融合中、长周期信息和投资时钟的MVO模型：均值方差模型如何应用于月度行业轮动

基于1年期样本的MVO模拟组合表现最佳，年化超额收益6.3%。 选择合适的历史数据样本长度是应用MVO指导月度行业轮动的第一关。我们发现采用长周期（7年）样本数据的MVO组合跑平市场，采用短周期（60日）样本数据的MVO组合跑输市场，只有采用中周期（1年）样本数据的MVO组合跑赢市场。 引入自适应的可变周期权重进行第一轮增强，年化超额收益提升至8.5%。考虑到若只采信中周期MVO，我们会错失长周期MVO所能提供的某些有价值信息，尤其当市场阶段性更关注行业长期风险收益特征时。为避免信息浪费，我们设计了一种自适应的可变周期权重策略，对不同周期的信息加以灵活利用。 引入可变风险偏好系数进行第二轮增强，年化超额收益进一步提升至13.7%。投资者的风险偏好随着宏观周期状态而波动的，我们根据周期模型相关结论设置可变的风险偏好系数（tau）；在滞胀和衰退象限中提高tau值，在复苏和过热象限中降低tau值；采用可变tau的中长期MVO组合表现更优，月胜率接近64%。 10月MVO模型推荐组合包含煤炭、食饮、农业。作为另类视角，MVO行业轮动策略可以和我们的AIA-Timing行业轮动策略形成有效互补，从而使得“配置铁三角研究框架”（1、资产配置模型，2、投资时钟模型，3、多因子模型）在行业配置层面上实现了串联。基于9月底数据的“可变tau中长期MVO模拟组合”最优解包括：煤炭、食品饮料和农业，占比各1/3，其中煤炭和AIA-Timing策略的10月多头组合产生了共振，短期可继续看好。 风险提示：模型主观性，历史数据有偏，回测时间较短，模型失效。 1.基于1年期样本的MVO模拟组合表现最佳 1.1.采用长周期样本数据的MVO组合跑平市场 在资产配置领域，均值方差模型（MVO）历史悠久，多用于优化中长期大类资产战略配置，即寻求风险收益比最佳的资产组合。MVO具有理论基础扎实、所需数据量小、求解算法简单等优点，可以和其他配置框架有机结合。在尝试将MVO方法应用到行业轮动领域时，我们遇到的第一个问题就是选择合适的历史数据样本长度，即用过去多久的历史交易数据为原材料计算最优组合权重并指导未来投资。 为和兄弟报告“AIA-Timing行业轮动策略框架”保持一致，我们以中信一级行业指数为配置标的，每月底对此前一段时间的历史数据滚动进行统计运算，求出MVO最优解，据此在月初以开盘价统一调仓。细节方面，风险偏好系数初步设为被广泛使用的常数3，而单个行业仓位限制为0-1/3，比较贴近现实。 首先，我们以7年样本周期长度进行试验。7年时间对于月度行业轮动策略而言显然属于长周期，其中至少包含一轮完整的市场周期和经济周期，所含信息较为全面。我们回测了2020年1月以来的模拟组合表现，发现基于长周期样本的MVO组合表现平平，超额收益波动很大，月胜率略小于50%，最终累计超额收益率几乎为零。 图1：基于7年历史数据的MVO模拟组合基本跑平市场 1.2.采用短周期样本数据的MVO组合跑输市场 然后，我们以滚动60日交易数据进行测试，发现基于短周期样本的MVO组合在2021年7月后表现非常差，最终严重跑输市场。统计月胜率仅为33%，年化超额收益率-13.1%。 通过下图不难联想到AIA-Timing策略报告的单因子测试部分：我们曾做过夏普比因子的单因子测试，其模拟组合净值曲线和基于短周期样本的MVO模拟组合净值曲线非常相似。其背后的逻辑上可能是，基于短期样本的MVO组合具有较强的追逐短期趋势的倾向（和夏普比因子类似）。在经济环境变差后，市场风险偏好低，资金流入减弱，趋势持续性差，趋势性的动量策略容易失效。 图2：基于60日样本长度的MVO模拟组合跑输市场 1.3.采用中周期样本数据的MVO组合跑赢市场 最后，我们以滚动250日（1年）的交易数据进行测试，取得了相对良好的效果。基于1年期样本的MVO组合2021年1月到2022年9月的累计超额收益率为18.4%（年化6.3%），统计月胜率为55%。 逻辑上，对于中短期的投资决策而言，采用中期的历史数据进行分析是较为合理的。具体而言，对于月度行业轮动策略而言，滚动一年的历史数据包含了与当期经济、金融周期和行业景气周期密切相关的基本面信息，同时也包含市场情绪和交易机制的惯性。 图3：基于1年样本长度的MVO模拟组合跑赢市场 2.引入自适应的可变周期权重进行第一轮增强 2.1.长周期样本在某些时段表现好于中周期样本 对比基于长期和中期样本的两种MVO模拟组合的月收益率之差可知，在2020年初到2021年中这段时间中，基于长周期样本的MVO组合明显跑赢基于中周期样本的MVO组合，且这种跑赢具有一定的持续性。 其含义为在某段时期中，长周期（7年）的行业风险收益特征，相对中周期（1年）的行业风险受益特征，更具有对中短期（月度）行情的预测力。 图4：2020年初到2021年中期间，基于长周期样本的MVO组合表现更好 2.2.设置自适应的可变权重对不同周期数据加以灵活利用 考虑到若只采信中周期MVO，我们会错失长周期MVO所能提供的某些有价值信息，尤其当市场阶段性更加关注行业长期风险收益规律时。为避免信息浪费，我们设计了一种自适应的可变周期权重策略，实现了信息的综合利用。大致原理是基于模型解释力差异的持续性，根据上期结果进行权重的贝叶斯优化。具体而言，在通常情况下模拟组合权重默认采用中周期MVO最优解权重，除非当上个月长周期MVO模拟组合显著跑赢中周期MVO模拟组合（>2%）时，此时在下个月的组合中采用长周期MVO的最优解作为权重。 这种自适应策略并没有用到未来信息，本质是对模型表现的一种反馈、修正机制。应用后，综合长期和中期信息的所谓“中长期MVO模拟组合”收益表现获得了明显增强，年化超额收益率提升至8.5%（回测期累计25.3%），月胜率略超60%。 图5：具有自适应可变周期权重的中长期MVO模拟组合获得增强 3.引入可变风险偏好系数进行第二轮增强 3.1.根据投资时钟模型设置可变的风险偏好系数（tau） 风险偏好系数（tau）是MVO模型中重要的输入变量之一。其含义为不同投资者看待风险（波动）的态度不同，因此同样的夏普比带给不同投资的效用也不同。投资者的tau值越大，风险偏好越低。在上面的分析中，我们依据惯例将tau统一设为中性的3。 然而，正如我们在AIA-Timing策略报告中所论述的那样，投资者的风险偏好实际上是随着宏观周期状态而波动的。采用可变的tau将大概率有助于增强模型的表现。具体方法上，我们依赖于“板块配置轮盘框架”的结论进行周期象限划分，详见专题报告《板块配置轮盘——宏观因子和板块轮动间的桥梁》。 图6：基于通胀因子和景气因子的周期划分方式，9月中国经济出滞胀 根据象限设置风险偏好系数的数值，在滞胀和衰退象限中将tau设为10、在复苏和过热象限中将tau设为2、在非典型象限中将tau设为4。 表1：基于周期划分设置合适的风险偏好系数tau 3.2.采用可变tau的中长期MVO组合表现更优 在融入中期、长期行业风险收益特征以及周期模型的部分有价值信息后，可变tau的中长期MVO模拟组合2020年初以来取得累计42.4%的超额收益率（年化13.7%）。 考虑输入模型的数据非常简单（仅收盘价数据），基于MVO模型的行业轮动策略获得两位数的年化超额收益率实际已较令人满意，研究的投入产出比较高。 图7：具有可变tau的中长期MVO模拟组合获得进一步增强 4.截至9月底数据的10月MVO推荐组合包含煤炭 等 以其颇为独特的视角，MVO行业轮动策略可以和基于6个中观因子的AIA-Timing行业轮动策略形成有效互补，从而将我们的配置理论的铁三角（资产配置模型、投资时钟模型、多因子模型）在行业配置维度上首次串联起来。 基于9月底数据的可变tau中长期MVO模拟组合最优解包括：煤炭、食品饮料和农业，占比各1/3，其中仅有煤炭和AIA-Timing策略的10月多头组合产生共振，农业则和AIA-Timing的空头组合产生了背离。 实践中，若综合考虑两种轮动策略的话，可以适当增加做多煤炭板块的力度而适当降低做空（或减持）农业板块的力度。 图8：最新MVO模拟组合多头包括煤炭、食品饮料和农业