估值指标构建及测试结果汇总 [page::4][page::5][page::6][page::9]

• 动态估值模型优于传统静态估值，回测累计收益率达147.5%，年化收益率17.5%，Calmar比率1.95，且更准确把握市场高估退出时点。

- 港股估值指标由PE和PB加权构成，买入信号胜率高达68%，平均未来两个月收益3.0%；卖出信号胜率较低（35%）。

• 美股估值结合宏观周期调整买卖阈值，买入信号未来两个月胜率72%，收益3.1%，卖出信号胜率不足40%。

- 债券估值融入GDP和通胀周期以及收益率历史分位数，买入信号未来两个月胜率73.7%，平均收益0.5%。

• 黄金估值采用美元指数、VIX与通胀国债收益率构建回归模型，买入信号平均未来两个月收益3.7%，胜率60.9%。

BL模型中动量与估值效应结合的收益与风险表现 [page::10][page::11]

| 组合类型 | 累计收益率（动量） | 最大回撤（动量） | 年化收益率（动量） | 累计收益率（动量+估值） | 最大回撤（动量+估值） | 年化收益率（动量+估值） |
|-------|----------------|--------------|---------------|-------------------|--------------|----------------|
| 激进型 | 87.5% | -22.2% | 9.7% | 96.8% | -17.2% | 10.5% |
| 平衡型 | 58.8% | -8.3% | 7.0% | 60.4% | -5.8% | 7.2% |
| 稳健型 | 44.9% | -3.6% | 5.6% | 45.1% | -3.7% | 5.6% |

• 结合估值效应后，激进和平衡组合收益提升明显，最大回撤收窄，Calmar和夏普比率均提升。

- 动量+估值模型对资产预期收益率的调整机制有效降低了追涨杀跌带来的延迟风险。

风险预算模型及其在BL模型中的应用 [page::12][page::14][page::16]

• 采用损失波动率、半方差及VaR三种风险度量，构建风险预算模型动态生成资产权重。

- 风险预算模型相比固定权重配置，年化收益率及夏普比率均有一定提升，最大回撤更优，反映出更好的风险控制特性。

• 高风险资产贡献60%和80%配置情形合理，且波动率方法较适合实际。

融入风险预算权重的BL模型整体表现 [page::16][page::17]

| 指标 | 风险预算初始权重BL模型 | 固定初始权重BL模型 |
|---------------|------------------|-----------------|
| 累计收益率 | 53.91% | 45.66% |
| 最大回撤 | -4.04% | -4.03% |
| 年化收益率 | 6.55% | 5.69% |
| Calmar比率 | 2.34 | 2.29 |
| 夏普比率 | 0.98 | 0.82 |

• 动态风险预算初始权重显著提升BL模型收益，且风险控制保持稳定。

- 历年收益表现更为稳健，提升组合对市场环境变化的适应能力。

报告解读：《对 BL 模型的再探讨：估值效应与风险预算》

---

1. 元数据与报告概览

报告标题：《对 BL 模型的再探讨：估值效应与风险预算》
作者及团队： 张青（分析师，执业证书S0890516100001），助理李亭函、余景辉
发布机构： 华宝证券研究创新部
发布时间： 暂未明示，由报告内引用2017年数据见推断为2018年前后
主题： 资产配置优化，侧重于BL（Black-Litterman）模型的改进，特别是将估值效应与风险预算纳入模型的探讨和实践。
主要信息： 利用估值指标和风险预算模型对传统BL模型进行优化，提升模型的市场适应性、收益表现及风险管控能力。

---

2. 逐节深度解读

2.1 投资要点与方法论背景

报告首先总结了大类资产配置的三类方法：

• 基于收益的资产配置（马科维茨、BL模型）

- 基于风险的资产配置（目标风险、风险预算模型）

• 基于权重的资产配置（例：股债二八配置）

BL模型优势在于：结合资产历史收益分布与投资者的主观预期，能更好适应市场。其核心在于预期主观收益率的生成，报告回顾之前基于动量效应构建收益预期的方法，但指出趋势跟踪虽有效，存在入场、出场延迟导致组合波动大的弊端。衡量到这一点，报告提出两方面改进：

• 将估值效应引入BL模型，以更好地捕捉价格高估和低估区间，减少追涨杀跌带来的风险。

- 通过风险预算模型动态生成BL模型的初始权重，增强模型对市场波动和风险特征的适应能力，替代固定初始权重。

回测显示这两方面改进均有效提升了收益风险表现，显著增强了BL模型的稳健性与实用性。[page::0,3,17]

---

2.2 大类资产估值指标构建（章节1，页4-10）

2.2.1 A股估值指标构建（沪深300）

• 采用市净率（PB）历史分位数划分高低估，特别是引入动态估值指标，通过成分股未来预期净资产与股价计算预测PB，替代传统静态PB，以避免指数价格升高导致的静态指标高位钝化问题。

- 通过设定上下阈值（0.25、0.75）实行择时策略，回测2012-2017发现动态估值方法累计收益147.5%，年化17.5%，优于静态估值的133.5%和16.3%；动态估值卖出信号时间更接近高点，避免过早离场。[图1, 表1, 图2, page::4]

• 买入信号胜率约50%，且收益率表现较差，反映A股长牛短熊、牛市阶段相对短暂，造成本指标在低估区频发信号但市场较为疲软；卖出信号胜率较高（75%），平均未来40天收益约为-3.3%，表现指标对高估时点识别准确。[表2, page::5]

2.2.2 港股估值指标构建（恒生指数）

• 由于数据限制仅用静态PE、PB，合成估值指标（0.7PE+0.3PB）来提高指标表现。

- 设定阈值0.15和0.85进行择时，2005-2017年买入信号胜率显著优于卖出信号。卖出信号胜率较低，说明静态估值高位钝化问题较明显。[图3, 表3, page::5-6]

2.2.3 美股估值指标构建（标普500）

• 采用10年滚动样本计算PB分位数，结合美国宏观经济状态（通过GDP等指标判断上涨或下跌周期），动态调整估值阈值，以更灵活应对经济周期。
• 设定上涨周期估值高位卖出阈值调高（0.9），下行周期买入阈值调低（0.1），以体现周期性风险偏好调整。

- 回测买入信号20天胜率61.1%，卖出信号胜率较低，因市场长期上行导致卖出信号钝化。[图4、5，表4，page::6-7]

2.2.4 债券估值指标构建

• 利用中国经济周期（GDP同比增长、通胀指数）及10年期国债收益率历史分位数动态划分利率高低，结合经济宏观状态共同制定债券估值指标。

- 测试显示买入信号的未来60天胜率为73.7%，平均收益1.6%，说明择时工具有效，卖出信号则表现较弱。当前利率处于历史高位，有阶段性反转潜力。[图6、7，表5，page::7-9]

2.2.5 黄金估值指标构建

• 多因素线性回归构建黄金合理估值（以美元指数、10年期通胀指数国债收益率、波动率指数VIX为因变量）。

- 买入信号显著，60天胜率约70%，平均收益3.7%；卖出信号表现不佳，反映黄金长期通胀避险属性导致价格长期上行趋势。[表6，page::9-10]

---

2.3 基于动量与估值效应的BL模型（章节2，页10-12）

• BL模型预期收益的生成基于“均衡收益率+偏移度(Tilt)”的框架，其中偏移度由动量效应及估值效应共同决定，且偏移度的调整机制区分买入/卖出信号。

- 预期收益计算中在均衡收益为正的条件下，结合动量和估值的看多/看空信号可形成四种组合情形，对预期收益率进行乘积调整，反映趋势与估值的协同或抵消效应。

• 初始权重设定为三类风险偏好类型（激进、平衡、稳健），限制权重范围（美股与黄金不超20%，港股不超30%，无卖空），风险资产与低风险资产比例分别为7:3、4:6、2:8。[表7,page::10-11]

回测结果：

• 基于动量信号的BL模型，激进型年化收益9.7%，最大回撤22.2%，Calmar比率1.24，夏普比率0.62。

- 融入估值效应后，激进型年化收益提升到10.5%，最大回撤缩小到17.2%，Calmar比率提升至1.46，夏普比率上升至0.73；平衡型和稳健型组合同样有所改善。[表8，表9，图8，图9，page::11]

• 历年收益数据显示，结合估值效应后的模型，在多数年份表现优于沪深300指数，尤其在跌市年份（如2011、2013、2016）相对更稳健。[表10, page::12]

---

2.4 融入风险预算模型的进一步优化（章节3，页13-17）

2.4.1 风险度量方法介绍（3.1节）

• 介绍三种风险度量方式：

- 损失波动率（即组合收益的标准差），
- VaR（置信水平下的损失分位数），
- 半方差（关注下行风险的度量）。

• 基于正态分布假设，推导每种风险度量下的风险贡献分解公式，风险贡献定义为资产权重乘以风险度量对该权重的偏导数。该分解保证组合风险总和等于各资产风险贡献之和。[page::12-13]

2.4.2 风险预算模型构建与应用（3.2节）

• 设计风险预算模型目标为使得各资产按预设的风险贡献比例贡献组合风险，约束资产权重非负且加总为1。

- 以A股、港股、黄金、债券为例，风险资产风险贡献固定比例调整（20%、40%、60%、80%），三种风险度量方式分别用于模型求解资产权重并进行回测。

• 回测区间2010-2017，结果显示风险预算模型配置整体表现优于基准固定权重配置，尤其风险水平较高（60%、80%）时，风险预算模型收益率和夏普率均高于基准，且最大回撤较小。

- VaR方法调配A股权重最高，波动率次之，半方差最低，考虑实用性，报告偏好传统波动率法。

[表11-16，图10，图11，page::14-16]

2.4.3 结合风险预算的BL模型回测（3.3节）

• 将风险预算模型生成的动态初始权重代入BL模型，替代传统固定初始权重，以风险贡献80%为例，配置权重与BL模型稳健型配置接近。

- 回测2011-2017，动态权重BL模型年化收益6.55%，较固定权重5.69%明显提升，最大回撤持平，Calmar和夏普率指标均提升，历史各年收益表现较好且更稳健。

• 净值曲线显示动态权重模型始终领先于固定权重模型。

[表17-18，图12，page::16-17]

---

2.5 风险提示及免责声明

报告提示数量化策略主要基于历史数据，模型可能含偏差，投资有风险，需谨慎。强调信息来源公开且不保证准确性，不构成投资建议，投资风险由投资者自行承担。[page::18]

---

3. 图表深度解读

3.1 沪深300估值与表现（图1-2，表1）

• 图1显示沪深300指数走势与静态、动态估值指标对比，动态估值（蓝线，与右轴对应）相比静态估值（橙线）波动更为合理，能更好捕捉高低估变化。

- 表1定量回测表明动态估值择时策略累计收益147.5%，年化17.5%，均优于静态估值策略，动态估值指标高点信号更精准，降低过早离场的问题。

• 图2净值曲线展示动态估值策略优于静态估值及基准指数，特别在2015年牛市阶段展示明显优势。[page::4]

3.2 港股估值指标表现（图3，表3）

• 图3恒生指数估值指标走势，显示估值指标多次处于较低（蓝线较低）但指数缓升。采用合成PE+PB估值指标，提高信号稳定性。

- 表3统计结果显示买入信号未来40-60天胜率高达68%，平均收益良好；卖出信号胜率仅35%，表现不佳，提示静态指标对顶部信号响应不足。[page::5-6]

3.3 美股估值指标与经济周期（图4-5，表4）

• 图4展示标普500指数价格与估值指标变化，蓝线估值较尖锐波动，橙线为价格。

- 图5美国经济周期划分，蓝灰色区域代表经济下行。估值阈值随经济周期调整，更灵活应对风险。

• 表4买入信号未来胜率60%以上，卖出信号胜率偏低，反映长期上升趋势对卖出信号的钝化。[page::6-7]

3.4 债券估值与经济状态（图6-7，表5）

• 图6中国GDP和通胀走势，灰色区域表示经济扩张期。

- 图7债券中债净价指数和利率分位数走势，利率高位（蓝色走势）对应债券价格压力。

• 表5买入低估区信号后债券有较高胜率和稳定收益，卖出信号收益偏负，表明择时逻辑有效。[page::7-9]

3.5 黄金估值指标表现（表6）

• 基于美元指数、VIX和通胀国债收益率的多因素模型构建回归估值，对黄金价格提供合理区间。

- 买入信号胜率60%以上，平均收益稳健，卖出信号效果差，黄金作为抗通胀资产特征明晰。[page::9-10]

3.6 基于动量和估值的BL模型回测（表8-9，图8-9）

• 动量+估值策略稳健提升绩效，提升年化收益率，缩小最大回撤，改善Calmar比率与夏普率，体现估值效应对动量交易的风险平滑作用。

- 净值曲线显示混合策略持续优于单纯动量策略。[page::11]

3.7 融入风险预算的权重设定与模型表现（表11-18，图10-12）

• 三种风险度量下的风险预算回测均体现出优于固定权重基准的收益风险表现，凸显动态调整优势。

- 风险预算模型净值回撤控制更优，说明动态调整策略具备逆向买卖特性。

• 融入风险预算动态权重后的BL模型综合表现优于固定权重模型，回撤未增加的情况下收益进一步提升，模型更稳健适应市场。[page::14-17]

---

4. 估值分析与模型关键点

• 报告采用BL模型，通过结合投资者的主观预期收益调整均衡收益率。预期收益率(Q)的生成基于偏移度(Tilt)，Tilt由动量指标和估值效应共同决定，根据资产处于估值高位或低位、趋势看多或看空状态，动态乘积调整。

- 初始资产权重由风险预算模型生成，风险预算模型的求解目标是满足各资产风险贡献与预先定风险预算一致。

• 风险预算模型中采用多种风险度量法，波动率(标准差)度量因其传统和实用性获得偏好。

- 通过历史回测，动态权重引入提高收益同时控制了组合最大回撤，实现了收益风险比整体提升，敏感地调节市场风险暴露。

• 估值效应有效弥补动量效应追涨杀跌的信号滞后性，风险预算机制则改善固定权重难以动态反映市场风险的局限，二者结合为优化BL模型设计的核心贡献。

---

5. 风险因素评估

• 报告明确指出本策略为数量化历史数据驱动模型，存在模型设定偏差的风险。历史表现不代表未来走势，市场极端事件可能影响模型有效性。

- 估值指标存在高位钝化问题，特别是港股与美股卖出信号表现不佳，有待进一步完善。

• 风险预算模型参数和风险资产权重设定依赖历史统计特征，存在动态调整不足及市场极端波动时风险无法完全反映的风险。

- 报告未详细说明对极端市场冲击和非线性风险的应对机制，或衍生产品风险管理措施。

• 这些风险提示体现审慎态度，提醒投资者某些局限和潜在风险未必完全可控。

---

6. 审慎视角与细微差别

• 报告对动量的依赖及其延迟交易特性有明确认识，估值效应的引入尝试改善这一不足，体现出对动量模型局限的适当检视。

- 估值指标的阈值、行业代表选择及数据质量直接影响模型表现，尤其美股与港股估值指标采用的静态PB/PE和历史分位数有一定局限，可能低估周期外的估值风险。

• 风险预算模型依赖对风险贡献的预设，过于刻板化的风险贡献配置可能不适应极端宏观变量的非线性变化。

- 报告的动态权重虽然测试表现优于固定权重，但调整频率和交易成本影响尚未深入展开。

• 本报告整体呈现深度结合理论与实务，且基于多个市场和资产类别的综合数据回测提供多维度验证，模型稳健性较强，但实操中仍需警惕潜在的模型风险和参数敏感性。

---

7. 结论性综合

本报告系统地构建并完善了BL模型中的预期收益率生成过程，创新性地将估值效应纳入动量驱动的主观收益体系，通过动态偏移度调整资产预期收益，有效减少动量策略追涨杀跌的缺陷，降低组合净值波动。同时，报告对大类资产各具特色建立了合理的估值指标体系，涵盖A股、港股、美股、债券及黄金，结合宏观经济周期及资产特质进行估值阈值的动态调整，使估值信号更贴合市场实际。

进一步，报告运用风险预算理论对资产权重设置进行动态改进，利用风险贡献原则反映市场波动变化，取代传统固定权重策略，提升了资产配置的风险适应性和收益表现。通过对不同风险度量方法（波动率、VaR、半方差）的系统比较，选择了标准差法作为首选，实现动态权重的有效治理。

实证回测涵盖2010年至2017年多个组合风险偏好层次，结果显示引入估值效应的BL模型较纯动量策略收益更高、最大回撤降低，Calmar和夏普比率提升明显。同时，动态初始权重策略较固定权重显著改善收益表现，且最大回撤没有扩大，展现稳健性。净值曲线对比进一步佐证动态权重优势。

综上，报告提出的将估值效应与风险预算动态权重融入BL模型的方案，有效增强了资产配置模型的市场适应性、收益风险比和风险控制能力，契合分散风险、动态管理的资产配置实践需求，为投资者在复杂市场环境下的资产配置提供了更为科学和实用的策略框架。[page::0-17]

---

结束语

本报告以扎实的理论基础结合丰富的实证分析，深入剖析并优化了BL资产配置模型，充分体现了对趋势跟踪局限性的认识和估值信号的价值，以及风险预算思想的动态权重优势，展现了资产配置领域多角度创新思考，为量化资产配置策略的应用与发展提供了重要参考和借鉴。

---

附：重要图表展示

• 图1：沪深300指数与动态/静态估值对比

• 图2：沪深300估值择时系统净值历史走势

• 图8：激进型动量与动量+估值收益比较

• 图10：风险贡献60%时风险预算模型净值对比

• 图12：不同初始权重设定下BL模型净值对比

报告