20260225-西南证券-资产配置研究系列三_基于BLACK-LITTERMAN模型融合资产择时与风格轮动的资产配置研究_27页_3mb

> **来源：[研报客](https://pc.yanbaoke.cn)** # 基于BLACK-LITTERMAN模型 # 融合资产择时与风格轮动的资产配置研究 # 摘要 在全球经济周期缩短、地缘政治冲突与技术革命叠加的背景下，市场“不确定性”已成为投资管理的核心挑战，构建抗脆弱的组合是资本稳健增值的关键。传统均值-方差模型（MVO）虽为资产配置基石，却因输入参数敏感性高、难以系统融合主观观点而受限。Black-Litterman（BL）模型通过贝叶斯方法将市场均衡收益与投资者观点结合，在量化严谨性中兼容主观判断，为机构资产配置提供新范式。 本文基于BL模型原理，构建“战略+战术”双轮驱动的资产配置模型。战略端以资产择时与回归分析生成资产收益后验分布，提升配置决策的前瞻性；战术端设计A股风格轮动策略，动态跟踪市场风格切换优化投资组合，增强A股资产收益表现。模型实现了长期战略配置与短期战术调整的有机结合，为大类资产配置提供了系统性解决方案。 # 资产择时层 债券端立足经济基本面（经济增长、地产周期）与市场利率（质押回购、国债利率）择时中债国债；商品端围绕黄金的金融、货币与商品属性，从实际利率、通胀预期、避险情绪、供需关系构建择时体系；股票端从流动性（货币市场利率、信用扩张）、国际影响力（中美利差、汇率）、资金面（两融、陆股通）、估值四维度择时A股。 # $\bullet$ 风格轮动层 大小盘风格轮动策略从内外部宏观环境边际变化与股票市场大小盘风格演绎切入，从货币周期、信用利差、货币活化、外资流入意愿、风格动量、相对波动等维度探索大小盘轮动规律，构建择时指标，进而构筑大小盘风格轮动策略。 成长价值风格轮动策略立足于宏观流动性与微观技术面。宏观视角流动性是成长价值风格轮动的核心驱动因素。微观视角成长价值风格在股票市场的相对演绎是影响成长价值风格轮动的直接原因。 # 大类资产选取 聚焦实操性，以规模大、流动性好的ETF为标的，根据各个ETF对应的跟踪指数进行策略回测验证。货币端选用中证货币基金指数（H11025.CSI）、债券端选用中债-7-10年政策性金融债指数(总值)全价指数（CBA08203.CB）、商品端选用上海金（SHAU.SGE）、发达市场端选用纳斯达克100指数（NDX.GI）、港股端选用恒生指数（HSI.HK）、A股端选用中证A500指数（000510.SH）、中证2000指数（932000.CSI）、上证科创板50成份指数（000688.SH）、创业板指数（399006.SZ）、中证红利低波动指数（H30269.CSI）。 # $\bullet$ 策略绩效 # 西南证券研究院 分析师：郑琳琳 执业证号：S1250522110001 邮箱：zhengll@swsc.com.cn 分析师：王天业 执业证号：S1250524050002 邮箱：wty@swsc.com.cn # 相关研究 1. 多重周期嵌套下关注多主线与风格轮动再平衡——2026年度资产与基金组合配置策略 (2026-01-09) 2. ESG投资现状及量化多因子策略跟踪 (2025-12-31) 3. 强化学习驱动下的解耦时序对比选股模型 (2025-12-25) 4. DAFAT：基于Transformer模型的自适应解决方案 (2025-08-29) 5. 加权影线频率与K线形态因子 (2025-08-28) 6. 可转债K线看跌信号与交易增强策略——量化方法在债券研究中的应用四(2025-06-09) 7. 基于历史K线形态的因子选股研究(2025-05-26) 8. 科技成长产业变革趋势下基金产品投资策略评价与优选 (2025-05-26) 9.PINN信息约束与时序截面双流网络选股模型 (2025-04-09) 10.基于产业链和交易结构的豆粕期货择时框架 (2025-03-19) 实证表明，2013年12月31日至2025年12月31日，相较于固定权重策略与MVO策略，BL模型策略整体优势显著。策略年化收益率 $12.10\%$ ，年化Sharpe比率2.38，最大回撤率 $4.72\%$ Calmar比率2.56，模型可以有效捕捉资产轮动投资机会并提升资产配置效率。 # 模型最新资产配置权重 截至2025年12月31日，模型最新资产配置权重：货币基金 $4.54\%$ ，国债 $58.64\%$ ，黄金 $18.00\%$ ，美股 $0.00\%$ ，港股 $0.00\%$ ，A股 $18.82\%$ ，其中A股资产等权配置了小盘风格与成长风格。 # 风险提示 本报告结论完全基于公开的历史数据，若未来市场环境发生变化，模型的实际表现可能与本文的结论有所差异，同时可能存在第三方数据提供不准确的风险。大类资产的配置观点不构成投资收益的保证或投资建议，投资者需充分认知自身风险偏好以及风险承受能力，市场有风险，投资需谨慎。 # 目录 # 引言 # 1BLACK-LITTERMAN模型理论框架 1.1资产预期收益先验估计 2 1.2投资者主观观点矩阵构建 3 1.3贝叶斯定理下收益后验分布推导 4 1.4后验分布代入MVO模型求解最优配置 4 # 2BL模型创新实践：多维融合与动态配置 5 2.1模型参数设置 5 2.1.1 主观观点矩阵设定 5 2.1.1.1债券择时模型 5 2.1.1.2黄金择时模型 6 2.1.1.3 A股择时模型 7 2.1.1.4资产收益率预测回归模型 8 2.1.2 风险厌恶系数设定 9 2.1.3 主观观点权重设定 9 2.2大类资产选取与特征分析 10 2.2.1大类资产及投资标的界定 10 2.2.2 风格轮动组合构建 ..... 10 2.2.2.1 大小盘风格轮动策略 ..... 11 2.2.2.2 成长价值风格轮动策略 13 2.2.3 资产收益特征与相关性分析 15 2.3基于BL模型与风格轮动的配置策略实现 15 2.3.1大类资产先验收益率分布计算 15 2.3.2基准策略与BL模型策略设计 16 2.3.3 策略回溯测试 ..... 16 2.3.4 权重约束下BL模型策略回溯测试 ..... 18 # 3模型最新资产配置权重 19 4结论与展望 19 5风险提示 20 # 图目录 图1：BL模型与MVO模型 图2：债券择时策略多头与超额收益累计净值变化示意图 图3：黄金择时策略多头与超额收益累计净值变化示意图 图4：A股择时策略多头与超额收益累计净值变化示意图 8 图5：趋势共振大小盘风格轮动策略框架 11 图6：趋势共振大小盘风格轮动策略累计净值变化示意图 12 图7：宏微同频成长价值风格轮动策略框架 13 图8：宏微同频成长价值风格轮动策略累计净值变化示意图 14 图9：BL模型策略与基准策略累计净值变化示意图 17 图10：施加权重上限约束条件前后BL与MVO模型策略累计净值变化示意图. 19 # 表目录 表 1: 债券择时指标及数据明细 表 2：债券择时策略历史绩效. 表 3：黄金择时指标及数据明细 表 4：黄金择时策略历史绩效. 表 5：A 股择时指标及数据明细. 表 6：A 股择时策略历史绩效. 8 表 7：大类资产 ETF 及其跟踪指数 表 8：趋势共振大小盘风格轮动策略择时指标及数据明细. 11 表 9：趋势共振大小盘风格轮动策略历史绩效. 11 表 10：趋势共振大小盘风格轮动策略分年度收益统计 表 11：宏微同频成长价值风格轮动策略择时指标及数据明细. 13 表 12：宏微同频成长价值风格轮动策略历史绩效. 13 表 13：宏微同频成长价值风格轮动策略分年度收益统计. 14 表 14：大类资产历史收益表现. 15 表 15: 大类资产历史收益率相关性分析矩阵. 15 表 16：BL模型策略与基准策略业绩评价 表 17：BL模型策略与基准策略分年度收益表现 表 18：施加权重上限约束条件前后 BL 与 MVO 模型策略回测表现对比. 18 表 19: 基于 BL 模型与风格轮动的配置策略最新配置权重. 19 # 引言 在现代投资管理中，“不确定性”已成为贯穿投资全周期的底色。全球经济周期缩短、地缘政治冲突频发、技术革命加速以及宏观政策反复多变的多重叠加，使得市场环境的“不可预测性”远超历史任何时期。在此背景下，资产配置的重要性已从“提升收益的工具”升级为“应对不确定性的生存策略”。理解不确定性并构建抗脆弱的投资组合，是资本稳健增值的核心。 Harry Markowitz（1952）提出的均值-方差模型（Mean-Variance Optimization，MVO）是现代投资资产配置的基石。该模型通过最大化投资组合的预期收益并最小化收益波动，求解最优资产配置权重。但其局限性在实际应用中逐渐凸显：一方面，模型的输出结果对输入参数（预期收益率、协方差矩阵）高度敏感；另一方面，模型缺乏主观观点的系统性融合，与投资经理的实际决策需求脱节。 在此背景下，Fisher Black与Robert Litterman于1992年提出Black-Litterman模型，通过贝叶斯方法将市场均衡收益与投资观点结合，在保持量化严谨性的同时，显著提升了模型对主观判断的兼容性，成为机构投资者资产配置的核心工具之一。 # 1 Black-Litterman 模型理论框架 Black-Litterman模型的核心思想是市场均衡与主观观点的贝叶斯融合，其本质是“先验分布+主观观点→后验分布”的贝叶斯推断过程。 图1：BL模型与MVO模型 数据来源：Wind，IFinD，恒生聚源，西南证券整理 BL模型的具体实现过程主要分为以下四步： （1）通过逆向优化从市场均衡条件出发求解资产预期收益的先验估计； (2) 引入投资者的主观观点，形成观点矩阵； (3)应用贝叶斯定理将主观观点与先验收益分布结合，形成资产预期收益的后验估计； （4）将后验收益估计和后验协方差矩阵输入MVO模型中进行优化求解资产配比。 # 1.1 资产预期收益先验估计 假设市场处于均衡状态，所有投资者均持有市场组合，根据资本资产定价模型（Capital Asset Pricing Model，CAPM），市场均衡下的各个资产的预期收益率为： $$ E [ R ] = r _ {f} + \beta_ {m} \left(E \left[ R _ {m} \right] - r _ {f}\right) \tag {1.1} $$ 其中， $r_f$ 为无风险收益率， $\beta_{i,m}$ 为资产 $i$ 的市场 Beta， $E[R_m]$ 为市场组合的预期收益率，市场均衡收益 $E[R_i]$ 本质上是一个无观点的基准，不包含任何主动投资者的预测，仅反映市场对风险资产的定价共识。 当市场处于均衡状态时，假设市场的效用函数为： $$ U _ {m} = w _ {m} ^ {T} \Pi - \frac {\lambda}{2} w _ {m} ^ {T} \Sigma w _ {m} \tag {1.2} $$ 其中， $w$ 为投资组合中的资产配比， $\Pi$ 为市场均衡条件下每个资产的超额收益， $\lambda$ 为市场的风险厌恶系数， $\Sigma$ 为各个资产之间的协方差矩阵。市场均衡条件下的资产配比不易发生大幅变化，等式两边对 $w_{m}$ 求一阶导，并令一阶导数等于0： $$ \frac {d U _ {m}}{d w _ {m}} = 0 \tag {1.3} $$ 则有： $$ \Pi = \lambda \Sigma w _ {m} \tag {1.4} $$ 等式两边同时乘以 $w_{m}^{T}$ ， $\sigma_{m}^{2} = w_{m}^{T}\Sigma w_{m}$ ，代入CAPM模型可以得到： $$ \lambda = \frac {E (R) - r _ {f}}{\sigma_ {m} ^ {2}} \tag {1.5} $$ 由此可以建立市场的风险厌恶系数 $\lambda$ 同市场组合波动率 $\sigma_{m}^{2}$ 的对应关系。通过式（1.4）可以求解市场均衡条件下的资产收益率 $\Pi$ ，对于 $\Pi$ 、 $w_{m}$ 、 $\lambda$ ，确定其中任意两个变量，即可求解第三个变量。 生成资产预期收益的先验分布仍需对资产预期收益之间的协方差 $\Sigma_{\Pi}$ 进行估计。假假设各资产的未来实际收益率 $R$ 服从均值为 $\mu$ ，协方差为 $\Sigma$ 的正态的正态分布： $$ R \sim N (\mu , \Sigma) \tag {1.6} $$ 由于我们无法预测未来各个资产的实际收益率，仅能通过对 $\mu$ 进行估计，得到收益率的估计 $\Pi$ ， $\mu$ 实际上是关于 $\Pi$ 的一个随机变量： $$ \mu \sim N (\Pi , \Sigma_ {\Pi}) \tag {1.7} $$ 综合式（1.6）与式（1.7）可以得到： $$ \Pi = \mu + \epsilon \tag {1.8} $$ $$ \Sigma_ {R} = \Sigma + \Sigma_ {\Pi} \tag {1.9} $$ 其中 $\epsilon$ 代表估计误差，服从正态分布 $\epsilon \sim N(0, \tau \Sigma)$ ， $\Sigma_R$ 为资产间协方差矩阵的估计值。 $$ R \sim N (\Pi , \Sigma_ {R}) \tag {1.10} $$ 在MVO模型中，式（1.10）中的 $\Pi$ 与 $\Sigma_R$ 即为均值与方差；在BL模型中，主观观点将通过影响 $\Pi$ 与 $\Sigma_{\Pi}$ 进而作用于 $\Sigma_R$ 从而改变投资组合的资产配比。 Black和Litterman（1992）在构造模型时做了一个简化的假设，假定 $\Sigma_{\Pi}$ 与 $\Sigma$ 成正比，即： $$ \Sigma_ {\Pi} = \tau \Sigma \tag {1.11} $$ $\tau$ 为一个常数，它的大小决定主观观点对模型的影响程度，由此可以得到资产超额收益率的先验分布为： $$ P (A) \sim N (\Pi , \tau \Sigma) \tag {1.12} $$ 在先验分布中，协方差矩阵被缩放为 $\tau \Sigma$ ，其目的是降低先验分布的波动性避免市场均衡收益因历史波动率过高而对后验分布产生过度影响以及合理分配先验分布与主观观点的权重。 # 1.2 投资者主观观点矩阵构建 BL模型中投资者的主观观点可以通过资产观点矩阵 $P$ 、观点收益矩阵 $Q$ 、观点误差的协方差矩阵 $\Omega$ 进行设定。 假定投资者对 $n$ 个资产有 $k$ 个观点，投资者的观点的表示方式如下： (1) 资产观点矩阵 $P$ : 矩阵维度为 $k \times n$ , 每一行为一个观点, 表征每个观点中各个资产之间的关系; 2）观点收益矩阵 $Q$ ：矩阵维度为 $k\times 1$ ，表征每个观点对应的预期收益率； 3）观点误差的协方差矩阵 $\Omega$ ：矩阵维度为 $k\times k$ 。假设各个观点之间相互独立，则 $\Omega$ 为对角阵，对角线上的数字代表观点误差的方差，反映投资者对观点的信心水平， $\Omega^{-1}$ 则表示投资者观点的置信度。 在此基础上，投资的主观观点可以表示为以下矩阵形式： $$ P \times \mu = Q + \varepsilon \tag {1.13} $$ 其中残差项 $\varepsilon \sim N(0,\Omega)$ ，代表观点误差。 投资者形成主观观点的前提是对市场有了一定的认识，此时主观观点的分布是已知资产的先验分布下形成的条件分布： $$ P (B | A) \sim N (Q, \Omega) \tag {1.14} $$ 在资产空间上，投资者观点服从分布可表示为： $$ P (B | A) \sim N \left(P ^ {- 1} Q, \left[ P ^ {T} \Omega^ {- 1} P \right] ^ {- 1}\right) \tag {1.15} $$ # 1.3 贝叶斯定理下收益后验分布推导 贝叶斯定理（Bayes' Theorem）是概率论中描述“条件概率”的核心公式，本质是通过新观测到的信息，更新对原有事的概率判断。贝叶斯定理的数学表达式为： $$ P (A | B) = \frac {P (B | A) \times P (A)}{P (B)} \tag {1.16} $$ 其中 $P(A)$ 为先验概率（Prior Probability），指在未观测到新信息 B 时，对假设 A 发生的概率判断（如“某股票上涨”的初始概率）； $P(B|A)$ 为似然度（Likelihood），指在假设 A 成立的条件下，观测到信息 B 的概率； $P(B)$ 为边缘概率（Marginal Likelihood），指观测到信息 B 的总体概率； $P(A|B)$ 为后验概率（Posterior Probability），指在观测到信息 B 后，更新的对假设 A 发生的概率判断。 在BL模型中， $P(A)$ 为资产收益率的先验估计服从的概率密度函数； $P(B|A)$ 为已形成资产收益率先验估计下主观观点服从的条件概率密度函数； $P(B)$ 为没有任何市场信息下形成主观观点的随机事件，在模型中为一个常数； $P(A|B)$ 为给定主观观点后的后验收益率服从的条件概率密度函数。 根据贝叶斯公式（1.16），结合式（1.12）、式（1.14）、式（1.15），可以得到： $$ P (A | B) \sim N (\hat {\Pi}, \hat {\Sigma} _ {\Pi}) \tag {1.17} $$ 其中，后验预期收益率的均值为： $$ \hat {\Pi} = E (R) = \left[ \Pi (\tau \Sigma) ^ {- 1} + P ^ {T} \Omega^ {- 1} Q \right] \left[ (\tau \Sigma) ^ {- 1} + P ^ {T} \Omega^ {- 1} P \right] ^ {- 1} \tag {1.18} $$ 后验预期收益率的协方差矩阵为： $$ \hat {\Sigma} _ {\Pi} = \left[ (\tau \Sigma) ^ {- 1} + P ^ {T} \Omega^ {- 1} P \right] ^ {- 1} \tag {1.19} $$ 特别说明， $\hat{\Sigma}_{\Pi}$ 仅是后验估计中收益率均值的协方差矩阵，并非对预期收益率的协方差矩阵的估计，后续通过MVO模型优化求解最佳资产配比，需要根据式（1.9）计算预期收益率的协方差矩阵： $$ \hat {\Sigma} _ {R} = \Sigma + \hat {\Sigma} _ {\Pi} = \Sigma + \left[ (\tau \Sigma) ^ {- 1} + P ^ {T} \Omega^ {- 1} P \right] ^ {- 1} \tag {1.20} $$ # 1.4后验分布代入MVO模型求解最优配置 将式（1.18）与式（1.20）中得到的后验收益率的估计 $\hat{\Sigma}_{\mathrm{II}}$ 和预期收益率的协方差矩阵的估计 $\hat{\Sigma}_R$ 代入MVO模型求解最优资产配比。假设一共有 $n$ 类资产，对应的资产配比为 $w$ 其中 $w = (w_{1},w_{2},\dots ,w_{n})$ ，相应的最优化问题如下： $$ \begin{array}{l} \max _ {w} w ^ {T} \hat {\Pi} - \frac {\lambda}{2} w ^ {T} \hat {\Sigma} _ {R} w \tag {1.21} \\ s. t. \sum_ {i = 1} ^ {n} w _ {i} = 1, 0 \leqslant w _ {i} \leqslant 1, i \in \{1, 2, \dots , n \} \\ \end{array} $$ # 2BL模型创新实践：多维融合与动态配置 # 2.1 模型参数设置 BL模型涉及的参数较多，而且参数有多种取值方式。BL模型的有效性主要依赖于主观观点的准确性与参数设置的合理性，本文将以债券、黄金、A股择时模型为依据，通过回归模型，构建资产择时信号与资产收益率预测的有效映射，并搭配一组合理的参数选择，为投资者大类资产配置建模提供参考与借鉴。 # 2.1.1 主观观点矩阵设定 # 2.1.1.1债券择时模型 立足经济基本面与市场利率对中债国债进行择时，经济基本面聚焦经济增长与地产周期，市场利率着眼银行间质押回购与国债利率。为匹配后续资产配置模型的目标换仓频率，构建月度择时策略，择时标的指数为中债-7-10年政策性金融债指数(总值)全价指数(CBA08203.CB)，同后续资产配置模型中债券端目标ETF跟踪指数保持一致。细分择时指标所用数据与信号生成方式依次如下所示。 表 1: 债券择时指标及数据明细 择时维度 细分指标 数据 信号生成 经济基本面 经济增长 制造业PMI 当月值小于50或环比 地产周期 房地产开发投资:累计同比 当月值小于过去3个月的均值，信号为1，否则为0 市场利率 银行间质押回购 R007 月末值环比 国债利率 中债国债到期收益率:10年 月末值小于过去1月的均值，信号为1，否则为0 数据来源：西南证券整理 多维债券择时信号的算数平均值构成债券择时策略的复合信号，当复合信号 $\geqslant 0.5$ 时全仓持有标的指数，当复合信号 $ 全期 择时策略 超额收益 比较基准 全仓持有 年化收益率 6.04% 3.07% 2.90% 5.86% 年化波动率 0.02 0.01 0.01 0.03 年化夏普 2.59 2.33 2.19 2.22 最大回撤率 4.80% 2.86% 4.51% 8.85% 卡玛比率 1.26 1.07 0.64 0.66 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 图2：债券择时策略多头与超额收益累计净值变化示意图 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 # 2.1.1.2黄金择时模型 围绕黄金的金融属性、货币属性、商品属性分别从实际利率、通胀预期、避险情绪、供需关系对黄金进行择时。策略采用月度调仓，与后续资产配置模型的目标换仓频率保持一致。择时标的指数为上海金（SHAU.SGE），同后续资产配置模型中商品端目标ETF跟踪指数保持一致。细分择时指标所用数据与信号生成方式依次如下所示。 表 3：黄金择时指标及数据明细 择时维度 细分指标 数据 信号生成 金融属性 实际利率 美国:国债实际收益率曲线:10年 月末值环比小于上月,信号为1,否则为0 通胀预期 美国:CPI:季调 当月值同比上行,信号为1,否则为0 滚动6月标准差上行,信号为1,否则为0 货币属性 避险情绪 美国:供应管理协会(ISM):制造业PMI 当月值小于50或环比 标准普尔500波动率指数(VIX) 当月最大值>滚动60日中位数,信号为1,否则为0 地缘政治行为指数 当月最大值较上月上行,信号为1,否则为0 商品属性 供需关系 黄金需求量:实物金条需求:当季值 当季值>滚动4季平均值,信号为1,否则为0 数据来源：西南证券整理 多维黄金择时信号的算数平均值构成黄金择时策略的复合信号，当复合信号 $\geq 0.5$ 时全仓持有标的指数，当复合信号 $ 全期 择时策略 超额收益 比较基准 全仓持有 年化收益率 15.56% 8.76% 6.58% 13.09% 年化波动率 0.12 0.07 0.07 0.13 年化夏普 1.28 1.32 0.99 0.99 最大回撤率 16.53% 8.81% 10.63% 20.64% 卡玛比率 0.94 1.00 0.62 0.63 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 图3：黄金择时策略多头与超额收益累计净值变化示意图 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 # 2.1.1.3 A股择时模型 从流动性、国际影响力、资金面、估值多个维度对A股进行择时，其中流动性维度下根据货币市场利率与信用扩张进行择时，国际影响力维度根据中美利差和汇率进行择时，资金面根据融资融券与陆股通进行择时。A股择时采用月度调仓策略，与后续资产配置模型的目标换仓频率保持一致。择时标的指数为沪深300指数（000300.SH）。细分择时指标所用数据与信号生成方式依次如下所示。 表 5：A 股择时指标及数据明细 择时维度 细分指标 数据 信号生成 流动性 货币市场利率 Shibor:隔夜 滚动20日平均值 信用扩张 人民币:中长期贷款余额:同比 当月值>过去3月均值，信号为1，否则为0 国际影响力 中美利差 中债国债到期收益率:10年美国:国债收益率:10 月末值>滚动3月均值，信号为1，否则为0 汇率 即期汇率美元兑人民币 月末值>滚动3月均值，信号为1，否则为0 资金面 融资融券 融资买入额 月末近5日均值>过去1月均值，信号为1，否则为0 陆股通 北向资金成交额 月末近5日均值>滚动20日均值，信号为1，否则为0 估值 市盈率 沪深300指数:PE(TTM) 过去5年ERP历史分位≥99%，PE历史分位≤10%，信号为1 股权风险溢价 中债国债到期收益率:10年 过去5年ERP历史分位≤1%，PE历史分位≥90%，信号为0 数据来源：西南证券整理 多维股票择时信号的算数平均值构成股票择时策略的复合信号，当复合信号 $\geq 0.5$ 时全仓持有标的指数，当复合信号 $ 全期 择时策略 超额收益 比较基准 全仓持有 年化收益率 17.81% 12.42% 4.84% 8.65% 年化波动率 0.15 0.11 0.11 0.21 年化夏普 1.15 1.16 0.45 0.40 最大回撤率 21.48% 11.19% 25.31% 46.06% 卡玛比率 0.83 1.11 0.19 0.19 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 图4：A股择时策略多头与超额收益累计净值变化示意图 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 # 2.1.1.4 资产收益率预测回归模型 主观观点对收益率预测的有效性和稳定性是BL模型有效的关键。在以上资产择时模型的基础上，通过回归模型，构建资产择时信号与资产收益率预测的有效映射，进而根据最新资产择时信号，进行资产收益率预测。 在任意时刻 $t$ ，资产 $i$ 在 $t$ 时刻的收益率 $\text{Return}_{i,t}$ 为被解释变量，资产 $i$ 在 $t - 1$ 时刻的复合择时信号 $\text{Signal}_{i,t - 1}$ 与截距项 $\alpha_{i}$ 为解释变量，滚动12期（1年），通过OLS（最小二乘法）得到截距项 $\alpha_{i}$ 与斜率项 $\beta_{i}$ 的最新估计值 $\hat{\alpha}_{i}$ 与 $\hat{\beta}_{i}$ 。 $$ \operatorname {R e t u r n} _ {i, t} = \alpha_ {i} + \beta_ {i} \text {S i g n a l} _ {i, t - 1} + \varepsilon \tag {1.22} $$ 在此基础上，输入资产 $i$ 在 $t$ 时刻的复合择时信号 $\text{Signal}_{i,t}$ 计算得到时刻 $t$ 资产 $i$ 的收益率预测。 $$ \widehat {R e t u r n} _ {i, t + 1} = \widehat {\alpha} _ {i} + \widehat {\beta} _ {i} S i g n a l _ {i, t} \tag {1.23} $$ 特别说明，债券、黄金、A股的资产收益率预测通过上述资产择时模型与回归模型计算；其他资产的收益率预测通过历史收益率的衰减加权平均获取。 $$ \widehat {R e t u r n} _ {j, t + 1} = \sum_ {T = 1} ^ {t} \frac {T}{\sum_ {T = 1} ^ {t} T} \text {R e t u r n} _ {j, T} \tag {1.24} $$ 此时，由于资产收益率的主观预测相互独立，资产观点矩阵 $P$ 为对角阵： $$ P = \operatorname {d i a g} (1, 1, \dots , 1) \tag {1.25} $$ 观点收益矩阵 $Q$ 为： $$ Q = \left(E R _ {1, t + 1}, E R _ {2, t + 1}, \dots , E R _ {n, t + 1}\right) ^ {T} \tag {1.26} $$ 其中资产 $i$ 在时刻 $t$ 的主观收益预测 $ER_{i,t}$ 为： $$ E R _ {i, t + 1} = \widehat {\text {R e t u r n}} _ {i, t + 1} \tag {1.27} $$ 观点误差的协方差矩阵 $\Omega$ 的设定，沿用了He和Litterman（1999）的设定方式，假设 $\Omega$ 与资产先验协方差成正比： $$ \Omega = \operatorname {d i a g} (P (\tau \Sigma) P ^ {T}) \tag {1.28} $$ # 2.1.2 风险厌恶系数设定 参考式（1.5），风险厌恶系数 $\lambda$ 与投资组合的目标波动水平负相关， $\lambda$ 的取值越大，投资组合的目标波动水平越低，相应的，投资组合的目标收益率水平就越低。 在实际建模的过程中，将根据投资组合目标波动水平和目标收益率，为风险厌恶系数 $\lambda$ 设定合适的取值，本篇设定的投资组合对最大回撤率的控制有较高要求，故将 $\lambda$ 设为 $\lambda = 60$ 。倘若对投资组合的波动水平具备更高的宽容度，可将 $\lambda$ 设为 $\lambda = 30$ 以获得更高的组合回报。 # 2.1.3 主观观点权重设定 投资者主观观点权重 $\tau$ 表征主观观点对模型的影响程度。Black 和 Litterman（1992）在构造模型时假定 $\Sigma_{\Pi}$ 与 $\Sigma$ 成正比，即 $\Sigma_{\Pi} = \tau \Sigma$ ， $\tau$ 通过影响收益率先验估计的不确定性进而影响后验收益率估计。 Walters（2009）提出 $\tau$ 的设定应当与样本数目和资产个数相关，本文沿用这一设定方式，在采用历史数据估计资产协方差时，将 $\tau$ 设定为： $$ \tau = \frac {1}{T - n} \tag {1.29} $$ 其中 $T$ 为资产历史收益率时间序列的长度， $n$ 为资产数目。 # 2.2大类资产选取与特征分析 # 2.2.1大类资产及投资标的界定 为提升模型与策略的实操性，本文选取的大类资产投资标的均为规模较大流动性较好的ETF，根据各个ETF对应的跟踪指数进行策略回测验证，大类资产ETF及其跟踪指数依次如下所示。 表 7：大类资产 ETF 及其跟踪指数 资产类别 一级分类 二级分类 ETF代码 ETF名称 跟踪指数代码 基金公司 货币 货币 货币 511620.SH 货币基金 ETF H11025.CSI 国泰基金 债券 中债 利率-长久期 511520.SH 政金债券 ETF CBA08203.CB 富国基金 商品 黄金 黄金 518680.SH 金 ETF SHAU.SGE 富国基金 股票 美股 风格-成长 159941.SZ 纳指 ETF NDX.GI 广发基金 股票 港股 均衡 159920.SZ 恒生 ETF HSI.HK 华夏基金 股票（轮动） A股 市值-大盘 159338.SZ 中证 A500ETF 000510.SH 国泰基金 A股 市值-小盘 159552.SZ 中证 2000 增强 ETF 932000.CSI 招商基金 A股 风格-成长(科创) 588000.SH 科创 50ETF 000688.SH 华夏基金 A股 风格-成长(创业) 159952.SZ 创业板 ETF 广发 399006.SZ 广发基金 A股 风格-价值(红利) 563020.SH 红利低波 ETF 易方达 H30269.CSI 易方达基金 股票（基准） A股 市值-大盘 159338.SZ 中证 A500ETF 000510.SH 国泰基金 数据来源：Wind,IFinD,恒生聚源,西南证券整理 注：由于货币基金 ETF 缺乏跟踪指数,采用货币基金指数进行回测,二者收益表现接近 货币端选用中证货币基金指数（H11025.CSI）、债券端选用中债-7-10年政策性金融债指数(总值)全价指数（CBA08203.CB）、商品端选用上海金（SHAU.SGE）、股票端在美股选用纳斯达克100指数（NDXGI）、港股选用恒生指数（HSI.HK）、A股选用中证A500指数（000510.SH）、中证2000指数（932000.CSI）、上证科创板50成份指数（000688.SH）、创业板指数（399006.SZ）、中证红利低波动指数（H30269.CSI）。其中纳斯达克100指数与恒生指数收益率均已经过汇率调整，无风险收益率设定为上海银行间同业拆放利率(1月)。 # 2.2.2 风格轮动组合构建 前期我们对A股市场的大小盘风格与成长价值风格进行了深入研究，分别构建了“趋势共振大小盘风格轮动策略”与“宏微同频成长价值风格轮动策略”，以上策略在长期跟踪中均表现不俗，本篇将根据以上风格轮动策略与A股权益指数ETF，构建A股资产组合。 # 2.2.2.1大小盘风格轮动策略 大小盘风格轮动策略从内外部宏观环境边际变化与股票市场大小盘风格演绎切入，从货币周期、信用利差、货币活化、外资流入意愿、风格动量、相对波动等维度探索大小盘轮动规律，构建择时指标，进而构筑大小盘风格轮动策略。大小盘风格轮动策略框架与策略历史绩效依次如下所示，策略细节详见前期研究报告《审时度势：趋势共振量化大小盘风格轮动策略》。 图5：趋势共振大小盘风格轮动策略框架 数据来源：西南证券整理 表 8：趋势共振大小盘风格轮动策略择时指标及数据明细 择时维度 细分指标 数据 信号生成 宏观环境 货币周期 Shibor:1月 位于120日均线上方时，配置大盘风格，否则为小盘风格 信用利差 中债国开债到期收益率:3月 中债中短期票据到期收益率(AA):3月 位于120日均线上方时，配置大盘风格，否则为小盘风格 货币活化 M1:同比、M2:同比 货币供给与经济预期存在分歧，配置小盘风格，否则为大盘风格 外资流入意愿 美元指数 位于90日均线下方时，配置大盘风格，否则为小盘风格 二级市场 风格动量 沪深300与中证2000：涨跌幅 相对强弱指数同时位于多重均线上方时，配置大盘风格，否则为小盘风格 相对波动 沪深300与中证2000：成交额 相对波动指数位于40日均线上方时，配置大盘风格，否则为小盘风格 数据来源：西南证券整理 表 9：趋势共振大小盘风格轮动策略历史绩效 策略类型 收益评价 策略多头 大小盘等权 相对超额 沪深300 中证2000 大小盘风格轮动 年化收益率 30.64% 9.19% 21.45% 6.31% 11.00% 年化波动率 0.26 0.23 0.10 0.21 0.28 年化Sharpe 1.16 0.40 2.14 0.29 0.39 最大回撤 40.92% 56.44% 9.99% 46.70% 67.87% 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 图6：趋势共振大小盘风格轮动策略累计净值变化示意图 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 表 10：趋势共振大小盘风格轮动策略分年度收益统计 时间周期 策略多头 风格等权 相对超额 沪深300 中证2000 2014 109.85% 53.40% 37.26% 51.66% 53.54% 2015 152.24% 50.61% 69.04% 5.58% 109.78% 2016 -5.27% -9.16% 5.00% -11.28% -7.63% 2017 3.73% -3.54% 7.36% 21.78% -24.10% 2018 -21.45% -29.21% 11.35% -25.31% -33.34% 2019 41.22% 29.21% 9.32% 36.07% 21.96% 2020 26.92% 21.51% 4.62% 27.21% 15.39% 2021 48.32% 9.88% 35.01% -5.20% 25.89% 2022 -3.06% -17.88% 18.83% -21.63% -14.77% 2023 7.97% -3.06% 11.37% -11.38% 5.57% 2024 33.53% 7.04% 26.22% 14.68% -2.14% 2025 39.76% 27.15% 10.08% 17.66% 36.42% 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 # 2.2.2.2 成长价值风格轮动策略 成长价值风格轮动策略立足于宏观流动性与微观技术面。宏观视角流动性和成长价值风格轮动的核心驱动因素。从收入端来看，未来的预期折现率直接影响着企业价值中枢；从支出端来看，融资难度与融资成本也将直接影响公司价值。微观视角成长价值风格在股票市场的相对演绎是影响成长价值风格轮动的直接原因。动量效应广泛存在于各类资产，成长与价值风格的轮动也存在惯性。基于动量效应可以构建行之有效的风格轮动策略。 成长价值风格轮动策略框架与策略历史绩效依次如下所示，策略细节详见前期研究报告《识时通变：宏微同频成长价值风格轮动策略》。 图7：宏微同频成长价值风格轮动策略框架 数据来源：西南证券整理 表 11：宏微同频成长价值风格轮动策略择时指标及数据明细 择时维度 细分指标 数据 信号生成 宏观流动性 国内流动性 Shibor:隔夜 位于滚动5年前25%分位时，配置成长风格，否则为价值风格 海外流动性 美国:国债收益率:1个月 位于滚动1年前40%分位时，配置成长风格，否则为价值风格 微观技术面 市净率动量 股票:收盘价、每股净资产 相对市净率周度均线位于年度均线上方时，配置成长风格，否则为价值风格 扩散指数 股票:涨跌幅 相对扩散指数的15日均线位于60日均线上方时，配置成长风格，否则为价值风格 数据来源：西南证券整理 表 12：宏微同频成长价值风格轮动策略历史绩效 策略类型 收益评价 策略多头 成长价值等权 相对超额 国证成长 国证价值 成长价值风格轮动 年化收益率 19.60% 6.65% 12.11% 5.62% 7.18% 年化波动率 0.22 0.21 0.07 0.24 0.20 年化Sharpe 0.89 0.32 1.75 0.24 0.36 最大回撤 47.38% 48.20% 9.67% 56.98% 43.87% 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 图8：宏微同频成长价值风格轮动策略累计净值变化示意图 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 表 13：宏微同频成长价值风格轮动策略分年度收益统计 时间周期 策略多头 风格等权 相对超额 国证成长 国证价值 2014 62.39% 47.65% 10.26% 32.67% 64.08% 2015 20.65% 17.50% 2.81% 26.86% 8.42% 2016 -12.48% -11.87% -1.11% -15.63% -8.10% 2017 20.30% 13.61% 5.84% 6.84% 20.62% 2018 -18.23% -27.97% 13.14% -33.97% -21.66% 2019 35.52% 34.23% 0.83% 45.35% 23.69% 2020 62.09% 25.16% 29.95% 48.57% 4.87% 2021 14.32% 2.49% 11.41% 5.43% -1.39% 2022 -3.85% -20.67% 20.93% -27.47% -13.99% 2023 0.66% -10.93% 12.82% -18.95% -2.50% 2024 37.49% 11.93% 23.11% 3.85% 19.65% 2025 35.99% 20.19% 13.42% 30.04% 10.47% 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 基于大小盘与成长价值风格轮动策略的历史配置观点，通过中证A500指数(000510.SH)、中证2000指数（932000.CSI）、上证科创板50成份指数（000688.SH）、创业板指数（399006.SZ）、中证红利低波动指数（H30269.CSI）分别作为A股大盘、小盘、成长、价值风格的标的资产，其中创业板指数与上证科创板50成份指数等权配置共同构成A股成长风格资产。考虑到历年大小盘风格与成长价值风格轮动的频率和幅度存在差异，两者共存相辅相成，有利于提升策略超额收益的稳定性，故对大小盘风格轮动策略与成长价值风格轮动策略进行等权配置，构建A股风格轮动组合作为A股资产。中证A500指数作为比较基准。 # 2.2.3 资产收益特征与相关性分析 考虑到部分资产ETF的跟踪指数基期始于2013年12月31日，为了更好的展示模型绩效，将BL模型资产配置策略的回测周期设定为2013年12月31日至2025年12月31日。特别说明，由于上证科创板50成份指数基期为2019年12月31日，晚于回测周期起点，回测起点至科创50基期间仅用创业板指构建A股成长风格资产。回测周期内，各类资产的历史收益表现如下。 表 14：大类资产历史收益表现 大类资产/收益评价 货币基金 国债 黄金 美股 港股 A股（轮动） A股（基准） 年化收益率 1.76% 3.66% 8.09% 12.82% 3.70% 20.12% 5.70% 年化波动率 0.00 0.02 0.11 0.17 0.17 0.20 0.17 年化Sharpe 6.23 1.74 0.77 0.74 0.22 1.02 0.33 最大回撤 0.70% 0.09 0.21 0.29 0.44 0.45 0.48 Calmar 比率 2.50 0.41 0.39 0.44 0.08 0.45 0.12 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 大类资产间的相关性矩阵如下。货币基金同其它资产的收益率相关性较低；国债同美股、港股、A股资产收益率具备较为显著的负相关性；美股同港股与A股资产收益率具备显著的正相关性，A股资产收益率同港股和美股资产收益率显著正相关，同国债收益率显著负相关，股债跷跷板效应突出。 表 15：大类资产历史收益率相关性分析矩阵 资产类别 货币基金 国债 黄金 美股 港股 A股 货币基金 - 3.50% 3.84% 0.11% 2.10% 3.10% 国债 3.50% - 6.69% -3.66% -13.70% -10.84% 黄金 3.84% 6.69% - -0.73% -1.53% -0.53% 美股 0.11% -3.66% -0.73% - 20.63% 13.07% 港股 2.10% -13.70% -1.53% 20.63% - 44.82% A股 3.10% -10.84% -0.53% 13.07% 44.82% - 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 # 2.3基于BL模型与风格轮动的配置策略实现 # 2.3.1大类资产先验收益率分布计算 式（1.4） $\Pi = \lambda \Sigma w_{m}$ 揭示了资产均衡收益 $\Pi$ 、风险厌恶系数 $\lambda$ 、市场均衡权重的内在关联。由于本文选择的大类资产涉及境内外股票，境内外资本市场的发展阶段存在客观差异，直接根据市值分布作为市场均衡权重不甚妥当。 因此，本文将通过MVO模型，代入根据组合目标收益率波动水平设定的风险厌恶系数 $\lambda$ 、投资者主观观点权重 $\tau$ ，大类资产的中期（过去6个月）历史收益率的平均水平及同期大类资产历史收益率的协方差优化求解均衡权重 $w_{m}$ ，进而根据式（1.4） $\Pi = \lambda \Sigma w_{m}$ 得到大类资产收益率的先验估计 $\Pi$ ，此时大类资产历史收益率的协方差的先验估计为 $\tau \Sigma$ 。 # 2.3.2基准策略与BL模型策略设计 BL模型策略。每月末，在双边换手率设置上限 $100\%$ 的约束条件下，通过BL模型求解最优大类资产配置比例，以此作为未来1月大类资产的配置依据。对应的最优化问题如下所示： $$ \begin{array}{l} \max _ {w} w _ {t} ^ {T} \hat {\Pi} _ {t} - \frac {\lambda}{2} w _ {t} ^ {T} \hat {\Sigma} _ {R, t} w _ {t} \\ s. t. \sum_ {i = 1} ^ {n} w _ {i, t} = 1, 0 \leqslant w _ {i} \leqslant 1, i \in \{1, 2, \dots , n \} \tag {1.30} \\ \sum_ {i = 1} ^ {n} \left| w _ {i, t} - w _ {i, t - 1} \right| \leqslant 1 \\ \end{array} $$ 其中 $w_{i,t}$ 代表大类资产 $i$ 在 $t$ 月末的权重，BL模型策略的回测周期为2013年12月31日至2025年12月31日，测试结果中收益率暂未考虑交易手续费。 为了对比BL模型与传统配置模型的效果差异，本文构建了两个基准策略： 1）固定权重策略。每月末固定货币基金、国债、黄金、美股、港股、A股资产的配置比例为 $[0.80, 0.10, 0.10/3, 0.10/3, 0.10/3]$ ，以此作为未来1月大类资产的配置依据； 2）MVO基准策略。风险厌恶系数 $\lambda$ 的取值与BL模型保持一致，双边换手率设置上限 $100\%$ 的约束条件下，通过MVO模型求解最优大类资产配置比例，以此作为未来1月大类资产的配置依据。 在此基础上，为了考察风格轮动策略对大类资产配置的贡献，本文会依次呈现BL模型策略与基准策略选用A股资产基准（中证A500全收益指数）与A股资产轮动（大小盘与成长价值风格轮动策略等权）的回溯测试表现。 # 2.3.3 策略回溯测试 为了全面展示BL模型策略与基准策略的回测表现，本文依次呈现了BL模型策略与基准策略累计净值变化示意图、BL模型策略与基准策略业绩评价、BL模型策略与基准策略分年度收益表现。 首先，相较于固定权重策略与MVO基准策略，BL模型策略在Sharpe比率与Calmar比率等业绩评价指标中显著领先，2013年12月31日至2025年12月31日，BL模型策略实现年化收益率 $12.10\%$ ，年化Sharpe比率2.38，最大回撤率 $4.72\%$ ，Calmar比率2.56。 与此同时，在各个业绩评价维度中，应用风格轮动策略的不同模型相较于未应用风格轮动策略的不同模型均有不同程度的领先。采用大小盘与成长价值风格轮动策略替换中证A500全收益指数作为A股资产，可以有效提升策略表现。 图9：BL模型策略与基准策略累计净值变化示意图 数据来源：Wind,IFinD,恒生聚源,西南证券整理 注：数据统计截至2025年12月31日 表 16：BL 模型策略与基准策略业绩评价 A股资产类型 收益评价 BL模型策略 固定权重策略 MVO模型策略 风格轮动 年化收益率 12.10% 8.22% 12.19% 年化波动率 0.05 0.03 0.06 年化Sharpe 2.38 2.87 2.08 最大回撤 4.72% 5.51% 13.78% Calmar 比率 2.56 1.49 0.88 基准 年化收益率 9.75% 7.47% 9.65% 年化波动率 0.05 0.03 0.05 年化Sharpe 1.97 2.62 1.87 最大回撤 5.51% 5.52% 8.00% Calmar 比率 1.77 1.36 1.21 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 表 17：BL 模型策略与基准策略分年度收益表现 A股资产类型 风格轮动 基准 时间周期 BL策略 固定权重 MVO策略 BL策略 固定权重 MVO策略 2014 18.58% 16.75% 15.55% 17.86% 16.16% 15.87% 2015 18.79% 11.07% 28.01% 11.97% 9.10% 13.14% 2016 2.43% 1.77% 1.61% 2.31% 1.62% 1.46% 2017 13.08% -0.76% 11.67% 14.23% -0.40% 13.53% 2018 1.05% 10.16% 5.12% 0.75% 9.65% 5.41% 2019 8.04% 8.97% 12.19% 6.91% 8.88% 11.37% 2020 13.68% 7.80% 9.22% 10.78% 7.01% 6.62% 2021 13.95% 7.03% 16.98% 6.38% 5.56% 7.59% 2022 -0.20% 3.32% -0.26% -1.35% 2.31% 0.91% 2023 10.04% 7.71% 8.61% 7.56% 6.94% 7.14% 2024 18.26% 14.34% 16.37% 19.67% 13.25% 15.67% 2025 25.27% 8.31% 18.60% 18.06% 7.56% 14.01% 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 # 2.3.4 权重约束下BL模型策略回溯测试 在公募FoF基金的实际投资过程中，资产配置权重需要满足基金合同的约束条件。为了展示我们构建的BL模型策略在公募FoF投资过程中的实际效果，在模型基本构筑保持同步的基础上，依次对黄金与美股施加 $10\%$ 与 $20\%$ 的权重上限约束，施加约束条件后的各个资产配置模型策略的表现如下。 首先，相较于没有权重约束的资产配置模型策略，施加权重上限约束后，BL与MVO资产配置模型策略的回测表现均出现不同程度的下滑，但BL模型策略的综合表现依旧领先。 2013年12月31日至2025年12月31日，施加权重上限约束条件后，BL模型策略实现年化收益率 $11.56\%$ ，年化Sharpe比率2.45，最大回撤率 $4.72\%$ ，Calmar比率2.45，相较于施加权重上限约束条件前，年化收益率下降约 $0.54\%$ ，最大回撤率保持不变。 表 18：施加权重上限约束条件前后 BL 与 MVO 模型策略回测表现对比 资产权重约束 收益评价 BL模型策略 固定权重策略 MVO模型策略 无约束 年化收益率 12.10% 8.22% 12.19% 年化波动率 0.05 0.03 0.06 年化Sharpe 2.38 2.87 2.08 最大回撤 4.72% 5.51% 13.78% Calmar 比率 2.56 1.49 0.88 海外资产≤20% 黄金≤10% 年化收益率 11.56% 8.22% 11.34% 年化波动率 0.05 0.03 0.05 年化Sharpe 2.45 2.87 2.20 最大回撤 4.72% 5.51% 13.77% Calmar 比率 2.45 1.49 0.82 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 图10：施加权重上限约束条件前后BL与MVO模型策略累计净值变化示意图 数据来源：Wind,IFinD,恒生聚源,西南证券整理 注：数据统计截至2025年12月31日 # 3 模型最新资产配置权重 模型每月末更新资产配置权重，每月初进行再平衡操作。截至2025年12月31日，基于风格轮动的BL资产配置模型最新配置权重如下：货币基金 $4.54\%$ ，国债 $58.64\%$ ，黄金 $18.00\%$ ，美股 $0.00\%$ ，港股 $0.00\%$ ，A股 $18.82\%$ ，其中A股资产等权配置了小盘风格与成长风格。 表 19：基于 BL 模型与风格轮动的配置策略最新配置权重 资产类别 货币基金 国债 黄金 美股 港股 A股 小盘风格 成长风格 配置权重 4.54% 58.64% 18.00% 0.00% 0.00% 9.41% 9.41% 数据来源：Wind，IFinD，恒生聚源，西南证券整理 注：数据统计截至2025年12月31日 # 4 结论与展望 本文介绍了BL模型的基本原理，在此基础上，围绕货币基金，国债、黄金、美股、港股、A股等大类资产，结合A股市场大小盘及成长价值风格轮动策略与指数择时指标，构建了一个基于BL模型与风格轮动的资产配置策略，2013年12月31日至2025年12月31日，策略实现年化收益率 $12.10\%$ ，年化Sharpe比率2.38，最大回撤率 $4.72\%$ ，Calmar比率2.56，基于BL模型的大类资产配置策略在整体上显著优于基于MVO模型和固定权重模型的大类资产配置策略。 BL模型有效的关键在于主观预测观点的准确，基于资产择时模型与回归模型形成的资产主观收益预测的方式，在资产择时与资产收益预测两端依旧大有可为，未来我们将继续挖掘有效性较强的资产择时指标，完善资产择时体系，同时进一步探索收益预测建模方式，提升择时信号同收益预测映射的准确性与稳定性，对资产配置模型持续进行优化迭代，以期为投资者的资产配置提供参考与借鉴。 # 5 风险提示 本报告结论完全基于公开的历史数据，若未来市场环境发生变化，模型的实际表现可能与本文的结论有所差异，同时可能存在第三方数据提供不准确的风险。大类资产的配置观点不构成投资收益的保证或投资建议，投资者需充分认知自身风险偏好以及风险承受能力，市场有风险，投资需谨慎。 # 分析师承诺 本报告署名分析师具有中国证券业协会授予的证券投资咨询执业资格并注册为证券分析师，报告所采用的数据均来自合法合规渠道，分析逻辑基于分析师的职业理解，通过合理判断得出结论，独立、客观地出具本报告。分析师承诺不曾因，不因，也将不会因本报告中的具体推荐意见或观点而直接或间接获取任何形式的补偿。 # 投资评级说明 报告中投资建议所涉及的评级分为公司评级和行业评级（另有说明的除外）。评级标准为报告发布日后6个月内的相对市场表现，即：以报告发布日后6个月内公司股价（或行业指数）相对同期相关证券市场代表性指数的涨跌幅作为基准。其中：A股市场以沪深300指数为基准，新三板市场以三板成指（针对协议转让标的）或三板做市指数（针对做市转让标的）为基准；香港市场以恒生指数为基准；美国市场以纳斯达克综合指数或标普500指数为基准。 公司评级 买入：未来6个月内，个股相对同期相关证券市场代表性指数涨幅在20%以上 持有：未来6个月内，个股相对同期相关证券市场代表性指数涨幅介于10%与20%之间 中性：未来6个月内，个股相对同期相关证券市场代表性指数涨幅介于-10%与10%之间 回避：未来6个月内，个股相对同期相关证券市场代表性指数涨幅介于-20%与-10%之间 卖出：未来6个月内，个股相对同期相关证券市场代表性指数涨幅在-20%以下 行业评级 强于大市：未来6个月内，行业整体回报高于同期相关证券市场代表性指数5%以上 跟随大市：未来6个月内，行业整体回报介于同期相关证券市场代表性指数-5%与5%之间 弱于大市：未来6个月内，行业整体回报低于同期相关证券市场代表性指数-5%以下 # 重要声明 西南证券股份有限公司（以下简称“本公司”）具有中国证券监督管理委员会核准的证券投资咨询业务资格。 本公司与作者在自身所知情范围内，与本报告中所评价或推荐的证券不存在法律法规要求披露或采取限制、静默措施的利益冲突。 《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，本报告仅供本公司签约客户使用，若您并非本公司签约客户，为控制投资风险，请取消接收、订阅或使用本报告中的任何信息。本公司也不会因接收人收到、阅读或关注自媒体推送本报告中的内容而视其为客户。本公司或关联机构可能会持有报告中提到的公司所发行的证券并进行交易，还可能为这些公司提供或争取提供投资银行或财务顾问服务。 本报告中的信息均来源于公开资料，本公司对这些信息的准确性、完整性或可靠性不作任何保证。本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断，本报告所指的证券或投资标的价格、价值及投资收入可升可跌，过往表现不应作为日后的表现依据。在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告，本公司不保证本报告所含信息保持在最新状态。同时，本公司对本报告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。 本报告仅供参考之用，不构成出售或购买证券或其他投资标的要约或邀请。在任何情况下，本报告中的信息和意见均不构成对任何个人的投资建议。投资者应结合自己的投资目标和财务状况自行判断是否采用本报告所载内容和信息并自行承担风险，本公司及雇员对投资者使用本报告及其内容而造成的一切后果不承担任何法律责任。 本报告 须注明出处为“西南证券”，且不得对本报告及附录进行有悖原意的引用、删节和修改。未经授权刊载或者转发本报告及附录的，本公司将保留向其追究法律责任的权利。 # 西南证券研究院 # 上海 地址：上海市浦东新区陆家嘴21世纪大厦10楼 邮编：200120 # 北京 地址：北京市西城区金融大街35号国际企业大厦A座8楼 邮编：100033 # 深圳 地址：深圳市福田区益田路6001号太平金融大厦22楼 邮编：518038 # 重庆 地址：重庆市江北区金沙门路32号西南证券总部大楼21楼 邮编：400025 西南证券机构销售团队 区域 姓名 职务 座机 手机 邮箱 上海 蒋诗烽 院长助理、研究销售部经理、上海销售主管 021-68415309 18621310081 jsf@swsc.com.cn 崔露文 销售岗 15642960315 15642960315 clw@swsc.com.cn 李煜 销售岗 18801732511 18801732511 yfliyu@swsc.com.cn 汪艺 销售岗 13127920536 13127920536 wyyf@swsc.com.cn 戴剑箫 销售岗 13524484975 13524484975 daijx@swsc.com.cn 张方毅 销售岗 15821376156 15821376156 zfyi@swsc.com.cn 李嘉隆 销售岗 15800507223 15800507223 ljlong@swsc.com.cn 欧若诗 销售岗 18223769969 18223769969 ors@swsc.com.cn 贾文婷 销售岗 13621609568 13621609568 jiawent@swsc.com.cn 张嘉诚 销售岗 18656199319 18656199319 zhangjc@swsc.com.cn 毛玮琳 销售岗 18721786793 18721786793 mwl@swsc.com.cn 北京 李杨 北京销售主管 18601139362 18601139362 yfly@swsc.com.cn 张岚 销售岗 18601241803 18601241803 zhanglan@swsc.com.cn 姚航 销售岗 15652026677 15652026677 yhang@swsc.com.cn 杨薇 销售岗 15652285702 15652285702 yangwei@swsc.com.cn 王宇飞 销售岗 18500981866 18500981866 wangyuf@swsc.com.cn 王一菲 销售岗 18040060359 18040060359 wyf@swsc.com.cn 张鑫 销售岗 15981953220 15981953220 zhxin@swsc.com.cn 马冰竹 销售岗 13126590325 13126590325 mbz@swsc.com.cn 刘艳 销售岗 18456565475 18456565475 liuyanyj@swsc.com.cn 广深 龚之涵 销售岗 15808001926 15808001926 gongzh@swsc.com.cn 唐茜露 销售岗 18680348593 18680348593 txl@swsc.com.cn 文柳茜 销售岗 13750028702 13750028702 wlq@swsc.com.cn 林哲睿 销售岗 15602268757 15602268757 lzr@swsc.com.cn