大类资产配置量化模型研究系列之六：大类资产配置策略落地方法研究

大类资产配置策略回顾：国泰君安量化配置团队专注于资产配置量化模型研究，此前我们已经完成了Black-Litterman、风险平价、宏观因子3个资产配置基础模型的开发，并使用上述模型在国内股票、债券、商品、黄金4大类资产上开发了大类资产配置策略，进行样本外跟踪。本文希望通过建立一个大类资产配置策略落地的框架性方法，以实现上述模型策略的落地。 使用场内基金拟合单资产指数：针对资产配置策略标的指数不可直接投资的痛点，我们首先构建场内基金投资组合对标的指数进行拟合，具体分为两步：第一步：针对标的指数选定目标基金类型：在对某一指数构建对应的基金投资组合之前，首先要确定该标的指数对应的场内基金类型。对于某些特殊类别标的（如商品类），我们在选择商品类场内基金的基础上，增加了股票型基金作为补充。第二步：确定场内基金的配置权重。本文以最优化跟踪误差为目标，在此基础上设计不同的约束条件和优化规则，利用场内基金构建单指数落地方案，实现对不同资产指数的拟合。除了考察跟踪误差之外，我们还重点考虑了累计收益折损的影响，对基金组合在样本内的累计收益折损进行了限制。 大类资产配置策略落地效果：使用单指数落地方案进一步合成资产配置策略对应的落地方案。在扣除万分之五的双边交易费率后，2021年至今，BL模型1对应的策略落地方案年化收益4.86%，最大回撤为2.43%；BL模型2对应的策略落地方案年化收益4.76%，最大回撤1.76%；风险平价模型策略落地方案年化收益3.81%，最大回撤1.55%；基于宏观因子的资产配置模型年化收益为3.87%，最大回撤1.76%。整体而言，策略落地方案相较原资产配置指数策略年化收益折损1%左右，2023年各个策略夏普比率均在1.5以上。 策略落地收益增强：为了减少较原模型的收益折损，我们可以通过构建对单个资产标的指数的增强落地方案，实现对大类资产配置策略落地组合的收益增强。通过这种方法，针对债券类指数构建的落地方案增强累计收益折损有显著降低。BL模型1、BL模型2、风险平价模型和基于宏观因子的资产配置策略年化收益分别为5.14%、5.39%、4.14%和4.18%，较原有方案有显著的收益提升。 风险提示：量化模型基于历史数据构建，而历史规律存在失效风险。 1.大类资产配置策略回顾 国泰君安量化配置团队专注于资产配置量化模型研究。我们分别针对全球市场与国内市场的权益、债券、商品和黄金4大类选取部分资产作为标的，在此基础上完成Black-Litterman模型、风险平价模型和基于宏观因子的资产配置模型3个基础资产配置模型的开发。2023年9月以来，我们使用沪深300、中债-国债总财富指数、南华商品指数等8个指数作为配置标的，使用上述模型构建配置策略，对配置模型的效果进行样本外跟踪，并在《量化配置基础模型月报》系列逐月更新。整体而言，我们的量化配置模型运行稳定，收益表现良好。 但是，指数毕竟不可直接进行投资，如何将大类资产配置策略落地成为了一个关键问题。随着近些年来我国场内基金的蓬勃发展，通过场内基金投资给我们大类资产配置策略的落地提供了机会。本文提供了一种方案，通过场内基金组合拟合资产配置策略标的指数，实现了大类资产配置策略的落地。 1.1.国泰君安配置团队大类资产配置基础模型 1.1.1.Black-Litterman模型 Black-Litterman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。在前面的报告《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》与《量化配置基础模型月报》系列中，我们分别对全球资产和国内资产，根据大类资产收益动量效应构建了四种BL模型。 1.1.2.风险平价模型 风险平价模型是传统的均值-方差模型的改进，其核心思想是把投资组合的整体风险分摊到每类资产（因子）中去、使得每类资产（因子）对投资组合整体风险的贡献相等。该模型从各资产（因子）的预期波动率及预期相关性出发，计算得到初始资产配置权重下各资产（因子）对投资组合的风险贡献，然后对各资产（因子）实际风险贡献与预期风险贡献间的偏离度进行优化，从而得到最终资产配置权重。在前面的报告《桥水全天候策略和风险平价模型全解析——大类资产配置量化模型研究系列之三》与《量化配置基础模型月报》系列中，我们分别对全球与国内资产构建了两种风险平价模型。 1.1.3.基于宏观因子的资产配置模型 在之前的报告《基于宏观因子的大类资产配置框架——大类资产配置量化模型研究系列之四》中，我们构造了涵盖增长、通胀、利率、 信用、汇率和流动性六大风险的宏观因子体系，并基于此提出了一个通用性的宏观因子资产配置框架。该框架建立了一个宏观研究与资产配置研究的桥梁，使用此框架我们构造了基于宏观因子的资产配置策略，以将我们对于宏观的主观观点进行资产层面的落地。在《量化配置基础模型月报》系列中我们对国内资产构建了基于宏观因子的资产配置模型。 在2023年，我们各项模型受益于分散风险与信用债指数的强势表现，各项模型表现较为优秀。其中，BL模型1、BL模型2和基于宏观因子的资产配置模型本年实现收益均在6.5%以上。 图1：2023年以来各模型运行效果平稳 表1：2023年各个模型收益表现 1.2.场内基金的不断丰富为大类资产配置策略落地提供可能 自2004年南方基金发布我国第一支LOF基金——南方积极配置混合型证券投资基金以来，我国场内基金市场蓬勃发展，规模逐渐扩大，产品数量逐渐提升。时至今日，我国已形成了规模较大的场内基金市场，为投资者提供了丰富多样的多资产投资选择。 场内基金一般分为LOF（Listed Open-ended Fund）上市型开放式基金和ETF（Exchange Traded Fund）交易型开放式指数基金。日渐丰富的场内基金也为投资者进行多资产配置提供了机会。截至2023年12月12日，场内共有开放式ETF与LOF1353支，分别为股票型、混合型、货币市场型、另类投资型、商品型和债券型六个大类。近年来，场内基金发行呈整体抬升趋势，2021年更是总共发行了285只基金，创历史新高。尽管2022年以来，基金发行市场较为冷淡，但每年仍然有100只以上场内基金发行。 图2：2021年新发场内基金数目为近年来最多 从规模上看，我国场内基金的规模呈整体上升态势（我们统计规模时采用基金的整体规模，并非仅为场内流通基金的规模）。多样化的场内基金为投资者进行大类资产配置提供了更多选择。 图3：各类型场内基金规模统计（单位：亿元） 1.3.通过场内基金进行大类资产配置策略落地 1.3.1.大类资产配置策略落地难点在于合适标的较少 一般而言，投资者进行大类资产配置往往会选择股票、债券、黄金和商品等多资产类别作为投资标的。近年来，随着我国股票类场内基金的蓬勃发展，权益类场内基金的市场规模较为庞大，给权益类投资者提供了较多选择。然而，对于传统的债券与商品类，想寻求与标的指数较为贴合的场内基金组合便变得十分困难，这也给我们的大类资产基础配置策略落地造成了障碍。截至2023年12月12日，我国场内股票基金共1030支，而商品型基金仅有18支，并不能很好的满足投资者的投资需求。 1.3.2.采用指数映射法实现大类资产配置策略的落地 在团队之前的报告《行业轮动的模型的ETF组合落地方法研究——行业配置研究系列08》中，我们指出当前市场上使用ETF进行行业配置的方法主要分为两种：ETF打分法和行业指数映射法。为了丰富我们的配置标的选择，我们把基金备选池从仅ETF推广到所有的场内基金。由于我们已有建立在指数上的大类资产配置策略，我们后面着重使用指数映射法对其进行配置策略的落地。同时，采用指数映射法可以帮助我们尝试解决某些类别合适的场内基金较少这一难题，以及帮助我们应对今后资产配置中可能遇到的其他标的选取障碍。 2.大类资产配置策略落地方法研究 针对资产配置策略标的指数不可直接投资的痛点，我们首先构建场内基金投资组合对标的指数进行拟合，具体分为两步。 2.1.第一步：针对标的指数选定目标基金类型 我们这里，以《量化配置基础模型月报》中所构建的国内资产池和对应的国内大类资产配置策略为基础，展示我们大类资产配置模型的具体落地方法。 表2：各标的资产收益情况概览 我们所选取的大类资产标的指数横跨权益、债券、黄金和商品四个大类，具有较为较强的代表性。与此同时，我们也计算了各个大类资产指数过去一年之间的走势相关性。整体而言，在过去的一年里，各个大类资产间相关性较低；权益市场与国债和信用债走势呈负相关性；黄金和其余几个各个大类资产之间的相关性绝对值均较低，具有良好的分散风险的效用。 表3：各大类资产近一年走势相关性 我们根据各个资产标的自身特性，为不同资产分别选取不同的目标基金类型。截至2023年12月12日，场内存续的基金共有1353支。其中，股票型基金有1030只，混合型基金有202只，另类投资性基金1只，货币市场行基金27只，另类投资型基金1只，商品型基金18只，债券型基金75只。我们对各个资产选定的目标基金类型如表4所示。 表4：各个资产的基金池初选 对商品类别标的，我们这里把股票型的场内基金放入了考虑范围之内。 一方面，传统的商品类场内基金较少且规模较小，流动性不足；另一方面，某些股票类ETF走势和商品价格具有较高的相关性，配置这些基金可以使得我们的指数拟合方案效果更加并更具有可操作性。 图4：南华商品指数和能源ETF走势具有较为明显的正相关性 2.2.第二步：确定场内基金的配置权重 2.2.1.在基金池的基础上进行筛选 在拟合场内基金的投资组合之前，我们还需要对备选基金池进行一些额外的筛选： 1.选择当前日期仍存续的场内基金。 2.选择当前日期规模大于5000万的基金（非场内流通规模）。 3.选择当前日期前五个交易日均具有成交量的场内基金。 通过以上的三条筛选条件，我们保证了在指定日期下所选场内基金的流动性与稳定性，为后续构建场内基金组合奠定了坚实的基础。 2.2.2.以跟踪误差为最优化目标的组合优化法投资组合 以跟踪误差为优化目标的做法意在使场内基金组合取得与资产标的尽可能接近的收益率表现。 我们采用的方式是最小化跟踪误差的方式进行优化。假设场内基金的权()重为𝑤=𝑤,𝑤,…,𝑤，待拟合的标的收益率序列为𝑅=)𝑟,𝑟,…,𝑟。假定场内基金的收益率矩阵为𝑅，为𝑛×𝑚维的矩阵： 𝑇 12𝑇 𝑚 ( 𝑛 𝑓 𝑟𝑟( …𝑟 𝑟𝑟…𝑟 …𝑟…𝑟… 𝑓,1𝑓,2 𝑓,1𝑓,2 𝑓,1𝑓,2 1 1 2 2 𝑚𝑚 ) 𝑅=(𝑅,𝑅,…,𝑅)= ……𝑟 𝑓 𝑓 𝑓 𝑓 𝑚 𝑓,𝑛 𝑓,𝑛 𝑓,𝑛 𝑚 𝑛×𝑚 我们定义拟合后的基金组合收益率为𝑅： 𝐹 𝑇 ( 𝑅=𝑤𝑅=𝑅,𝑅,…,𝑅 ) 𝐹 𝑓 𝐹 𝐹 𝐹 𝑛 则年化跟踪误差Tracking Error(𝑇𝐸)为： 𝑛 𝑛 243 1𝑅−𝑟− √𝑇𝐸= ∑(𝑛−1 ∑𝑛 )(𝑅−𝑟) 𝐹 𝑖 𝐹 𝑖 𝐼 𝐼 𝑖=1 𝑖=1 就此，我们的获得单指数落地方案的问题变为对公式(3)进行最优化求解： 𝑛 𝑛 243 1𝑅