20260630-国泰君安期货-专题报告_基于机器学习观点生成的Black-Litterman固收_动态资产配置研究_2页_226kb

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。