> **来源：[研报客](https://pc.yanbaoke.cn)** ```markdown # 国泰君安期货专题报告总结：基于机器学习观点生成的Black-Litterman固收+动态资产配置研究 ## 核心内容概述 本报告探讨了在固收+策略中，如何通过机器学习生成资产配置观点，并结合Black-Litterman（BL）框架进行动态资产配置优化。研究重点在于评估机器学习观点对固收+组合风险收益表现的影响，而非单纯复制某只基金的持仓结构。 ## 主要观点 - **策略有效性**：在样本外回测中，ML-BL策略年化收益率达到6.26%，优于固定配置策略的5.98%；夏普比率由2.09提升至2.25，表明风险调整后收益有所改善。 - **模型预测能力**：权益资产相对债券的预测模型在样本外具有一定的排序能力（ROC AUC为0.624），而转债相对债券的模型（ROC AUC为0.472）尚未展现出稳定预测能力。 - **BL框架作用**：在当前参数设定下，无观点BL策略与固定配置策略基本一致，说明超额收益主要来源于机器学习生成的观点，而非BL框架本身的优化。 - **观点贡献度**：观点消融实验表明，权益观点是当前样本中更重要的信息来源，而转债观点贡献较弱，需更长样本和更多特征进行验证。 - **与真实产品的对比**：模型仅涉及大类资产配置层面，但其收益与回撤特征已接近真实固收+产品的可比区间，具有一定的研究参考价值。 ## 关键信息 ### 研究框架要点 1. **资产池构建**：以债券指数、沪深300、中证转债指数和现金作为代理资产，剥离个券选择、信用下沉和打新增强等复杂因素。 2. **样本划分**：样本内训练区间为2015年7月至2023年8月，样本外预测区间为2023年9月至2026年4月，回测区间为2023年10月至2026年5月。 3. **观点生成机制**：机器学习模型预测权益或转债下月是否跑赢债券，并将预测概率映射为BL框架中的相对观点。 4. **BL框架应用**：融合市场均衡收益、机器学习观点、观点置信度及60个月滚动协方差矩阵，实现组合权重的优化。 5. **组合约束条件**： - 债券权重不低于70% - 权益和可转债单项不超过20% - 权益和可转债合计不超过25% - 现金不超过30% 6. **评估方法**：通过主回测、权重分析、观点消融、参数敏感性分析和真实产品横向对比，全面评估策略的有效性。 ### 策略表现与局限 - ML-BL策略在收益端表现优于固定配置策略，但需进一步验证转债观点的稳定性。 - 本研究仅关注大类资产配置，未涉及个券选择等细节，因此与真实固收+产品的对比仍存在局限。 - 未来研究需增加样本长度、优化特征选择，以提升模型的预测能力和稳健性。 ## 研究结论 本报告验证了机器学习观点在固收+策略中的应用潜力，表明其在提升风险调整后收益方面具有积极作用。尽管权益观点表现较为稳定，但转债观点仍需进一步优化。整体而言，该模型为固收+策略的动态资产配置提供了新的研究视角和方法参考。 ## 作者信息 - **机构**：国泰君安期货 - **作者**：李浩（Z0020121） - **发布时间**：2026年6月30日 - **报告来源**：国泰君安期货研究所 ## 风险提示 本报告仅供专业投资者参考，不构成具体投资建议。投资者应根据自身风险承受能力进行决策，并自行承担相关风险。 ## 参考链接 完整版报告请点击下方“阅读原文”查看。 ```