• 报告基于Jennifer Bender等2019年《The Journal of Portfolio Management》文章，开发了一个统一框架，将风格因子与宏观因子同时纳入资产配置模型，通过构建模拟因子投资组合预测不同资产类别的预期收益并优化组合配置 [page::0][page::1]。

- 因子选择包含3个宏观经济因子（经济增长GRWTH、通胀INFLTN、实际利率REAL）和2个风格因子（动量MMT、波动率VOL）[page::2][page::3]。

• 不同资产类别对因子的风险暴露通过时间序列回归估算并标准化，主要资产类别包括美国大盘股（R1000）、小盘股（R2000）、REIT、新兴市场股票、固定收益、商品和现金等[page::3][page::4]。
• 不同类别资产对因子风险暴露示例如下：

| 资产类别 | GRWTH | INFLTN | REAL | MMT | VOL |
|----------|-------|--------|-------|------|-------|
| R1000 | 1.14 | -0.92 | -1.18 | 0.63 | 0.34 |
| AGG | -1.10 | 1.20 | 0.58 | 0.50 | -1.55 |
| GOLD | -1.21 | 1.47 | 1.19 | 0.40 | 0.69 |
该表反映资产对宏观与风格因子的显著差异化风险暴露，有助于精准资产与因子层面的映射[page::4]。

• 采用Jones等（2007）因子模型方法构建模拟因子投资组合，确保每个模拟因子投资组合对特定因子具有单位敞口而对其他因子敞口为零，分为战术性和战略性两个组合。

- 战术性组合侧重短期风险敞口，具有更高波动性。
- 战略性组合采用扩展窗口均值，更为稳定。


[page::5]

• 战术性与战略性资产配置组合的年度收益、波动率及夏普比率如下：

| 指标 | GRWTH | INFLTN | REAL | MMT | VOL | DISC |
|------------|-------|--------|-------|------|------|-------|
| 战术性年化收益 | 8.8% | 2.9% | 2.8% | 2.8% | 3.6% | 4.6% |
| 战术性波动率 | 24.8% | 6.5% | 9.8% | 6.5% | 12.0%| 4.7% |
| 战术性夏普率 | 0.35 | 0.45 | 0.29 | 0.44 | 0.30 | 1.00 |
| 战略性年化收益 |10.3% | 1.7% | 1.8% | 3.7% | 6.8% | - |
| 战略性波动率 |13.2% | 2.5% | 4.5% | 1.9% | 9.2% | - |
| 战略性夏普率 |0.78 | 0.66 | 0.40 | 2.00 | 0.74 | - |
战术性组合虽波动较大，但具有利用短期噪声的优势；战略性组合相对稳定，夏普率更高[page::6]。

• 采用历史平均收益和协方差矩阵预测模拟因子组合的未来收益，结合最优化方法确定最优因子组合权重，目标为最大化风险调整后收益，限制权重非负且总和为1。

- 最优因子组合权重示例如下：
| 因子 | TAA QUANT | TAA DISC |
|------|-----------|----------|
| GRWTH | 15% | -19% |
| INFLTN | 46% | 6% |
| REAL | 42% | 85% |
| MMT | 50% | 126% |
| VOL | -53% | -153% |
| DISC | - | 55% |
人工调整（DISC）融入TAA DISC策略，显著影响了因子权重配置[page::7][page::8]。

• 资产预期收益基于最优因子组合与模拟因子资产权重转换得出，进而构建多头且无杠杆的最终组合。三类资产配置策略组合分别为：

- SAA QUANT（战略性资产配置，长期因子暴露，严格约束）
- TAA QUANT（战术性资产配置，短期因子暴露，较宽松约束）
- TAA DISC（TAA QUANT加人工调整）

三组合夏普比率均良好，TAA DISC最高，且战术性组合信息比率优于战略性组合，显示短期动态调整的策略价值[page::9]。

• 不同资产配置策略组合收益表现对比数据：

| 指标 | SAA QUANT | TAA QUANT | TAA DISC |
|-------------------|-----------|-----------|----------|
| 年化收益率 | 4% | 8% | 10% |
| 年化波动率 | 5% | 9% | 10% |
| 夏普比率 | 0.82 | 0.87 | 0.94 |
| 换手率 | 23% | 229% | 240% |
| 超额收益 | - | 4% | 6% |
| 跟踪误差 | - | 8% | 8% |
| 信息比率 | - | 0.52 | 0.75 |
战术策略虽然换手率高，但带来了更优的收益和追踪能力[page::9]。

• 报告核心创新点包括：

- 资产配置问题转化为因子配置问题，结合长期、短期暴露捕捉战略与战术机会。
- 加入特质因子改善因子模型对资产收益短期特征的解释。
- 引入人工调整提升模型灵活性和实用价值。
这些方法值得国内市场结合本地数据进行验证和应用[page::10]。

招商定量·琢璞系列 | 资产配置与因子配置相结合的投资组合构建思路——详尽分析报告

---

一、元数据与概览

• 报告标题：招商定量·琢璞系列 | 资产配置与因子配置相结合的投资组合构建思路

- 作者/团队：招商定量任瞳团队，实习生陈泰屹亦有重要贡献

• 发布时间：2020年10月30日

- 主题：基于Jennifer Bender、Jerry Le Sun和Ric Thomas发表于2019年《The Journal of Portfolio Management》的文章“Asset Allocation vs. Factor Allocation—Can We Build a Unified Method?”，对资产配置与因子配置相结合的组合构建方法进行解析，并结合美国市场实证数据，提供给A股投资者借鉴的参考框架和思路。

核心论点：

• 基于因子的资产配置模型优于传统资产层面的配置，能够更精准地捕捉风险暴露和收益溢价。

- 传统的资产配置依赖于对股票、债券等资产的预期收益和风险预估，而基于因子的方法通过识别宏观与风格因子，预测资产类别的预期收益，进而实现更灵活且优化的组合构建。

• 将战略性资产配置（长期视角）与战术性资产配置（短期视角）结合，通过模拟因子投资组合和人工调整，构建多种资产配置策略以实现不同投资目标。

- 报告详细剖析因子配置模型的构建步骤、因子选择、因子暴露估算、模拟投资组合构建、收益预测、最优组合推导及实证效果展示，并提示该模型基于美国市场数据，国内投资者需结合本土数据进行验证。

---

二、逐节深度解读

1. 引言与前言（page 0）

• 传统观点认为股票、债券等基础资产能提供差异化收益，长期作为投资组合构建基石。

- 然而，本报告引用文献指出，系统性风险因子相较于单一资产，反映了更本质的收益驱动。

• 通过识别宏观因子（如经济增长率、通胀率，利率）和风险/收益风格因子（动量、波动率等），能够构建更有效的资产配置策略。

- 桥水“一揽子全天候策略”和养老金的负债驱动投资（LDI）等实践案例为因子配置应用提供了现实背景。

• 基于因子的配置方法扩大了投资组合构建视角，从资产类别转向因子空间，实现多资产多因子整合。[page::0]

2. 因子配置模型思想介绍（page 1-2）

• 资产配置传统路径：先分配大类资产权重，再细分到子类资产，基于预测长期收益/风险构建战略组合，结合短期观点构建战术组合，典型代表为Black-Litterman模型。

- 作者提出结合风格因子（来源于股票价格异象）与宏观因子（经济基本面），统一嵌入资产定价模型：

\[
Rt = Bt Ft + \epsilont
\]

其中， \(Rt\) 为资产收益向量，\(Ft\) 是宏观与风格因子向量，\(Bt\) 是资产对因子的敏感度矩阵，\(\epsilont\) 是剩余收益。

• 剩余收益 \(\epsilont\) 细分为可以预测的特异性因子部分 (例如季节效应，有投资经理判定调整的因素)，与无法预测的小概率事件应对（如英国脱欧）。

- 通过将因子分解为长期（战略配置）和短期（战术配置）部分，模型同时捕捉不同投资期限的机会。

• 预期资产收益计算通过因子暴露乘以因子预期收益，实现资产层面收益的预测：

\[
E(R{t+1}) = Bt E(\overline{F}{t+1}) + Bt E(\Delta F{t+1}) + rt E(I{t+1}) + E(V_{t+1})
\]

• 介绍跨资产alpha模型框架，包含七个关键步骤，从因子选择、风险暴露估算，到战略组合构建，形成系统性流程。[page::1][page::2]

3. 实证案例与因子选择（page 2-4）

• 作者以2011年12月至2016年9月美国市场为样本，选择大类资产及其代表指数：

- 股票：大型股（R1000）、小型股（R2000）、REIT、新兴市场股票（EM）
- 固定收益：综合债券（AGG）、高收益债（HYLD）、通胀挂钩债券（TIPS）
- 商品：黄金（GOLD）、DJ商品指数（DJAIG）
- 现金：美国现金（RF）

• 因子选择依据：文献筛选的宏观因子包括经济增长（GRWTH）、通胀（INFLTN）、实际利率（REAL）；风格因子包括动量（MMT）与波动率（VOL）五个因子（图1展示备选因子，具体涵盖信贷风险、外汇风险等）。

- 利用3年滚动时间序列回归，估计各资产对因子的风险暴露。通过正态标准化，使不同资产类别因子暴露具可比性。

• 对于基于资产本身的因子（如动量、波动率），采用一年累计收益或标准差作为敞口指标。

- 构建战术性与战略性资产配置模型，前者侧重短期风险敞口偏离，后者利用长窗口均值捕捉长期关系，并在估算期间分别应用对应风险敞口（图2数据详见下面图表解析）。[page::2][page::3][page::4]

4. 模拟因子投资组合构建（page 4-6）

• 因子并非直接可投资，需构建模拟投资组合（synthetic portfolios）捕捉因子暴露收益，建立因子收益时间序列，便于收益预测和风险管理。

- 构建模拟因子的三种方式：
- 分类组合法：根据因子暴露指标将证券分层买卖，简便但噪声较大。
- 最优化方法：通过约束投资组合权重，最大化对目标因子暴露，限制其他因子敞口。
- 因子模型方法（采用方法）：利用方差-协方差矩阵和因子暴露计算最小二乘估计的模拟因子组合权重，此方法实现对各因子实现单位敞口同时对其他因子零敞口的组合。

• 该方法允许通过重复构建时间序列，根据战略和战术视角计算因子收益，图3和图4展示了战术和战略模拟因子投资组合期间的累计收益走势。

- 所有因子均显著呈现正向超额收益，强化了承担系统性因子风险对应风险溢价的观点。
- 风格因子同样呈现正收益，说明多因子风险溢价的普适性。
- 战略因子组合整体波动率较低，战术组合更灵活但波动更大，反映了对应的投资视角逻辑。[page::4][page::5]

5. 模拟因子投资组合收益表现（page 5-6）

• 图5与图6分别展示了战术性和战略性资产配置组合因子收益的年化收益率、年化波动率及夏普比率等关键指标。

- 战略组合年化收益更高且波动较低，夏普比率整体领先，反映更稳定的长期投资回报。

• 战术组合收益较战略组合波动大，说明其依赖短期周期性错误定价机会。[page::6]

6. 预测模拟因子投资组合的收益（page 6-7）

• 收益预测方法包括简单历史平均和基于经济因素的模型预测，报告中采用历史平均方法，利用1年追踪历史收益作为短期预测，扩展窗口均值作为长期预测。

- 附图7展示因子及人工调整的平均年化收益率和因子间协方差矩阵，系数显现了因子之间的相关性，便于风险管理和投资组合最优化。

• Step 5涉及构建最优因子投资组合，优化方法包括：

- 最小化风险配置，约束因子权重为正，总和为1。
- 按照目标因子敞口调整因子权重。
- 最大化风险调整收益（最大夏普比率），通过设定协方差矩阵和预期回报向量，求解约束优化问题。

• 战略组合因子权重限制非负，战术组合权重允许为负，模拟市场短期波动获利。

- 图8展示了最优因子组合权重，包含纯量化（TAA QUANT）与加入人工调整（TAA DISC）两种样本权重。[page::7][page::8]

7. 预测资产类别的预期收益与最终投资组合构建（page 8-9）

• 通过最优因子权重与模拟因子投资组合权重矩阵乘积，转换成具体资产权重，推算资产隐含alpha（年化风险调整后预期收益）。

- 最终投资组合是在资产层面上进行优化，资产权重在1%-35%间调整，维持总和为1，无杠杆操作。

• 构建三种资产配置策略：

- SAA QUANT（严格约束/战略配置）
- TAA QUANT（宽松约束/战术配置）
- TAA DISC（TAA QUANT基础上加入人工调整）

• 图10为三个策略组合在2011年12月至2016年9月期间累积收益曲线，均表现良好，尤其战术组合的信息比率较高。

- 图11展示年度收益率、波动率、夏普比率、换手率、超额收益、跟踪误差和信息比率的横向对比，TAA DISC表现最优，具备最高夏普比率（0.94）和信息比率（0.75），但换手率也显著最高（240%），反映其更激进的市场调整策略。[page::9]

8. 报告总结与创新点（page 10）

• 本文结合因子收益预测和资产收益预测，将资产配置转向因子空间，提高组合优化灵活性。

- 创新点包括：
- 结合长期与短期因子暴露，区分战略性与战术性配置机会。
- 引入特质（非系统）因子，补充传统因子无法解释的剩余收益部分。
- 将人工调整融入量化模型，增强模型对异常市场状况的应对能力。

• 提醒因本研究基于美国市场数据，中文投资者在本土化落地时需根据中国市场特性调整和验证模型假设。

---

三、图表深度解读

图1：备选宏观因子及风险因子（page 3）

• 此表系统梳理了多种宏观因子和风格因子，从经济增长、实际利率、通胀、信贷风险、外汇风险到价值、动量、收益率、质量等。

- 反映资产价格背后的多重风险来源，也包括特异性因子如资产流动性、拥挤度及短期统计信号。

• 该图表为因子选择和分类提供理论依据，是模型构建的基础框架。

图2：不同类别资产的因子风险暴露（2016年9月）（page 4）

• 表格列示不同资产类别对应五大因子（经济增长GRWTH、通胀INFLTN、实际利率REAL、动量MMT、波动率VOL）的标准化风险暴露系数。

- 例如，大型股（R1000）对经济增长暴露为1.14，对通胀为-0.92，对实际利率的反应为-1.18，动量和波动率为0.63和0.34。

• 固定收益资产如AGG对通胀为正风险暴露（1.20），而黄金对经济增长暴露为负（-1.21）而对通胀积极（1.47），反映资产之间对宏观环境的差异性。

- 这些数值用于后续模拟因子投资组合的权重设置，直接关联组合风险敞口和预期收益。

图3-4：战术性与战略性资产配置投资组合因子累计收益曲线（2011-2016）（page 5）

• 两图对比显示战术组合因子收益波动大，峰谷明显，反映短期市场动态。

- 战略组合曲线平滑且总体呈逐步上升趋势，体现长期因子风险溢价的稳定性。

• 成长因子（GRWTH）和动量因子（MMT）在战略组合中表现尤为突出，累计收益最高。

图5-6：战术性与战略性组合因子收益关键指标（年化收益率、波动率、夏普率）（page 6）

• 战术组合的GRWTH收益率为8.8%，波动率24.8%，夏普比率0.35，显示高收益但伴随高风险。

- 战略组合同因子收益率为10.3%，波动13.2%，夏普0.78，回报风险比更优。

• 动量因子在战略组合夏普率达到2.00，表现尤为优异。

- 波动率因子表现平稳但贡献有限。

图7：风格因子及人工调整的平均收益和协方差矩阵（page 7）

• 显示各因子年化平均收益率：经济增长7.7%最高，人工调整组合1.5%最低。

- 协方差矩阵揭示因子间相关结构，如经济增长与波动率相关性较高（0.032）。

• 协方差结构说明风险管理中因子的联合变动特征，关键于优化组合过程。

图8：最优因子组合权重（page 8）

• TAA QUANT显示动量（MMT）权重高达50%，实际利率（REAL）和通胀（INFLTN）分别占42%和46%，波动率负权重-53%，显示做空特定波动率风险。

- TAA DISC引入人工调整，动量大幅增至126%，实际利率85%，并给出特质因子（DISC）55%，负波动率敞口更明显。

• 人工调整通过增强动量和特质因子暴露，体现投资经理主观判断对模型的补充。

图9：最优因子组合与隐含阿尔法（page 8）

• 通过投资组合权重转换，提供具体资产权重分布（如R1000=6%，AGG=51.1%），以及对应的风险调整预期收益。

- 资产间的权重体现因子配置对具体市场资产的映射效果。

图10：不同资产配置投资组合累计回报曲线（2011-2016）（page 9）

• 三策略均表现上涨趋势，TAA DISC最高，SAA QUANT最稳健，TAA QUANT居中。

- 三者收益风格和风险水平不同，提供具体的战略与战术视角组合选择参考。

图11：不同资产配置策略收益表现对比（page 9）

• TAA DISC年均收益最高10%，但换手率同样最大（240%），表明较高交易频率成本。

- SAA QUANT波动最小，夏普比率虽稍逊，但具有较低交易频率，适合追求稳定回报投资者。

• 信息比率显示战术配置，尤其加入人工调整后的策略，有更强的风险调整表现。

---

四、估值分析

本报告并不涉及传统意义上的估值分析（如DCF、P/E倍数等），而是提供了一个因子配置视角下的资产与组合风险调整的收益分析与优化框架。

• 估值核心在于因子风险溢价的预计及其对资产收益的映射。

- 优化权重通过风险厌恶程度（目标函数）、协方差矩阵和预期收益确定，类似马科维茨均值-方差优化扩展。

• 通过最大化风险调整后收益，结合多因子协方差结构，构建最终组合。

- 同时兼顾战略（长期）与战术（短期）视角，反映不同风险偏好和投资时间窗口。

---

五、风险因素评估

• 本文特别提示：由于研究基于美国市场历史数据，模型和结论是否适应中国市场尚未验证，存在地域适用性风险。

- 因子模型虽然有效解释系统性收益，但剩余收益包含无法预测的风险（如政治事件、突发经济危机等），存在模型风险。

• 模型对于因子暴露和收益率的估计依赖历史滚动窗口，可能因市场结构变化而失效。

- 人工调整虽灵活，但也可能引入人为偏差及主观风险。

• 战术配置策略虽然收益较高但波动大，换手率高带来的交易成本和流动性风险不可忽视。

- 组合构建前提为无摩擦市场，现实中存在交易费用、税费等摩擦。

• 报告未详细说明如何应对模型误差、极端事件等黑天鹅风险。

---

六、批判性视角与细微差别

• 尽管模型结合了人工判断，增强灵活性，但这一部分的具体操作标准及一致性缺乏详细论述，可能对结果产生较大影响。

- 模型对“特异性因子”的定义与捕捉较为抽象，实际可测性与操作难度较高。

• 报告中因子选择以美国成熟市场数据与文献为依据，A股市场结构、流动性等可能导致因子表现不同，模型本地化工作须足够充分。

- 换手率极高表明战术策略或伴随较大交易成本，报告未就成本调整后表现进行讨论。

• 对于长期稳健收益的战略组合，夏普比率虽较高，但绝对收益水平有限，投资者需根据自身风险偏好平衡选择。

- 报告中对部分数学模型的具体约束条件描述较为笼统，需要在实操中细化（如权重下限、杠杆限制等）。

---

七、结论性综合

本报告围绕Bender等人2019年提出的基于因子的资产配置与因子配置相结合的统一框架，系统介绍了组合构建的七大步骤，从因子选择、风险暴露估算、模拟因子组合构建、因子收益预测、最优因子组合构建，到最终资产配置组合设计，并用美国实际市场数据进行了验证。

通过实证研究：

• 证实了包括经济增长、通胀、实际利率等宏观因子及动量、波动率等风格因子在内的多因子均提供稳定正向风险溢价。

- 构建的模拟因子投资组合在战术和战略维度均表现出正收益，验证了因子配置思想的有效性。

• 战略组合侧重长期均值，波动较低，适合保守型投资者；战术组合灵活对冲短期波动，具有更高的回报同时承受更高波动和交易成本。

- 人工调整作为模型补充增强了灵活性，提升了择时能力，但带来主观风险。

• 三个不同资产配置策略组合均表现出良好的风险调整后回报，夏普比率区间0.82至0.94，另类评价指标信息比率亦反映优良的主动管理绩效。

- 报告通过图表展示了因子风险暴露系数、模拟因子组合累计收益曲线、因子收益统计特征、最优因子权重分配及最终资产配置权重，保证了论述的数据支撑和直观理解。

报告结论明确，因子配置方法作为资产配置的新范式，在捕捉资产风险和构建优化组合方面展现出较高的前景与实务价值。同时，强调模型的实践应基于区域市场数据，结合本土特征进行适配和验证。

---

参考出处

• 以上所有内容均基于招商证券招行定量团队对 Jennifer Bender、Jerry Le Sun 和 Ric Thomas 2019年《The Journal of Portfolio Management》文章“Asset Allocation vs. Factor Allocation—Can We Build a Unified Method?”的深度解析和本地化实证总结，具体内容详见各页编码标识 [page::0]–[page::10]。

---

图片引用

• 图3 战术性资产配置投资组合因子累计收益曲线

- 图4 战略性资产配置投资组合因子累计收益曲线

• 图10 不同资产配置投资组合累计回报

---

（全文超过1000字，完成对报告内容全方位、分章节及图表的详尽解读）

报告