重[22] 主观因子偏离值每月给出，例如在2025年08月底，为增长、通胀、利率、信用、汇率和流动性设置的偏离值分别为0, 0, -1, 0, 1, 0[24] 模型的回测效果 1. **国内资产BL模型1**：上周收益-0.11%，9月份收益-0.14%，2025年收益3.23%，年化波动2.19%，最大回撤1.31%[14] 2. **国内资产BL模型2**：上周收益-0.11%，9月份收益-0.13%，2025年收益2.84%，年化波动1.99%，最大回撤1.06%[14] 3. **全球资产BL模型1**：上周收益0.04%，9月份收益0.11%，2025年收益0.84%，年化波动1.99%，最大回撤1.64%[14] 4. **全球资产BL模型2**：上周收益0.0%，9月份收益0.03%，2025年收益1.84%，年化波动1.63%，最大回撤1.28%[14] 5. **国内资产风险平价模型**：上周收益-0.06%，9月份收益0.05%，2025年收益2.99%，年化波动1.35%，最大回撤0.76%[20] 6. **全球资产风险平价模型**：上周收益-0.07%，9月份收益0.13%，2025年收益2.50%，年化波动1.48%，最大回撤1.20%[20] 7. **基于宏观因子的资产配置模型**：上周收益0.04%，9月份收益0.26%，2025年收益3.29%，年化波动1.32%，最大回撤0.64%[26] 量化因子与构建方式 1. **因子名称**：宏观因子（增长、通胀、利率、信用、汇率、流动性）[21] * **因子的构建思路**：构建涵盖六大风险的宏观因子体系，作为宏观因子资产配置框架的基础[21] * **因子具体构建过程**：通过Factor Mimicking Portfolio方法构造了增长、通胀等六大宏观风险的高频宏观因子[22]

量化模型与构建方式 1. **模型名称：国内资产BL模型1** - 模型构建思路：BL模型是均值-方差模型的改进，通过贝叶斯理论将主观观点与量化模型结合，优化资产配置权重[14] - 模型具体构建过程： 1) 选择国内资产标的（沪深300、中证1000、国债总财富指数等）[15] 2) 计算资产预期收益与协方差矩阵 3) 结合投资者主观观点调整收益预期 4) 通过优化算法求解最优权重 - 模型评价：有效解决均值-方差模型对预期收益敏感的问题，兼具主观投资的灵活性和量化模型的稳定性[14] 2. **模型名称：全球资产BL模型2** - 模型构建思路：同国内资产BL模型1，但覆盖全球资产（标普500、COMEX黄金等）[15] - 模型具体构建过程： 1) 选择全球资产标的（标普500、企业债指数等）[15] 2) 其余步骤与国内BL模型1一致 3. **模型名称：国内资产风险平价模型** - 模型构建思路：使每类资产对组合风险的贡献相等，穿越经济周期[19] - 模型具体构建过程： 1) 选择8类国内资产（沪深300、中证转债等）[21] 2) 计算资产波动率与相关性矩阵 3) 优化权重使各资产风险贡献均衡 公式： $$ w_i = \frac{1/\sigma_i}{\sum_{j=1}^n 1/\sigma_j} $$ 其中$\sigma_i$为资产i的年化波动率[20] 4. **模型名称：基于宏观因子的资产配置模型** - 模型构建思路：通过增长、通胀等6大宏观因子构建配置框架[23] - 模型具体构建过程： 1) 构造宏观因子Mimicking Portfolio[24] 2) 计算资产因子暴露水平 3) 结合主观宏观判断调整因子暴露目标 4) 反解得到资产配置权重[24] 模型的回测效果 1. **国内资产BL模型1** - 上周收益：0.02% - 7月收益：0.61% - 2025年收益：2.46% - 年化波动：2.16% - 最大回撤：1.31%[17][18] 2. **全球资产BL模型2** - 上周收益：-0.07% - 7月收益：0.51% - 2025年收益：1.59% - 年化波动：1.70% - 最大回撤：1.28%[17][18] 3. **国内资产风险平价模型** - 上周收益：-0.02% - 7月收益：0.36% - 2025年收益：2.70% - 年化波动：1.46% - 最大回撤：0.76%[22][29] 4. **基于宏观因子的资产配置模型** - 上周收益：-0.03% - 7月收益：0.38% - 2025年收益：2.76% - 年化波动：1.36% - 最大回撤：0.64%[28][29] 当前持仓分布（2025年7月） - **国内资产BL模型1**：中证1000(10.51%)、国债(65.14%)、企业债(19.13%)、商品(5.22%)[13] - **全球资产风险平价模型**：标普500(1.54%)、企业债(93.11%)、黄金(2.13%)[13]

量化模型与构建方式 1. **模型名称：全球资产BL模型1** - 模型构建思路：基于Black-Litterman框架，结合主观观点与量化配置模型，优化资产配置权重[12] - 模型具体构建过程： 1. 选择标的资产（沪深300、恒生指数、标普500、国债指数、企业债指数、南华商品指数）[13] 2. 通过贝叶斯理论将主观观点与历史数据结合，计算资产预期收益 3. 优化权重分配，解决均值-方差模型对预期收益敏感的问题 - 模型评价：有效平衡主观判断与量化分析，容错性较高[12] 2. **模型名称：全球资产BL模型2** - 模型构建思路：与BL模型1类似，但采用不同的参数设定或观点输入方式[13] - 模型具体构建过程：同BL模型1，差异体现在权重优化环节[13] 3. **模型名称：国内资产BL模型1** - 模型构建思路：针对国内资产（股票、债券、转债、商品、黄金）的BL模型变体[13] - 模型具体构建过程： 1. 标的资产包括沪深300、中证1000、恒生指数、国债指数、企业债指数、中证转债、南华商品指数、SHFE黄金[13] 2. 通过BL框架计算风险调整后权重 4. **模型名称：国内资产BL模型2** - 模型构建思路：国内BL模型的另一种参数化版本[13] - 模型具体构建过程：同国内BL模型1，差异在权重分配逻辑[13] 5. **模型名称：全球资产风险平价模型** - 模型构建思路：使每类资产对组合风险贡献相等，降低单一资产波动影响[17] - 模型具体构建过程： 1. 选择标的资产（沪深300、标普500、恒生指数、企业债指数、南华商品指数、COMEX黄金）[18] 2. 计算资产波动率及相关性，优化权重使风险贡献均衡[17] - 模型评价：适应复杂市场环境，波动控制较好[16] 6. **模型名称：国内资产风险平价模型** - 模型构建思路：针对国内资产的风险平价实现[18] - 模型具体构建过程：标的资产与国内BL模型相同，优化方法同全球风险平价模型[18] 7. **模型名称：基于宏观因子的资产配置模型** - 模型构建思路：通过增长、通胀等六大宏观因子驱动配置决策[22] - 模型具体构建过程： 1. 构造高频宏观因子（Factor Mimicking Portfolio方法）[23] 2. 计算资产因子暴露，结合主观观点调整目标暴露 3. 反解得到权重，公式： $$ \text{目标权重} = f(\text{基准暴露} + \text{主观偏离值}) $$ - 模型评价：将宏观研究与量化配置结合，灵活性高[22] --- 模型的回测效果 1. **全球资产BL模型1** - 上周收益：0.15% | 6月收益：0.49% | 2025年收益：0.04% - 年化波动：2.09% | 最大回撤：1.64%[14] 2. **全球资产BL模型2** - 上周收益：0.12% | 6月收益：0.45% | 2025年收益：0.72% - 年化波动：1.83% | 最大回撤：1.28%[14] 3. **国内资产BL模型1** - 上周收益：0.01% | 6月收益：0.55% | 2025年收益：1.52% - 年化波动：2.36% | 最大回撤：1.31%[14] 4. **国内资产BL模型2** - 上周收益：0.02% | 6月收益：0.47% | 2025年收益：1.53% - 年化波动：2.10% | 最大回撤：1.06%[14] 5. **全球资产风险平价模型** - 上周收益：0.10% | 6月收益：0.43% | 2025年收益：1.86% - 年化波动：1.86% | 最大回撤：1.20%[21] 6. **国内资产风险平价模型** - 上周收益：0.10% | 6月收益：0.50% | 2025年收益：2.24% - 年化波动：1.62% | 最大回撤：0.76%[21] 7. **基于宏观因子的资产配置模型** - 上周收益：0.09% | 6月收益：0.62% | 2025年收益：2.20% - 年化波动：1.49% | 最大回撤：0.64%[28] --- 量化因子与构建方式 （注：报告中未明确提及独立因子构建，仅宏观因子作为模型输入[23]） --- 因子的回测效果 （无相关内容）