• 研究背景与意义 [page::3][page::5]：

- 传统资产配置关注资产大类，受市场低迷时分散效应减弱影响。
- 基于因子的资产配置方法强调识别系统性风险和回报因子，Bridgewater等实例验证该思路有效。
- 本文提出统一框架融合宏观与风格因子，兼具定量与主观观点，桥接资产定价与实务应用。

• 框架结构及步骤概述 [page::5][page::6]：

- 七步骤包括因子选择、因子暴露评估、因子模拟组合构建、收益预测、最优因子组合创建、资产预期收益推断、最终策略组合构建。
- 因子模型表达资产回报为因子暴露和残差的函数，拆分为长期（战略）与短期（战术）成分。

• 样本资产与因子选择 [page::6][page::7][page::8]：

- 选取10类资产涵盖美股大盘、小盘、REIT、新兴市场，固定收益及大宗商品等。
- 因子包括宏观经济因子（经济增长、通胀、实际利率）和风格因子（动量、波动率）。
- 资产对因子的风险暴露以时间序列回归估计并标准化，资产对因子的短期暴露用于战术配置，长期暴露均值用于战略配置。

• 因子模拟投资组合构建与表现 [page::9][page::10][page::11]：

- 采用因子模型方法构建每个因子对应的模拟投资组合，保证单位暴露且无投资成本。
- 战术和战略因子组合均表现出正的超额收益，战术因子组合波动更大。


- 战术投资组合年化收益率介于2.8%-8.8%，夏普率0.29-1.0；战略投资组合年化收益率更高且波动率更低，夏普率最高达2.0。

• 因子组合优化方法及主观观点融合 [page::11][page::12]：

- 采用风险调整后收益最大化，正权重限制等约束构建最优因子组合。
- 投资组合权重可自由调整，无杠杆操作，允许纳入主观因子观点与量化策略。

• 最终资产配置及策略回测 [page::12][page::13][page::14]：

- 将最优因子权重映射回资产权重，推断隐含alpha，构建实际可投资组合。
- 分别构建了战略（SAA QUANT）和战术（TAA QUANT、TAA DISC）三类策略组合。
- 均实现合理风险调整收益，夏普比率0.82-0.94，战术策略信息比率达0.75，但换手率显著高于战略策略。

• 结论要点 [page::14]：

- 该统一框架成功融合因子配置与传统资产配置，识别长期和短期机会，并允许主观观点与量化数据共存。
- 提供带有明确因子风险暴露的预期收益估计，支持不同投资目标下的组合构建。
- 框架在资产配置研究和实务操作中具有借鉴价值。

资产配置与因子配置：能否建立统一的框架？——详尽分析报告

---

一、元数据与概览

报告标题：《资产配置与因子配置：能否建立统一的框架？“学海拾珠”系列之九十一》
作者及联系方式：炜（执业证书号 S0010520070001，邮箱：yanjw@hazq.com）；联系人吴正宇（执业证书号 S0010120080052，邮箱：wuzy@hazq.com）
发布机构：华安证券研究所
发布日期：2022年11月
主题及研究范围：本报告围绕基于因子的资产配置方法展开，试图建立一个将传统资产类别配置与因子配置结合于一体的统一框架。核心在于利用宏观经济因子与风格因子共同作用，来优化资产配置的结构，兼顾战略配置（SAA）和战术配置（TAA），并结合定量模型与主观投资观点，探索更灵活有效的资产配置方案。

核心论点与创新点：报告强调资产配置应从传统资产类别延伸到因子层面，将因子配置和资产大类预期收益整合，形成统一的“因子-资产配置”框架。框架通过七个步骤系统构建：从选择因子、估算因子暴露，到构建因子模拟组合，再到优化和推断资产预期收益，最终构建可投资的组合。特别地，策略能融合量化分析与投资者的主观观点，实现更个性化且精细的配置。
报告并不作为具体的投资建议，风险提示基于历史数据和文献综述。

---

二、逐节深度解读

1. 简介（第3页）

报告开篇回顾了传统资产配置模式的瓶颈——资产类别间的分散化效用受市场低迷影响逐渐减弱，且揭示系统风险因子作为分散化投资的更优切入点。投资组合构建应从资产类别级别提升至驱动资产收益的系统因子级别。宏观经济和风格因子能较好地解释资产收益的差异，如房地产和高收益债对股票贝塔和利率期限的共同暴露，促使投资组合关注因子的风险暴露而非单纯标的资产。

回顾历史，早在1996年Bridgewater的全天候战略即体现了基于宏观因子的配置方法，且负债驱动投资（LDI）方法多年应用于养老金资产负债管理。此类框架通常分两大阵营：

• 横截面资产定价风格因子阵营（Asness等2015）：强调风格因子的资产收益驱动。

- 捕捉宏观经济状态变量阵营（如经济增长和通胀，Blyth等2016）：强调宏观因子暴露的动态调整。

本报告提出的框架为综合体，将两者结合并扩展至资产预期收益的推导，允许认知融合量化风险和收益，进而生成更灵活的资产配置方案。[page::3]

2. 从传统资产配置到因子模型（第4页）

传统资产配置侧重于在股票、固定收益、现金、另类资产等大类间分配，并在子类别（如地区、市场规模）内精细化分配。长期资产配置基于历史收益率和风险估计形成“战略组合”，短期策略则针对时点进行行业/资产轮动，如通过流动性、估值、宏观经济信号生成短期收益预测模型。

然而，这种基于资产类别单元的配置存在计算与主观难题，报告提到Black-Litterman模型作为结合定量与定性观点的典型方法。表1显示了典型的投资组合结构（Equity 60%，Fixed Income 20%，Alternatives 20%等）。

资产因子映射成为突破口，将资产收益表示为因子暴露与因子收益的乘积加残差（$Rt = Bt Ft + \epsilont$），其中因子包括宏观和风格因子。残差部分可以被进一步拆解为资产类别特质因子、投资经理的主动观点及无法解释的噪声，为在实务中纳入主观判断与动态调整留出空间。该模型也可拆分为战略和战术两部分，捕捉长期和短期因子暴露及机会。[page::4-5]

3. 一个基于因子的大类资产配置框架（第5-6页）

作者提出的七步骤框架内容详尽：

1. 选择宏观经济和风格因子

2. 估算资产类别因子暴露

1. 构建因子模拟投资组合

4. 预测因子模拟投资组合的回报

1. 创建最优因子组合

6. 推断资产类别的预期收益

1. 构建最终最优投资组合

该框架允许将因子空间的预测和投资理念映射回资产类别，得出一致的资产预期收益，适合多种投资目标。[page::5-6]

---

4. 详细实证案例及步骤剖析（第6页及之后）

4.1 资产大类与因子选择（第6-8页）

• 实证中选取10个代表性资产大类（美国大盘、小盘、REIT、新兴市场、投资级债、高收益、通胀挂钩债、黄金、商品指数、现金）

- 宏观因子采自Greenberg等（2016）7个因子，选前三因子（经济增长、通胀、实际利率）

• 风格因子参考Asness（2015）动量（Momentum, MMT）和波动率（Volatility, VOL）两因子

- 表3全面列出候选宏观、风格和特质因子，涵盖经济、信用、商品、外汇、价值、成长等多类别。[page::6-8]

4.2 因子暴露估算（第7-8页）

采用长短期回归分析不同资产对因子的风险暴露。如表4，估计各资产对增长（GRWTH）、通胀（INFLTN）、实际利率（REAL）、动量（MMT）、波动率（VOL）的暴露程度，数据标准化处理，反映资产类别对系统风险因子的敏感度，呈现不同资产的风险特征差异。如美国大盘股（R1000）对增长因子暴露较高。暴露估计为后续构建因子模拟组合提供权重依据。[page::7-8]

4.3 因子模拟投资组合构建（第9-10页）

为了实现因子配置，构造可投资的投资组合模拟每个因子暴露。可用以下方法：

• 排序法：证券分层多头-空头

- 优化法：最大化单因子暴露，限定其他因子暴露

• 因子模型回归法（采用此法）：基于资产回报与协方差矩阵，计算因子模拟投资组合的权重，使某一因子暴露为单位，其他因子暴露为零。

此投资组合收益序列用于验证因子溢价的存在及特性。图5与图6分别展示战术和战略资产配置下各因子投资组合的累积回报走势，图7和图8汇总绩效指标。结果显示所有因子均带来正超额收益，战术因子因使用短期暴露窗口展现更高波动性，战略因子则更平稳。[page::9-11]

4.4 预测因子模拟投资组合回报（第11页）

通过对模拟因子组合收益应用时间序列预测（简单平均法）估计未来期望回报及协方差矩阵。采用一年窗口的历史均值分别得到短期与长期预测，支撑后续最优因子组合构建。图9展示了因子收益的方差-协方差矩阵及预期年化收益，动量因子（MMT）收益较低，增长因子收益最高。[page::11]

4.5 构建最优因子组合（第11-13页）

根据预估的因子收益与风险，采用优化问题求解最优因子权重：

• 最小风险策略: 约束因子权重非负且和为1，最小化波动率

- 最大风险调整收益策略: 最大化预期超额收益与风险的差额（夏普率形式），权重为正且和为1，加入主观视角（DISC）投资权重

• 控制因子暴露目标：可调节因子暴露，实现个性化配置

表10展示2016年9月的最优因子权重，短期战术组合（TAA QUANT）与含主观观点（TAA DISC）对各因子权重差异明显，主观因素引入后，动量和波动率因子权重显著增加。[page::11-13]

4.6 推断资产类别预期收益（第12-13页）

将最优因子组合权重$\lambda$与因子模拟组合资产权重矩阵$P$结合，推导出资产组合隐含的预期收益$\alpha$，通过:

$$
\alpha = \Sigma P^\prime \lambda
$$

其中$\Sigma$为资产收益协方差矩阵。表11揭示根据策略计算出的资产权重和隐含的资产阿尔法，显示投资级债券（AGG）权重最高，房地产投资信托（REIT）隐含阿尔法最高，现金（RF）权重居次，且阿尔法为零。[page::12-13]

4.7 构建最终最优投资组合（第13-14页）

利用推断资产的预期收益，在约束投资权重区间（1%-35%）和资金总和为1的条件下，构建最终投资组合。再平衡周期为每月，换手率与现金流动率低，高灵活性。

图12显示从2011年12月至2016年9月期间，SAA QUANT、TAA QUANT和TAA DISC三种策略的累计回报走势。图13展示三者风险调整后表现，夏普比率均较为理想，战术策略增厚超额收益但换手率显著升高，SAA策略换手率较低为23%。信息比率的提升说明主观观点介入有效提升战术配置的表现。[page::13-14]

---

三、图表深度解读

图表2 — 资产累计收益（2011年12月至2016年9月）

图2对十种资产的价格累计收益进行了直观展示，各资产表现分类明显：

• 美国大盘股（R1000）和黄金呈现较强涨势；

- 高收益债券（HYLD）明显跌落且波动幅度较大；

• 现金（RF）收益平稳接近1倍基线。

该图说明各资产在周期内表现分化，为基于因子的配置提供了实证背景。

[page::7]

表4 — 资产风险因子暴露（2016年9月）

通过标准化后的风险暴露数据展现不同资产对宏观与风格因子敏感度，如美国小盘股（R2000）对经济增长因子暴露最高（1.43），黄金对通胀暴露也较高（1.47）。流动因子差异反映资产本质特征。
表中RF现金资产暴露全为0，符合其作为基准的设定。
该表为后续因子模拟投资组合构建奠定基础。
[page::8]

图5与图6 — 战术与战略因子模拟投资组合收益

图5描绘短期战术因子组合收益，曲线波动较大，反映市场短期冲击对因子回报的直接影响；图6则显示战略组合曲线更为平滑，说明长期因子暴露更稳定。
两图显示对应因子均有正向返还趋势，彰显其长期风险溢价的存在。


[page::10]

表7与表8 — 战术与战略因子绩效总结（2016年9月）

战术因子年度回报8.8%（GRWTH）、波动率24.8%，夏普比率0.35，显示出较高风险与回报波动。
战略因子年度回报10.3%（GRWTH）、波动率13.2%，夏普比率0.78，风险调整后表现更优。
显示长期因子策略波动控制更佳，风险收益较平衡。
[page::11]

图12与表13 — 最终投资组合的累计收益及绩效对比（2011–2016年）

SAA QUANT（战略组合）换手率低，年化回报4%，夏普比率0.82，偏向稳健稳态配置。
TAA QUANT和TAA DISC分别实现8%和10%的年回报，换手率显著增高（229%、240%），反映战术及主观调整带来的超额收益空间。
信息比率形象反映了战术和主观观点增进的投资价值，换手率的提高则暗示交易成本与管理需求。

[page::13-14]

---

四、估值分析

本报告以资产配置为主题，未涉及直接企业估值，但所用的因子模拟与组合优化方法涉及典型的点估计和优化模型，主要包括：

• 因子模拟投资组合的构建与回归分析，基于资产回报与因子回归提供风险暴露估计矩阵。

- 现代投资组合理论中的二次规划优化，最小化组合波动率或最大化风险调整收益（效用最大化问题）进行因子权重配置，采用方差-协方差矩阵作为风险指标。

• 逆向推断资产类别隐含收益（alpha），通过协方差矩阵和因子权重的乘积计算出资产类别级别的预期回报。

这些方法均严格基于统计与优化技术的经典理论，没有涉及灰色假设或估值盲区，支持方法的稳健性与透明度。[page::11-13]

---

五、风险因素评估

报告明确风险提示：

• 研究结论基于历史数据和海外文献总结，存在未来不确定性风险及海外样本与中国市场差异的适用风险。

- 因子模型对因子选择的敏感性较高，因子溢价不可保证持续性。

• 残差项部分（特质因子、投资经理观点）体现了模型不可解释的风险和非系统性事件风险，如政治经济突发事件对资产表现的冲击。

- 战术配置策略换手率较高，可能带来执行成本和潜在流动性风险。
报告无具体缓解策略，但框架设计允许将主观观点纳入，有利于对除因子以外的风险进行主观管理。[page::0,15]

---

六、批判性视角与细微差别

• 因子选取与模型假设分歧：作者虽然结合了宏观与风格因子，但承认对于最合适因子组合并无定论，因子选择对因子暴露及预期回报推断有重大影响，稍后可重点关注最佳因子筛选的动态调整机制。

- 数据样本限制：案例数据时间范围有限（2011-2016年），较短时段限制了模型对极端市场或长期稳健性的验证。

• 换手率与交易成本：高换手率的战术组合收益虽有提升，但未详细讨论交易成本对净收益的影响，可能高估净投资回报。

- 主观观点融合的可操作性：虽然提出结合主观观点的alpha估计方法，但实际操作中的观点量化与风险控制复杂度可能被低估，且存在执行难题。

• 残差项解读尚待加强：$\epsilon_t$拆分虽全面，但对于突发行情如何动态调整缺乏具体框架支撑。

这些均为进一步研究和实务应用需关注的细节。[page::0,5,15]

---

七、结论性综合

本文提出了一个融合宏观经济和风格因子的跨资产配置统一框架，以期超越传统资产类别的固有限制，实现更加灵活与科学的资产配置。通过实证案例分析，验证了因子模拟投资组合的有效性，并通过最优因子组合的构建推断资产类别的隐含预期收益，从而实现综合风险收益的优化。

该框架创新地将因子配置与资产配置预期收益整合，采用七步法系统展开，兼顾了战略配置的稳健性与战术配置的灵活性，并允许主观观点融入量化模型，提升了资产配置的解释力和适应性。实证结果显示，所有因子均具备正的风险溢价，且不同因子在短期与长期风险暴露上表现出稳定差异；最优因子组合在约束条件下实现了较高的风险调整收益，推导出的资产类别预期收益与传统理解相符；最终构建的多策略投资组合展现了良好的风险调整表现，战术战术配置和主观观点的介入提高了信息比率，但同时带来了显著换手率增加。

图表深度解析中，资产累积收益、因子暴露矩阵、因子模拟组合绩效及资产阿尔法估算均明确支持框架合理性。该研究显示，通过统一的框架整合因子暴露与资产配置，可以系统地识别战略和战术性投资机会，为多资产类别投资提供更具有指导意义和操作性的配置方案。

总体来说，作者持肯定态度，认为基于因子的资产配置是一条值得尝试且具有实际意义的前沿路径，但同时提醒投资者本报告内容不构成具体投资建议，需结合市场实际与个体需求谨慎应用。[page::0,3,5-14,15]

---

参考文献摘录

论文核心内容摘自 Jennifer Bender、Jerry Le Sun、Ric Thomas 发表在《The Journal of Portfolio Management》上的“Asset Allocation vs Factor Allocation—Can We Build a Unified Method?”等相关学术及业界文献。

---

总结

该报告通过丰富的数据与模型示例，系统地剖析了将宏观＋风格因子与传统资产配置结合的路径，开创了将主观alpha理念和量化因子配置统一起来的框架，对金融资产配置理论与实践均具高度参考价值。未来实践中，需关注因子选择、换手率管理、主观观点量化挑战以及模型的跨周期稳健性验证，进一步完善和深化框架实现。

---

以上即为该报告从结构、内容、图表、模型及实证结果的详尽分析，全面覆盖了报告的理论核心和实证细节。

报告