宏观友好度评分指标构建及其周期逻辑 [page::2][page::3]

• 该指标将投资时钟与宏观因子融合，通过逆序分位数处理将各国经济体多周期宏观压力量化为专属资产宏观友好度评分。

- 以美国、印度、中国、韩国等9类周期友好度评分为基础，形成资本市场大类资产的宏观预测信号。

• 不同周期和地区的友好度评分呈现分化走势，体现周期嵌套和区域经济差异[page::3].

Black-Litterman模型原理与改进步骤 [page::7][page::8][page::9][page::10][page::11]

• BL模型在均值-方差框架下，通过贝叶斯理论纳入投资者主观观点，缓解了传统MVO模型对预期收益敏感且权重极端的问题。

- 主要步骤包括先验收益反解、观点表达及置信度设置、先验与观点后验结合以及利用后验分布优化投资权重。

• 本报告中观点矩阵P和观点收益矩阵Q均由宏观友好度评分转化得出，置信度矩阵Ω根据资产协方差设定，简化参数输入[page::8][page::9][page::10][page::11].

宏观友好度视角下的资产配置及模型参数设定 [page::12][page::15][page::16]

| 资产类别 | 代表指数 | 说明 |
|----------|----------------|----------------------------|
| 权益 | 万得全A、恒生、标普500、日经225、Sensex30、德国DAX指数 | 多地区股票市场代表性指数 |
| 债券 | 中债国债总财富指数、IBOXX美元债总回报指数 | 国内外债券市场代表 |
| 商品 | CRB商品指数 | 代表多商品价格 |
| 外汇 | 人民币兑美元中间价 | 反映人民币汇率 |
| 黄金 | COMEX黄金 | 通过避险需求和基础价格建模 |

• BL模型以历史5年滚动均值和协方差作为预期收益和风险输入，月末调仓，无交易费用。

- 主观观点构建主要采用过去1个月平均收益率和滞后6个月宏观友好度对应预期收益加权构成，对德股采用简化处理。

• 风险厌恶系数取10，观点权重参数t设为1/(60-11)，无做空限制或换手限制[page::15][page::16].

策略回测结果及汇率调整效果显著 [page::17][page::19]

• 宏观友好度观点BL模型策略年化收益17.2%，夏普比率1.22，整体优于等权重及单1个月收益率观点BL模型。

- 加入汇率宏观友好度观点后策略年化收益提升至23.1%，夏普比率1.52，2024年2月末收益率超90%。

• 策略主要配置集中于日本权益资产，因其风险收益比优异且与其他资产相关性低，宏观环境回暖带来战略配置价值。

- 放宽做空限制虽提升收益率至29.3%，但引入更高波动和回撤风险[page::17][page::19][page::20].

风险提示与模型局限 [page::33]

• 模型存在主观性与限制，局限于短周期宏观因子，忽略长周期影响。

- 历史数据与预期不匹配，黑天鹅事件可能导致相关性变化，资产配置表现波动。

• 投资者应注意市场一致预期假设可能调整，策略回测结果并非未来保证[page::33].

国泰君大类资产配置研究报告详尽解析

---

1. 元数据与概览

报告标题：《从宏观友好度评分到BL模型观点矩阵——主被动结合的大类资产配置新思路》
作者：廖静池、王大雾、王子翌、张雪杰、朱惠东
发布机构：国泰君安证券研究所
发布日期：2024年3月11日
研究主题：大类资产配置，融汇宏观经济定量分析与Black-Litterman（BL）模型的主被动结合策略。涉及权益、债券、商品、汇率及黄金等多资产类别。

核心论点与目标价/评级：
报告提出了一种创新的资产配置方法，将宏观友好度评分体系所定量的宏观经济预期信息转化为资产预期收益，融入到基于贝叶斯理论的BL模型中。通过主观观点矩阵将宏观预测引入，被动量化配置与主动宏观观点实现了有机结合。回测结果显示，该策略显著优于传统方法，年化收益率可达23.1%，夏普比率1.52，风险调整后表现卓越。目前模型推荐配置集中在日本权益资产，鉴于其较好的风险收益性和较低相关性。[page::0]

---

2. 逐节深度解读

2.1 宏观友好度评分指标（第1章）

• 核心观点：国泰君安主动配置团队开发了一套以投资时钟和宏观周期理论为基础的“宏观友好度评分”指标体系。

- 构建逻辑：该指标首先基于短周期宏观因子，如库存周期、金融周期、滞胀指标等，应用逆序分位数处理，形成周期友好度评分（图1展现指标构建逻辑）。再综合这些周期指标，按照经济学逻辑合成为适用于各类资产（股票、债券、商品、货币）的宏观友好度评分指标。例如美国权益采用的US宏观综合压力指标涵盖实际利率、滞销和滞胀指标的加权平均。

• 使用价值：该指标通过“翻译”宏观经济的一致预期，量化预测资产的预期收益率，是设置BL模型主观观点的依据，实现宏观预期与资产收益的系统对接。[page::2][page::3]

2.2 底层宏观因子分析（第1.2节）

• 关键点：报告详细介绍了9类重要周期宏观因子的近期趋势预测，基于2024年1月15日期的一致预期数据。

- 例证：例如中国货币缺口指标震荡上行，相对应中国金融周期友好度评分震荡下行；美国实际利率小幅下降，对应美国金融周期评分上升等（图2）。不同经济体周期指标走势分化明显，表明宏观环境复苏节奏不一，资产配置需动态捕捉和适度差异化配置。

• 数据来源与方法：底层指标主要通过PMI、制造业生产库存、CPI、PPI、国债收益率等传统宏观经济数据构建，对预期部分通过彭博、一致预期数据拟合完成。

- 预测表1详细说明了各宏观因子的构成和预测技术，推动指标定量化和系统化。[page::3][page::4]

2.3 主被动结合的BL模型架构（第2章）

• 理论基础：复盘均值-方差模型(MVO)的创立及其在资产配置中的意义，指出MVO在估计预期收益率时的敏感性问题和结果不稳定问题。

- BL模型优势：Black和Litterman提出从市场均衡出发，结合投资者主观观点，通过贝叶斯框架修正预期收益率，改善MVO的不足，引入观点矩阵和信心水平，形成后验预期收益分布并优化权重。

• 实现步骤解析（2.3节）：

1. 先验分布：基于CAPM框架逆向推导先验收益率；
2. 主观观点：通过观点矩阵P、收益矩阵Q与置信度Ω定义；
3. 后验分布：利用贝叶斯公式结合先验与观点，计算后验预期收益和协方差；
4. 求解权重：将后验收益与协方差输入均值-方差模型求解最优投资权重，且考虑实际投资限制（如无卖空等）。

• 配图说明：图3展示了从先验到后验的过程，图4对比了BL模型与传统MVO模型的流程，突出了BL模型融入主观观点的优势。[page::7][page::8][page::9][page::10][page::11]

2.4 宏观友好度评分指标融入BL观点矩阵（第3章）

• 针对主要八类资产（A股、港股、美股、日股、德股、印股、中债、美债、商品、美元、黄金），国泰君安将各自专属的宏观友好度评分指标直接转换为BL模型的观点收益矩阵Q，构建观点矩阵P。

- 具体方法基于过去一段时间内资产收益对宏观评分指标的历史滚动关联关系计算期望收益。为避免过度波动，观点权重$0.5$，置信度矩阵Ω与资产协方差成正比，减少了参数复杂度和主观误差。

• 特殊处理：针对美债，采用美联储紧缩动力评分指标逆序百分位作为收益评分；黄金则通过初级黄金公式（结合商品指数和美债实际利率）与避险需求的隐含溢价区分，设计专门的观点生成方法；对德股等尚无宏观评分的资产实施“留白”处理，以短期平均收益率代替观点。

- 该方法创新地实现了宏观量化与资产配置的有机结合，为BL模型注入了强有力的宏观预测信息。[page::12][page::13][page::14]

2.5 策略开发与回测（第4章）

• 资产范围包括6类股（AH美日印德德）、2类债（中美）、商品、美元和黄金，全采用人民币计价调整。

- 模型参数采用过去5年滚动日收益率均值、协方差和风险厌恶系数10等国际成熟设定。调仓周期为月末，交易费用及换手限制设为零。

• 回测时间（2019年1月至2024年2月）显示，

- 纯等权组合年化收益7%，夏普比率0.57；
- 仅采用1个月收益率作为观点的BL模型年化收益11%，夏普0.63；
- 采用宏观友好度评分观点的BL模型年化收益17.2%，夏普1.22，且近五年均为正收益，2024年回报尤为突出（91%），表现显著优于对比策略（图6，表5）。

• 做空限制放开后，收益提升到29.3%，但波动增大，夏普比率降低至0.50。

- 考虑汇率因素后，将资产宏观友好度与对应外币汇率友好度结合加权，再次优化观点矩阵，进一步提高策略表现至年化23.1%、夏普1.52（图7，表7）。[page::15][page::16][page::17][page::18][page::19]

2.6 结论与配置建议（第5章）

• 报告首次系统地将主动宏观友好度评分融入BL量化配置，验证了该逻辑对资产配置的有效提升。

- 当前配置高度集中于日本权益资产，原因包括日股与其他市场相关性较低，日本宏观环境和经济情景向好，产业链重组预期利好企业盈利，综合视角看日本权益具备较强的战略和战术价值。

• 此结论与此前独立发布的《日股基本维度量化：JP宏观友好度评分指标》研究成果相呼应，提高配置研究的连续性和逻辑性。[page::20]

2.7 风险因素（第8章）

• 主观性风险：宏观友好度指标的构建依赖经验与判断，可能存在偏差；

- 分析维度局限：主要依赖短周期因子，忽略长周期敏感时期可能出现的偏误；

• 历史与预期偏差：市场一致预期与实际市场状态可能不符；

- 黑天鹅风险：突发事件可能改变大类资产间的相关性，影响模型表现；

• 历史规律失效：基于历史数据的模型存在未来失效的风险。

强调模型有效性应结合持续数据更新与投资者对宏观观点的动态调整。[page::33]

---

3. 图表深度解读

• 图1（宏观友好度评分指标数据库逻辑导图）

展示从经济体周期相关原材料数据出发，经逆序分位数转换，到构造各类区域及资产品种友好度评分的完整链条。图示多级流程明晰显示底层因子如何汇总成资产层级指标，强调了模型的层次与系统性。[page::2]

• 图2（9类周期宏观友好度评分指标走势）

显示2019年末至2024年底阶段内九条宏观因子的历史及预测走势。各指标曲线相互分化明显，突出了周期性分歧和地区经济景气差异，有助理解资产配置预期背后的宏观异质性差异。[page::3]

• 图3（先验分布和主观观点结合到后验分布流程）

直观展示BL模型三步融合过程，贝叶斯框架下如何将市场均衡收益与投资者观点进行量化整合。[page::10]

• 图4（BL模型与MVO模型过程对比）

对比传统MVO依赖历史计算收益风险与BL模型融合主观观点的创新之处，突出BL模型对主观信息承载和优化效果的提升。[page::11]

• 图5（金价隐含风险溢价走势）

展示2005年以来COMEX黄金实际价格、计算基本价格及隐含风险溢价。溢价波动反映避险需求变化，说明黄金定价中宏观基本面与避险情绪的双重作用，及其对模型观点生成的影响。[page::14]

• 图6-7（策略表现对比图）

两图分别对比传统等权组合、仅1M预期收益、宏观友好度观点BL模型，以及加汇率因素后BL模型的累计回报，图形清晰展示增加宏观观点与汇率调整后收益和风险调整收益（夏普比率）的显著提升。[page::17][page::19]

---

4. 估值分析

报告未涉及公司层面估值，但核心在于资产配置预期收益的估计。利用宏观友好度评分指标为资产收益提供量化业绩预期，视为BL模型主观观点中的“收益预期”输入。BL模型作为均值-方差框架的扩展，通过贝叶斯理论结合市场均衡收益与主观观点，生成更加稳健的资产预期收益分布和权重解。

关键假设：$\tau$参数调节主观观点对资产预期收益的影响力度；信心矩阵$\Omega$与协方差成比例简化设定；风险厌恶系数$\lambda=10$。均基于严谨金融理论和历史数据确定，确保配置结果的合理性和稳健性。[page::8][page::16]

---

5. 风险因素评估

• 模型设计主观性：指标权重设计、因子选择带有主观判断，存在调节空间与不确定性。

- 分析视角局限：多聚焦于较短周期，忽视长期影响因素可能导致拟合脱节。

• 数据偏差：一致预期与实际变化难免存在差别，模型结果可能受到影响。

- 极端事件风险：黑天鹅事件或系统风险未必能被历史规律覆盖。

• 历史规律失效风险：基于历史统计的模型可能因宏观经济环境结构变化而失效。

报告未详细列举缓释策略，提示使用者需结合实际投资环境灵活调整观点权重与模型参数。[page::33]

---

6. 批判性视角与细微差别

• 报告的宏观预测依赖市场一致预期数据，虽然有后续贝叶斯修正机制，但初期“近似预测”的正确定仍面临挑战。实际宏观经济和政策变化可能导致重大偏差，模型表现受限于此。

- 回测中使用实际宏观评分数据视为“100%正确预测”，这一假设理想化，可能高估策略效果。作者已说明此限制，并建议实际操作中关注对预测的动态修正和风险管理。

• 模型参数较多，尤其观点信心参数直接设为协方差矩阵比例，虽简化操作但可能不足以捕捉投资者对不同观点的实际信念差异。

- 虽然包含汇率风险调整，但金融市场多变的相关性与非线性因素未能完全涵盖，或引发财务建模误差。

• 在实际执行中，模型未列出交易费用和换手率限制，实际应用时需考虑实务影响。

- 持仓集中于日股一端，存在战略集中风险，建议在实际资产配置中兼顾多元化及监控流动性及风险特征。

总体上报告理论严谨，结合最新金融理论和具体操作框架，具备强实用价值，但投资者仍需配合宏观判断和风险控制，避免模型盲目遵从。[page::0][page::33]

---

7. 结论性综合

报告通过系统分析和回测表明，将主动宏观友好度评分体系作为BL模型的主观观点输入，可显著提升多资产配置模型的收益和风险调整表现。融合主被动方法不仅增加了宏观经济周期视角，提高了收益率预判的逻辑性和精度，也降低了传统均值-方差模型中预期收益参数敏感性带来的不稳定性。加入汇率宏观友好度进一步优化了交易策略，带来超过23%的年化收益和1.52的夏普比率，在2019-2024年回测期表现稳定且卓越。

具体到资产，当前模型推荐集中日本权益资产，因其风险收益特征优越且相关性较低，明显有助优化整体投资组合风险收益比。报告提供的数据和图表细致展示了宏观变量转化为资产收益预期的全过程，从底层宏观因子的趋势到对应资产的预期收益率，再到BL模型的优化权重，最终实现以数据驱动、理论严谨支持下的配置决策。

风险提示涵盖模型的主观性、数据偏差、极端事件及历史规律失效，提醒模型用户务必结合市场实际动态调整观点权重及保持灵活的风险管理。报告带来的最大贡献是为主动宏观预测和被动量化优化提供了一个可操作、逻辑清晰且效果显著结合的框架，为机构资产配置提供了强有力的工具和思路。[page::0][page::2][page::7][page::12][page::16][page::19][page::20][page::33]

---

8. 附录数据说明

报告全文大量表格，包含宏观友好度评分历史数据、大类资产对应的预期收益率、不同策略组件的资产权重配置情况，以至于细化到资产类别和时间点。丰富的定量支持极大增强了报告的信服力。图表部分通过趋势曲线、策略回报累积曲线高度展示了模型主观观点引入带来的巨大价值提升，也清晰反映了不同资产在策略中的权重动态调整，尤其日股权重显著上升趋势。详细权重分配表进一步支持了集中于日本权益的结论。所有数据均来源于Wind、Bloomberg及国泰君安自研数据库。[page::22-32]

---

总结

此份《从宏观友好度评分到BL模型观点矩阵》报告以严谨金融数学和丰富宏观经济数据为基础，创新性地融合主动宏观预测和被动量化模型，显著提升资产配置效果。对金融机构资产配置团队为提升组合性价比，提供了理论先进、运算实用的量化分析框架与策略实证，具有重要实践价值和示范意义。投资者使用时应结合自身风险偏好和市场环境，不断对宏观观点和贝叶斯参数动态调整，方能持续保持模型效力与稳健收益。

---

（全文所有结论均来源于报告内容，引用标记详见对应段落页码。）

报告