20170619-光大证券-资产配置系列报告之一_大类资产配置模型初探_23页_1mb

报告摘要

大类资产配置模型是资产管理中的重要组成部分，通过合理配置多种资产，能够有效分散投资组合风险并提高风险调整后收益。本文探讨了传统模型、另类配置、风险与因子视角，以及BL模型与多因子体系的结合应用。

传统模型：Markowitz均值方差模型
- 提出于1952年，是资产配置的起点，将风险与收益作为决策依据。
- 假设资产收益服从正态分布，基于历史数据进行优化。
- 缺点：对历史数据依赖性强，难以预测未来收益；参数估计误差大；无限制时可能产生极端配置。
另类配置：耶鲁基金模型
- 通过配置低相关性的另类资产（如房地产、私募股权）实现风险分散。
- 减少流动性资产配置以避免收益损失。
- 实证显示该模型能有效提升资产配置的有效市场前沿。
新视角：风险与因子
- 风险视角：优化风险结构，如Risk Parity模型。
- 因子视角：从多因子模型中提炼风格因子，实现风格均衡。
- 风险平价模型强调风险贡献度一致，实现真正的分散化。
BL模型与ABL模型
- Black-Litterman模型（BL）：通过贝叶斯方法融合投资者主观观点和市场均衡收益。
- Augmented Black-Litterman模型（ABL）：在BL模型基础上引入因子观点，使观点表达更灵活，实现基于因子的资产配置。

三个主要阶段：
1. 传统模型（如Markowitz均值方差模型）
2. 另类配置（如耶鲁基金模型）
3. 风险与因子视角（如Risk Parity和ABL模型）
资产配置决定了投资组合收益方差的91.5%，因此在资产管理中具有重要地位。

理论假设：
- 固定过去一段持仓时间，计算资产收益率及协方差矩阵。
- 投资者依赖收益和风险进行配置。
模型表达式：
$$
F (\omega) = \omega^ {T} \mu - \lambda \omega^ {T} \Sigma \omega / 2
$$
其中，$\lambda$ 为风险厌恶系数（国际通用的常数2.5），$\omega$ 为资产权重，$\mu$ 为预期收益率，$\Sigma$ 为协方差矩阵。
优点：
- 提供了系统化的风险收益分析框架。
缺点：
- 对历史数据依赖性强，难以预测未来。
- 参数估计误差可能影响配置结果。
- 可能产生极端权重配置。

理论假设：
- 资产收益率服从正态分布。
- 市场均衡收益向量 $\Pi = \lambda \Sigma \omega_{\mathrm{m}}$。
模型表达式：
$$
E [ R ] = \left[ (\tau \Sigma) ^ {- 1} + P ^ {T} \Omega^ {- 1} P \right] ^ {- 1} \left[ (\tau \Sigma) ^ {- 1} \Pi + P ^ {T} \Omega^ {- 1} Q \right]
$$
优点：
- 融入主观观点，优化组合配置。
- 提高配置结果的稳健性。
缺点：
- 配置过程不够透明，难以识别具体影响因素。

理论假设：
- 融合多因子体系，将资产收益视为因子的线性组合。
- $\mathrm{r} = \alpha + \mathrm{B} \cdot \mathrm{r}_{\mathrm{L}} + \xi$。
模型表达式：
$$
\mathrm{E} (\mathrm{R}) = ((\tau \Sigma) ^ {- 1} + \mathrm{P} ^ {\mathrm {T}} \Omega^ {- 1} \mathrm{P}) ^ {- 1} ((\tau \Sigma) ^ {- 1} \Pi + \mathrm{P} ^ {\mathrm {T}} \Omega^ {- 1} \mathrm{Q})
$$
优点：
- 融合因子观点，提高观点表达的自由度。
- 支持多因子组合构建，实现风格均衡。
- 在统一的贝叶斯框架下进行资产配置，更合理。
缺点：
- 配置过程不透明，难以识别具体影响因素。
- 投资者观点误差可能被放大。

资产选择与投资方式：
- 股票类资产：A股、美股（上证50、沪深300、中证1000、标普500QDII等）
- 债券类资产：国债、企业债（中证国债指数、中证企业债指数）
- 商品类资产：贵金属、其他（WIND贵金属指数、WIND商品指数）
- 货币类资产：本币（中证货币基金指数）
实证结果：
- 等权配置：年化收益率3.04%，年化波动率11.8%，夏普比率0.31。
- 均值方差模型：年化收益率5.37%，年化波动率15.8%，夏普比率0.41。
- 目标风险模型（v=0.03）：年化收益率4.45%，年化波动率3.6%，夏普比率1.23。
- 风险平价模型：年化收益率4.12%，年化波动率3.0%，夏普比率1.36。
- 中证800指数：年化收益率-2.69%，年化波动率29.1%，夏普比率-0.05。
配置权重：
- 风险平价模型显著高配债券类资产，权重总和始终维持在80%左右。
- 目标波动模型在目标波动率为3%时，倾向于高配货币和债券类资产。

ABL模型在行业配置中的应用：
- 结合光大多因子体系，选取价值因子、成长因子、杠杆因子、波动因子、动量因子、规模因子。
- 参数设置：调仓频率为季度，观点矩阵P和收益向量Q设置不同因子观点（如看空波动率、看多价值）。
实证结果：
- 看空波动率ABL模型表现优于看多价值ABL模型。
- 2017年第二季度，看空波动率模型重仓银行行业，跑赢中证800指数4.52%。
- 看多价值模型配置了银行、计算机、医药、食品饮料行业。
优化方向：
- 后续研究将优化因子观点表达，如通过因子轮动或择时模型，以提升ABL模型的实战效果。

BL模型构造细节：
- 市场均衡收益向量 $\Pi$ 和投资者观点矩阵 $P$、收益向量 $Q$、误差协方差矩阵 $\Omega$。
- 使用贝叶斯公式结合市场均衡收益和投资者观点，得到后验收益向量 $E(\mu)$。
- 最终配置权重由后验收益向量和协方差矩阵 $\Sigma$ 计算得出。
模型参数：
- $\tau$ 为平衡参数，决定主观与客观观点的权重。
- $\Omega$ 为观点误差协方差矩阵，表示对每个观点的信心水平。
配置优化：
- 最优权重由后验收益向量和协方差矩阵计算得出，使用最大化效用函数进行优化。