研报核心创新点 [page::0][page::2]

• 提出将资产风险及增长、通胀、流动性、利率等宏观因子纳入统一多维度风险均衡模型，扩展传统风险均衡策略。

- 利用机器学习带正则项的优化算法，解决经典风险均衡模型多重解及数值不稳定问题。

宏观风险因子构建及因子收益率估算 [page::4][page::6]

• 选取PMI、工业企业利润等构建增长因子，原油价格、猪肉价格等构建通胀因子，债券收益率构建利率因子等多维宏观因子。

- 采用历史资产收益率与因子值的相关性计算资产对因子暴露，用广义最小二乘法估算因子收益率。

多维度风险均衡算法与经典模型对比 [page::7][page::9]

• 经典风险均衡模型因多重解和无解情况出现风险贡献不均衡，多维度风险均衡算法通过正则化加正交迭代实现唯一稳定风险均衡解。

- 多维风险均衡模型因子风险贡献差异明显减小，总风险波动大幅降低。

因子风险暴露与资产池特征 [page::11][page::12]

• 观察池含九类大类资产，覆盖正负因子暴露，资产对风险、增长、通胀、利率四因子存在不同暴露模式。

- 通过因子协方差矩阵与暴露矩阵计算因子收益率，形成四因子累计净值曲线。

多空资产组合回测表现显著优于经典模型 [page::13][page::14]

• 四因子模型年化收益率8.7%，夏普0.60，远超美林时钟和经典单因子模型。

- 2013年至2019年表现优异，2020年流动性主导下表现受限。

流动性主导模型2020年后表现与经典模型对比 [page::14][page::15]

• 以资产风险、利率、流动因子构建，年化收益6.8%，夏普1.89，显著好于经典模型。

纯多头资产组合风险均衡难题及三种解决方案 [page::16][page::17]

• 可投池资产受限导致因子风险均衡难以实现，因子暴露范围偏离如表所示。

| 时间 | 风险因子 | 增长因子 | 通胀因子 | 利率因子 | 合计 |
|------|---------|----------|----------|----------|------|
| 2022-7 | 84% | 0% | 15% | 1% | 100% |

• 提出保守组合（资产风险为主）、微调组合（优化因子风险不均衡）、积极组合（结合重要宏观因子）三类方案，均优于经典模型，微调组合年化收益提升0.5%。

积极组合表现最优 [page::19]

• 积极组合年化收益5.4%，Calmar比率1.72，MRAR 5.32，风控指标较好，长期回测净值领先经典及微调组合。

期货多空组合显著提升投资组合表现 [page::20][page::21]

• 选取IF、IC、AU、JM、RB、TF六种期货资产，纳入增长和流动因子做多空组合。

- 积极组合年化收益7.6%，夏普0.86，MRAR6.76，远优于经典模型，且保持较好风险控制。

最新配置观点 [page::21]

• 股票看好中小盘，债券看好长久期信用债，商品看好黄金，期货持仓以TF主力合约为主，体现因子层面风险均衡。

多维度风险均衡的量化资产配置模型——机器学习系列之二 金融研究报告详尽分析

---

一、元数据与概览

本报告题为《多维度风险均衡的量化资产配置模型——机器学习系列之二》，由中泰证券研究所发布，报告日期为2022年9月8日，报告作者为李新春（执业证书编号：S0740520080002）。本报告主题聚焦于量化资产配置中的多维度风险均衡模型，尤其通过引入机器学习中的特征选择与正则化思想，结合宏观因子进行多因子风险均衡资产配置。报告提出一种创新的多维度风险均衡模型，将资产风险以及多个宏观经济风险因子（增长、通胀、流动性、利率等）纳入统一框架，通过带正则项的最优化方法解决传统风险均衡方法中存在的风险不均衡和多解问题，并在此基础上构建多空与纯多头投资组合，回测表现显著优于传统模型。

报告核心论点包括：

• 经典资产风险均衡模型仅考虑资产风险，忽略宏观风险暴露，存在风险集中问题。

- 引入增长、通胀、利率和流动性等宏观因子，构建多维度风险均衡模型，从因子层面实现风险均衡。

• 采用带正则项的凸优化提高算法稳定性和唯一性，克服多重解与无解问题。

- 提出了三种从因子组合到实际资产组合的映射策略（保守组合、微调组合、积极组合），适应不同投资限制和偏好。

• 基于国内市场数据（权益、债券、商品、期货等），多维度风险均衡组合回测较经典模型年化收益率提升明显，风险调整收益更优。

- 多空投资组合构建更加灵活，市场衍生品丰富是实现多维度风险均衡的重要条件。

• 当前市场配置建议：在股票方面偏好中小盘，在债券中看好长久期信用债，商品上偏好黄金。

- 风险提示强调模型基于历史数据统计，模型自身有限且可能在极端情况下失效，结论仅供参考。

总体来看，报告通过数学模型与机器学习思想结合，提出了适应宏观风险维度的资产配置新框架，具备理论深度与实证支持，体现了量化投资研究的前沿探索。[page::0,2]

---

二、逐节深度解读

2.1 引言：资产风险均衡到多维度风险均衡

• 关键论点：传统资产风险均衡模型仅关注资产间的波动率和相关性，忽视宏观变量对投资组合风险的影响，导致组合可能对某些宏观风险因子暴露过度，增加侥幸风险。多维度风险均衡模型通过引入宏观风险因子（增长、通胀、流动性、利率等）实现风险分散，更全面刻画资产风险来源，提高组合稳定性和表现。
• 推理依据：引用国际权威理论与实践（达里奥全天候策略、钱恩风险均衡策略、Roncalli因子层面风险均衡理论、多维风险均衡的数学证明等），报告系统梳理经典理论基础和当前研究进展，强调风险按因子分散而非仅按资产权重分配的重要性。
• 逻辑说明：多维度风控要求对比不同因子风险贡献，避免风险集中。投资策略要兼顾资产类别和宏观因子暴露，逐级从因子层面映射至资产层面。
• 核心模型思想：

- 经典风险均衡公式（资产权重与贡献风险平衡）；
- 多维度风险均衡涉及因子收益率与协方差；
- 策略无须依赖资产收益率预测，降低主观假设；

• 使用的数据及来源：横跨2010-2022年，国内丰富资产类别和宏观指标。[page::2,3]

2.2 本文研究方法综述

• 宏观风险因子构建：通过高频宏观指标（PMI、工业利润、价格指数、社融等）构建增长、通胀、利率、流动性、信用、汇率共6个宏观风险因子，采用同比增长率或对数同比加权处理，确保数据质量和时效性，构建2007年至今的月频序列（见图2、图3）。
• 因子收益率估算：

- 对不同大类资产计算对因子的暴露度（载荷），通过历史36个月相关系数并Z-score标准化；
- 利用佛马-麦克贝斯类方法和广义最小二乘求解因子收益率；
- 公式见（1），（2），实现资产收益率向因子收益率的映射。

• 多维度风险均衡模型构建：

- 引入带正则项的凸优化问题（公式（6）），通过调整正则化参数$\rho$实现从最小方差解到风险均衡解的连续过渡；
- 使用序列最小方差风险均衡算法（算法1），解决经典模型多重解、多维度风险贡献差异大问题；
- 算法增加初值枚举，遍历不同“象限”（投资方向和仓位限制），保证优化的可行性和唯一性。

• 因子组合到资产组合映射：

- 标准映射式为$w{opt} = P^T wf$，但面临多空资产组合和纯多头资产的现实限制；
- 提出三种资产层面映射策略：

1. 保守组合：重构资产协方差矩阵，基于资产风险均衡策略；
2. 微调组合：用经典解作为初值，优化因子风险不均衡问题；
3. 积极组合：结合金融逻辑偏好宏观因子，提高收益潜力。

• 核心创新：机器学习中正则化、特征选择方法借鉴，增强模型鲁棒性与解释力。[page::4,5,6,7,8,9]

2.3 多空资产组合模型表现研究

• 数据样本及资产选取：

- 使用9类大类资产，包括权重指数（300、500、恒生）、黄金、布油、商品指数、信用债和国债不同期限指数；
- 资产表现详见图7，指标包括年化收益率、波动率、夏普比率、最大回撤等，表明资产风险特征多样。

• 因子暴露示例（2010年1月，图8）：

- 资产对风险因子、增长因子、通胀因子、利率因子的暴露矩阵展示资产性质与宏观相关性，比如黄金对通胀和利率曝露为正，股票类对增长曝光显著。

• 因子收益率累计净值趋势（图9）：

- 展示增长、通胀、利率和风险因子收益率长期动态，利率因子波动性较大，表现周期性特征，增长因子波动明显。

• 模型对比：

- 三个模型维度分别是经典资产风险均衡（资产风险单维）、美林时钟（资产风险+增长+通胀）、四因子模型(资产风险+增长+通胀+利率)；
- 过程包括计算因子协方差→求解风险均衡因子组合→映射至资产组合→评估表现（截面资产、回测净值等）（见图11流程图）。

• 回测表现（图12、图13）：

- 四因子模型年化收益率8.7%，大幅领先美林时钟的2.0%和经典模型的4.7%；
- 但年化波动率和最大回撤较高，夏普比率（0.60）显著好于美林时钟（0.35）；
- 2020年疫情导致四因子模型失常，表现波动明显；
- 经典模型波动率最低（1.8%），风险指标较稳健。

• 2020年至今流动性主导模型（图14、图15）：

- 以资产风险、利率和流动因子构建，年化收益率6.8%，夏普率1.89，最大回撤6.3%；
- 表现明显优于经典模型，显示宏观因子模型对特定周期具有优势。

总体而言，多空资产组合条件下，多维度风险均衡模型有效提升收益表现，体现宏观因子风险管理及多空策略的重要价值。[page::10,11,12,13,14,15]

2.4 纯多头资产组合模型表现分析

• 挑战与现状：

- 纯多头投资限制导致因子风险难以均衡，因子暴露范围不包含理想风险份额；
- 2022年初至今资产组合对四个因子暴露集中（图16），风险因子暴露高达89%-101%，增长因子暴露负较多，通胀、利率因子波动显著；
- 纯多头资产组合暴露波幅大（图17），风险均衡难达成。

• 改进策略：

- 保守组合：以资产风险为主，重新拟合协方差矩阵求解风险均衡资产组合；
- 微调组合：以经典模型解为初值，优化因子风险均衡；
- 积极组合：重点选择增长和流动因子关注权益表现，强调收益率提升。

• 回测表现（图18、图19）

- 微调组合年化收益率5.2%，高于经典模型4.7%，夏普1.48，波动率适中；
- 保守组合风险指标表现稳定，夏普率2.70，最大回撤低，适合作为经典模型替代；
- 两者都较经典模型有不同程度提升。

• 积极组合表现（图20，图21）：

- 集中资产风险、增长和流动三因子，年化收益率最高达5.4%，Calmar和MRAR指标最优；
- 年化波动率略高于经典模型，夏普率略低，但多项风险调整指标优于传统模型；
- 分年度表现优异，净值曲线稳健上升。

以上表明，虽然纯多头资产组合受限制但通过策略创新依然能实现风险均衡，并提升组合表现。[page::16,17,18,19]

2.5 基于期货类资产的模型表现

• 资产选择与数据：

- 纳入国内主流期货合约作为底层资产：股指期货（IF、IC、TF）、黄金（AU）、焦煤（JM）、螺纹钢（RB）等，数据区间2013-2022年（图22）；
- 期货资产波动率命中较高但流动性强，更易构建多空组合。

• 多空因子风险均衡模型（积极组合）表现

- 采用资产风险、增长和流动性三因子，允许多空，组合权重分布在[-1,2]；
- 回测期2016末至2022年6月，年化收益率7.6%，明显高于经典模型3.4%；
- 夏普比率0.86，最大回撤16.3%，较经典模型更能捕捉资产价格变化，调整风险；
- 分年度收益显示2020年以来，积极组合优势明显（图23，图24）。

• 最新配置观点（图25）

- 权重分布显示大部分资金集中于国债期货（95%），其余权重小幅分布于中小盘、黄金等；
- 股票看好中小盘，债券偏好长久期信用债，商品看好黄金，体现宏观因子逻辑的反映与实践结合。

期货市场衍生品的引入为多维风险均衡模型实现最佳投资组合提供了良好条件，提升了收益和风险管理效率。[page::20,21]

---

三、图表深度解读

图1： 金融逻辑与数学模型思维导图

• 展示了从宏观研究、多因子模型到风险均衡因子组合，进而映射到因子风险均衡的资产组合过程，清晰地将宏观经济指标与投资组合构建逻辑联系起来，强调多维度风险均衡的全流程框架。

图2：宏观风险因子值构建方法

• 展示选择的6个宏观风险因子及其对应的高频指标数据和处理方法，说明了因子构建思路及强调数据质量与代表性。如增长因子选择PMI、工业利润等同比加权指标。

图3：宏观风险因子值时间序列

• 展示2007年起宏观因子值变动，显示各因子走势波动明显且趋势多变，如增长因子波动范围较大且反映经济周期周期性，利率因子和流动因子表现活跃。

图4：经典风险均衡模型求解时因子风险贡献

• 可见风险贡献最大与最小因子差距巨大（最高幅度近80%），且总风险波动极大（最大接近2500%），暴露经典算法在多重解和无解环境下不稳定和风险均衡失败问题。

图5：多维度风险均衡算法求解结果

• 风险贡献最大和最小因子贡献曲线高度重合，最大差距仅0.9%，总风险水平明显稳定且极低，显示新算法从理论与数值上改善风险均衡性。

图6：2007-01起三个宏观风险因子值走势图

• 显示增长、利率和通胀因子长期走势，增长和利率因子反向关系显著，通胀因子起伏幅度较小，反映经济和货币环境变化。

图7：大类资产历史表现

• 资产覆盖权益、债券、商品各大类，差异显著。权益类波动率高，夏普较低；信用债波动极低，夏普突出；黄金波动中等、夏普适中，整体反映资产风险收益多样性。

图8：资产对因子暴露矩阵

• 资产暴露分布合理，体现资产与经济因子相关关系多样，黄金对增长和通胀呈正暴露，股指多对增长呈正，债券对利率呈负暴露，对后续风险均衡模型基础性揭示。

图9：因子收益率累计净值

• 显示2009至2022年间因子模拟组合表现，利率因子走势波动大，风险因子净值上涨显著反映市场风险溢价上升。

图11：因子组合到资产组合流程图

• 清晰展现因子协方差矩阵、因子值序列、资产对因子暴露输入到因子风险均衡算法输出多空、保守、积极组合的全流程。

图12及13：不同模型风险指标和净值曲线对比

• 四因子模型年化收益最高（8.7%），但风险指标也高，净值曲线明显优于经典和美林时钟模型，尤其表现出较高的风险调整收益。

图14及15：流动性模型风险指标和净值曲线

• 2020年疫情后流动因子模型表现显著优于经典，夏普率高（1.89），净值稳健回升但2021年后遇流动性因子负面冲击回撤。

图16及17：2022年因子暴露情况与纯多头资产组合暴露范围

• 凸显纯多头限制让风险因子暴露大幅偏离完全均衡条件，无法覆盖风险均衡需求，进而影响组合风险管理目标。

图18及19：保守与微调组合风险指标和净值

• 微调组合提高年化收益0.5%，夏普显著超过1，净值曲线稳健且优于经典模型，显示实操中有益改善空间。

图20及21：积极组合表现

• 积极组合年化收益最高5.4%，多项风险调整指标优良，长期净值曲线稳定攀升，表现最为出色。

图22：期货资产历史表现

• 展示主要期货合约表现，波动普遍高于权益与债券，衍生品资产为多空操作带来灵活性提供了条件。

图23及24：期货积极组合与经典模型表现对比

• 积极组合年化收益7.6%，大幅超越经典3.4%，夏普提高，收益波动更为合理，折射多空因子风险均衡策略优势。

图25：2022年8月底资产配置权重

• 精细化配置反映宏观因子导向，债券仓位调整到高久期信用债，股票偏好中小盘，商品侧重黄金，符合当前经济环境判断。

---

四、估值分析

本报告属于量化资产配置策略范畴，不直接涉及传统股票估值（P/E、DCF等）分析，聚焦于基于风险贡献的组合配置权重优化，通过最优化算法寻找风险均衡资产配置权重，不涉及具体价格目标价估值。因此报告没有传统估值分析内容，但所涉及的风险贡献衡量与各资产协方差矩阵构建本质上是资产价值隐含的风险度量。在模型执行中，关键参数如正则化系数$\rho$和初始点的选取影响组合最终权重，类似敏感性分析；递减正则项保证收敛与唯一性，部分解决了非凸优化多解问题。

---

五、风险因素评估

• 报告风险明确指出：

- 结论基于公开历史数据统计测算，数据延迟和准确性风险存在；
- 模型基于历史规律，可能失效且不能完全准确预测未来；
- 极端市场环境下模型解释力可能不足，存在风险；
- 多维风险均衡方案基于数学和统计假设，存在模型误差；

• 风险提示提醒投资者勿盲目信赖模型结果，应结合市场实际多维度考量。
• 本报告未列明具体缓解策略，暗示需谨慎使用模型输出并持续校准维护。

---

六、批判性视角与细微差别

• 报告以历史数据做底层依据，暗含假设历史因子协方差结构稳定，弱化了突发极端风险对协方差的冲击；

- 模型较依赖资产对宏观因子暴露的准确估计，暴露估算过程可能受样本选择和数据偏误影响；

• 对多空组合的回测表现优异，但未充分披露交易成本、杠杆约束和流动性对实际影响，实际操作风险可能高于回测；

- 纯多头配置难以达因子层面均衡，模型提出三种改进，更像是一种近似解方案，实操灵活性仍待检验；

• 模型构建过程中涉及较多参数选择（正则化系数、初值等），敏感性未充分展示，估计会影响最终配置结果稳定性；

- 报告着重凸显积极组合收益改善，但相较波动率和最大回撤的升高，风险及回撤管理建议较弱；

• 仅以有限宏观因子代替所有潜在风险源，忽略了其他可能影响市场的重要宏观动态（如地缘政治风险、流动性窘境等）；

- 多因子模型均衡策略本身反映均值风险态度，未涵盖极端尾部风险的控制策略。

总体而言，模型创新及结果吸引人，但需要结合实操细节和动态调优框架补充理解。

---

七、结论性综合

本文系统构建了一个多维度风险均衡资产配置模型，纳入资产风险及增长、通胀、利率、流动等宏观风险因子，有效克服经典风险均衡模型的风险集中和多重解难题。通过引入带正则项的最优化算法和多初值枚举策略，模型能实现因子层面高度均衡的风险贡献，提升组合稳定性和收益表现。

因子收益率的估计基于大类资产对宏观因子的暴露矩阵和历史收益率，通过广义最小二乘方法获得，搭配机器学习中正则化思想形成高鲁棒性的风险均衡解。报告提出了三种从因子组合映射到实际可投资资产组合的策略，适应多头与多空投资限制，既考虑风险分散，又兼顾收益潜力。

通过详尽的历史回测，报告显示：

• 在多空资产组合下，四因子模型年化收益高达8.7%，显著超越经典模型；

- 在纯多头资产限制下，微调和积极组合较经典组合收益和风险调整指标均有所提升，积极组合表现最佳；

• 流动性因子主导模型在2020年疫情后表现出色；

- 期货多空积极组合回测表现突出，体现多空策略及衍生品应用重要性。

• 最新配置建议偏好中小盘股票、长久期信用债及黄金商品，体现宏观因子驱动的资产配置策略反映市场风格和时点判断。

图表分析力证其统计学和经济学合理性，风险贡献曲线和资产暴露矩阵揭示了传统模型风险集中问题及改进算法的有效性。风险提示部分明确模型基于历史数据延迟且可能失效，强调谨慎应用。

综上所述，报告成功展示了一个前瞻性的以机器学习与多因子模型结合的多维风险均衡资产配置框架，理论扎实，实践数据支撑充分。对于具备多空操作能力且注重宏观风险管理的投资者，提供了新的量化投资解决方案和资产配置思路，值得进一步研究和应用。[page::0,2,5,7,9,12,14,16,18,20,22]

---

结尾

该报告技术细节丰富且数据详实，显示了深厚的量化投资研究实力。其在多因子风险均衡和宏观因子融合方向的创新作法，可为专业投资机构在资产配置中优化风险收益提供有力工具。投资者和策略设计师在借鉴时需关注模型假设和市场实际差异，结合实战环境动态调整。

报告