大类资产配置基础模型回顾 [page::2][page::3]

• 团队开发三大基础资产配置模型：Black-Litterman（BL模型1、2）、风险平价、基于宏观因子的资产配置模型。

- 2023年各模型收益均超过6%，表现稳定。

| 策略名称 | 本年表现 | 最大回撤 | 年化波动 | 夏普比率 | 卡玛比率 |
|-----------------------|----------|---------|---------|---------|---------|
| BL模型1 | 6.51% | 0.58% | 1.20% | 3.84 | 11.26 |
| BL模型2 | 6.93% | 0.36% | 0.78% | 6.39 | 19.32 |
| 风险平价模型 | 5.91% | 0.44% | 1.07% | 3.74 | 13.36 |
| 基于宏观因子的资产配置模型 | 6.51% | 0.65% | 1.10% | 4.19 | 10.05 |

场内基金市场现状与基金池筛选 [page::4][page::6]

• 截至2023年底，场内基金总数达1353支，类型包括股票型、混合型、债券型、商品型等。

- 选取基金时要求存续、规模大于5000万元以及活跃交易，保证流动性。

• 不同资产采用不同目标基金池，权益选股票型和混合型，债券包含债券型、混合型和货币型，商品类因基金稀缺，适当加入股票型基金补充。

大类资产低相关性特征及指数映射法策略落地 [page::6]

• 各类资产间相关性较低，适宜分散配置。

- 利用指数映射法，用最优化组合拟合资产配置策略的目标指数收益，核心目标最小化跟踪误差，加入累计收益折损约束。

• 基金组合权重通过二次凸优化求解，使基金投资组合收益与目标指数尽量一致。

- 优化时加入权重非负、权重和为1、换手率限制等约束条件，保证拟合的稳定性和可实操性。

单指数落地方案拟合效果及表现汇总 [page::11][page::12][page::13]

• 股票类指数如沪深300拟合稳定，年化收益略低于原指数，累计收益折损约1%。

- 债券类和商品类拟合折损较大，部分商品指数拟合误差较高但收益超过原指数。
| 标的名称 | 年化收益(落地方案) | 最大回撤 | 夏普比率 | 收益折损(年化) |
|-----------------|-----------------|----------|---------|-------------|
| 沪深300 | -11.9% | 40.8% | -0.829 | 1.27% |
| 中债-国债总财富指数 | 3.6% | 1.8% | 0.923 | -1.12% |
| 南华商品指数 | 6.9% | 11.5% | 0.438 | 2.13% |

大类资产配置策略整体落地及收益增强方案 [page::13][page::14][page::15][page::16]

• 将单指数拟合基金组合按大类资产策略权重叠加，构建策略落地方案。

- 落地方案较原指数策略年化收益折损约1%，最大回撤略上升，夏普比率为1.7-1.8区间。

• 增强方案通过设定更严格的累计收益折损下界（如允许负收益折损，要求基金超额收益）提升收益表现，提升部分债券指数拟合效果，增强策略收益。

| 模型名称 | 方案类型 | 年化收益 | 最大回撤 | 夏普比率 |
|----------------|-----------|--------|--------|--------|
| BL模型1 | 落地方案增强 | 5.14% | 2.48% | 1.688 |
| BL模型2 | 落地方案增强 | 5.39% | 1.86% | 1.810 |
| 风险平价模型 | 落地方案增强 | 4.14% | 1.55% | 1.687 |
| 基于宏观因子模型 | 落地方案增强 | 4.18% | 1.59% | 1.610 |

量化资金组合构建方法及参数敏感性分析 [page::7][page::8][page::18][page::19]

• 构建目标为最小化跟踪误差的二次优化问题，利用基金净值序列拟合指数收益率，包含权重非负、换手率约束等。

- 采用窗口期收益数据、相关性筛选基金池、累计收益折损设置动态上下界求解权重。

• 多组参数敏感性分析验证了方案稳定性，跟踪误差、相关性以及累计收益折损对拟合效果影响明确。[page::19]

国泰君安证券研究报告《大类资产配置策略落地方法研究》详尽分析

---

一、元数据与报告概览

• 标题：《大类资产配置策略落地方法研究》

- 系列及序号：大类资产配置量化模型研究系列之六

• 发布日期：2024年1月11日

- 作者团队：
- 廖静池（分析师）
- 朱惠东（研究助理）
- 刘凯至（分析师）
- 张雪杰（分析师）

• 发布机构：国泰君安证券研究所

- 研究主题：聚焦大类资产配置策略的投资落地问题，特别是如何利用ETF、LOF等场内基金将量化模型构建的资产配置策略成功转化为可操作的基金组合方案。

核心论点与目标

该报告围绕大类资产配置策略的落地挑战，提出了基于场内基金的指数映射法构建投资组合的具体框架，并针对Black-Litterman模型（BL模型1和BL模型2）、风险平价模型及基于宏观因子的资产配置策略，设计出一套完整的落地实施方案。报告不仅展示了策略落地的效果评估，还提出了增强方案以提升收益表现。

总体目标是解决指数不可直接投资的痛点，实现量化资产配置策略的投资落地，并对落地策略的收益、风险、拟合效率进行详实验证和改进[page::0,1]。

---

二、逐节深度解读

1. 大类资产配置策略回顾（第2-4页）

1.1 配置基础模型介绍

• Black-Litterman模型简介：

- 以均值-方差模型为基底，采用贝叶斯理论融合投资者主观观点与市场数据，提升预期收益的稳定性。
- 报告团队构建了四种BL模型，结合了大类资产的动量因子[page::2]。

• 风险平价模型：

- 目标是使投资组合中各资产对整体风险贡献均衡，优化资产在波动率与相关性基础上的权重分配[page::2]。

• 基于宏观因子的资产配置模型：

- 构建了包括增长、通胀、利率、信用、汇率、流动性等六大宏观风险因子体系，链接宏观预测与资产配置。
- 2023年，三大类基础模型收益均稳健，均在6.5%以上，展示了模型稳定性及实用价值。

1.2 场内基金发展提供落地可能

• 场内基金市场快速发展，截至2023年底，场内ETF和LOF超过1350支，涵盖股票、债券、货币、商品等六大类。

- 2021年新发基金数量创新高，基金规模持续攀升，极大丰富资产投资选择[page::3-4]。

1.3 大类资产配置策略落地难点和解决方案

• 难点

- 标的指数不可直接投资。
- 合适的场内基金标的有限，尤其是债券和商品类基金相对稀缺，拟合难度较大。

• 解决方案

- 采用“指数映射法”，用基金组合实现对标的指数的拟合。
- 基金池扩展到所有场内基金（包括ETF及LOF）以增强拟合效率和覆盖[page::5-6]。

2. 大类资产配置策略落地方法研究（第6-10页）

2.1 针对标的指数选基金类型

• 依据资产特性选择基金类型，如权益类多采用股票+混合型基金，债券类基金池包括债券型、混合型及货币市场型基金，特殊品类如商品还加入股票型基金以提升拟合度。

- 表格和统计显示，权益类场内基金数量最多，债券和商品类基金较少，流动性和规模成为筛选关键[page::6-7]。

2.2 确定基金组合权重

• 筛选规则：

- 存续且规模≥5000万，近5个交易日有活跃成交量；

• 优化目标：

- 通过最小化年化跟踪误差（Tracking Error），求解基金权重，使组合收益率拟合标的指数。

• 数学表达：

- 设场内基金收益率矩阵为 \(R_f\)，标的指数收益率为\(R\)。
- 优化问题转化为带约束的二次凸优化，通过权重约束保证无做空、权重总和为1、换手率限制等。
- 同时控制累计收益折损，减少基金组合与指数收益的累计偏差。

• 控制参数与流程：

- 设置相关性阈值动态调整，保障基金池数量及质量。
- 采用基金净值数据计算组合权重，保证实际交易以基金场内价格执行。
- 优化过程示意详见流程图。

整体优化设计充分考虑流动性、匹配度、稳定性及交易成本，形成严谨落地策略框架[page::7-10]。

3. 大类资产配置策略落地效果（第11-16页）

3.1 单指数拟合效果

• 使用优化生成的基金组合成功拟合各大类资产标的指数，设定累计收益折损上下限为0%-1.5%，基金池数≥5，月度调仓方式。

- 图8展示了沪深300、中证1000、恒生指数、中债国债指数等主要资产的拟合表现和累计收益折损。

• 表6-7体现拟合后组合的年化收益、最大回撤、波动率、夏普比率、卡玛比率及跟踪误差、相关系数、收益折损量化指标。

结果显示：

• 权益类指数拟合效果较好，收益稳定且正向；

- 债券类、商品类拟合较为困难，累计收益折损显著，尤其是债券类收益折损严重，匹配度及相关性较低；

• 整体跟踪误差在合理范围，拟合方案虽有收益折损但表现相对稳健[page::11-13]。

3.2 大类资产配置全面策略落地效果

• 结合单指数拟合组合构建完整策略组合，引入双边交易费约为万分之五考量下表现统计。

- 图9-14及表8展示BL模型1、BL模型2、风险平价、宏观因子配置的策略落地方案净值走势及指标对比。

• 结果表明，落地策略对应年化收益在3.81%-4.86%左右，较原指数策略约折损1个百分点，回撤及波动率略增，夏普比率均超过1.7且部分超过1.8，风险调整后收益良好。

3.3 收益增强方案

• 通过放宽累计收益折损的限制（将下限设为-1.5%），选取具有一定超额历史收益的基金构建强化组合。

- 增强方案改善了债券类如企业债指数的拟合效果，国债拟合效果基本保持稳定。

• 图10-12及表9-10具体比较了增强方案与普通方案的拟合指标及策略业绩。

- 增强方案整体收益均有所提升，年化收益最高达5.39%，最大回撤、夏普比率等指标继续维持良好水平。

• 方案虽然牺牲部分拟合精度，但换取更优的策略整体表现，兼顾收益与稳健性[page::14-16]。

4. 总结与风险提示（第17页）

• 采用ETF/LOF构建基金组合有效拟合大类资产指数，解决了指数无法直接投资难题，实现了大类资产配置策略落地。

- 增强方案通过对基金过往超额收益的要求，进一步优化收益表现，实现落地方案的收益增强。

• 策略收益折损控制合理，组合较为稳健，获得了市场认可。

- 风险提示：模型基于历史数据，存在历史规律失效的风险，未来表现不确定[page::17]。

5. 附录及参数敏感性分析（第18-22页）

• 数学推导详细展示了跟踪误差最小化转化为二次型优化问题的过程。

- 多组敏感性参数测试（窗口期、基金数量、累计收益折损上下限、换手率限制）表明，优化方案具有较强的稳定性。

• 不同参数设定下基金组合的跟踪误差、相关系数及收益折损均维持在合理波动区间，验证拟合方法的鲁棒性。

- 该部分数据支持了模型设计的科学性和实用性[page::18-22]。

---

三、图表深度解读

这里重点解读报告中的关键图表：

图1（第3页） - 2023年以来各模型净值走势

• 展示BL模型1、BL模型2、风险平价、宏观因子模型的收益净值平稳上升，表明基础模型运行效果良好。

- 图中四个模型净值走势接近但BL模型2稍显领先，符合其表格中夏普比率最高的表现。

图2-3（第4页） - 场内基金发行数及规模结构

• 图2显示2021年新发场内基金明显增长，股票型基金占优。

- 图3规模曲线体现市场逐年扩大，货币基金规模最大，股票型基金次之，其他基金规模逐步积累。

• 反映市场体量与多样性提升，为策略落地创造环境。

图4（第7页） - 南华商品指数与能源ETF相关性

• 图显示能源ETF与商品指数走势正相关，相关性约在0.4-0.5上下波动。

- 鉴于商品基金稀缺，采用相关ETF扩展资产池是实际落地的有效补充。

图5-6（第9页） - 南华商品指数与三类商品ETF走势和相关性

• 显示三ETF走势与南华商品指数存在差异，尤其是豆粕ETF相关性偶有大幅下降，说明商品指数拟合存在困难。

- 该图辅助说明基金池选择及拟合难度，为后续提出的优化约束提供依据。

图7（第10页） - 基金组合构建流程图

• 详细阐述迭代筛选相关基金、调整参数(rlo，rel，cor)，优化投资组合权重，动态适应市场变化的逻辑动态。

图8-12（第11-16页） - 各标的指数及策略落地与增强方案拟合结果图

• 综合展示各标的大类资产配置策略的基金组合净值走势及累计收益折损，视觉化呈现拟合效果。

- 通过多个时序对比强调了策略落地后收益与风控表现，以及增强方案带来的积极改善。

表1、6-10（多个页） - 多项指标汇总表格

• 包括年化收益、最大回撤、夏普比率、跟踪误差、相关性及收益折损。

- 数字清晰辨析基准指数与拟合组合间的差异及优势 劣势，量化评估策略有效性。

---

四、估值分析

本报告偏重资产配置策略和投资组合构建方法研究，未涉及公司估值模型与价格目标设置，故估值部分不适用。

---

五、风险因素评估

• 模型风险：基于历史数据，模型面临历史规律失效风险，未来市场环境不确定性可能冲击模型效果。

- 标的选择风险：基金池标的有限，特别是债券和商品基金缺乏，可能导致策略拟合受限。

• 流动性风险：尽管已筛选活跃基金，但仍存在流动性突变风险。

- 交易成本风险：策略以万分之五费用作为静态假定，实际交易可能存在滑点、市场冲击等额外成本。

• 报告未详细讨论缓解策略，但通过增加基金池及动态调整参数部分缓解了风险[page::0,9,17]。

---

六、批判性视角与细微差别

• 收益折损约1%：落地方案收益虽然稳健，但整体折损约1%，投资者应关注配置效率与实际执行成本匹配。

- 债券和商品资产拟合困难：拟合债券类资产收益折损比重大，商品相关性不足，增强方案虽改善部分问题，但该问题依旧突出且存在不确定性。

• 策略增强牺牲拟合精度：增强方案有效提升收益，但牺牲了一部分对指数的严格跟踪，带来运行风险与偏离风险，需权衡。

- 依赖历史数据有效性：模型及增强方案均假设基金表现和历史收益具有持续性，市场结构变化或极端事件可能导致策略失效。

• 数据样本与回测期限有限：回测期约为2020年末至2023年底，样本期较短，未来长期效果尚需验证。

---

七、结论性综合

本报告系统地展现了国泰君安量化团队在大类资产配置量化策略落地方面的深入研究及方法创新。面对标的指数不可直接投资的问题，报告通过：

• 利用包括ETF与LOF在内的场内基金，构建投资组合拟合资产配置标的指数；

- 通过最小化跟踪误差结合累计收益折损约束，采用二次凸优化方法求解基金权重，有效保证收益拟合精度与稳健性；

• 结合策略模拟，方案显示收益折损控制在合理水平，夏普比率较优，确认了落地方案可操作性及较好风险调整收益；

- 针对债券部分拟合难度大，提出了基于超额收益的收益增强方案，尽管牺牲部分拟合精度，但提升了整体策略表现，增强了模型实用价值；

• 多维度参数敏感性测试为模型的鲁棒性提供了实证支持。

报告以大量详细图表和数据佐证，体现了投资组合构建的逻辑严谨和实证有效，向市场展示了大类资产配置策略实操有力的落地路径，为投资者提供了具有可行性的量化资产配置实施方案。

同时，报告也客观指出历史数据依赖及特殊资产类拟合风险，提醒投资者警惕策略在市场环境剧变时的表现不确定性。

综合来看，报告展现了国泰君安在大类资产量化配置领域强劲的研究能力和策略实操落地成果，策略落地方案和增强方案均表现较强竞争力，具备长期跟踪与优化的现实意义[page::0-23]。

---

参考文献

• 国泰君安证券研究报告《大类资产配置策略落地方法研究》，2024.01.11，[page::0-23].

---

（全文共计约2000字）

报告