大类资产分类及投资方式 [page::4]

| 大类资产 | 分类1 | 分类2 | 当前可参与方式 |
|---------|--------------|--------------|--------------------------------|
| 股票 | 国内市场 | A股 | 股票型基金，直接投资 |
| | 海外成熟市场 | 港股 | QDII基金，直接投资 |
| | | 美股 | QDII基金 |
| | 海外新兴市场 | 新兴市场股票 | QDII基金 |
| 债券 | 国内债券 | 国债 | 债券型基金，直接投资 |
| | | 企业债 | 债券型基金，直接投资 |
| | 海外债券 | 美元债 | QDII基金 |
| 商品 | 金属类 | 贵金属 | 黄金ETF，白银LOF |
| | | 基本金属 | 商品期货 |
| | 能源化工 | 化工品 | 商品期货 |
| | | 原油 | QDII基金 |
| | 农产品类 | 农产品 | 商品期货 |
| 货币 | 本币 | 人民币 | 货币型基金 |
| | 外汇 | 美元 | QDII基金 |

• 国内债券市场自2014年以来经历牛市，国债收益率持续下降，理财产品收益率同样大幅下滑，推动大类资产配置需求增加。

经典资产配置模型及策略 [page::7][page::8][page::9][page::10][page::11]

• 采用马科维茨模型控制资产组合的年化波动率及月度下行风险，结合风险平价模型加择时提高收益。

- 资产选择涵盖沪深300、标普500、恒生指数、中证全债、黄金和原油。

• 月度跌幅控制策略示例：控制月度最大跌幅不超2%，实现年化收益10.19%，年化波动率4.81%，风险控制有效，并随阈值放宽收益提升但风险增加。

• 年化波动率控制策略示例：控制年化波动率4%时，年化收益率8.80%，实际波动率稍超目标。

• 风险平价基础上加入资产择时判断，使年化收益率由7.07%提升至10.23%，波动率由2.78%升至4.78%。

| 策略 | 风险平价+择时 | 风险平价 |
|-----------------|--------------|----------|
| 年化收益率 | 10.23% | 7.07% |
| 年化波动率 | 4.78% | 2.78% |
| 最大回撤 | 4.66% | 3.01% |

预期参数估计方法及效果分析 [page::12][page::13][page::14][page::15][page::16]

• 资产的波动率、相关系数及收益率采用历史数据及GARCH模型估计，月度为估计频率。

- 较长时间窗口（半年到一年）的数据预测效果优于短期（一个月），尤其相关系数与收益率估计中表现明显。

• 波动率估计误差平方和各资产相近，预测大体合理但高波动期误差明显。

预期误差对经典模型影响及robust优化模型构建 [page::16][page::17][page::18][page::19]

• 马科维茨模型对预期收益误差敏感，但对波动率和相关系数的误差容忍较高。

- robust优化模型在经典马科维茨优化中加入收益率预期不确定性测度，将配置权重计算转为最大化最坏情况下收益，兼顾收益和收益估计误差惩罚。

• 采用$\chi^2$分布确定不确定集半径，实证表明robust优化组合在存在小扰动情况下较经典模型更为稳健。

robust优化与经典策略对比分析 [page::20][page::21]

• 在月度下行风险控制下，robust优化显著提升年化收益（如2%控制时由10.19%增至10.52%），降低最大回撤及日内跌幅。

- 在年化波动率控制下，同样robust优化提升收益，降低风险指标，夏普比率有所提高。


| 月度下行控制幅度 | 2% | 2% | 3% | 3% | 4% | 4% | 5% | 5% |
|------------------|-------|--------|-------|--------|-------|--------|-------|--------|
| 是否采用robust优化| 否 | 是 | 否 | 是 | 否 | 是 | 否 | 是 |
| 年化收益率 | 10.19%| 10.52% |10.69% | 11.82% |11.27% | 13.21% |12.20% | 15.31% |
| 最大回撤 |4.99% | 3.61% |8.70% | 4.87% |12.04% | 6.62% |15.21% | 8.35% |

| 年化波动率幅度 | 4% | 4% | 6% | 6% | 8% | 8% | 10% |10% |
|------------------|-------|--------|-------|--------|-------|--------|-------|--------|
| 是否采用robust优化| 否 | 是 | 否 | 是 | 否 | 是 | 否 | 是 |
| 年化收益率 | 8.80% | 8.78% | 9.31% | 9.87% | 10.29%| 11.92% | 11.33%| 14.04% |
| 最大回撤 | 4.84% | 3.09% | 8.64% | 4.48% | 12.22%| 5.70% | 15.65%| 6.86% |

• 报告最后总结指出，随着公募基金产品的丰富及无风险利率下降，大类资产配置逐步可行，robust优化模型有效提升配置可靠性，具有广泛应用价值。

基于预期不确定性优化的量化资产配置研究：详尽分析报告

---

1. 元数据与报告概览

• 标题：基于预期不确定性优化——量化资产配置研究之三

- 作者：马普凡、严佳炜

• 发布机构：广发证券发展研究中心

- 发布日期：不明，内容时间线覆盖至2017年3月

• 主题：探讨大类资产配置的可行性，通过经典模型及Robust优化方法，针对预期收益率不确定性，提出稳定的资产配置策略。

- 核心论点：随着无风险收益率走低及国内大类资产公募基金产品线丰富，逐步提升大类资产配置的投资可行性。传统经典马科维茨模型及风险平价模型虽应用广泛，但存在未来资产表现估计误差问题。通过引入Robust优化，考虑收益预期不确定性，有效提升投资组合的稳定性和风险控制能力。

• 评级和目标价：报告主要为研究类，未提供具体评级或目标价，而是侧重对资产配置理论与模型的探讨分析。

作者的主要信息传递为：基于历史数据构建的经典资产配置模型存在对预期收益估计的敏感性，采用Robust优化方法，能够在考虑预期收益不确定性的情况下提升资产组合的稳健性和风险调整后的收益表现。[page::0,22]

---

2. 逐节深度解读

2.1 大类资产分类以及配置策略

• 关键论点与信息：

- 大类资产划分为股票、债券、商品、货币4大类，且各类资产进一步细分（如股票细分为A股、海外成熟市场股票、海外新兴市场股票；债券细分为国债、企业债等）。
- 资本市场中投资渠道不尽相同，如境内A股股票可直接投资，而海外股票和海外债券等需通过QDII基金。
- 债券市场经历牛市后无风险收益率下降明显，尤其10年期国债收益率自2014年初的4.7%下降至2016年年中的2.6%，理财产品收益率亦明显下降（图1、图2）。
- 随着公募基金尤其FOF（基金中基金）产品线丰富，非传统基金涵盖商品类及港股、海外指数型QDII基金，投资者的配置渠道日益多样化（图3、表2）。
- 鉴于传统无风险资产收益率下降，单一债券投资风险上升，大类资产配置的需求和关注度提升。

• 推理依据与逻辑:

- 资产配置多样化是控制风险、获得稳健收益的有效途径。
- 无风险收益率下行和资产市场多样化共振带来资产配置可行性的提升。
- 证监会的数据与基金产品的丰富化均反映资产配置生态成熟度提升。

• 数据点与意义：

- 10年期国债收益率下滑至2.6%
- 57只FOF基金获证监会受理
- 证监会受理的新型基金涵盖农产品、金属、港股、海外债券等多个领域。

• 图表说明：

- 表1详细列出了大类资产下的子分类及当前可投资方式，为后续资产选择提供基础。
- 图1、图2展示债券利率和理财产品收益率的显著下行趋势，映射低利率环境中的投资需求变化。
- 图3和表2图示FOF及非传统公募基金受理情况，表明市场对丰富多样资产配置产品的支持和开放程度。
- 图4进一步展示资产配置策略链条，涵盖传统模型和择时策略，体现资产配置由静态向动态演进的趋势。[page::4,5,6,7]

---

2.2 经典资产配置模型运用与优化

• 关键论点：

- 采用经典的马科维茨模型和风险平价模型作为资产配置的基础。
- 在马科维茨模型基础上延伸两种策略：下行幅度控制策略（控制月度最大下跌幅度）和年化波动率控制策略，以更严谨的风险管理满足投资目标。
- 风险平价模型进一步进行优化，加入资产择时，提升绝对收益。

• 具体策略解析：

- 下行幅度控制策略使用95%置信区间控制组合月度最大跌幅不超过预设阈值（例如2%），并在此基础上最大化预期收益（图6）。
- 测算结果显示，控制月度下跌幅度在2%时，年化收益达10.19%，年波动率为4.81%，夏普比率超1.7；控制阈值提高到5%时，收益增长到12.20%，但波动率和跌幅明显增加（表4）。
- 年化波动率控制策略限定组合年化波动率不超4%/6%/8%/10%，最大化收益（图7）。结果显示在4%目标下，收益8.8%，波动率稍超限制，表现稳定（表5）。
- 风险平价+择时策略通过调整风险贡献的同时，根据趋势择时动态调整权重，有效提升收益从7.07%升至10.23%，波动率从2.78%升至4.78%（图8，表6）。

• 数据点评：

- 不同风险控制阈值体现收益与风险的权衡
- 加入择时显著提升收益，但伴随一定波动率和回撤的上升
- 夏普比率的变化反映优化策略的风险调整后收益表现[page::8,9,10,11]

---

2.3 经典模型中的预期误差问题

• 核心问题：资产未来表现的估计误差，尤其是预期收益的估计误差，对配置权重影响巨大。

- 估计方法：
- 波动率估计采用GARCH模型、历史1月和1年波动率估计，月度频率。结果显示三种方法预测结果相近，但高波动期预测效果下降（图11-12，表7）。
- 相关系数估计采用历史1月、半年、1年数据，较长历史数据预测效果更佳（图13-15，表8）。
- 收益率估计同样采用不同历史窗口，1年历史收益估计表现相对优越（图16-18，表9）。

• 敏感性分析：

- 资产配置权重对预期收益的微小变动极为敏感（图19）。这导致基于不确定收益预期的经典马科维茨模型配置不稳健。
- 资产波动率与相关系数的误差对配置权重影响较小，权重变化较为连续且稳定（图20-21）。

• 总结：需重点关注并优化预期收益的估计误差，以提升模型稳定性。[page::12,13,14,15,16]

---

2.4 考虑预期不确定性的Robust优化模型

• 模型原理：

- 经典马科维茨模型直接用单一预期收益估计进行权重计算。
- Robust优化在经典模型的基础上，承认预期收益存在不确定集U（描述为以误差方差矩阵为权重的椭圆约束），计算对应最差情况收益，求解最大化该“最差”收益的配置权重（图22，式子详解）。
- 代理方案将不确定性视为“惩罚项”，倾向于多配置收益估计误差较小（确定性高）的资产，避免对误差敏感的资产权重过大。

• 具体实现：

- 确定资产收益预期误差协方差矩阵$\Sigmar$，根据卡方分布取50%分位数作为约束范围（$\delta^2=5.35$，6资产情况）。
- 优化等价转化为：最大化加权预期收益减去该加权误差标准差的惩罚项。

• 实证测试：

- 在资产收益预期基础上引入200组独立微小扰动，Robust优化组合的资产净值表现优于经典组合，波动和回撤更低，表现更稳健（图23）。
- 期间使用了沪深300、标普500、恒生指数、原油、黄金、中证全债。

• 策略表现比较：

- 在多个风险控制阈值下（控制下行风险或年化波动率），Robust优化组合均表现优于经典模型，包括更高的年化收益、较低的波动率及最大回撤、较高夏普比率（图24-27，表10-11）。
- 具体如控制月度最大跌幅2%时，Robust配置收益和风险指标均优于经典配置。

• 逻辑证实：

- Robust优化通过减少对误差较大收益率的依赖，提高了配置稳定性和风险调整后的收益表现。

• 核心图表示例：

[page::0,5,9,19]

---

3. 图表深度解读

图1~图3（第5-6页）

• 展示了国债到期收益率及理财产品收益率2014-2016年的下降趋势，直观反映了传统固定收益资产的收益率压力。

- 大类资产配置基金数量扩张图（57只FOF等），反映市场逐渐丰富的投资选择。

• 有实证数据和监管层面支持，显示资产配置成为热点。

表1（第4页）

• 精细分类大类资产，明确当前可投资方式，为配置策略基础。

- 明确投资海外资产多需QDII，商品类主要依靠期货，体现现有市场限制。

表4与图6（第9页）

• 用不同月度下行幅度控制阈值对比，展示风险收益权衡，策略对下行风险控制有效。

- 低阈值（2%）带来较优风险调整收益，风险指标显著改善。

表5与图7（第10页）

• 年化波动率控制的风险收益情况，波动率目标实际略有偏差，但总体策略维护波动率控制坦然。

- 投资者可根据风险偏好选择适宜阈值。

表6与图8（第11页）

• 风险平价+择时带来的收益提升明显，策略利用趋势择时增强组合收益率。

表7-9，图11-18（第13-16页）

• 系统比较了GARCH、历史窗口等估计方法的效果，体现任何单一方法存在预测误差。

- 以误差平方和为度量，历史一年数据通常表现最佳，提示需充分利用较长周期数据。

图19-21（第16-17页）

• 关键发现：权重对收益预期估计误差敏感度极高，而对波动率和相关系数敏感度低。

- 促使报告重点着眼于收益预期不确定性的Robust优化。

图22与公式组（第18页）

• 流程图直观表达Robust优化思路，结构合理，攻防兼备。

图23（第19页）

• 200组扰动模拟，Robust优化组合表现更稳健，收益更平缓，体现风险控制优势。

图24-27与表10-11（第20-21页）

• 策略实证对比双重验证Robust优化的优势，覆盖不同月度风险阈值和年化波动率控制标准。

- 不同阈值下Robust策略均展现更高收益、更低波动和回撤，表现出强稳健性。

---

4. 估值分析

报告未涉及具体企业或行业估值，而聚焦大类资产配置的模型分析、估计方法及策略优化。估值部分主要体现在基于波动率和预期收益的量化模型优化中，采用的核心金融模型包括：

• 马科维茨均值-方差优化模型（Maximize \( w' E(r) \), subject to variance/volatility constraints）

- 风险平价模型（通过优化各资产风险贡献均等）

• Robust优化模型（约束下最大化在收益预期不确定集中的最差预期收益，以应对估计误差）

关键输入包括：

• 资产预期收益\(E(r)\)估计及其误差协方差矩阵\(\Sigmar\)

- 资产收益协方差矩阵\(\Sigma\)

• 预设风险阈值如波动率目标\(\sigma^2\)

- 不确定集界定参数\(\delta\)来源于卡方分布的分位数选择

没有传统企业估值用的现金流折现等估值方法。此报告估值核心在投资组合的风险收益权衡及不确定性调整框架。[page::18,19]

---

5. 风险因素评估

• 历史数据依赖风险：研究全部基于历史行情数据，未来市场环境可能重大变化导致模型预测失效。

- 预期收益估计误差：经典模型对预期收益敏感，小误差导致配置权重大幅波动，增加策略风险。

• 波动率及相关系数估计局限：模型假设波动率和相关系数相对稳定，实际市场波动及相关关系会剧烈变动。

- 模型假设风险：Robust优化假设收益误差服从特定分布，且能精准估计误差协方差，实际中可能存在估计偏差。

• 市场流动性及执行风险：资产调整依赖市场流动性，尤其商品和海外资产可能受限，影响实际执行效果。

- 择时模型风险：风险平价策略中的择时可能存在信号错误风险，导致过度交易或配置偏离。

报告提及大部分风险并未量化发生概率或详细缓解手段，但通过Robust优化部分降低了由预期误差带来的权重波动风险，加强配置稳健性。[page::0,22]

---

6. 批判性视角与细微差别

• 报告着眼预期收益估算误差对配置的影响，但主要聚焦历史误差协方差及过去市场数据，未深入分析结构性市场变化或极端事件对Robust模型表现的影响。

- Robust优化模型设计合理，但部分参数选择（例如误差集的δ值设定为50%分位数）相对主观，没有提供充分敏感性或稳健性检验。

• 对拟合误差的分布假设未详述，如资产收益误差是否服从正态或卡方分布，有待进一步论证，因违反可能影响Robust模型表现。

- 报告中择时模型仅简述趋势，缺乏择时信号选择、滞后性及过拟合风险的深度讨论。

• 表格和图表清晰连贯，但部分策略表现微小差异需结合更长周期市场验证。

- 虽然Robust模型表现稳定，但其收益水平在部分数据中低于经典模型，权衡风险偏好需投资者自行判断。

整体而言，报告在理论与实证上强化了资产配置风险管理，尤其收益预期误差管理，但未来进一步的模型扩展与极端风险考察或将增强其实用性及普适性。[page::22]

---

7. 结论性综合

本报告系统地从资产分类、配置策略出发，依托经典的马科维茨和风险平价模型，深化研究了资产未来收益和风险预期估计误差对配置权重的影响，尤其强调预期收益误差对配置敏感性的挑战。针对这一核心痛点，报告创新性地引入Robust优化方法，以收益预期估计误差椭圆不确定集为约束，通过求解在最差收益情形下的最大化配置，提升资产组合的稳健性和风险调整后收益表现。

实证分析覆盖股票（沪深300、标普500、恒生）、债券（中证全债）、商品（黄金、原油）六类资产，结果表明：

• 经典下行幅度及波动率控制策略有效管理风险，且风险平价加入择时提升收益。

- 资产未来表现的估计存在不可忽视误差，且对收益率估计误差格外敏感。

• Robust优化方法显著降低收益预期误差对配置权重的冲击，资产组合在面对预期扰动时展现更强稳健性。

- 各风险控制水平下Robust优化组合相比传统方法表现出更优的风险收益指标，包括年化收益、波动率、最大回撤及夏普率。

• 结合丰富的图表和数据，报告证实考虑预期不确定性对现代量化资产配置的必要性和有效性。

报告最后提示风险主要在于历史数据依赖及模型假设限制，建议关注Robust优化的实务应用与参数选择。

综上，报告展示了将预期收益不确定性嵌入到马科维茨等经典资产配置框架中，不仅提升了投资组合稳定性，也在低无风险收益率环境下为投资者提供更具弹性的资产配置解决方案，具有较高的理论与实务参考价值。[page::0-22]

---

参考图片示例

• 图：Robust模型与经典马科维茨模型比较框架

• 图：国债收益率趋势（2014-2016）

• 图：下行幅度控制策略净值表现

• 图：Robust优化策略对应扰动模拟下净值走势

---

总体评价

报告结构清晰，内容详实，结合数学模型与丰富实证对比，充分展现基于预期收益不确定性优化在量化资产配置中的优势。文章的模型理论、方法应用、数据支持和风险分析形成良好闭环，且具备较高的参考价值。未来若能补充对模型参数敏感度、极端事件处理及择时策略详细分析将更完善。

[page::0,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22]

报告