核心观点与结论
本文研究了基于机器学习观点生成的Black-Litterman固收+动态资产配置模型，重点检验机器学习观点能否改善固收+组合的风险收益表现。核心结论如下：
- 机器学习观点有效性：权益相对债券模型在样本外具有较好的预测能力（ROC AUC为0.624），而转债相对债券模型预测能力较弱（ROC AUC为0.472）。
- 策略性能提升：推荐参数下，ML-BL策略年化收益为6.26%，高于固定配置的5.98%；夏普比率由2.09提升至2.25，表明策略在收益增强的同时保持了可控的回撤。
- 超额收益来源：无观点BL策略与固定配置重合，说明超额收益主要来自机器学习观点，而非Black-Litterman框架本身。
- 观点贡献：权益观点是当前样本中更主要的信息来源，转债观点贡献较弱，需要更长时间和更多特征验证。
- 真实产品对比：ML-BL策略收益高于真实固收+产品等权平均和中位数，夏普比率接近等权平均，表明模型在大类资产配置层面具有参考价值。
研究框架
- 资产池与配置层：以债券、权益、可转债和现金构建四类资产池，仅研究大类资产配置层，剥离个券选择、信用下沉和打新等因素。
- 样本划分：样本内训练区间为2015年7月至2023年8月，样本外预测区间为2023年9月至2026年4月，月末生成观点和权重，下一月实际收益计入策略表现。
- 机器学习观点：预测权益或转债下月是否跑赢债券，将预测概率映射为BL相对观点，并构造观点置信度。
- Black-Litterman框架：融合市场均衡收益、机器学习观点、观点置信度和60个月滚动协方差矩阵进行组合优化。
- 组合约束：债券权重不低于70%，权益和可转债单项不超过20%，二者合计不超过25%，现金不超过30%。
- 评估方法：通过主回测、权重分析、观点消融、参数敏感性和真实产品横向对比综合评估策略有效性。
关键数据与实证结果
- 机器学习预测：权益相对债券模型ROC AUC为0.624，转债相对债券模型ROC AUC为0.472。
- 主回测结果：ML-BL策略年化收益6.26%，夏普比率2.25，最大回撤-1.10%。
- 权重特征：债券为底仓，权益和可转债根据观点动态调整，现金用于降低风险。
- 观点消融：权益观点贡献较大，转债观点贡献较弱。
- 参数敏感性：61组参数组合夏普比率高于固定配置，37组年化收益高于固定配置，67组产生超过1%的平均主动权重偏离。
- 真实产品对比：ML-BL策略年化收益6.26%，高于真实产品等权平均4.08%和中位数3.92%；夏普比率2.25，接近等权平均2.26，高于中位数1.36。
风险提示与后续研究
- 模型失效风险：市场结构、资产相关性或政策环境变化可能导致机器学习观点失效。
- 样本区间较短：样本外测试期不足，需更长时间验证。
- 真实产品对比口径差异：真实产品包含更多因素，模型仅覆盖大类资产配置层。
- 参数选择不确定性：观点倍数、置信度等参数影响最终结果。
后续研究可引入更多变量，扩展样本区间，使用更复杂模型，并结合其他配置模块形成更完整的固收+策略框架。
