<paper_title>专题报告｜基于机器学习观点生成的Black-Litterman固收+动态资产配置研究
创建于 更新于
摘要
<paper_abstract>本报告提出以机器学习观点生成并结合 Black-Litterman 框架进行组合优化，构建以固收+为核心的动态资产配置模型，聚焦债券、权益、可转债与现金四类代理资产，利用观点置信度与60个月滚动协方差实现权重调整。样本内外回测结果显示，ML-BL 策略在预测期内年化收益6.26%、夏普2.25，显著优于固定配置5.98%、2.09；与真实固收+产品对比，ML-BL 的收益水平及风险特征处于可比区间。研究还指出权益观点贡献度高于转债观点，BL 框架本身对超额收益的贡献在当前设定下有限，需通过扩展样本与特征进行验证与改进。该研究为固收+资产配置提供以机器学习驱动的观点整合与动态优化路径，具有一定的配置研究参考价值。[page::0]
