主被动结合的大类资产配置新思路：从宏观友好度评分到BL模型观点矩阵240311

主动分析框架：宏观友好度评分指标系的本质是搭建宏观经济预期与资产收益率预期间的映射关系。基于对投资时钟和周期嵌套模型的理解，我们将某个经济体的某类短周期的环境压力大小进行量化，从而形成若干个具有鲜明周期特色的底层宏观因子。然后综合考虑相关性和经济学逻辑将多个底层宏观因子合成为针对某类资产或风格宏观友好度评分指标。即为各类资产定制了专属的宏观基本层面量化指标，将宏观经济一致预期“翻译”为资产收益率的预期，成为设置BL模型主观观点矩阵的重要依据。 被动分析框架：量化配置模型可以帮助投资者进行多资产比较和投资组合权重分配。1990年，高盛的Fisher Black和Robert Litterman对MVO进行改进，开发了Black-Litterman模型（简称BL模型），并于1992年将其发表，后被业内广泛使用。BL模型采用贝叶斯理论将主观观点与量化配置模型有机结合起来，通过投资者对市场的分析预测资产收益，进而优化资产配置权重。 主被动结合新思路：以观点矩阵为载体，将宏观友好度评分指标系所包含的对宏观周期的展望融入到BL模型中。将宏观友好度评分指标系简单加工形成主观观点，可以与量化配置中的Black-Litterman模型相结合。具体过程起始于将宏观经济指标一致预期转化为宏观友好度评分预期，再转化为各大资产预期收益率，最后融入BL观点矩阵。 结论和配置建议：探索了一条主、被动方法有机结合的大类资产配置研究新途径。在可选资产包括权益（AH美日印德）、债券（中美）、商品、美元、黄金的情况下，引入包括汇率在内的综合宏观友好度评分主观观点的BL模型策略在五年回测期内表现显著优于其他对比策略。该策略年化收益率可达23.1%，夏普比率可以达到1.52。根据模型计算，当前配置仓位集中在日本权益资产，反映了该资产阶段性风险收益比较高、与其他资产相关性较低、宏观基本层面展望稳定或向好等特征。 风险因素：模型设计的主观性，分析维度存在局限性，历史与预期数据存在偏差，市场一致预期调整；黑天鹅事件等可能导致大类资产相关性增加，资产配置组合表现不佳；量化模型基于历史数据构建，而历史规律存在失效风险。 1.宏观友好度评分指标：为各类资产定制专属的基本 层面量化指标 1.1.宏观友好度评分指标系将投资时钟与宏观因子进行融合 国泰君安主动配置团队将所从事的beta研究定义为四个层次。针对第一层（大类资产轮动）、第二层（跨市场轮动）和第三层（风格轮动）研究，主要采用自上而下的方法；针对第四层（行业轮动）研究则主要采用自下而上的方法。 基于对投资时钟和周期嵌套模型的理解，我们将某个经济体的某类周期的环境压力程度进行量化，从而形成若干个具有鲜明周期特色的底层宏观因子（例如：美国库存周期滞销指标）。再将这些类似原材料的底层宏观因子进行逆序分位数处理，得到某类周期的宏观友好度评分指标（例如：美国库存周期友好度评分）。最后，综合多种有关周期的宏观友好度评分指标，依据相关关系和经济学逻辑合成为针对某类资产或风格宏观友好度评分指标（例如：US宏观友好度评分）。简言之，我们为各类资产定制了专属的宏观基本层面量化指标，成为我们理解资产价格表现、形成主观观点矩阵的重要依据。 图1：国君主动大类资产配置团队宏观友好度评分指标数据库逻辑导图（截至2024年3月） 参考报告：《如何以宏观友好度评分辅助权益仓位管理》、《择木而栖：A股和港股轮动规律研究》、《美债实际利率中期向下拐点将于春季确认》、《宏观友好度视角下的中美权益资产比较》、《债市牛熊背后的周期线索：宏观友好度B》、《国际大宗商品配置价值下半年企稳回升》、《行业风格轮动背后的周期线索指向何方》、《风格轮动研究：来自经济周期的线索》、《2024年风格轮动展望：从小成长到大周期》、《印度权益资产配置展望：预计仍有正收益》、《印度卢比即将开启一轮升值趋势-基于INR升值动力评分》等 1.2.底层宏观因子是搭建各类资产友好度评分的原材料 底层宏观因子是我们构建各类风格专属宏观友好度因子的原材料，也是下文的分析基础。因子的构建方式并不复杂，我们已在《如何以宏观友好度评分辅助权益仓位管理》、《美债实际利率中期向下拐点将于春季确认》、《宏观友好度视角下的中美权益资产比较》、《债市牛熊背后的周期线索：宏观友好度B》等报告中做过介绍。 根据截至2025年1月15日的宏观一致预期数据，在中性假设下，主要的底层宏观因子及对应的周期友好度评分指标未来一年的运行趋势大致如下： （1）货币缺口指标震荡上行，对应CN金融周期友好度震荡下行； （2）CN滞销指标震荡下行，对应CN库存周期友好度震荡上行； （3）CN滞胀指标上行，对应CN美林周期友好度下行； （4）US实际利率小幅下行，对应US金融周期友好度小幅上行； （5）US滞销指标先上后下，对应US库存周期友好度先下后上； （6）US滞胀指标小幅下行，对应US美林周期友好度小幅上行； （7）KR滞销指标震荡走平，对应KR库存周期友好度震荡走平； （8）出口景气度震荡下行，对应CN出口景气度评分下行； （9）IN滞销指标小幅上行，对应IN库存周期友好度小幅上行。 图2：预计2024年9类周期宏观友好度评分指标走势分化 底层宏观因子的预测数据基于市场宏观一致预期数据计算得到，具体计算与预测方式总结如下： 表1：底层宏观因子预测方法说明 基于上述公式，使用截至2024年1月15日的宏观一致预期数据进行指标外推，我们据此形成关于2024年的全球大类资产表现的预期。 显然，由于使用的一致预期数据是主观的，代表了市场平均水平的认知，属于主动大类资产配置研究范畴。对于投资而言，做这件事的意义是，将当前宏观一致预期数据翻译为大类资产的预期表现，本质是一个映射工作。 表2：国君主动配置团队宏观友好度评分指标构建方法 上述宏观友好度评分指标仅描述了各类资产以当地货币计价的表现预期，对于使用人民币配置各类海外资产的投资者而言，如果对于海外资产进行外汇风险敞口的完全对冲，则直接使用宏观友好度评分指标，考虑当地货币计价的表现预期即可。若投资组合仍然保留外汇风险敞口，则需综合汇率宏观友好度评分，对海外资产未来表现进行评估。 例如：综合INR升值动力评分、人民币升值动力评分、IN宏观友好度才可以对以人民币计价的印度股票预期收益率进行判断。 2.BL配置模型回顾：通过主观观点改进MVO模型 由于不同资产价格变化的驱动因素有所不同，资产分散化配置可以降低整体投资组合的风险。也正是因为这个原因，Markowitz称“资产配置多元化是投资中唯一的免费午餐”。对于金融市场上的投资者而言，为了分散风险，平抑波动，往往需要进行多资产投资，而量化资产配置模型的使用可以帮助投资者进行多资产比较和投资组合权重分配。国泰君安量化配置团队长期以来对Black-Litterman模型、风险平价/预算模型、宏观因子配置等模型进行了深入研究和策略积累。 马科维茨（Harry Markowitz）在1952年提出了著名的“均值-方差模型”（Mean-Variance Optimization Model，MVO），创建了现代资产组合理论，将大类资产投资带入到量化配置时代。自此，分散化配置资产以降低整体投资组合的风险这一投资理念深入人心。量化配置模型目前广泛应用于中长期资金投资，帮助机构投资者进行多资产比较和投资组合权重分配。 2.1.均值-方差模型开启了量化配置时代 马科维茨在1952年提出了著名的“均值-方差模型”，将大类资产配置带入到量化配置时代。该模型是一个双目标决策模型，以投资组合的期望收益(均值)和风险(方差)为目标，导出了投资组合选择的均值-方差有效组合和有效前沿等概念，以简明的方式解释了资产分散化的意义。在均值-方差有效投资组合策略集中，高风险对应着高收益。投资组合选择是在无风险资产和均值-方差模型有效资产组合中选出最适合投资者风险偏好的投资组合权重。 MVO模型是大类资产配置理论的重要基础，其突出贡献在于：（1）提出了“约束+最优解”的标准范式来研究资产配置问题；（2）采用均值和方差来刻画资产收益与风险，使得进行量化配置成为可能；（3）同时考虑风险与收益，指出最优的投资组合并非单纯追求最高收益或最小风险，而是在两者之间找到平衡。均值-方差模型的输入值包括三部分：收益、风险、反映投资者风险偏好的参数。 Markowitz提出的均值-方差模型基于以下几个假设： 1)投资者是理性的，其行为模式是为了在给定收入和资金水平下最大化其投资效用。 2)投资者可以自由获得投资组合的收益和风险的信息。 3)市场是非常有效的，对信息的反应是及时且准确的。 4)投资者是风险厌恶的，并希望让投资组合风险最小，收益最大。 5)投资者基于预期收益和收益的标准差或方差做出投资决策。 6)在给定风险水平下，投资者更喜欢高收益的投资组合。 2.2.BL模型改善了MVO模型实践中的不足 MVO模型在理论上具有开创性意义，但在实践中遇到了诸多问题。比如作为模型输入参数的资产期望收益率难以准确估计，实际应用效果大打折扣；模型计算结果对输入参数，尤其是预期收益率非常敏感，使得模型结果很不稳定；容易得到极端的结果，权重集中于少数或个别资产。 为了解决这些缺陷，学界和业界不断提出新的理论和方法进行改进。 BL模型是传统的均值-方差模型的改进。1990年，高盛的Fisher Black和Robert Litterman对MVO进行改进，开发了Black-Litterman模型（简称BL模型），并于1992年将其发表，后被业内广泛使用。BL模型采用贝叶斯理论将主观观点与量化配置模型有机结合起来，通过投资者对市场的分析预测资产收益，进而优化资产配置权重。BL模型有效地解决了均值-方差模型对于预期收益敏感的问题，同时相较于纯主观投资具有更高的容错性，为投资者持续提供高效的资产配置方案。 Black-Litterman模型的基本原理是基于先验的收益率分布，结合投资者对收益的预期，两者结合之后，得到新的结合后的分布，然后在此分布的基础上优化得到资产权重。实现过程上，BL模型借助贝叶斯分析，以市场均衡权重为起点，通过投资者对市场的主观观点调整预期收益，再使用MVO的优化框架得到投资组合。其基本逻辑是一种资产的期望收益等于市场均衡收益和投资者主观期望收益的加权平均，如果投资者对自己的主观观点信心很大，则主观的期望收益就会被赋予较大的权重，资产的期望收益就会向主观期望收益靠拢；反之，如果投资者对自己主观判断的信心不足，资产的期望收益就会接近于市场均衡收益。BL模型的理论推导与实现细节可以参考国泰君安量化配置团队研究报告《手把手教你实现Black-Litterman模型——大类资产配置量化模型研究系列之二》。 2.3.BL模型的主要实现步骤 为了便于说明将主动配置观点加入BL模型的过程，此处简要介绍Blac k-Litterman模型的实现过程。实现BL模型主要分四步：（1）通过逆向优化从市场均衡条件出发得到关于资产预期收益的先验估计；（2）将投资者的主观观点作为新的信息，计算观点分布；（3）将先验收益分布和主观观点分布结合，使用贝叶斯方法计算得到资产预期收益的后验估计； （4），将后验收益和后验协方差矩阵输入均值-方差模型中进行优化求解，得到具体的资产配置比例。其中，市场均衡收益、后验分布的计算是重点，参数设置的合理性、主观观点的预测准确性是模型效果的关键。 2.3.1.第一步：CAPM框架下反解先验分布 假设各资产的未来实际收益率r服从均值为𝜇，协方差为Σ的正态分布，即： 𝑟~𝑁(𝜇,Σ) 这里𝑟是资产收益向量，𝜇是资产的未来收益率均值。由于其隐藏在资产未来实际收益率背后，我们只能通过对𝜇进行估计，得到收益率估计𝜋。 换言之，我们可以把𝜇视为关于𝜋的一个随机变量： 𝜇~𝑁(𝜋,Σ) 𝜋 π是没有主观观点下的先验收益率。假设投资者效用函数： λ2 T