魯政委、顧懷宇、王宏、黃之豪（魯政委系興業(yè)銀行首席經(jīng)濟學家、中國首席經(jīng)濟學家論壇理事）

大類資產(chǎn)配置，BL模型，風險平價

引言：在低利率環(huán)境下，如何平衡風險與收益、科學配置大類資產(chǎn)，已成為資管及自營機構(gòu)關(guān)注的核心議題；同時，如何有效融合主觀觀點、發(fā)揮研究優(yōu)勢，也成為其迫切探索的方向。

資產(chǎn)配置模型的演進可劃分為四個階段：以均值-方差（MVO）模型為代表的現(xiàn)代投資組合理論；以Black-Litterman（BL）模型為核心的主觀觀點融合階段；以風險平價（Risk Parity）為標志的風險再平衡階段；以及以因子投資為主導(dǎo)的收益解構(gòu)階段。

在資產(chǎn)配置模型的機構(gòu)適配方面，均值方差模型對預(yù)期收益和協(xié)方差的估計極為敏感，適用于研究實力強、能形成明確主觀觀點的機構(gòu)；在國際實踐中，海外較少直接用MVO，僅作為戰(zhàn)略研究模型工具。固定權(quán)重模型則呈現(xiàn)出更強的實踐導(dǎo)向：廣義60/40組合優(yōu)勢在于透明、易執(zhí)行，且在長期歷史中表現(xiàn)穩(wěn)健，能夠作為許多養(yǎng)老金和年金資金的核心框架，但其在股債同跌的極端市場中往往面臨較大回撤。進一步分散的永久投資組合與等權(quán)配置對經(jīng)濟周期具有較強的適應(yīng)性，回撤控制較好，但缺點在于在權(quán)益牛市階段明顯跑輸股市，長期超額有限。

風險平價模型優(yōu)點在于能夠顯著降低單一資產(chǎn)對組合的沖擊，提高夏普比率，并在歷史上展現(xiàn)出穩(wěn)健的回撤控制能力。然而，該方法未顯式納入收益率預(yù)期，如果某一時期某類資產(chǎn)的預(yù)期收益偏低，風險平價仍可能給予其較高權(quán)重，從而導(dǎo)致潛在的機會成本。基于這些特點，風險平價更適合：1）追求穩(wěn)健的養(yǎng)老金、銀行理財子公司；2）具備較強單一資產(chǎn)超額獲取能力的量化私募；3）缺乏預(yù)測能力的個人投資者；4）資金體量龐大、不支持高頻擇時的機構(gòu)（如社?；?、養(yǎng)老金）。

Black-Litterman（BL）模型核心價值更體現(xiàn)在作為“觀點嵌入框架”的靈活性上，本文研究表明，當主觀預(yù)測勝率達到60%–65%及以上時，在BL模型中嵌入部分核心資產(chǎn)的觀點，能夠有效提升收益。同時，BL模型可與均值方差、風險平價等多種模型結(jié)合。相較于風險平價模型直接通過類線性方式調(diào)整風險權(quán)重，BL模型基于貝葉斯方法融合主觀觀點更為穩(wěn)健。但BL模型的挑戰(zhàn)在于依賴觀點預(yù)測的準確性，同時參數(shù)設(shè)定較復(fù)雜，該方法適合理財子公司、資管機構(gòu)、FOF/MOM管理人等需要在均衡配置基礎(chǔ)上疊加行業(yè)或主題觀點的機構(gòu)。

無觀點版本下，風險平價-無觀點版夏普比率最高，BL-戰(zhàn)略基準-自營-無觀點版回撤最小；均值方差、股50債40黃金10年化收益率最高。樣本期為2005年至今的樣本期內(nèi)，各模型在收益表現(xiàn)和風險收益比方面的表現(xiàn)如下：年化收益率方面，均值方差（10.61%）＞股50債40黃金10（8.80%）>等權(quán)組合（8.70%）＞BL-戰(zhàn)略基準-資管-無觀點版（8.10%）＞永久組合（8.00%）＞風險平價-無觀點版（6.39%）>BL-戰(zhàn)略基準-自營-無觀點版（6.02%）。夏普比率方面，風險平價-無觀點版（1.83）＞BL-戰(zhàn)略基準-自營-無觀點版（1.77）＞BL-戰(zhàn)略基準-資管-無觀點版（1.26）＞永久組合（1.20）＞股50債40黃金10（1.08）＞等權(quán)組合（1.07）＞均值方差（0.65）。

有觀點版本下（65%主觀勝率），風險平價-65%勝率夏普比率最高、回撤最小；BL-戰(zhàn)略基準-資管-65%勝率年化收益率最高。在樣本期為2005年至今的樣本期內(nèi)，各模型在收益表現(xiàn)和風險收益比方面的表現(xiàn)如下：年化收益率方面，BL-戰(zhàn)略基準-資管-65%勝率（11.34%）＞BL-戰(zhàn)略基準-自營-65%勝率（9.15%）＞BL-風險平價-65%勝率（8.13%）＞風險平價-65%勝率（7.94%）。夏普比率方面，風險平價-65%勝率（2.36）＞BL-風險平價-65%勝率（1.93）＞BL-戰(zhàn)略基準-自營-65%勝率（1.92）＞BL-戰(zhàn)略基準-資管-65%勝率（1.51）。

基于歷史回測結(jié)果，針對不同機構(gòu)，提供以下建議：無主觀觀點時，保守型機構(gòu)推薦BL-戰(zhàn)略基準-自營模型（無觀點版）或風險平價模型，收益風險平衡型機構(gòu)推薦BL-戰(zhàn)略基準-資管機構(gòu)模型或股50債40黃金10；機構(gòu)研究實力強且核心資產(chǎn)長期預(yù)測勝率超60~65%時，推薦主觀觀點版，含主觀觀點的模型較無觀點模型，年化收益率提升約2%以上、最大回撤減少1%以上、夏普比率提升0.2以上。

大類資產(chǎn)配置（Asset Allocation）被認為是投資決策中最重要的環(huán)節(jié)，它旨在通過在不同資產(chǎn)類別（如股票、債券、商品等）之間分配資金，以在給定的風險承受能力下最大化長期回報，或為實現(xiàn)特定回報目標而最小化風險。學術(shù)界和業(yè)界普遍認為，長期來看，超過90%的投資組合回報波動源于資產(chǎn)配置決策(Brinson et al., 1986; Hood R L, 2005)。因此，構(gòu)建科學、穩(wěn)健的資產(chǎn)配置模型一直是金融學研究的核心課題之一。

一、大類資產(chǎn)配置方法綜述

資產(chǎn)配置模型的演化歷程大致可劃分為四個核心階段：第一階段以現(xiàn)代投資組合理論的誕生為標志，核心模型為均值- 方差模型（Mean-Variance Model）；第二階段聚焦主觀判斷的融入，以 Black-Litterman 模型為代表性成果；第三階段轉(zhuǎn)向?qū)︼L險的重新審視，風險平價模型（Risk Parity Model）成為該階段的關(guān)鍵實踐方向；第四階段則以資產(chǎn)收益的解構(gòu)為核心邏輯，因子投資（Factor Investing）逐步發(fā)展為主流范式。

第一階段：現(xiàn)代投資組合理論的誕生——均值-方差模型 (Mean-Variance Model)

大類資產(chǎn)配置的量化發(fā)展進程以1952年為關(guān)鍵起點，諾貝爾經(jīng)濟學獎得主哈里·馬科維茨（Harry Markowitz）在該年發(fā)表的開創(chuàng)性論文《投資組合選擇》（Portfolio Selection）中，首次系統(tǒng)性構(gòu)建了現(xiàn)代投資組合理論（Modern Portfolio Theory, MPT）的核心框架（Markowitz, 1952）。這一理論突破的核心在于，馬科維茨摒棄了傳統(tǒng)投資分析中對資產(chǎn)收益與風險的定性描述，轉(zhuǎn)而提出以資產(chǎn)收益的均值（即期望收益）作為回報水平的客觀度量指標，以收益的方差（或標準差）作為風險的可量化工具，為資產(chǎn)配置的科學化分析奠定了方法論基礎(chǔ)。

均值-方差模型（Mean-Variance Optimization, MVO）作為MPT的核心分析工具，其理論邏輯建立在“理性投資者具有風險厭惡特征”的基本假設(shè)之上：該類投資者的核心目標是在給定風險水平下實現(xiàn)收益最大化，或在預(yù)設(shè)收益目標下實現(xiàn)風險最小化。通過對不同風險收益特征資產(chǎn)的組合優(yōu)化，可篩選出一系列滿足上述最優(yōu)條件的投資組合，這些組合在風險-收益二維坐標系中形成的連續(xù)集合被定義為“有效前沿”（Efficient Frontier）——所有位于有效前沿下方的投資組合，均因無法實現(xiàn)風險與收益的最優(yōu)匹配而被歸為次優(yōu)組合。MVO模型的誕生具有里程碑意義，它標志著投資決策領(lǐng)域從傳統(tǒng)依賴經(jīng)驗判斷與主觀偏好的“藝術(shù)化”階段，正式邁向以數(shù)據(jù)驅(qū)動、模型計算為核心的“科學化、量化化”新階段，徹底重塑了資產(chǎn)配置的分析范式。

自MVO模型提出后，學術(shù)界與實務(wù)界圍繞有效前沿的理論拓展與實踐適配展開了持續(xù)探索。在理論深化層面，Broadie（1993）聚焦有效前沿估計過程中的核心矛盾，通過實證分析系統(tǒng)揭示了估計誤差與估計結(jié)果平穩(wěn)性之間的權(quán)衡關(guān)系，為后續(xù)模型估計方法的改進提供了關(guān)鍵理論參考；在算法優(yōu)化層面，Woodside-Oriakhiet al.（2011）針對傳統(tǒng)優(yōu)化算法在處理復(fù)雜約束時的局限性，將遺傳算法、禁忌搜索及模擬退火等元啟發(fā)式算法引入金融投資組合優(yōu)化領(lǐng)域，重點驗證了此類算法在求解帶基數(shù)約束（即限制組合中資產(chǎn)數(shù)量）的有效前沿問題中的可行性與效率優(yōu)勢；在領(lǐng)域拓展層面，隨著環(huán)境、社會與治理（ESG）投資理念的興起，Pedersenet al.（2021）進一步將有效前沿理論與ESG投資目標相結(jié)合，構(gòu)建了融合ESG績效指標的有效前沿分析框架，為負責任投資的組合優(yōu)化提供了適配性理論支撐，推動有效前沿的應(yīng)用場景從傳統(tǒng)金融領(lǐng)域延伸至可持續(xù)投資領(lǐng)域。

盡管MVO模型是現(xiàn)代資產(chǎn)配置的重要理論基石，但其實際應(yīng)用中存在顯著局限，對輸入?yún)?shù)的高度敏感性尤為業(yè)界詬病。Bestet al.（1991）實證證實，當MVO施加資產(chǎn)權(quán)重非負約束（禁止賣空）時，正加權(quán)MVO有效組合的權(quán)重對資產(chǎn)期望收益（均值）的微小變動高度敏感，而組合整體收益卻無顯著波動。實踐中，單一資產(chǎn)期望收益小幅上調(diào)即可能導(dǎo)致組合近半數(shù)證券被調(diào)出，引發(fā)劇烈權(quán)重重構(gòu)；此類“參數(shù)微變致配置大幅偏離”的特征，既增加組合管理難度，也削弱了MVO的實際應(yīng)用穩(wěn)定性與可靠性。雖有學者嘗試改進，如Alexander et al. (2002)將風險價值（VaR）與傳統(tǒng)MVO結(jié)合，試圖解決其風險衡量對稱、分布假設(shè)過嚴及效用支撐薄弱的缺陷，但整體改進效果有限，而且均值方差組合樣本外表現(xiàn)要超越等權(quán)組合的時間過長(Broadie, 1993)，致使MVO至今在業(yè)界應(yīng)用較少。

第二階段：融入主觀判斷——Black-Litterman模型

為了解決均值-方差模型對輸入?yún)?shù)過于敏感且不穩(wěn)定的問題，高盛公司的研究員費希爾·布萊克（Fischer Black）和羅伯特·利特曼（Robert Litterman）在20世紀90年代初開發(fā)了Black-Litterman（BL）模型，其標志性學術(shù)論文《全球投資組合優(yōu)化》（Global Portfolio Optimisation）于1992年正式發(fā)表于《金融分析師雜志》（Black & Litterman, 1992）。

BL模型基于貝葉斯方法，核心是整合兩類關(guān)鍵信息以優(yōu)化預(yù)期收益輸入：一是市場均衡收益（先驗信息），無需投資者直接預(yù)測資產(chǎn)絕對收益，而是通過全球市場組合權(quán)重反推隱含的市場均衡收益率，作為市場共識的中性基準；二是投資者主觀觀點（最大似然），提供結(jié)構(gòu)化框架允許投資者以絕對或相對形式表達對資產(chǎn)未來表現(xiàn)的前瞻性判斷，并明確觀點的信心水平。兩類信息經(jīng)貝葉斯整合后生成綜合預(yù)期收益向量（后驗收益），作為MVO模型輸入進行組合優(yōu)化，最終輸出的權(quán)重通常更穩(wěn)定、分散且契合投資直覺。

在國內(nèi)實踐中，學者對BL模型主觀觀點的構(gòu)建方式已形成多元路徑：以絕對觀點為主流，常見如直接采用技術(shù)分析、情緒指標、歷史交易數(shù)據(jù)（宋正陽等）或AdaBoost集成算法預(yù)測的資產(chǎn)期望超額收益（姚海祥等, 2023）作為觀點；亦有研究將股吧觀點等情緒指標映射為投資者主觀觀點（孟勇等, 2022；龐杰, 2021）；此外，通過劃分經(jīng)濟周期，計算不同周期下各類資產(chǎn)的超額收益以形成觀點，也是廣泛應(yīng)用的思路（王瑩等, 2022；周亮, 2021；周亮等, 2019, 2020）。

BL模型的核心優(yōu)勢在于搭建了量化模型與基金經(jīng)理主觀能動性的銜接橋梁：既依托市場集體智慧（均衡收益），又為專業(yè)投研判斷（主觀觀點）提供落地場景。因此，該模型自誕生后便被高盛資管部門廣泛應(yīng)用，并迅速推廣至全球養(yǎng)老金（烏云高, 2022）、主權(quán)財富基金及資產(chǎn)管理公司，成為機構(gòu)資產(chǎn)配置的標準工具之一。但其局限性亦十分顯著：最終配置效果高度依賴投資者主觀觀點的質(zhì)量與準確性。

第三階段：風險的重新審視——風險平價模型 (Risk Parity Model)

當均值-方差和BL模型仍受困于收益預(yù)測的不確定性時，一種全新的范式開始興起，它將關(guān)注的焦點從“收益最大化”轉(zhuǎn)向了“風險均衡化”。這就是風險平價（Risk Parity）模型。雖然其思想淵源可以追溯更早，但真正將其發(fā)揚光大并成功商業(yè)化的是橋水基金（Bridgewater Associates）創(chuàng)始人瑞·達利歐（Ray Dalio）及其在20世紀90年代推出的“全天候”（All Weather）策略。學術(shù)界中，Qian（2011）及 Qian et al.（2005）的研究也為該模型的理論發(fā)展做出了重要貢獻。

風險平價模型的核心邏輯在于：真正的分散化投資組合需實現(xiàn)風險層面的均衡分配，而非僅關(guān)注資金權(quán)重的分散。該模型主張在組合構(gòu)建中，使各資產(chǎn)類別對組合總風險的貢獻度保持一致。以傳統(tǒng)60/40股債組合為例，股票雖僅占60%的資金權(quán)重，對組合總風險的貢獻卻常超90%；而風險平價策略通過降低高風險資產(chǎn)（如股票）的配置比例、提高低風險資產(chǎn)（如債券）的配置權(quán)重，并借助杠桿工具將低風險資產(chǎn)的預(yù)期收益提升至目標水平，最終實現(xiàn)不同資產(chǎn)間的風險均衡分配。

從實踐定位來看，風險平價策略旨在構(gòu)建能夠抵御增長、衰退、通脹、通縮等不同經(jīng)濟環(huán)境沖擊的穩(wěn)健組合，其追求長期穩(wěn)健回報、降低下行風險的特性，使其受到眾多大型長期投資者（尤其是養(yǎng)老基金）的青睞。例如，丹麥最大養(yǎng)老基金ATP便是風險平價策略的典型實踐者，其將風險預(yù)算均勻分配至股票、利率、通脹、信用等不同風險因子；國內(nèi)研究中，林雷等（2025）圍繞養(yǎng)老金入市收益展開測算，王玉國（2018）則對比風險平價與傳統(tǒng)60/40模型，發(fā)現(xiàn)風險平價模型表現(xiàn)更優(yōu)——在收益水平基本相當?shù)那闆r下，其波動性僅為傳統(tǒng)策略的1/5左右，夏普比率則達傳統(tǒng)策略的4.7倍；國外學者Asness et al.（2012）亦得出類似結(jié)論，其研究表明，借助杠桿的風險平價組合可實現(xiàn)與市場組合相當?shù)娘L險水平，同時獲得更高的預(yù)期收益。

不過，風險平價策略并非無懈可擊。該策略對杠桿的依賴使其面臨額外的融資風險與流動性風險，且在股票市場長期牛市環(huán)境中，其業(yè)績表現(xiàn)可能落后于傳統(tǒng)偏股型組合，這也構(gòu)成了其應(yīng)用場景中的核心局限。

第四階段：解構(gòu)資產(chǎn)收益——因子投資 (Factor Investing)

進入21世紀，資產(chǎn)配置理論前沿進一步深化，其核心演進方向表現(xiàn)為從傳統(tǒng)的“資產(chǎn)類別導(dǎo)向”轉(zhuǎn)向“風險因子驅(qū)動”——即聚焦于解釋資產(chǎn)回報的共性風險因子（Risk Factors），這一范式被定義為因子投資。該范式的理論基石可追溯至Fama與French（1992）提出的三因子模型，該模型突破傳統(tǒng)市場風險單一視角，指出市值（Size）與賬面市值比（Value）同樣是解釋股票超額回報的關(guān)鍵變量。

因子投資的核心邏輯在于：任何資產(chǎn)類別的回報均可解構(gòu)為其對一系列系統(tǒng)性風險因子的暴露程度。據(jù)此，資產(chǎn)配置的本質(zhì)并非對股票、債券等表層資產(chǎn)的選擇，而是對增長、通脹、價值、動量等底層風險因子的戰(zhàn)略性配置（Dichtl et al., 2021）。通過直接錨定此類因子進行配置，投資者既能更精準地構(gòu)建目標風險暴露，實現(xiàn)比傳統(tǒng)資產(chǎn)配置更優(yōu)的分散化效果，亦有望通過捕獲因子風險溢價獲取超額收益。值得注意的是，Smart Beta 理念同樣源于三因子模型，周靜（2024）通過構(gòu)建基本面組合、等權(quán)組合、分散化最小方差組合及分散化風險平價組合，采用基于多項式目標規(guī)劃的均值-協(xié)方差-協(xié)偏矩組合策略（PGP-MVS）框架進行動態(tài)加權(quán)，最終實現(xiàn)了顯著的超額收益。

因子投資為解析投資組合收益來源提供了更深刻、更本質(zhì)的分析視角，目前已被眾多成熟機構(gòu)投資者及主權(quán)財富基金廣泛采納。在實踐策略層面，部分學者指出因子擇時難度較大，認為在不同因子間開展戰(zhàn)略性分散投資通常比主動擇時嘗試更有效，Asness（2016）等亦持類似觀點。在因子分類領(lǐng)域，現(xiàn)有研究呈現(xiàn)多元視角：宏觀因子層面，常見類別包括經(jīng)濟增長、實際利率、通脹、信貸、新興市場及大宗商品等；Vanguard（先鋒領(lǐng)航）則將因子劃分為市場因子、價值因子、規(guī)模因子、動量因子、低波動因子、期限因子及信用因子七大類（Pappas et al., 2015）；另有學者從資產(chǎn)類別維度拆分因子，如股票因子（盈利收益率、滯后價格動量）、債券相關(guān)因子（期限結(jié)構(gòu)、實際利率）及貨幣因子（與美元利差）（Clarke et al., 2005）。從實證證據(jù)看，Bass et al.（2017）的研究發(fā)現(xiàn)，經(jīng)濟增長因素在全球公開股票與全球私募股權(quán)的總風險中占比均超 50%，且私募股權(quán)對經(jīng)濟增長的敞口更大；而全球總債券則主要受實際利率、通脹及信貸因素影響，其中對信貸因素的敞口最小。

盡管因子投資應(yīng)用廣泛，但其發(fā)展仍面臨顯著挑戰(zhàn)：一方面，學術(shù)界與業(yè)界對“何為真正穩(wěn)健的風險因子”尚未形成統(tǒng)一共識，即存在所謂的 “因子動物園”（factor zoo）問題(Cochrane J H, 2011)；另一方面，各類因子具有內(nèi)在周期性特征，可能面臨長期表現(xiàn)低迷的階段。

新的前沿：機器學習、動態(tài)配置與未來展望

隨著算力的提升和大數(shù)據(jù)技術(shù)的發(fā)展，大類資產(chǎn)配置正邁入一個新的前沿。機器學習（Machine Learning）和人工智能（AI）方法，如強化學習、深度學習神經(jīng)網(wǎng)絡(luò)、大語言模型等，開始被應(yīng)用于資產(chǎn)配置領(lǐng)域。這類模型的核心優(yōu)勢在于，能夠從海量、多維度的傳統(tǒng)金融數(shù)據(jù)與另類數(shù)據(jù)中，有效學習并識別復(fù)雜的非線性關(guān)系及動態(tài)演變的市場范式，其最終目標是構(gòu)建具備自適應(yīng)調(diào)整能力的動態(tài)資產(chǎn)配置策略，以應(yīng)對日益復(fù)雜且快速變化的市場環(huán)境。

當前該領(lǐng)域的前沿探索主要聚焦于三大方向：新興資產(chǎn)類別拓展、非結(jié)構(gòu)化數(shù)據(jù)應(yīng)用深化及智能交易代理構(gòu)建。在新興資產(chǎn)應(yīng)用層面，部分學者已嘗試將ML 方法引入加密貨幣風險管理領(lǐng)域，通過模型優(yōu)化實現(xiàn)風險識別與控制（Burggraf，2021）；另有研究將 LLMs 應(yīng)用于加密貨幣大類資產(chǎn)配置管理，為該類資產(chǎn)的配置提供新的技術(shù)路徑（Luo et al.，2025）。在非結(jié)構(gòu)化數(shù)據(jù)與 LLM 的融合應(yīng)用中，Ko et al.（2024）以 ChatGPT 為研究對象，探索其在多資產(chǎn)類別選擇中的有效性，并通過實證評估其配置的分散化效果，結(jié)果表明，ChatGPT 所選資產(chǎn)在多樣性指數(shù)層面顯著優(yōu)于隨機資產(chǎn)選擇。在智能交易代理構(gòu)建方面， AI Hedge Fund(2025) 項目提出“多策略代理”框架，將 AI 代理設(shè)計為不同投資策略的模擬器，每個代理對應(yīng)一種經(jīng)典投資哲學或策略（如本杰明?格雷厄姆價值投資代理、查理?芒格多元思維代理、技術(shù)分析代理等），通過 AI 與數(shù)據(jù)分析的協(xié)同實現(xiàn)市場化決策；Li et al.（2025）則進一步基于GPT-4o Mini等輕量級模型開展全面微調(diào)，構(gòu)建“LLM-傳統(tǒng)量化”混合交易模型，實證結(jié)果顯示，該模型在預(yù)測準確性與風險調(diào)整后收益兩方面均實現(xiàn)顯著提升。

從應(yīng)用現(xiàn)狀來看，當前此類前沿方法的落地仍集中于少數(shù)頂尖量化對沖基金，其應(yīng)用場景主要聚焦于戰(zhàn)術(shù)資產(chǎn)配置與高頻交易策略。然而，受限于三大核心挑戰(zhàn)，其在長期機構(gòu)資產(chǎn)配置中的應(yīng)用仍處于探索階段：一是ML/AI 模型普遍存在的“黑箱”特性，難以滿足機構(gòu)配置對決策透明度的要求；二是模型對高質(zhì)量數(shù)據(jù)的高度依賴，數(shù)據(jù)可得性與完整性直接制約其適用性；三是模型過擬合風險顯著，可能導(dǎo)致策略在極端市場環(huán)境下失效，而長期機構(gòu)資產(chǎn)配置恰恰對透明度與穩(wěn)健性存在剛性需求。

二、大類資產(chǎn)配置方法原理

本文重點對比均值方差（MVO）模型、Black-Litterman（BL）模型、風險評價模型、永久組合及廣義60/40模型。研究中，針對風險平價模型與BL模型，引入基于勝率的主觀觀點開展測試；同時將BL模型與風險平價模型進行組合，構(gòu)建出基于勝率的BL-風險平價模型。

2.1.1 均值方差（MVO）模型

均值方差模型（Mean-Variance Model）是現(xiàn)代投資組合理論（Modern Portfolio Theory，MPT）的核心框架，由美國經(jīng)濟學家哈里·馬科維茨（Harry Markowitz）于1952年在《金融雜志》發(fā)表的《大類資產(chǎn)配置的選擇》一文中提出。該模型首次將“收益”與“風險”進行量化，解決了“如何在給定風險水平下最大化收益，或在給定收益水平下最小化風險”的投資組合優(yōu)化問題，為現(xiàn)代資產(chǎn)管理奠定了理論基礎(chǔ)。

模型原理：

2.1.2 廣義60/40組合

在資產(chǎn)配置實踐中，固定權(quán)重策略因其結(jié)構(gòu)透明、執(zhí)行簡便、歷史表現(xiàn)穩(wěn)健，被廣泛應(yīng)用于養(yǎng)老金、保險資金、財富管理及FOF/MOM等中長期投資場景。本報告基于后文實際回測框架，介紹以下三種主流固定權(quán)重配置模型：

股60債40組合：經(jīng)典增長型配置

債60股40組合：保守穩(wěn)健型配置

股50債40黃金10組合：抗通脹增強型配置

以“股60債40組合”為例（其他兩種配置方案僅調(diào)整大類資產(chǎn)的權(quán)重占比），該配置模型設(shè)定的資產(chǎn)結(jié)構(gòu)為：權(quán)益類資產(chǎn)占比60%，固定收益類資產(chǎn)占比40%。

2.1.3 永久投資組合

Harry Browne 原版永久投資組合（Permanent Portfolio）是20世紀最具影響力的被動投資策略之一，由美國投資大師、作家、政治家 Harry Browne 于1980年代系統(tǒng)提出。其核心理念是：“不預(yù)測、不擇時、不博弈——通過四類資產(chǎn)各占25%，構(gòu)建一個無論經(jīng)濟處于繁榮、衰退、通脹或通縮都能保值增值的‘永久性’投資組合?！痹摬呗砸詷O簡結(jié)構(gòu)、超低維護、穿越周期著稱。

需要指出的是，60/40組合與永久投資組合并非期初完成資產(chǎn)配置后便持倉不動，而是遵循固定權(quán)重規(guī)則：例如某月度若某一資產(chǎn)出現(xiàn)超漲，這兩類組合均會對該資產(chǎn)進行減配操作，從本質(zhì)上看，這一調(diào)整邏輯也屬于一種“再平衡”方案。

2.1.4 風險平價模型

傳統(tǒng)投資組合（如60/40股債組合）中，股票往往貢獻超90%的組合波動，導(dǎo)致風險高度集中于單一資產(chǎn)。風險平價（Risk Parity）作為一種資產(chǎn)配置策略，核心是通過調(diào)整資產(chǎn)權(quán)重，讓組合中每個資產(chǎn)（或資產(chǎn)類別）對整體風險的貢獻相等——這區(qū)別于傳統(tǒng)均值-方差模型按資本權(quán)重分配的邏輯，能實現(xiàn)真正的風險分散。該模型由橋水基金（Bridgewater Associates）在“全天候策略”中廣泛應(yīng)用，旨在達成更穩(wěn)健、分散化的風險收益特征。

2.1.5 Black-Litterman（BL）模型

Black-Litterman（BL）模型是一種在資產(chǎn)配置中廣泛應(yīng)用的貝葉斯組合優(yōu)化模型，由Fischer Black與Robert Litterman于1990年代初在高盛公司任職期間提出，其核心思想在于通過貝葉斯框架將市場均衡隱含收益（作為先驗分布）與投資者主觀觀點（作為似然函數(shù)）進行系統(tǒng)性融合，從而生成穩(wěn)健的后驗預(yù)期收益估計，以克服傳統(tǒng)均值-方差優(yōu)化模型對輸入收益高度敏感所導(dǎo)致的組合極端化與不穩(wěn)定性問題；該模型不僅尊重市場整體結(jié)構(gòu)所蘊含的信息，還允許投資者以結(jié)構(gòu)化方式（如相對或絕對收益觀點及其置信水平）注入主動判斷，最終輸出兼具市場中性與觀點驅(qū)動特性的優(yōu)化資產(chǎn)配置，在全球養(yǎng)老基金、主權(quán)財富基金及多資產(chǎn)量化策略中被廣泛采用，成為現(xiàn)代投資組合理論從理論走向?qū)嵺`的重要橋梁。

三、大類資產(chǎn)配置的經(jīng)驗實證比較：基于當前國內(nèi)機構(gòu)

3.1.1 資產(chǎn)池選擇與樣本期

（1）資產(chǎn)池選擇

本文將大類資產(chǎn)劃分為現(xiàn)金、固定收益、權(quán)益及類權(quán)益、商品四大類別，資產(chǎn)池的構(gòu)建遵循兩大核心要點：（1）主要立足國內(nèi)銀行視角，例如國際上通常以1-3年美債指數(shù)代表現(xiàn)金類資產(chǎn)，本文則選用國內(nèi)貨基指數(shù)，且始終將固定收益類資產(chǎn)作為核心底倉；（2）充分考慮權(quán)益類產(chǎn)品的落地可行性，例如，MSCI新興市場股票指數(shù)涵蓋中國、越南、印度等多個市場的股票，在大類資產(chǎn)配置中更能發(fā)揮分散配置的價值，但國內(nèi)并沒有相關(guān)ETF產(chǎn)品，故選擇恒生科技指數(shù)作為替代。

基于上述原則，最終初步選定18個子類資產(chǎn)，具體包括：（1）現(xiàn)金類：貨基指數(shù)；（2）固定收益類：涵蓋美債長久期、美債高收益、美債投資級、中債長久期、中國高收益、歐債、德債；（3）權(quán)益及類權(quán)益類：包含創(chuàng)業(yè)板、紅利、恒生科技、美國科技、美國大盤、日本股票、德國股票、中國REITs、中國可轉(zhuǎn)債；（4）商品：黃金。

需補充說明的是，對于歐債，ICE Euro Government Bond Index (All Maturities)雖為市場常用指數(shù)，但受限于數(shù)據(jù)可得性，本文選用彭博相關(guān)指數(shù)作為替代；而REITs因兼具基礎(chǔ)設(shè)施與房地產(chǎn)屬性，部分研究中將其歸為另類投資，本文則參考證監(jiān)會分類標準，將其納入類權(quán)益產(chǎn)品范疇。

考慮到不同資產(chǎn)間可能存在較高相關(guān)性（從大類資產(chǎn)配置視角看具備較強替代性），因此本文在進入具體配置模型前，先通過相關(guān)性矩陣分析對上述初步確定的18類大類資產(chǎn)開展二次篩選，保留低相關(guān)資產(chǎn)，篩選結(jié)果如下：（1）在美國10年期國債與美債投資級兩類資產(chǎn)中，最終選定美國10年期國債。二者相關(guān)系數(shù)達0.98，且美國10年期國債通常充當市場利率標桿，跟蹤該資產(chǎn)的基金產(chǎn)品更為豐富，因此確定保留美國10年期國債指數(shù)；（2）納指100與標普500指數(shù)的相關(guān)性為0.96，其中納指100更能反映全球科技行業(yè)發(fā)展趨勢，故本文選擇納指100作為配置標的，但在具體實踐場景下，二者也可實現(xiàn)相互替代；（3）德債7-10年指數(shù)與泛歐國債7-10年指數(shù)的相關(guān)性達0.96，考慮到泛歐國債涵蓋法國、意大利等多國國債，覆蓋范圍更廣泛，本文選擇泛歐國債7-10年指數(shù)；（4）日經(jīng)225與德國DAX指數(shù)均代表非美發(fā)達國家資本市場，從與其余資產(chǎn)的相關(guān)性角度考量，日經(jīng)225具備更強的分散配置價值，因此本文選定該指數(shù)。經(jīng)上述篩選剔除后，最終剩余14個資產(chǎn)子類，分別為：現(xiàn)金、美國10年期國債、美債高收益、中國10年期國債、中債高收益、泛歐國債7-10年、創(chuàng)業(yè)板、中證紅利、恒生科技、納指100、日經(jīng)225、中證轉(zhuǎn)債、中國REITs、倫敦金現(xiàn)。

（2）樣本期和權(quán)重調(diào)整日

各類資產(chǎn)指數(shù)的起始時間與樣本點數(shù)量如下表所示?？紤]到多數(shù)指數(shù)的起始時間特征，若未特別說明，本文研究樣本期統(tǒng)一設(shè)定為2005年1月1日至2025年9月30日。所有資產(chǎn)權(quán)重調(diào)整以當月月末為時間節(jié)點，即于當月月末確定下一個月的資產(chǎn)配置權(quán)重；同時，鑒于各指數(shù)起始時間存在差異，每月將先篩選確定有效資產(chǎn)池（僅納入當期已有完整數(shù)據(jù)的資產(chǎn)），再開展后續(xù)配置操作。

（4）各類資產(chǎn)收益率與波動率

下面兩個表展示了篩選后的14個資產(chǎn)子類在樣本期內(nèi)各年度的收益率與波動率情況（樣本期內(nèi)整體年化收益率、年化波動率、夏普比率見附錄）。統(tǒng)計分析表明以下幾點：（1）現(xiàn)金（貨幣基金）收益率排名靠前的年份（如2008年、2018年及2022年），通常對應(yīng)大類資產(chǎn)配置難度較高的市場環(huán)境。該類資產(chǎn)表現(xiàn)突出，往往意味著其他大部分資產(chǎn)難以提供正收益，甚至多數(shù)出現(xiàn)負收益，從而突顯其避險屬性；（2）在上述市場環(huán)境復(fù)雜的年份中，中國10年期國債與中債高收益?zhèn)毡楸憩F(xiàn)優(yōu)異，基本位列當年收益率前兩位。

3.1.2 均值方差模型

均值方差模型實踐角度仍存在多個缺陷。首先，該模型對輸入?yún)?shù)（尤其是資產(chǎn)預(yù)期收益率和協(xié)方差矩陣）高度敏感。在實際應(yīng)用中，這些參數(shù)通?；跉v史數(shù)據(jù)估計，而歷史表現(xiàn)未必能準確預(yù)測未來，導(dǎo)致模型輸出的最優(yōu)投資組合可能嚴重偏離真實最優(yōu)解。此外，模型在優(yōu)化過程中往往產(chǎn)生高度集中或不穩(wěn)定的資產(chǎn)配置結(jié)果。例如，微小的參數(shù)擾動可能導(dǎo)致權(quán)重在不同資產(chǎn)間劇烈跳變，這種“組合不穩(wěn)定性”使得實際投資難以執(zhí)行，也增加了交易成本。

本文采用滾動4年的歷史數(shù)據(jù)計算資產(chǎn)的預(yù)期收益率與協(xié)方差矩陣，而對大多數(shù)資產(chǎn)而言，4年時長已足以形成一個小周期。我們設(shè)計了兩個版本的均值方差模型：（1）均值方差-無倉位限制版本（作為基準版本）：不設(shè)置單個資產(chǎn)的倉位上限；（2）均值方差-單資產(chǎn)30%限制版本：在無倉位限制版本的基礎(chǔ)上，增設(shè)單個資產(chǎn)30%的權(quán)重上限。同時，將等權(quán)配置模型作為參照模型，用于與上述兩個均值方差模型版本進行對比分析。

組合權(quán)重方面，均值方差模型往往傾向于將權(quán)重集中投向組合內(nèi)的少數(shù)幾類資產(chǎn)，導(dǎo)致其余資產(chǎn)權(quán)重極低，同時其倉位呈現(xiàn)出較強的動量屬性。從樣本期內(nèi)各資產(chǎn)的平均倉位來看，納指100以18.6%的占比位列第一，其后依次為中證紅利、倫敦金、中債高收益及創(chuàng)業(yè)板；上述六類資產(chǎn)的平均倉位總和約為76.9%。

風險收益方面，樣本期內(nèi)，均值方差模型在實際應(yīng)用中表現(xiàn)出穩(wěn)定性不足、風險調(diào)整后收益偏低的問題。具體來看，未施加任何持倉限制的均值方差策略雖實現(xiàn)年化收益率10.05%，但年化波動率高達23.69%（顯著高于等權(quán)基準的8.12%），夏普比率僅為0.42，最大回撤達66.35%，卡瑪比率僅0.15，反映出其在承擔較高波動與下行風險的同時，未能獲得與之匹配的風險溢價；相比之下，引入單資產(chǎn)持倉不超過30%限制的均值方差策略表現(xiàn)更為穩(wěn)健，年化收益率提升至10.61%，同時年化波動率下降至16.25%，最大回撤收窄至40.69%，但結(jié)合前文平均倉位分析可知，該模型大量倉位集中于權(quán)益或類權(quán)益資產(chǎn)，實際組合收益卻未體現(xiàn)出高收益特征，其夏普比率和卡瑪比率也僅分別改善至0.65和0.26，整體而言，均值方差模型在無約束條件下易產(chǎn)生過度集中、高波動的配置結(jié)果，導(dǎo)致組合穩(wěn)定性較差、性價比偏低；而通過設(shè)置合理的單資產(chǎn)限額，雖能在一定程度上緩解此類問題，但組合仍不具備理想性價比。

3.1.3 Black-Litterman-戰(zhàn)略基準模型

（1）戰(zhàn)略基準權(quán)重（Wmkt）設(shè)置

本文在第二部分BL模型推導(dǎo)部分已指出，市場隱含均衡收益在實踐中可通過戰(zhàn)略基準或風險平價模型給出的權(quán)重進行替代，這兩種方式也更貼合實際應(yīng)用場景，因此本文先對戰(zhàn)略基準版本的BL模型（下稱“BL-戰(zhàn)略基準版”）開展回測。具體而言，回測過程中重點考慮兩類應(yīng)用主體：一是資管機構(gòu)，二是自營。

需注意的是，兩類主體均以固收類資產(chǎn)作為配置底倉，具體結(jié)構(gòu)與權(quán)重存在以下特征：對于資管機構(gòu)，截至2025年9月底，股票型、混合型、債券型、貨幣市場基金占比分別為14.90%、9.22%、32.02%、40.28%，剩余為QDII、FOF基金等；若剔除貨幣基金，債券型基金在股票型、混合型、債券型基金中的占比達57%。而銀行理財?shù)墓淌召Y產(chǎn)比重更高。對于自營業(yè)務(wù)，固收類資產(chǎn)占比通常更大：上市券商自營的權(quán)益類資產(chǎn)占比平均約8%-15%，固收類占比則超過80%。商業(yè)銀行自營中直接債券投資占比超80%，其余為基金、非標等；保險自營的債券投資占比約50%，股票、長期股權(quán)投資及基金占比約20%，剩余為銀行存款等。上述背景下，本文設(shè)定兩類主體的具體資產(chǎn)權(quán)重如下：自營的現(xiàn)金、固收、權(quán)益及類權(quán)益、商品權(quán)重占比分別為5%、80%、10%、5%；資管機構(gòu)的對應(yīng)權(quán)重則為8%、50%、32%、10%，各資產(chǎn)子類的具體權(quán)重可參見下圖。

（2）基準模型與模型勝率參數(shù)設(shè)定

基準模型采用各類資產(chǎn)等權(quán)重配置。我們對比了“BL-戰(zhàn)略基準版”的多個版本：無觀點版（此處即戰(zhàn)略基準配置）、生成主觀觀點版。其中，生成主觀觀點版的設(shè)置背景為：本研究仍以大類資產(chǎn)配置框架為核心，考慮到大類資產(chǎn)的主觀觀點獲取難度較大，且即便可回溯，其樣本期也相對較短，同時難以明確單個資產(chǎn)主觀觀點準確率達到何種水平時會產(chǎn)生顯著超額收益。為此，我們設(shè)置了多個勝率水平：50%、60%、65%、70%、80%。

（3）BL模型主觀觀點生成方法

本研究基于歷史收益率數(shù)據(jù)與預(yù)設(shè)勝率，生成具有可控正確率的模擬主觀觀點。結(jié)合當前覆蓋的大類資產(chǎn)及研究特點，選取以下10類關(guān)鍵資產(chǎn)作為觀點生成對象：中國10Y國債、美國10Y國債、創(chuàng)業(yè)板、中證紅利、恒生科技、中債高收益、中證轉(zhuǎn)債、倫敦金現(xiàn)、中國REITs、泛歐國債7-10年。具體構(gòu)建方法如下：

觀點映射矩陣P：從當前可投資資產(chǎn)中篩選關(guān)鍵資產(chǎn)，構(gòu)建維度為K×N的觀點映射矩陣P（K為關(guān)鍵資產(chǎn)數(shù)量，本文為10，N為全部可投資資產(chǎn)數(shù)量，本文為14）。矩陣中每一行對應(yīng)一個觀點的資產(chǎn)權(quán)重向量，僅在對應(yīng)關(guān)鍵資產(chǎn)位置賦值1，其余位置為0，以此清晰標識觀點所針對的具體資產(chǎn)。

觀點不確定性矩陣Ω：基于歷史月度收益率數(shù)據(jù)計算各關(guān)鍵資產(chǎn)的波動率，構(gòu)建對角協(xié)方差矩陣Ω。矩陣對角元素為對應(yīng)資產(chǎn)收益率的方差，直觀反映觀點所依賴歷史信息的不確定性——資產(chǎn)歷史波動率越高，對應(yīng)觀點的不確定性越大（即可信度越低）。

勝率參數(shù)與隨機準確觀點選擇：為模擬現(xiàn)實中觀點難以完全準確的特性，引入勝率參數(shù)（success rate）控制正確觀點比例。通過隨機抽樣機制確定準確觀點對應(yīng)的資產(chǎn)（例如，10個關(guān)鍵資產(chǎn)在65%勝率下，經(jīng)四舍五入后每月隨機選取7個資產(chǎn)，使其觀點準確反映未來收益方向；其余資產(chǎn)觀點則設(shè)定為錯誤方向）。

觀點收益向量Q：從BL模型的推導(dǎo)邏輯來看，超額收益的核心定義為：資產(chǎn)預(yù)期下一期收益率相對無風險利率的超額部分。不過在實踐場景中，超額收益的定義存在其他常見方式，例如直接定義為相對資產(chǎn)自身歷史收益的超額部分，或簡化為資產(chǎn)的實際收益預(yù)期。本文中，我們采用“資產(chǎn)收益預(yù)測”作為超額收益的定義標準，具體而言，是以主觀觀點收益向量所表征的、對資產(chǎn)下一個月（即下一期）收益率的預(yù)測值。觀點值生成遵循以下規(guī)則：對于正確觀點，其主觀預(yù)測收益率為未來實際收益率的1.5倍，且預(yù)測超額收益率上限為15%（避免極端觀點）；對于錯誤觀點，采用對稱懲罰方式，其主觀預(yù)測收益率為未來實際收益率的-1.5倍，且預(yù)測超額收益率下限為-15%（避免極端觀點）。該方法在控制觀點正確率的同時，融合了歷史波動率與未來收益信息的模擬邏輯，使BL模型在回測中更貼近實際投資決策的思維框架。以下是2025年7月（對8月預(yù)測）生成的觀點收益向量，其中隨機選取了7個資產(chǎn)作為正確觀點（其余3個下表中標紅的資產(chǎn)為錯誤觀點，），其中創(chuàng)業(yè)板觸發(fā)預(yù)測超額收益率上限15%。

（4）BL模型超參數(shù)與約束設(shè)置

參考行業(yè)通用設(shè)置，本文將風險厭惡系數(shù)λ設(shè)置為2，先驗置信度縮放因子τ設(shè)置為0.25。

約束條件的設(shè)計充分考慮了實際投資場景中的合規(guī)要求與操作可行性，具體包括：

預(yù)算約束：要求全部資產(chǎn)權(quán)重之和為100%；

非負約束：不允許進行賣空操作；

集中度約束：單一資產(chǎn)權(quán)重上限為30%，以控制風險敞口；

平滑性約束：通過引入戰(zhàn)略基準權(quán)重，約束新權(quán)重與舊權(quán)重之間的L1范數(shù)變化不超過40%，從而有效控制換手率與交易成本。

上述設(shè)置的核心邏輯在于：以戰(zhàn)略基準權(quán)重為基礎(chǔ)框架，通過融入主觀觀點對資產(chǎn)權(quán)重進行適度微調(diào)，實現(xiàn)既貼合基準又體現(xiàn)主動管理意圖的配置目標。

（5）BL-戰(zhàn)略基準版結(jié)果

在研究資產(chǎn)覆蓋范圍有限的場景下，BL策略需以更高勝率的主觀觀點作為邊際安全墊，才能有效獲取超額收益。具體而言，推薦當主觀預(yù)測勝率達到60%~65%及以上水平時，在BL模型中嵌入部分核心資產(chǎn)的主觀觀點，可實現(xiàn)超額收益。

以資管機構(gòu)的戰(zhàn)略基準權(quán)重版本為例（自營版本可見附錄，相關(guān)結(jié)果差異較?。鶕?jù)2005年1月至2025年9月的回測結(jié)果，不同策略的表現(xiàn)對觀點準確性存在顯著依賴。數(shù)據(jù)顯示，當BL模型中嵌入觀點的勝率為50%時，其策略的總收益與年化收益均低于無任何主觀觀點的戰(zhàn)略基準策略。值得注意的是，回測早期（如2005-2010年）核心資產(chǎn)數(shù)量較少（僅3個或5個），此時50%的勝率在實際計算中因四舍五入略高于50%（例如3類核心資產(chǎn)中選擇2類準確，實際勝率為66.7%）；而后期擴展至10類關(guān)鍵資產(chǎn)時，50%勝率則恰好對應(yīng)5類資產(chǎn)判斷準確。盡管這類結(jié)果受隨機因素影響，但仍可表明：在此勝率水平下，引入主觀觀點并未產(chǎn)生增量價值。

60%勝率較50%勝率已有提升，但2024年之前未表現(xiàn)出明顯超額，其原因可從資產(chǎn)選擇與組合權(quán)重特性兩方面解釋：在全部14類資產(chǎn)中，基于研究覆蓋范圍，我們僅對10類關(guān)鍵資產(chǎn)賦予主觀觀點；而在總權(quán)重之和為1的約束下，大類資產(chǎn)配置本質(zhì)上體現(xiàn)為“相對權(quán)重”邏輯——即對某類資產(chǎn)的權(quán)重調(diào)整會間接影響其他資產(chǎn)的相對占比。這種情況下，即使10類關(guān)鍵資產(chǎn)的觀點勝率達到60%（即6類判斷準確），但受限于關(guān)鍵資產(chǎn)池規(guī)模及相對權(quán)重的聯(lián)動效應(yīng)，觀點對組合收益的正向貢獻仍難以有效釋放，導(dǎo)致策略表現(xiàn)未能顯著超越無觀點的戰(zhàn)略基準策略。

主觀觀點勝率60%~65%是BL策略相對等權(quán)基準及戰(zhàn)略基準（無觀點）版本有效獲取超額收益的核心閾值：當勝率提升至65%時，BL策略（BL-65%勝率）表現(xiàn)顯著躍升，年化收益達11.34%，夏普比率1.51，同時將最大回撤控制在-14.98%，卡瑪比率0.76，各項核心指標均顯著優(yōu)于基準策略及低勝率BL策略。在此水平下，該模型相較等權(quán)基準、無觀點的戰(zhàn)略基準模型，不僅能長期獲取約3%的年化超額收益，且組合波動率維持在更低或相當水平。從組合與組合內(nèi)單個資產(chǎn)的橫向?qū)Ρ葋砜?/strong>，BL-65%勝率策略組合表現(xiàn)同樣突出：年化收益可在所有單個資產(chǎn)中位列第3（僅次于納斯達克指數(shù)與中證紅利），夏普比率排名第4（僅次于現(xiàn)金、中債高收益?zhèn)约爸袊?0年國債）；波動率層面，其雖略高于固收類資產(chǎn)，但較權(quán)益類及類權(quán)益類資產(chǎn)顯著更低。

若觀點勝率進一步提升至80%，BL策略（BL-80%勝率）的收益與風險控制能力將再上臺階：年化收益15.68%（作為直觀參考，本文基于“固收+”思路設(shè)定戰(zhàn)略資產(chǎn)配置權(quán)重基準，樣本期內(nèi)中債-高收益?zhèn)?、中?0年期國債的年化收益率分別僅為6.3%和4.5%），夏普比率達1.98，最大回撤更是收窄至10.73%；同時，其回撤后修復(fù)能力突出，卡瑪比率大于1，展現(xiàn)出極強的風險調(diào)整后收益優(yōu)勢。

戰(zhàn)略基準下的權(quán)重微調(diào)：在資管機構(gòu)版本的基準權(quán)重中，10類核心資產(chǎn)的權(quán)重占比為84.6%。從這10類核心資產(chǎn)的月度權(quán)重調(diào)整情況來看，由于設(shè)置了預(yù)算約束、非負約束、集中度約束及平滑性約束，其調(diào)整幅度符合“在戰(zhàn)略基準上微調(diào)”的實務(wù)操作需求。樣本期內(nèi)，考慮到中國REITs上市時間較晚，2022年4月之后，這10類核心資產(chǎn)的平均權(quán)重合計約77.4%。僅在主觀觀點判斷10類核心資產(chǎn)中絕大部分表現(xiàn)不佳時，才會對其進行較大幅度減配。以2020年5月為例：該月10類核心資產(chǎn)中，中國10Y國債、中證轉(zhuǎn)債、中證紅利、創(chuàng)業(yè)板資產(chǎn)收益率為負，美國10年國債、泛歐國債7-10年收益基接近0，核心資產(chǎn)整體表現(xiàn)偏弱，而恒生科技當月表現(xiàn)強勁，漲超5%。在此市場環(huán)境下，基于65%勝率生成的主觀觀點縮減中證轉(zhuǎn)債等資產(chǎn)配置比例，將恒生科技配置比例提高了4.2%。

最大回撤年份分析：大類資產(chǎn)配置的最大回撤通常出現(xiàn)在系統(tǒng)性風險集中爆發(fā)的年份（如2008年），這與“資產(chǎn)池選擇與樣本期”部分中各類資產(chǎn)年度收益率、波動率的統(tǒng)計結(jié)論相吻合。2008年期間，組合內(nèi)僅現(xiàn)金、泛歐國債7-10年、倫敦金、中債高收益、美國10Y國債、中國10Y國債這6類資產(chǎn)實現(xiàn)正收益，其余資產(chǎn)跌幅普遍接近40%。在此背景下，BL-65%勝率組合的回撤僅為14.20%，除上述6類正收益資產(chǎn)外，該回撤表現(xiàn)優(yōu)于其他所有單一資產(chǎn)。從權(quán)重調(diào)整來看，2008年3月金融危機啟動后，中證紅利、納指100的當月權(quán)重分別從13.4%、10.9%下調(diào)至接近0；與之對應(yīng)，倫敦金權(quán)重從7.7%上調(diào)至接近20%，通過倉位調(diào)整對沖風險。類似地，2020年全球流動性寬松后，2022年全球進入加息緊縮周期，此時組合內(nèi)僅現(xiàn)金、倫敦金、中國10Y國債、中債高收益、中國REITs這5類資產(chǎn)實現(xiàn)正收益。權(quán)重調(diào)整上，恒生科技、納指100的權(quán)重較前期高點分別下降約12%和3%，中國10Y國債、中債高收益的權(quán)重則分別增配約1~3%，通過倉位微調(diào)，除了上述正收益資產(chǎn)之外，BL-65%勝率策略組合2022年回撤僅比中證紅利略大，優(yōu)于其余8個資產(chǎn)。

3.1.4 廣義60/40組合

為了考慮流動性，我們設(shè)計了三個版本的廣義60/40組合模型：（1）股60債40：固定現(xiàn)金倉位5%，95%可配置資產(chǎn)中股票占比60%、債券占比40%；（2）債60股40：固定現(xiàn)金倉位5%，95%可配置資產(chǎn)中債券占比60%、股票占比40%；（3）股50債40黃金10：固定現(xiàn)金倉位5%，95%可配置資產(chǎn)中股票占比50%、債券占比40%、黃金占比10%。

組合權(quán)重方面，廣義60/40組合均采用固定權(quán)重配置方案，每月僅需先明確可配置資產(chǎn)池（例如判斷部分指數(shù)當月是否有可用數(shù)據(jù)），具體細節(jié)此處不再贅述。

風險收益方面，樣本期內(nèi)，股50債40黃金10略優(yōu)于股60債40策略，債60股40風險收益比較高。股50債40黃金10優(yōu)于股60債40策略，核心是收益與風險平衡更優(yōu)：其年化收益（8.80%）略高于股60債40（8.63%），風險卻更低，年化波動率（8.16%）、最大回撤（-21.92%）均小于股60債40（9.18%、-26.66%），且夏普比率（1.08）更高（股60債40為0.94），“風險-收益”性價比更優(yōu)。債60股40策略則以穩(wěn)健為主要特征，雖年化收益（7.59%）在四類策略中最低，但風險控制表現(xiàn)突出，年化波動率和最大回撤均處于低位，風險調(diào)整后收益（夏普比率1.10）亮眼，是典型的低風險、穩(wěn)健型配置選擇。

3.1.5 永久投資組合

本文參考Harry Browne原版永久投資組合，采用等權(quán)配置（各25%）四大類資產(chǎn)：權(quán)益及類權(quán)益、固定收益、現(xiàn)金、黃金，且各大類下的資產(chǎn)小類亦按等權(quán)分配。

組合權(quán)重方面，因該組合已包含25%權(quán)重的現(xiàn)金，故無需額外考慮流動性，其余細節(jié)此處不再贅述。

風險收益方面，樣本期內(nèi)，永久投資組合策略幾乎嚴格優(yōu)于等權(quán)策略。二者收益接近，永久投資組合年化收益8.00%，等權(quán)組合年化收益8.77%；但永久投資組合波動顯著更小，年化波動率6.65%，等權(quán)組合為8.12%；回撤更低，最大回撤-17.04%，等權(quán)組合為-20.41%；且夏普比率更高，達1.20，等權(quán)組合為1.08。從最大回撤年份來看，得益于25%現(xiàn)金的配置緩沖，2008年永久投資組合回撤17.04%，低于等權(quán)組合的18.61%?？偨Y(jié)來看，永久投資組合通過提高現(xiàn)金比重，有效減少了組合波動與回撤，且收益未出現(xiàn)明顯下降。

3.1.6 風險平價模型

本文主要采用的是實務(wù)簡化版本，即波動率倒數(shù)版本；協(xié)方差版本風險平價模型的結(jié)果，可參見附錄“風險平價模型-協(xié)方差版相關(guān)結(jié)果”，該版本結(jié)果回撤較大且穩(wěn)定性欠佳。

我們設(shè)計的風險平價策略分為三個版本：（1）純粹風險等權(quán)（基準版本），95%權(quán)重按非現(xiàn)金資產(chǎn)歷史波動率倒數(shù)分配（確保各資產(chǎn)風險貢獻相等），剩余5%固定為現(xiàn)金權(quán)重；（2）“風險平價-帶權(quán)重限制”，在純粹風險等權(quán)版本基礎(chǔ)上增設(shè)單資產(chǎn)30%權(quán)重上限：若資產(chǎn)權(quán)重超出上限則固定為30%，剩余權(quán)重重新分配以維持風險平價；（3）“風險平價-結(jié)合主觀觀點”，以純粹風險等權(quán)版本為基礎(chǔ)，對核心資產(chǎn)按不同勝率施加主觀觀點調(diào)整，并通過相對超額幅度差異化處理波動率（進而影響權(quán)重）：先通過“資產(chǎn)未來實際收益/歷史最大絕對收益”計算相對超額幅度，量化資產(chǎn)收益偏離自身歷史水平的程度；再根據(jù)主觀觀點判斷準確性（正確/錯誤）與資產(chǎn)未來收益方向（正/負），差異化生成基礎(chǔ)調(diào)整因子，若觀點正確且資產(chǎn)未來上漲，基礎(chǔ)因子按“0.7-相對超額幅度×0.2”計算（相對超額幅度越高，因子越低，波動率降幅越大），若觀點正確且資產(chǎn)未來下跌，基礎(chǔ)因子則按“1.5+相對超額幅度×0.5”計算（虧損幅度越大，因子越高，波動率增幅越大）；同時疊加±0.05或±0.1的隨機擾動，避免單一觀點的極端影響。最終，通過調(diào)整后的波動率間接優(yōu)化風險平價權(quán)重，讓“高超額收益且判斷正確”的資產(chǎn)獲得更高配置，“虧損且判斷正確”的資產(chǎn)降低權(quán)重。此外，我們設(shè)置了50%、60%、65%、70%、80%多個勝率水平。

組合權(quán)重方面，因現(xiàn)金波動率極低，若納入風險平價計算易導(dǎo)致權(quán)重過高，且其核心作用是應(yīng)對流動性沖擊而非參與風險收益配置，故不納入風險平價范疇，本文中現(xiàn)金資產(chǎn)固定分配5%權(quán)重，剩余95%權(quán)重通過風險平價機制分配給非現(xiàn)金資產(chǎn)。在樣本期內(nèi)各資產(chǎn)平均權(quán)重分配上：（1）“純粹風險等權(quán)”，中債高收益因其整體波動較?。ㄔ斠姟百Y產(chǎn)池選擇與樣本期”部分），平均權(quán)重可達39.0%，后續(xù)中國10Y國債、美債高收益、泛歐國債7-10年、美國10Y國債的平均權(quán)重分別為16.7%、15.7%、10.0%、6.1%，從整體看，固收資產(chǎn)權(quán)重總和達87.4%，因此在純粹風險等權(quán)規(guī)則下，風險平價模型是名副其實的固收+組合；（2）“風險平價-帶權(quán)重限制”，在引入單個資產(chǎn)30%權(quán)重上限后，中債高收益平均權(quán)重降至28.8%，中國10Y國債、美債高收益、泛歐國債7-10年、美國10Y國債的平均權(quán)重分別為19.9%、16.3%、11.5%、7.1%，整體固收資產(chǎn)權(quán)重總和為83.6%；（3）“風險平價-結(jié)合主觀觀點”，以65%勝率版本為例，中債高收益、中國10Y國債、美債高收益、泛歐國債7-10年、美國10Y國債的平均權(quán)重分別為37.9%、16.4%、15.1%、10.9%、6.1%，整體固收資產(chǎn)權(quán)重總和為86.4%。

風險收益方面，樣本期內(nèi)，因組合權(quán)重整體偏向固收類資產(chǎn)，風險平價模型整體呈現(xiàn)較高夏普比率。其中，純風險等權(quán)策略年化收益為6.35%，年化波動率控制在3.28%的較低水平，夏普比率達1.93；與組合內(nèi)單個資產(chǎn)相比，該策略年化收益與美債高收益相當（詳見附錄“大類資產(chǎn)年化收益率和波動率”），且波動率低2個百分點，夏普比率高0.7。進一步來看，通過引入主觀觀點對策略進行優(yōu)化后，其收益能力顯著提升，當主觀觀點勝率達到60%時，策略表現(xiàn)實現(xiàn)關(guān)鍵性躍升：在保持與純風險等權(quán)基準相近的年化波動率（3.37%）的同時，將年化收益大幅提升至7.94%。這一優(yōu)化使策略夏普比率達到2.36，明顯高于純風險等權(quán)策略的1.93。

由于后文“Black-Litterman-風險平價模型”部分將以風險平價模型（無觀點）版作為基準，此處暫不對模型權(quán)重調(diào)整展開過多描述（權(quán)重變動詳情可見附錄“風險平價模型結(jié)果”）；而在最大回撤控制上，風險平價模型族表現(xiàn)更為突出。

3.1.7 Black-Litterman-風險平價模型

（1）基準權(quán)重（Wmkt）設(shè)置

“BL-風險平價”與“BL-戰(zhàn)略基準”的核心差異在于市場組合初始權(quán)重向量的構(gòu)建邏輯：“BL-戰(zhàn)略基準”以集團或理財子公司的戰(zhàn)略基準為權(quán)重設(shè)定基礎(chǔ)，“BL-風險平價”則基于風險平價模型計算初始權(quán)重，通過讓各類資產(chǎn)貢獻相對均衡的風險奠定配置基礎(chǔ)。

其風險平價初始權(quán)重計算規(guī)則為：現(xiàn)金資產(chǎn)固定分配5%權(quán)重——因現(xiàn)金波動率極低，若參與風險平價易導(dǎo)致權(quán)重過高，且其核心作用是應(yīng)對流動性沖擊而非風險收益配置，故不納入風險平價計算；剩余95%權(quán)重分配給非現(xiàn)金資產(chǎn)，以上月末為基準，基于上一完整月度的日度收益率數(shù)據(jù)計算各非現(xiàn)金資產(chǎn)波動率，按“權(quán)重與波動率成反比”原則（即單個資產(chǎn)波動率倒數(shù)占所有非現(xiàn)金資產(chǎn)波動率倒數(shù)總和的比例）確定權(quán)重。

（2）基準模型與模型比較

我們對“BL-風險平價”的多個版本展開對比，具體包括基準（各類資產(chǎn)等權(quán)重）、無觀點版（風險平價權(quán)重）與生成主觀觀點版；其中主觀觀點的勝率水平仍設(shè)置為50%、60%、65%、70%，且觀點生成方法與“BL-戰(zhàn)略基準”完全一致，此處不再贅述。

（3）BL-風險平價模型結(jié)果

在主觀觀點加入時機上，與“BL-戰(zhàn)略基準”得出的結(jié)論保持一致：推薦當主觀預(yù)測勝率達到60%~65%及以上時，在BL模型中嵌入部分核心資產(chǎn)的主觀觀點，能夠有效實現(xiàn)超額收益。

“BL-風險平價”與“BL-戰(zhàn)略基準”的核心差異聚焦于風險與收益特征的側(cè)重不同：前者更注重波動率與回撤的精細化控制，因而能實現(xiàn)更高的夏普比率，但長期年化收益會低于后者。例如，風險平價（無觀點）[1]模型在樣本期內(nèi)可實現(xiàn)1.93的夏普比率，該數(shù)值略高于BL-戰(zhàn)略基準-資管-65%勝率模型；同時，其年化波動率僅為3.23%，低于之前的所有模型，最大回撤8.77%也小于等權(quán)基準及BL-戰(zhàn)略基準-資管（無觀點）模型，而其6.24%的年化收益，則低于等權(quán)基準（8.70%）與BL-戰(zhàn)略基準-資管（無觀點）（8.10%）。進一步從兩者對比可見，面對不同基礎(chǔ)模型時，BL模型能有效融入主觀觀點，其更核心的價值在于作為“主觀觀點嵌入框架”的靈活性——能夠與風險平價、戰(zhàn)略基準等不同基礎(chǔ)模型或各類配置需求相結(jié)合，而非局限于單一的風險或收益目標。

風險平價下的權(quán)重微調(diào)：與“BL-戰(zhàn)略基準”模型不同，“BL-風險平價”模型未預(yù)設(shè)初始權(quán)重，而是由風險平價提供，且與“風險平價模型”中“純風險等權(quán)”版本一致。在“BL-65%勝率-風險平價”下，在核心10類資產(chǎn)中，其整體平均權(quán)重之和約為84.6%，其中平均權(quán)重較高的幾類資產(chǎn)依次為中債高收益、泛歐國債7-10年、中國10Y國債、美國10Y國債。固收類資產(chǎn)中，中債高收益、中國10Y國債、美債高收益、泛歐國債7-10年、美國10Y國債的平均權(quán)重分別為28.8%、17.2%、14.8%、10.3%、6.5%，整體固收資產(chǎn)權(quán)重總和為78%，與“風險平價-65%勝率”版本的86.4%存在差異，可能原因如下：（1）BL模型納入主觀觀點采用貝葉斯思路，通過調(diào)整初始市場隱含均衡收益影響最優(yōu)化求解，而風險平價模型則通過直接建立主觀觀點超額收益與波動率預(yù)期的映射進行調(diào)整，未納入對觀點不確定性的考量；（2）BL模型包含投資者風險厭惡系數(shù)、市場均衡信念等超參數(shù)，也會導(dǎo)致差異。兩種模型納入主觀觀點的方式難分絕對優(yōu)劣，通常而言，風險平價的方式更主觀直白，從主觀觀點到超額收益、波動率再到權(quán)重基本呈線性映射；而BL模型的兼容性則更強。

最大回撤年份分析：以65%勝率為例，與“BL-戰(zhàn)略基準版”相比，“BL-風險平價版”的初始權(quán)重由風險平價機制計算得出，2008年日經(jīng)225、納指100、中證紅利的權(quán)重基本在年底降至0，而2008年1月時，上述資產(chǎn)的權(quán)重總和為16.8%。相較于“BL-戰(zhàn)略基準版”事先設(shè)定基準權(quán)重的模式，風險平價模型對資產(chǎn)波動的敏感性更高，因此在極端回撤場景下，其回撤控制能力也更為出色，尤其適合對風險與回撤要求極高的機構(gòu)。此外，“BL-風險平價版”在其余年份的最大回撤，基本都控制在3%以內(nèi)。

3.1.8 模型總結(jié)

在多資產(chǎn)投資實踐中，均值–方差優(yōu)化（MVO）、廣義60/40組合、永久投資組合、風險平價（RP）、Black-Litterman（BL）以及等權(quán)配置等方法，是最具代表性的幾類配置框架。不同模型在理論基礎(chǔ)、參數(shù)依賴、適用機構(gòu)和實際效果上均存在差異，需要結(jié)合資金性質(zhì)、研究能力與風險偏好進行取舍。

首先，均值–方差優(yōu)化（MVO）以夏普比率最大化為目標，能夠在理論上給出風險收益最優(yōu)解。該模型的優(yōu)點在于邏輯完備，能夠直接利用收益率和協(xié)方差矩陣的信息進行優(yōu)化，并可通過調(diào)整預(yù)期收益率等方式疊加投資者的主觀預(yù)測。但其缺點也十分突出：對預(yù)期收益和協(xié)方差的估計極為敏感，一旦預(yù)測偏差較大，容易導(dǎo)致“南轅北轍”的結(jié)果，甚至出現(xiàn)權(quán)重集中于少數(shù)資產(chǎn)的情況。因此，MVO更適合投資期限較長、具備較強底層資產(chǎn)研究和收益率預(yù)測能力的機構(gòu)，如大型公募基金。在國際實踐中，海外較少直接用MVO，但作為戰(zhàn)略研究模型工具。

與之相比，廣義60/40組合更為簡潔穩(wěn)健。其典型形式是股票和債券的固定比例配置，并可擴展至類權(quán)益（如可轉(zhuǎn)債、REITs）、商品等多類資產(chǎn)。該方法的優(yōu)勢在于透明、易執(zhí)行，且在長期歷史中表現(xiàn)穩(wěn)健，能夠作為許多養(yǎng)老金和年金資金的核心框架。但其劣勢也較為明顯：缺乏靈活性，在股債同跌的極端市場中往往面臨較大回撤。國外養(yǎng)老目標基金常用廣義60/40組合，比如加州公務(wù)員退休系統(tǒng)（CalPERS）：股權(quán)約 45.1%，固定收益約 26.4%，不動產(chǎn)/實物資產(chǎn)約 15.2%，私募股權(quán)約 12.9%，私募債/非公開信貸約 2.2%。

進一步分散的永久投資組合，通過股票（權(quán)益和類權(quán)益）、債券、現(xiàn)金和黃金的等比例配置，力求覆蓋不同經(jīng)濟環(huán)境，實現(xiàn)極致分散和低波動。該方法的優(yōu)點是對經(jīng)濟周期具有較強的適應(yīng)性，回撤控制較好，但缺點在于在權(quán)益牛市階段明顯跑輸股市，長期超額有限。因此，該組合更適合養(yǎng)老金、家族信托以及追求財富保值的保守型個人投資者。國外養(yǎng)老金較少將其作為核心框架，更多用作低風險參考組合。

近年來受到廣泛關(guān)注的風險平價，通過讓各類資產(chǎn)在組合中貢獻相等風險，實現(xiàn)風險來源的均衡化。其優(yōu)點在于能夠顯著降低單一資產(chǎn)對組合的沖擊，提高夏普比率，并在歷史上展現(xiàn)出穩(wěn)健的回撤控制能力。然而，該方法存在兩方面局限：一是依賴杠桿提升收益，對衍生品與利率工具的使用要求較高；二是未顯式納入收益率預(yù)期，如果某一時期某類資產(chǎn)的預(yù)期收益偏低，風險平價仍可能給予其較高權(quán)重，從而導(dǎo)致潛在的機會成本。基于這些特點，風險平價更適合：1）追求穩(wěn)健的養(yǎng)老金、銀行理財子公司；2）具備較強單一資產(chǎn)超額獲取能力的量化私募；3）缺乏預(yù)測能力的個人投資者；4）資金體量龐大、不支持高頻擇時的機構(gòu)（如社?；?、養(yǎng)老金）。在國際實踐中，美國俄亥俄州公務(wù)員退休系統(tǒng)（OPERS）和德州教師退休系統(tǒng)（TRS）均設(shè)有風險平價組合，富達投資（Fidelity）還專門推出了Risk Parity Fund。在中國，風險平價理念已逐步被理財子公司采納，并常見于“全天候組合”的設(shè)計中。

Black-Litterman（BL）模型則在MVO的基礎(chǔ)上引入市場均衡組合，并可疊加投資者的主觀觀點。其優(yōu)點是能有效緩解MVO權(quán)重極端化的問題，避免組合集中于少數(shù)資產(chǎn)，同時允許投資者根據(jù)研究結(jié)論靈活調(diào)整權(quán)重。但BL模型的挑戰(zhàn)在于依賴觀點預(yù)測的準確性，同時參數(shù)設(shè)定較復(fù)雜。該方法適合理財子公司、資管機構(gòu)、FOF/MOM管理人等需要在均衡配置基礎(chǔ)上疊加行業(yè)或主題觀點的機構(gòu)，也適合具備較強資產(chǎn)預(yù)測能力的個人投資者。在國際上，BL模型廣泛應(yīng)用于養(yǎng)老金與捐贈基金的戰(zhàn)略與戰(zhàn)術(shù)配置中；在中國，公募FOF和部分理財子公司已披露采用BL框架。

最后，等權(quán)配置以各資產(chǎn)等權(quán)分配為原則，優(yōu)勢在于極簡透明，能夠有效避免預(yù)測誤差，是個人投資者或機構(gòu)進行基準對照的常用方法。但其缺陷在于完全忽視資產(chǎn)的風險差異，導(dǎo)致組合的風險收益表現(xiàn)并非最優(yōu)。因此，該方法主要適合初學者或作為參考組合使用。

綜上所述，不同配置模型在實踐中各具適用性。MVO和BL適合研究能力較強、能夠形成明確主觀觀點的機構(gòu)；風險平價和廣義60/40更契合養(yǎng)老金、年金等長期穩(wěn)健型資金；永久投資組合與等權(quán)配置則為保守型或個人投資者提供了簡便易行的長期框架。在國際實踐中，大型養(yǎng)老金通常結(jié)合MVO、BL與風險平價的方法，在戰(zhàn)略配置和戰(zhàn)術(shù)調(diào)整中靈活運用；在中國，養(yǎng)老金和理財子公司則更多采用廣義60/40與風險平價的混合式方案，并在部分領(lǐng)域引入BL，以適配本土市場環(huán)境與監(jiān)管要求。

四、低波組合的構(gòu)建方法

4.1.1 路徑1：提高固收類資產(chǎn)比重

本文“三、大類資產(chǎn)配置方法實踐與比較”部分已對主流大類資產(chǎn)配置模型展開比較，結(jié)論顯示：僅從低波表現(xiàn)來看，固收類資產(chǎn)在組合中的占比是影響低波效果的關(guān)鍵因素。

對上述資產(chǎn)配置模型分別按單年度最大回撤率與年化波動率排序（涉及勝率的模型統(tǒng)一設(shè)定65%勝率，廣義60/40組合選取“股票50%、債券40%、黃金10%”的配置結(jié)構(gòu)）：單年度最大回撤方面，排序為風險平價-65%勝率（7.13%）＜BL-戰(zhàn)略基準-自營-65%勝率（9.02%）＜BL-風險平價-65%勝率（9.35%）＜永久組合（17.04%）＜BL-戰(zhàn)略基準-資管機構(gòu)-65%勝率（14.20%）＜等權(quán)組合（18.61%）＜廣義60/40（19.11%）＜均值方差（40.00%）；年化波動率方面，排序為風險平價-65%勝率（3.37%）＜BL-風險平價-65%勝率（4.22%）＜BL-戰(zhàn)略基準-自營-65%勝率（4.77%）＜永久組合（6.65%）＜BL-戰(zhàn)略基準-資管機構(gòu)-65%勝率（7.51%）＜等權(quán)組合（8.12%）＜廣義60/40（8.16%）＜均值方差（16.29%）。

從波動表現(xiàn)最優(yōu)的前兩類組合來看：“風險平價-65%勝率”固收占比86.4%，現(xiàn)金占比5%；“BL-戰(zhàn)略基準-自營-65%勝率”的固收類資產(chǎn)占比80%、現(xiàn)金占比5%；“BL-風險平價-65%勝率”與組合的固收類資產(chǎn)占比處于75%-78%區(qū)間（接近80%），現(xiàn)金占比同樣為5%。其余組合的資產(chǎn)結(jié)構(gòu)中固收類資產(chǎn)占比如下：“永久組合”的固收類資產(chǎn)與現(xiàn)金權(quán)重各為25%；“BL-戰(zhàn)略基準-資管機構(gòu)-65%勝率”的固收資產(chǎn)占比50%、現(xiàn)金占比8%；“廣義60/40組合”（股票50%、債券40%、黃金10%）的固收類資產(chǎn)占比40%；“等權(quán)組合”的固收類資產(chǎn)合計占比約35.7%，同時配置5%現(xiàn)金?？梢?，上述組合的單年度最大回撤與年化波動率，基本與固收類資產(chǎn)占比呈負向關(guān)系，從附錄“大類資產(chǎn)年化收益率和波動率”的數(shù)據(jù)中得到印證，其中現(xiàn)金年化波動率僅0.16%，中美高收益?zhèn)爸袊?0年期國債的年化波動率亦控制在5.5%以內(nèi)。

需特別指出的是，風險平價模型可作為低波組合的標桿：其核心理念是各類資產(chǎn)風險貢獻等權(quán)，由此構(gòu)建的組合本身已具備較強的波動控制能力。若組合中固收類資產(chǎn)的平均占比高于風險平價模型的建議水平，則意味著人為進一步壓縮了權(quán)益等風險資產(chǎn)的風險預(yù)算。綜上分析，若要進一步降低組合波動，最直接的方式是將固收類資產(chǎn)占比提升至90%-95%區(qū)間，即提高固收資產(chǎn)的風險預(yù)算。

4.1.2 路徑2：組合中加入低相關(guān)資產(chǎn)

本文所選取的常規(guī)14類資產(chǎn)，已基本覆蓋主流大類資產(chǎn)配置品種。若需進一步在大類資產(chǎn)配置中加入低相關(guān)資產(chǎn)以降低波動，主要可考慮以下兩類：一類是私募策略（如CTA策略、宏觀對沖中性策略、指數(shù)增強策略等），這類策略之所以能實現(xiàn)低相關(guān)性，核心在于多數(shù)采用套利邏輯，因此與商品等基礎(chǔ)資產(chǎn)的相關(guān)性較低；另一類是新興資產(chǎn)，例如穩(wěn)定幣，當前屬性上較符合低波動、低相關(guān)的特征，待未來法律監(jiān)管框架逐步成熟后，也可成為一類可選資產(chǎn)。

本文嘗試在14類資產(chǎn)基礎(chǔ)上加入CTA策略資產(chǎn)，通過對比加入前后的風險收益變化，檢驗CTA資產(chǎn)能否有效降低組合波動。測試基準模型選用風險平價模型，由于CTA策略指數(shù)的起始時間限制，回測對比的時間范圍設(shè)定為2016年至2025年9月底。從CTA策略自身表現(xiàn)來看，其年化收益率、年化波動率、夏普比率、最大回撤分別為10.75%、6.03%、1.78、3.87%，其中夏普比率在本文所有大類資產(chǎn)中排名第三，最大回撤為除現(xiàn)金外最低，年化波動率則略高于固收類資產(chǎn)。

從相關(guān)性分析結(jié)果來看，CTA策略指數(shù)與多數(shù)資產(chǎn)呈負相關(guān)或低相關(guān)關(guān)系，其中與該指數(shù)相關(guān)性最高的資產(chǎn)為中國REITs，相關(guān)系數(shù)也僅為0.08。從組合表現(xiàn)來看，加入CTA策略后，組合波動顯著降低，同時獲得更高的夏普比率。與未加入CTA策略的基準組相比，在所有勝率場景下，加入CTA的風險平價模型波動率、最大回撤均有所下降，且夏普比率明顯提升，這表明加入CTA策略在未顯著犧牲收益的前提下，有效降低了組合波動。

單年度最大回撤方面，由于樣本期未覆蓋2008年（通常是大類資產(chǎn)配置最大回撤年份）、2011年、2013年等其他大類資產(chǎn)配置表現(xiàn)較差的年份，故僅選取2020年、2022年（通常為其他大類資產(chǎn)配置表現(xiàn)第二、第三差的年份）進行對比。結(jié)果顯示，相較于純風險平價模型，加入CTA策略后，這兩個年份的最大回撤減少超1%；若與其他模型相比，回撤降幅則更為顯著。從風險平價模型給出的資產(chǎn)權(quán)重來看，CTA策略在整個回測期間的平均權(quán)重為13%，2022年之后其平均權(quán)重進一步提升至19.5%。

五、參考文獻

1.林雷, 劉黎明, 張誠, 2025. 我國城鎮(zhèn)職工基本養(yǎng)老保險可持續(xù)性研究——基于養(yǎng)老金入市和國有資本劃轉(zhuǎn)政策的測算[J]. 財政科學(04): 92-107.

2.孟勇, 任夢, 趙心, 2022. 行業(yè)資產(chǎn)的Black-Litterman模型配置研究——基于社交網(wǎng)絡(luò)情緒文本挖掘算法[J]. 數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究, 39(01): 154-173.

3.龐杰, 2021. Black-litterman模型下行業(yè)資產(chǎn)配置——結(jié)合投資者情緒指數(shù)[J]. 科研管理, 42(06): 17-24.

4.宋正陽, 周忠寶, 余樂安, 等. 基于混合集成預(yù)測算法和Black-Litterman模型的投資組合優(yōu)化策略研究[J]. 中國管理科學: 1-12.

5.王瑩, 潘文捷, 2022. 基于投資時鐘和Black-Litterman模型的全球股市行業(yè)動態(tài)配置研究[J]. 數(shù)量經(jīng)濟研究, 13(03): 36-53.

6.王玉國, 2018. 基于風險平價策略的高凈值客戶資產(chǎn)配置研究[J]. 北京社會科學(06): 119-128.

7.烏云高, 2022. 基于Black–Litterman的養(yǎng)老金最優(yōu)資產(chǎn)配置模型研究[D]. 華北電力大學.

8.姚海祥, 李曉鑫, 房勇, 2023. 基于AdaBoost集成算法和Black-Litterman模型的資產(chǎn)配置[J]. 系統(tǒng)工程理論與實踐, 43(11): 3182-3196.

9.周靜, 2024. 基于Smart Beta策略的PGP-MVS動態(tài)擇時組合與績效評價[J]. 運籌與管理, 33(12): 100-107.

10.周亮, 2021. Black-Litterman模型在大類資產(chǎn)配置中的應(yīng)用：基于貨幣周期及風險平價策略的改進[J]. 運籌與管理, 30(08): 198-204.

11.周亮, 李紅權(quán), 2019. 投資時鐘原理及戰(zhàn)術(shù)資產(chǎn)配置在投資組合管理中的應(yīng)用——基于修正Black-Litterman模型[J]. 中央財經(jīng)大學學報(10): 92-105.

12.周亮, 李紅權(quán), 2020. 基于馬爾科夫區(qū)制轉(zhuǎn)換及Black-Litterman模型的大類大類資產(chǎn)配置模型研究[J]. 數(shù)理統(tǒng)計與管理, 39(04): 617-632.

13.AI HEDGE FUND. AI hedge fund[EB/OL]. https://github.com/virattt/ai-hedge-fund.

14.ALEXANDER G J, BAPTISTA A M, 2002. Economic implications of using a mean-VaR model for portfolio selection: A comparison with mean-variance analysis[J]. Journal of Economic Dynamics and Control, 26(7-8): 1159-1193.

15.ASNESS C S, 2016. The Siren Song of Factor Timing[J]. SSRN Electronic Journal.

16.ASNESS C S, FRAZZINI A, PEDERSEN L H, 2012. Leverage Aversion and Risk Parity[J]. Financial Analysts Journal, 68(1): 47-59.

17.BASS R, GLADSTONE S, ANG A, 2017. Total Portfolio Factor, Not Just Asset, Allocation[J]. The Journal of Portfolio Management, 43(5): 38-53.

18.BEST M J, GRAUER R R, 1991. On the Sensitivity of Mean-Variance-Efficient Portfolios to Changes in Asset Means: Some Analytical and Computational Results[J]. Review of Financial Studies, 4(2): 315-342.

19.BLACK F, LITTERMAN R, 1992. Global Portfolio Optimization[J]. Financial Analysts Journal, 48(5): 28-43.

20.BRINSON G P, HOOD L R, BEEBOWER G L, 1986. Determinants of Portfolio Performance[J]. Financial Analysts Journal, 42(4): 39-44.

21.BROADIE M, 1993. Computing efficient frontiers using estimated parameters[J]. Annals of Operations Research, 45(1): 21-58.

22.BURGGRAF T, 2021. Beyond risk parity – A machine learning-based hierarchical risk parity approach on cryptocurrencies[J]. Finance Research Letters, 38: 101523.

23.CLARKE R G, DE SILVA H, MURDOCK R, 2005. A factor approach to asset allocation[J]. The Journal of Portfolio Management, 32(1): 10-21.

24.COCHRANE J H, 2011. Presidential address: Discount rates[J]. The Journal of finance, 66(4): 1047-1108.

25.DICHTL H, DROBETZ W, WENDT V, 2021. How to build a factor portfolio: Does the allocation strategy matter?[J]. European Financial Management, 27(1): 20-58.

26.HOOD R L, 2005. Determinants of portfolio performance—20 years later[J]. Financial Analysts Journal, 61(5): 6-8.

27.KO H, LEE J, 2024. Can ChatGPT improve investment decisions? From a portfolio management perspective[J]. Finance Research Letters, 64: 105433.

28.LI C, CHAN C H R, HUANG S H, et al., 2025. Integrating LLM-Based Time Series and Regime Detection with RAG for Adaptive Trading Strategies and Portfolio Management[M]//CHOI P M S, HUANG S H. Finance and Large Language Models. Singapore: Springer Nature Singapore: 129-146.

29.LUO Y, FENG Y, XU J, 等, 2025. LLM-Powered Multi-Agent System for Automated Crypto Portfolio Management[A]. arXiv.

30.MARKOWITZ H, 1952. Portfolio Selection[J]. The Journal of Finance, 7(1): 77.

31.PAPPAS S N, DICKSON J M, 2015. Factor-based investing[J]. Vanguard Research.

32.PEDERSEN L H, FITZGIBBONS S, POMORSKI L, 2021. Responsible investing: The ESG-efficient frontier[J]. Journal of Financial Economics, 142(2): 572-597.

33.QIAN E, 2011. Risk parity and diversification[J]. Journal of Investing, 20(1): 119.

34.QIAN E, others, 2005. Risk parity portfolios: Efficient portfolios through true diversification[J]. Panagora Asset Management, 1(1): 1-10.

35.WOODSIDE-ORIAKHI M, LUCAS C, BEASLEY J E, 2011. Heuristic algorithms for the cardinality constrained efficient frontier[J]. European Journal of Operational Research, 213(3): 538-550.

六、附錄

6.1 BL模型推導(dǎo)

6.1.1 市場隱含均衡收益推導(dǎo)

6.1.2 后驗分布的推導(dǎo)

6.1.3 最優(yōu)權(quán)重（無約束，可加杠桿、做空）

6.1.4 預(yù)算約束最優(yōu)權(quán)重（可做空、無杠桿）

6.2 大類資產(chǎn)年化收益率和波動率

6.3 BL-戰(zhàn)略基準-自營版結(jié)果

6.3.1 自營版相關(guān)結(jié)果

6.4 風險平價模型結(jié)果

6.4.1 風險平價模型-協(xié)方差版相關(guān)結(jié)果

注：

[1]此處“風險平價（無觀點）”模型結(jié)果與“風險平價模型”中的“純粹風險等權(quán)”版本略有差異，核心原因在于前者需與其余BL模型進行對比——由于BL模型需借助協(xié)方差矩陣，因此“風險平價（無觀點）”模型假定基于上一年度的日度收益率計算協(xié)方差矩陣（2005年全年特殊采用等權(quán)重計算）；而單獨的“純粹風險等權(quán)”模型，僅需使用上一個月的波動率數(shù)據(jù)即可。