资产配置对业绩的重要性与分类 [page::3][page::4][page::5]

• 资产配置尤其是战略性资产配置可解释基金收益变动约90%，在时间序列、横截面及整体视角均表现出高度解释力。

- 资产配置策略划分为主观配置和量化配置，前者灵活但决策缺乏框架，后者纪律严谨但缺乏灵活性。将二者结合提升整体资产配置效果。

黑利特曼（BL）模型原理与优势 [page::6][page::7][page::9][page::10][page::11]

• BL模型基于均值方差理论，运用贝叶斯收缩思想，融合市场均衡收益率和投资者主观观点，缓解传统MVT的收益率预估敏感问题。

- 主观观点通过矩阵形式输入，置信度用协方差刻画，模型输出更稳定且符合直觉。

• 通过案例比较，BL模型对观点微调反应合理，其他无关资产权重保持稳定，优于MVT模型。

基于历史趋势信息形成观点判断 [page::13][page::14][page::15]

• 利用多种周期移动平均价格的标准化指标，结合横截面回归模型预测未来收益，回归系数平均作为观点期望，R²反映置信度。

- 该方法借鉴行为金融理论与丰富实证支持，合理捕捉动量与反转效应，为观点提供量化支撑。

基于经济周期对资产配置进行权重约束 [page::16][page::17][page::18]

• 采用动态因子模型提取通胀因子和剩余流动性因子，结合马尔科夫状态切换模型划分四种经济周期状态。

- 针对不同周期，分别设置股票、债券和商品的最低配置比例以反映其风险收益特征，增强模型周期适应性。

改进BL模型设计与资产标的 [page::18][page::19][page::20]

| 大类资产 | 细分类别 | 投资标的 | 数据起始时间 |
|----------|-----------------|--------------------------------|----------------|
| 股票 | A股 | 沪深300全收益 | 2006-04-03 |
| | | 中证500全收益 | 2007-01-15 |
| | H股 | 恒生指数全收益 | 2004-10-11 |
| | 美股 | S&P500全收益 | 2000-01-03 |
| 债券 | 境内债券 | 中债-国债及政策性银行债财富指数 | 2007-01-04 |
| | | 中债-高信用等级债券指数 | 2006-01-04 |
| | 境外债券 | 彭博巴克莱美国短期综合债券指数 | 2000-01-31 |
| 商品 | 黄金 | SGE黄金999 | 2004-01-02 |
| | 原油 | ICE布油 | 1993-01-05 |

• 模型基于贝叶斯收缩后的后验收益率，融合历史趋势形成观点及其置信度，结合经济周期约束，配置权重非负且满足相应周期下最小仓位。

回测效果及模型对比分析 [page::21]

| 指标 | EW模型 | MVT模型 | BL模型 | BL-V1模型 | BL-V2模型 |
|----------------|---------|---------|--------|-----------|-----------|
| 累计收益率 | 94.2% | 89.7% | 99.4% | 123.6% | 140.7% |
| 年化收益率 | 6.2% | 6.0% | 6.5% | 7.6% | 8.3% |
| 年化波动率 | 9.6% | 14.7% | 9.5% | 10.1% | 10.4% |
| 最大回撤 | 21.7% | 26.6% | 24.7% | 28.1% | 25.0% |
| 夏普比率 | 0.65 | 0.41 | 0.68 | 0.75 | 0.80 |

• 改进版BL模型(即BL-V2)表现最佳，兼顾收益和风险，且多数年份实现正收益，提升了收益的稳定性和风险调整回报。

改进版BL模型应用及配置建议 [page::23]

| 大类资产 | 配置比例 | 细分资产 | 配置比例 |
|----------|----------|---------------------------|----------|
| 股票 | 60% | 沪深300全收益 | 13.8% |
| | | 中证500全收益 | 7.2% |
| | | 恒生指数全收益 | 9.4% |
| | | S&P500全收益 | 29.7% |
| 债券 | 30% | 彭博巴克莱美国短期综合债券指数 | 30.0% |
| 商品 | 10% | SGE黄金999 | 8.9% |
| | | ICE布油 | 1.1% |

• 推荐适用对象为资金体量大且追求长期稳健回报的机构投资者，模型支持管理人定制观点输入，实现灵活调整与科学配置。

金融研究报告详尽分析与解构——《BL模型的改进与应用探讨》

---

1. 元数据与概览

• 标题：《BL 模型的改进与应用探讨》

- 作者：赵文荣（首席量化与配置分析师）、刘方（首席组合配置分析师）、顾晟曦（组合配置分析师）等，中信证券研究部

• 发布日期：2020年5月20日

- 主题：资产配置模型改进，重点在于Black-Litterman（简称BL）模型的改良与财务应用

• 报告核心论点：

- 传统BL模型通过融合主观观点与均值方差理论优势显著，但存在输入敏感、忽视经济周期等局限。
- 本报告基于行为金融理论，利用历史趋势信息改善观点输入，并结合经济周期划分，约束资产配置权重。
- 经过改进的BL模型（称为BL-v2）在回测中表现更优，实现了较高的收益和夏普比率。
- 适合长期配置型机构，提供较高自由度，能定期融合主观观点形成最优配置方案。

• 风险提示：数据样本及有效性受限、模型潜在失效风险与流动性风险。

总体而言，该报告旨在在当前BL模型基础上，整合理论、历史数据与宏观视角，改进资产配置的方法论与实操框架，为机构投资者提供参考方案。[page::0,23]

---

2. 逐节深度解读

2.1 投资聚焦与资产配置重要性

• 关键论点：

- 资产配置分为战略性（SAA）和战术性（TAA），其中战略性资产配置是决定投资组合长期表现的核心。
- 战略配置基于长期视角，战术配置侧重短期择时与机会捕捉。
- 投资风格分为主观派与量化派，主观派灵活性高但缺乏严谨框架，量化派纪律严明但灵活性不足。
- 融合主观思想与量化配置可以兼顾灵活性与纪律性，提高资产配置的有效性。

• 支撑论据：

- 引用了Markowitz均值-方差理论开启量化配置研究及其带动资产配置发展的历史。
- 以Brison等（1986）、Ibbotson和Kaplan（2000）研究说明战略性资产配置对业绩的决定性影响。
- 数据显示美国养老基金低至93.6%的业绩波动解释来自战略资产配置；国内公募基金时间序列解释达69%，整体收益解释达100%。

• 关键数据：

- 图1清晰区分战略性与战术性资产配置的职责与目标。
- 表1详细展现国内公募基金不同风格和维度的资产配置对业绩表现解释能力，股票型基金时间序列解释高达78%，混合型整体收益解释率超108%。

• 逻辑脉络：

- 资产配置本身对于投资组合表现的影响远超择时或选股。
- 对长期投资者，系统化且合理的战略资产配置是保障持续超额收益的基石。

这是对后续量化资产配置模型研究的理论基础和现实必要性的铺垫。[page::3,4,5]

---

2.2 Black-Litterman模型介绍与本质

• 核心内容：

- BL模型是对传统均值-方差模型（MVT）的改进，融合贝叶斯思想，将投资者主观观点作为新息，与市场均衡的先验收益结合，输出更为稳健的预期收益率。
- 利用贝叶斯收缩，将主观观点按置信度权重调整后与先验（均衡）收益组合，有效减少收益估计的敏感性。
- 先验收益率基于市场市值占比的均衡状态逆优化得到，参数包括代表性投资者风险厌恶系数 (𝛿) 和缩放因子 (𝜏)。
- 新息视为投资者主观观点，其表达形式包括绝对预期收益和相对收益，协方差矩阵基于观点置信度的不确定性。

• 数理表达：

- 贝叶斯收缩公式（页面6-9）详尽表述先验、新息及后验期望收益率的计算。
- 后验收益与方差协方差结合构建最优资产配置权重。

• 优势：

1. 改善预期收益率估计，提高预测准确度。
2. 缓释MVT对收益输入敏感导致配置剧烈波动的缺陷。
3. 权重调整更符合直觉且解读清晰，未修改标的权重基本稳定。

• 局限：

- 主观观点预测错误风险。
- 未考虑经济周期波动及资产收益非平稳特征。

• 案例分析：

- 多国股票组合作为示例，对MVT和BL模型在观点更新（调整预期收益）后的权重变化对比（图7、表3）。
- BL模型权重变化更平滑，只影响相关资产，MVT模型则权重受预期变动影响广泛且剧烈。
- 进一步探讨观点置信度与收益调整幅度对BL模型权重影响（图8），展示观点把握程度对配置的灵敏度。

此部分深刻阐释了BL模型数学机制、实务操作优势及与传统MVT的比较，夯实后续改进方案的理论基础。[page::6,7,8,9,10,11,12]

---

2.3 BL模型改进思路与研究成果

• 研究回顾：

- 参数校准研究，聚焦风险厌恶系数𝛿与权重缩放因子𝜏。
- 模型提升研究，涵盖收益及协方差矩阵的改进（如GARCH建模，行为金融理论）、主观观点的表达与置信度量化方法创新。

• 本报告改进方向：

1. 基于历史趋势信息达成更准确观点：
- 采纳行为金融理论，识别动量效应与反转效应。
- 利用多周期（短、中、长期）的移动平均价格作为信号，建立计量模型回归股票收益，结合模型拟合优度（R²）生成观点及置信度。
- 采用标准化移动平均价格为自变量，月度收益为因变量，进行横截面回归，计算回归系数期望值作为收益预测。

2. 基于宏观经济周期划分资产权重约束：
- 采用DFM-MSM两步法，选取通胀（CPI/PPI）和剩余流动性（扣除实体需求后的金融流动性）两大因子划分经济周期。
- 结合统计划分的4种宏观状态（通胀上行/下行×剩余流动性上行/下行），分析股票、债券、商品的表现差异。
- 制定周期内约束规则（如通胀上行+流动性上行时股票最低配置比例等），通过软约束整合投资组合。

• 图示与表格说明：

- 图9呈现历年来BL模型改进脉络及研究节点。
- 图10阐明移动平均价格形成观点及置信水平的整体流程。
- 图11展示DFM-MSM两步法划分周期的框架。
- 表4明确阐述宏观指标数据选取策略。

• 逻辑与创新点：

- 通过计量方法量化动量与反转效应对资产预期收益率的贡献，赋予观点置信度，增强模型稳定性。
- 依据宏观经济周期的动态变化，合理施加资产权重下限约束，规避传统BL模型忽视周期性的缺陷。

改进方案立足理论与实证研究，注重多角度信息融合，提高其在实际长期配置环境下的适用性和稳定性。[page::12,13,14,15,16,17,18]

---

2.4 改进后BL模型的实现与回测表现

• 投资标的选取：

- 涵盖国内外股票（沪深300、中证500、恒生、S&P500）、债券（国内国债、高级信用债、美国短期综合债）、商品（黄金、布油）共9个细分资产（见表5）。
- 数据起始时间最长追溯至1993年，保障充足样本。

• 模型设计细节：

- 先验收益率采用等权重逆优化反解，规避市值权重难以适应多资产类别的不足。
- 主观观点利用计量模型融合移动平均价格信息，结合回归模型R²作为置信度。
- 协方差矩阵基于5年历史数据。
- 约束条件包含禁卖空、债券最低仓位（30%），及经济周期下资产类别权重约束（如状态1股票≥60%等）。

• 数学表达：

- 目标函数为收益与风险的均衡最大化，结合贝叶斯后验收益的加权协方差矩阵，约束组合权重（无卖空、权重总和为1、大类资产权重下限）。

• 回测统计与分析：

- 五模型对比：等权（EW）、传统均值方差（MVT）、传统BL、改进BL-v1（含趋势观点）、改进BL-v2（含周期约束）。
- 时间区间：2009年起至2020年4月。
- 改进BL模型累计收益率达140.7%，年化收益率达8.3%，夏普比率0.80，显著优于同行。
- 图17展示净值曲线趋势：改进BL模型整体净值最高且波动适中。
- 表6-8递进展现累计收益、年化波动、最大回撤及夏普比率等指标对比。
- 年度维度来看，改进BL模型绝大多数年份收益为正，且在夏普比率上保持领先（见表7和表8）。
- BL-v2模型权重配置动态合理，具体如图16所示。

• 结论：

- 历史趋势与经济周期约束显著提升BL模型表现。
- 模型适合长期稳健风格投资者，能融合主观定性判断和历史数据量化优势。

• 最新配置建议：

- 根据当前经济处于剩余流动性上行、通胀上行阶段，持仓建议60%权益类，30%债券（主要美国短期债券），10%商品（黄金、原油）。
- 细分资产权重详见表9。

报告中回测结果充分论证改进方案有效，模型表现稳健，支持其在长周期资产配置中推广应用。[page::18,19,20,21,22,23]

---

2.5 风险因素及应用建议

• 风险点：

1. 统计规律有限样本导致观点置信度估计及趋势判断准确性不足。
2. 模型假设或输入失真可能导致组合表现偏离预期。
3. 流动性风险（如部分细分资产流动性不足）影响实际操作。

• 缓解思路：

- 持续动态跟踪模型表现及策略调整，结合多维度数据修正观点输入。
- 风险控制需与资产管理人的风控体系紧密配合。

• 适用场景：

- 风格稳定、资金量较大的机构投资者。
- 适合长期战略配置，追求稳健与可控风险。

• 附加说明：

- 模型开放性强，管理人可以自行输入发展自身观点，增强个性化定制。

报告提示风险严谨，强调模型为配置参考工具，非单一万全解决方案。[page::0,23]

---

3. 图表深度解读

• 图1（页4）：战略性资产配置 vs 战术性资产配置的职责分工。战略性为核心长期任务，战术性为短期调整。清晰界定资产配置的层级关系，强调战略配置核心地位。
• 图2（页5）：资产配置对业绩表现的解释维度（时间序列、横截面、整体收益）与对应解释力。侧重强调时间序列解释力最高，近90%，突出战略配置的决定性作用。
• 表1（页5）：国内公募基金在时间序列、横截面、整体收益层面资产配置解释力细分，展现混合型、债券型、股票型基金的表现差异，内部数据详实支持观点。
• 图3（页7）：贝叶斯定理原理图，BL模型核心思想被形象化，先验概率结合调整函数后得出后验概率，强调主观信息的递进式融入。
• 图4（页8）：关于参数τ的研究脉络，从He&Litterman 1999到Meucci 2010，揭示参数的多样设置，强调模型参数的不确定性。
• 图5（页9）：BL模型后验收益率计算流程框图，清晰显示风险厌恶系数、协方差矩阵、市场组合与观点收益及误差矩阵共同作用。
• 图6（页10）：MVT对比BL模型流程，直观展示BL模型多了观点输入模块，明确了传统MVT模型的局限。
• 表3（页10）：多国股票投资标的收益及方差协方差矩阵，构建回测基础数据，既反映标的之间的相关性，也为权重变化分析提供量化支撑。
• 图7（页11）：MVT与BL模型观点变动对权重的不同影响，BL模型更平滑、局部影响明显，MVT模型受小变动影响巨大且连带其它资产权重变动。
• 图8（页12）：三种置信度和观点强度不同情形下，BL模型对美国和中国股票权重的敏感程度，展现观点力度与权重调整呈正相关。
• 图9（页13）：研究流程图梳理BL模型自1992年以来参数调整和模型深化工作，系统总结学术发展脉络。
• 图10（页15）：基于历史移动平均价格形成观点与置信度的步骤图，结构清晰，步骤具体，阐述计量方法核心流程。
• 图11（页16）：DFM-MSM动态因子模型加马尔科夫模型结合的四步投资时钟构建流程，体现经济周期划分的技术方法。
• 表4（页16）：通胀、增长、流动性指标分类与选取，对宏观变量构造基础细化。
• 图12、13（页16-17）：通胀因子与剩余流动性因子时序趋势图，反映宏观经济变量动态特征与阶段性变化，图示辅助理解周期划分。
• 图14（页18）：经济周期划分下资产配置权重约束示意，表达周期状态与大类资产配置下限关系直观。
• 表5（页18）：详细投资标的列表及历史数据起始时间，说明数据样本的完整性与资产覆盖范围。
• 图15（页20）：改进BL模型设计思路，目标函数和约束条件清晰排列，重点标出报告创新部分，便于理解改进内容。
• 图16（页21）：BL-v2模型资产权重时间序列堆叠图，生动反映资产权重动态变化趋势和投资组合结构。
• 图17（页21）：五模型净值曲线对比，直观表现模型收益表现与波动。
• 表6-8（页21-22）：量化指标汇总表，涵盖累计收益、波动率、最大回撤、夏普和Calmar比率，支持结论的量化基础。
• 表7-8（页22）：历年模型表现对比表，细节展现不同市场环境下各模型的收益与风险差异。
• 表9（页23）：2020年5月BL-v2模型资产具体配置权重，体现模型在实际时间点的应用结果。

整体来看，图表设计精细，论据充分，数据和模型互相印证，增强报告的说服力和实操指导性。

---

4. 估值分析

本报告核心不在传统的单股估值，而在资产配置模型的预期收益率及资产权重优化。估值方法基于均值-方差分析合并贝叶斯方法，将先验期望收益率与主观观点融合，形成最终后验期望收益率与协方差矩阵，再通过优化目标（效用最大化）计算权重。

• 关键输入：

- 先验期望收益率（均衡收益率）及其协方差矩阵，由逆优化法反解。
- 主观观点及其置信度（协方差）。
- 资产历史收益率数据，用于计算协方差矩阵。
- 风险厌恶系数𝛿及尺度参数𝜏。
- 经济周期划分及各周期下资产权重约束。

• 方法论：

- 贝叶斯收缩公式融合观点信息，使配置权重更稳健不敏感。
- 约束条件确保资产权重大类合理分布，防范过度集中，适应宏观周期变化。

• 敏感性分析：

- 通过调整观点强度和置信度观察模型权重变化（图8）。
- 经济周期状态调整权重下限直接影响资产类别的暴露。

此估值分析框架为配置策略提供了科学合理的数学与计量基础。[page::7,8,9,18,19,20]

---

5. 风险因素评估

• 样本数据限制：

- 经济周期划分、观点形成均依赖历史样本，样本覆盖有限可能导致统计规律不稳固。
- 风险在于未来经济环境与历史不同，模型适用性和准确性受限。

• 模型失效风险：

- 主观观点或计量模型预测有误，导致错误配置，带来亏损风险。
- 模型假设（收益分布平稳、置信度准确估计）在极端市场环境下可能不成立。

• 流动性风险：

- 特定资产如部分商品、境外债券可能存在流动性不足，限制资金调配灵活性。
- 市场波动时可能加剧流动性折价。

• 风险缓释：

- 强调模型和投资决策结合专业判断，动态调整。
- 控制投资比例约束避免过度择时和集中。

报告提醒投资者警惕模型所基于假设局限，建议结合多因素定期校验与风控管控。[page::0,23]

---

6. 批判性视角与细微差别

• 报告客观总结BL模型优势，并针对局限提出改进方向，展现了理性审视视角。

- 观点置信度的计量转化虽科学，但亦存在模型拟合选择性和样本偏差风险，实际操作中可能受限。

• 经济周期划分基于历史宏观指标，未来周期结构可能发生变异，周期下权重约束硬性程度需谨慎设定。

- 模型回测表现优异，但2020年以来市场剧烈波动提示模型在极端环境的适用性需进一步验证。

• 改进BL模型虽引入行为金融和宏观视角，理论丰富，实际管理中参数设定及动态调整复杂，且高度依赖数据质量与研究团队检测能力。

- 风险部分提及有限，未深入探讨政策变动、市场结构性变化、大规模资金流动等系统性风险可能带来的模型影响。

总体而言，报告较为严谨，但仍需用户警觉模型的统计特征弱点与未来可能面临的非平稳风险。[page::0,23]

---

7. 结论性综合

本报告围绕Black-Litterman资产配置模型，从理论到实证系统性展开，创新性地引入行为金融理论的历史趋势分析与经济周期划分约束策略，提升传统BL模型在资产配置上的稳定性和预测有效性。

具体发现与结论包括：

• 资产配置在投资组合长期表现中起决定作用，尤其是战略性资产配置；量化模型结合主观观点，是实现灵活且纪律性配置的路径。

- BL模型本质是贝叶斯收缩理论的应用，融合均衡市场收益与投资者观点，缓释MVT中收益率估计误差对配置结果的敏感。

• 报告通过计量模型融合多周期移动平均价格信息，有效形成观点收益预测及置信度，体现行为金融的动量与反转效应。

- 通过DFM-MSM模型与经济指标，构建剩余流动性与通胀双因子驱动的宏观周期划分，结合资产风险收益差异，合理施加周期权重约束。

• 回测显示改进BL模型（BL-v2）从2009年至2020年4月，年化收益8.3%，夏普比率0.8，超越传统均值方差模型及简易等权模型。BL-v2模型权重调整更加合理，收益、回撤控制均优。

- 模型适合长期配置机构，能集成多元观点信息，保持动态优化能力。

• 风险因素包括数据样本限制、观点误差风险及流动性风险，需结合实际操作动态监控。

报告中图表全面支持文本论证，尤其历史趋势回归（图10）、周期划分与配置约束（图14）及回测曲线（图17），均为深刻洞察提供量化基础。

最终，改进BL模型为资产配置领域提供了实际且有效的解决方案，对长期战略资产配置有重要的参考价值和实施指导作用。[page::0,3~23]

---

总结

此次报告对BL模型的全面解析与改进策略提供了极为丰富的理论与实证支持，兼顾学术深化与实务运用，对资产配置相关研究人员及投资机构均具参考及应用价值。其核心创新在融合行为金融的趋势识别与经济周期划分，从而协助投资决策者实现更加稳健和灵活的资产配置管理。报告结构合理、内容翔实、论据充分，是资产配置模型领域的高质量研究范本。

报告