主动型资产配置新思路：资产配置不仅仅是风险分散

目录一、MVO模型适用动型资配置 4二、主型资配置心是收预测风险罚 4（一）主动型资产配置首先要构建有效的收益预测 5（二）主动型资产配置需要对收益预测进行风险惩罚 6三、主型资配置于两类景 91、主动型资产配置直接得到配置方案 92、被动型资产配置打底+主动型资产配置增强 9四、基于ETF主动资产配方案 101、MVO主动型资产配置ETF组合 2、全天候打底+MVO增强的ETF组合 12五、结论 13附录：于ETF的动全天候案 14风险提示 15图表目录图1：股权风险溢价（ERP）与股票收益相关 5图2：PMI与股票收益相关 5图3：中证800预期收益相历史均值更接近实际收益 6图4：纳斯达克预期收益相比历史均值更接近实际收益 6图5：商品预期收益相比历史均值更接近实际收益 6图6：黄金预期收益相比历史均值更接近实际收益 6图7：中证800GARCH波动与历史波动存在差异 7图8：黄金GARCH波动与历史波动存在差异 7图9：收益预测-风险惩罚模型的效果显著更优（目标波动3%） 7图10：收益预测-风险惩罚型的效果显著更优（目标波动5%） 7图收益预测-风险惩罚模型的效果显著更优（目标波动7%） 7图12：收益预测-风险惩罚型的效果显著更优（目标波动10%） 7图13：5%仓位限制下的仓变化 9图14：15%仓位限制下的仓变化 9图15：跟踪误差3%权益仓调整有限 10图16：跟踪误差3%黄金仓调整有限 10图17：ETF主动型资产配置略放开仓位限制后效果更优 图18：5%仓位限制的ETF仓位变化 图19：15%仓位限制下的ETF仓位变化 图20：ETF主动型资产策有显著的收益增强（不同跟踪误差） 12图21：跟踪误差3%权益ETF仓位调整有限 13图22：跟踪误差3%黄金ETF仓位调整有限 13图23：基于ETF的动态全候策略样本外表现较好 14图24：基于ETF的动态全候策略仓位变化 15表1：各类资产的有效因子举例 6表2：收益预测-风险惩罚效果更优（3%/5%目标波动） 8表3：收益预测-风险惩罚效果更优（7%/10%目标波动） 8表4：收益预测-风险惩罚效果更优（3%目标波动+不同的位限制） 9表5：收益预测-风险惩罚有显著的收益增强（不同跟踪误差） 10表6：ETF主动型资产配置策略放开仓位限制后效果更优 表7：ETF主动型资产策略有显著的收益增强（不同跟踪误差） 12表8：基于ETF的动态全天策略样本外表现较好 14资产配置理念经历多年的发展，从最初简单表述为鸡蛋不放在一个篮子，到如今大家试图找到不同宏观周期下最优的资产，不变的是分散化的理念，与时俱进的是分散化的内涵。过去我们说的分散风险是分散资产，但即便我们说东边不亮西边亮，也难以确认是否资产都放在了东边或西边。今天我们说的分散风险则是分散底层的逻辑，将资产背后的驱动因子进行分散化，而驱动因子必然与收益预测挂钩。换言之，资产配置不仅仅是分散风险，资产配置一定离不开收益预测。根据我们是否考虑收益预测可将常见的资产配置模型分为两类，一类被动型配置，典型如风险平价策略或风险预算策略，包括著名的全天候，其特点是仅考虑风险分散，不考虑收益预测。事实上，风险平价只是工具而非模型，全天候看似只考虑风险，实际已经基于宏观因子与资产长期收益的关系划分了四个象限。另一类主动型配置，其特点是先考虑资产收益，再结合风险度量，典型如均值方差MVO、B-L模型等。其他诸如美林时钟、GEYR、普林格周期等模型，我们认为更多是收益预测模型，最多算资产轮动模型，无分散化的内涵，也非典型的资产配置模型，不纳入此分类。一、MVO模型适用于主动型资产配置主动型资产配置首当其冲的是均值方差模型(MVO)。在此基础上又衍生出了均衡收益+主观观点的B-L模型。投资者普遍认为上述模型在应用过程存在的问题,有以下几点：1、模型对输入变量相对敏感，仓位较易集中在少数几类资产。但资产配置中应用均值方差模型相比个股投资中应用均值方差模型，其优势在于资产类型相对有限，通过约定持仓上限或下限可在一定范围内规避该问题。2MVOMVO模型的价值所在。首先，没有预测模型能做到100%准确，投资即预期，预期即概率。当我们内心有了对某一类资产的收益预测，如何评估其胜率，进而得到组合配置方案？MVO模型给出了解决方案，因其围绕我们预测的胜率大60%40%如另类资产或海外资产，由于其收益预测存在较大难度，MVO的适用性会大打折扣。此时可通过被动型资产配置模型对全资产构建配置中枢，再通过主动型资产配置对其中我们有预测能力的资产进行收益增强。综上，MVO适用的场景，一方面在我们熟知的几类资产之间进行配置，此时可增加资产的仓位限制避免仓位过度集中。一方面在资产类型较多的情况下，可先通过风险预算等被动型资产配置模型得到各类资产战略配置中枢，然后基于MVO等主动配置模型对其中几类我们有预测能力的资产进行收益增强。形成战略+战术资产配置方案。二、主动型资产配置的核心是收益预测和风险惩罚目前市场上的资产配置模型，以全天候策略认可度较高。原因在于全天候策略的底层是风险平价，不用做收益预测，而收益预测有较高的不确定性，风险的预测则更加稳健。然而，事实上，收益预测客观可验证，风险预测主观不可验证，不可验证者又何来稳健。因此，风险的稳健性更多指其在时间序列上的稳健性，而无关风险度量的准确性。那么，风险是什么？风险是对不确定性的认知，包含两个要素不确定性和认知。一方面，认知为主观，因人而异，因此风险也是因人而异。我们通常根据客户风险认知的差异对客户进行分级，如R1到R5，分别匹配不用风险等级的组合，这部分内容我们称之为KYC（KnowYourCustomer）。另一方面，不确定性也非客观，不确定性不等于波动，若资产或策略的波动大，但投资者有较强的预测能力，在投资决策时我们面临的不确定性同样很小。这部分内容与策略相关，我们称为KYP（KnowYourProduct）。本文重点讨论后者。投资即预测，当我们在投资中加入收益预测，哪怕胜率只是略高于50%，长期也能显著提升投资效果。从理论上说，如果预测能力足够强，可以完全不用做配置，直接投资收益最高的资产。在实践中，预测能力强的资产应该给予更高的置信度和更低的风险分配。通常我们用波动率对于这样的不确定进行刻画。但事实上，事后评价我们可以基于波动率统一评价，但事前投资决策时投资面临的不确定性必然因人而异，并非能用波动率一概而论。对于非专业投资者，承受的风险一定程度上可用资产波动来衡量，此时投资者对风险的感知可能不同，但其面临的客观不确定性，也即资产的或有亏损是类似的。而对于专业投资者而言，承受的风险或不确定性本身则存在差异，其差异来源于其预测能力的不同。主动型资产配置模型首先对资产收益进行预测，然后基于收益预测得到风险度量。此时的风险度量不是简单衡量资产自身波动，而是旨在惩罚收益预测的不准确性，也即惩罚风险。从而风险度量与预测能力挂钩。（一）主动型资产配置首先要构建有效的收益预测我们先做收益预测。大类资产收益预测无法构建诸如股票的因子模型，因为资产数量较少无法通过横截面回归找到显著的因子，也无法得到因子的风险溢价。资产配置中各类资产的收益预测因此只能构建时间序列模型，也即对于每一类资产，分别找到其可能存在影响的时序因子。例如，权益市场常见的影响因子包括股权风险溢价（ERP）、PMI、量价因子等。债券市场常见的影响因素包括股票跷跷板的影响、商品市场表现、资金利率等。黄金常见影响因素包括花旗经济意外指数（风险偏好）、中美利差（实际利率和大国博弈对美元信用的冲击）等。其他资产如美股，我们不具备基本面的信息优势，通常只能挖掘有效的量价因子，如不同参数的均线。图1：股权风险溢价（ERP）与股票收益相关 图2：PMI与股票收益相关650055004500350025001500

0.12中证800中证800中证800ERP（右）0.080.060.040.02

7000 中证800制造业中证800制造业PMI（右）5000 4000 3000 2000 1000 0 从结果上看，权益预测的有效因子包括ERP、PMI、MA20收益等。债券的有效因子包括股票同期影响、资金利率、商品表现、MA60收益等。美股存在部分有效均线。黄金的有效因子包括花20122020挖掘各类资产的有效因子如下：表1：各类资产的有效因子举例股票ERPPMIMA20收益债券股票资金利率南华商品指数MA60美股MA20MA5MA60MA120黄金花旗经济意外指数中美10年利差MA5商品MA5MA10MA20编制图3：中证800预期收益相历史均值更接近实际收益 图4：纳斯达克预期收益相比历史均值更接近实际收益0.20.20预期收益(股)实际收益(股)历史均值(股)(美股)(美股)实际收益(美股)0.10.052021-01-012021-04-012021-01-012021-04-012021-07-012021-10-012022-01-012022-04-012022-07-012022-10-012023-01-012023-04-012023-07-012023-10-012024-01-012024-04-012024-07-012024-10-012025-01-012025-04-012025-07-012021-01-012021-04-012021-01-012021-04-012021-07-012021-10-012022-01-012022-04-012022-07-012022-10-012023-01-012023-04-012023-07-012023-10-012024-01-012024-04-012024-07-012024-10-012025-01-012025-04-012025-07-01-0.2图5：商品预期收益相比历史均值更接近实际收益 图6：黄金预期收益相比历史均值更接近实际收益0.15预期收益(0.15预期收益(商)实际收益(商)历史均值(商)0.10预期收益(黄金)历史均值(金)实际收益(黄金)0.10.052021-01-012021-04-012021-07-012021-01-012021-04-012021-07-012021-10-012022-01-012022-04-012022-07-012022-10-012023-01-012023-04-012023-07-012023-10-012024-01-012024-04-012024-07-012024-10-012025-01-012025-04-012025-07-012021-01-012021-04-012021-07-012021-10-012022-01-012022-04-012022-07-012022-10-012023-01-012023-04-012023-07-012023-10-012024-01-012024-04-012024-07-012024-10-012025-01-012025-04-012025-07-01-0.05-0.1（二）主动型资产配置需要对收益预测进行风险惩罚前面提到，风险度量的目标是衡量收益预测的不准确性并施加惩罚，因此需要在风险度量中加入预测误差。在现有资产配置模型中，GARCH模型可一定程度上衡量收益预测的不准确性。此处构建GARCH（1,1），也即预期风险由历史波动与预测误差两部分构成。从而一方面体现波动的记忆性，一方面纳入预测误差的衡量。从结果上，GARCH波动与历史波动的度量结果存在显著差异。图7：中证800GARCH波动与历史波动存在差异 图8：黄金GARCH波动与历史波动存在差异GARCH_股历史波动GARCH_股历史波动_股GARCH_金历史波动_金14% 7%12% 6%10% 5%8% 4%6% 3%4% 2%2% 1%2014-01-012014-09-012015-05-012016-01-012014-01-012014-09-012015-05-012016-01-012016-09-012017-05-012018-01-012018-09-012019-05-012020-01-012020-09-012021-05-012022-01-012022-09-012023-05-012024-01-012024-09-012025-05-012014-01-012014-09-012015-05-012016-01-012016-09-012017-05-012018-01-012018-09-012019-05-012020-01-012020-09-012021-05-012022-01-012022-09-012023-05-012024-01-012024-09-012025-05-01综上，市场上目前最普遍的对均值方差模型的做法是基于历史收益对未来进行预测，或直接基于均衡收益（B-L模型）。即使用到资产收益预测，也不曾将风险度量与收益预测进行关联，从而模型的应用体验不好。本文所述主动型资产模型，所用的风险度量本质上是对收益预测不准确性的惩罚。也即收益预测-误差惩罚思路。分别基于上述收益预测-风险惩罚模型和历史收益均值-历史波动构建均值方差模型，前者的效果有显著提升。图9：收益预测-风险惩罚模型的效果显著更优（目标波动2.11.91.72.11.91.71.51.31.10.9收益预测-风险惩罚3%历史收益-历史波动3%

图10：收益预测-风险惩罚模型的效果显著更优（目标波动2.92.72.52.92.72.52.32.11.91.71.51.31.10.9收益预测-风险惩罚5%历史收益-历史波动5%图11：收益预测-风险惩罚模型的效果显著更优（目标波动7%）

图12：收益预测-风险惩罚模型的效果显著更优（目标波动10%）4343210收益预测-风险惩罚7%历史收益-历史波动7%654收益预测-风险惩罚10%历史收益-历史波动10%3210表2：收益预测-风险惩罚效果更优（3%/5%目标波动）目标波动3%5%模型设计收益预测-风险惩罚历史收益-历史波动收益预测-风险惩罚历史收益-历史波动年化收益11.5%10.8%18.7%17.2%标准差4.0%4.2%6.8%7.0%下行波动3.6%3.8%6.2%6.5%最大回撤-1.6%-2.0%-2.8%-3.5%夏普比2.872.582.772.46索提纳比3.212.843.042.64卡玛比7.165.356.684.94，统计区间2025.1-2025.10表3：收益预测-风险惩罚效果更优（7%/10%目标波动）目标波动7%10%模型设计收益预测-风险惩罚历史收益-历史波动收益预测-风险惩罚历史收益-历史波动年化收益25.7%23.4%36.3%32.7%标准差9.5%9.8%13.6%14.0%下行波动8.7%9.2%12.7%13.2%最大回撤-4.0%-4.9%-5.6%-6.9%夏普比2.712.392.672.35索提纳比2.942.552.852.48卡玛比6.494.806.424.74，统计区间2025.1-2025.10三、主动型资产配置可用于两类场景1、主动型资产配置直接得到配置方案结合前文分析，基于MVO直接构建资产配置模型需要注意两点，一方面仅限我们有预测能力的资产，一方面模型结果容易将仓位集中在某一类资产。对于后者，如果是股票或基金组合，对每个标的控制仓位不现实。但在资产配置层面，可通过对某一类资产做仓位限制。例如权益仓位限20%，与股票型基金的仓位上限保持一致。或将商品仓位限制15%以内，保证绝大部分仓位在传统生息（正carry）资产，从而克服MVO模型仓位过于集中的问题。3%的目标波动为例，给商品/黄金/5%、10%、15%2025年以来。从结果上看，今年以来黄金基本都配到了上限。从而随着资产仓位上限的放开，组合弹性更高，收益更高。表4：收益预测-风险惩罚效果更优（3%目标波动+不同的仓位限制）收益预测-风险惩罚收益均值-波动均值商/金/美股上限5%10%15%5%10%15%年化收益8.6%10.6%11.6%7.4%9.3%10.9%波动率2.7%3.2%3.7%2.9%3.4%3.8%下行波动2.5%2.9%3.3%2.9%3.3%3.6%最大回撤-1.8%-1.9%-1.5%-2.1%-2.2%-1.9%夏普比3.243.273.112.542.752.86索提纳比3.483.643.502.532.803.06卡玛比4.685.537.613.574.185.64，统计区间2025.1-2025.10图13：5%仓位限制下的仓变化 图14：15%仓位限制下的仓变化10

股 债 商 金 美股

10

股 债 商 金 美股 2、被动型资产配置打底+主动型资产配置增强若资产配置涉及的资产类型很多，而其中许多资产我们并不具备收益预测的能力，则无法通过MVO模型进行战略资产配置。但可基于其中我们有收益预测能力的部分资产进行战术增强。由此我们可以先用被动型资产配置策略得（如全天候）得到底仓，然后通过MVO做主动增强。具体而言，结合客户目标，得到风险预算策略下的资产配置中枢，例如下个月中枢是权益3%、87%5%5%MVO进3%87%作为基准仓位，得到MVO股债新的配置结果，优化过程控制跟踪误差。此时我们得到最终组合的收益包括两个部分，被动策略收益和主动增强收益。我们在《基于风险因子择时的动态全天候思路》中构建了动态全天候策略，我们先以此得到每个月各类资产仓位中枢，在此基础上对每类资产的收益进行预测，得到基于MVO的战术增强。结果显示，组合业绩表现相比动态全天候效果会有显著提升。在此过程中，我们可以继续锚定风险。如果追求更高的弹性就将追踪误差进一步放大。我们设定3%，5%，7%等不同跟踪误差的约束。结果如下：表5：收益预测-风险惩罚有显著的收益增强（不同跟踪误差）跟踪误差3%跟踪误差5%跟踪误差7%动态全天候年化收益7.5%8.3%9.5%7.0%波动3.1%3.4%4.1%3.0%下行波动2.9%3.2%3.8%2.8%最大回撤-5.8%-5.8%-5.9%-5.9%夏普比2.402.402.342.35索提纳比2.562.582.522.49卡玛比1.291.431.611.20，统计区间2017.1-2025.10图15：跟踪误差3%权益仓调整有限 图16：跟踪误差3%黄金仓调整有限MVO增强3%_权益 动态全天候_权益 MVO增强3%_黄金 动态全天候_黄金02021-01 2022-01 2023-01 2024-01 2025-01

0.250.20.150.10.0502021-01 2022-01 2023-01 2024-01 2025-01综上，通过MVO主动型资产配置进行战术增强，随着跟踪误差约束的放宽，组合收益进一步提升，在各类资产的仓位调整相对有限的情况下实现了显著的收益增厚。四、基于ETF的主动型资产配置方案800AU9999ETF的主动型资产配置方案将所有标的替换为ETF800ETF（详见《股债跷跷板的成因、影响和策略应对》、《大类资产仓位平稳，行业策略推荐有色/202510》），ETFETF拟合偏债混合型基金指数，选择相关性最高的债券ETF黄金用黄金ETFETFETFMVOETF组合。第二类以全天候打底，再通过MVO行增强。1、MVOETFETFMVO5%/10%/15%2024202510月。表6：ETF主动型资产配置策略放开仓位限制后效果更优3%目标波动商/金/美股上限5%10%15%年化收益7.2%9.0%10.4%波动率4.0%4.2%4.4%下行波动4.2%4.3%4.4%最大回撤-3.0%-2.7%-2.9%夏普比1.792.152.37索提纳比1.722.102.35卡玛比2.403.283.56最大回撤日期2025-04-072025-04-072024-08-05最大回撤回填时间(天)1145347，统计区间2024.1-2025.10图17：ETF主动型资产配置策略放开仓位限制后效果更优5%10%5%10%15%1图18：5%仓位限制的ETF仓位变化 图19：15%仓位限制下的ETF仓位变化股票行业轮动 国开ETF 十年国债政金债券ETF 有色ETF 黄金ETF纳指ETF

股票行业轮动 国开ETF 十年国债政金债券ETF 有色ETF 黄金ETF纳指ETF1 0.8 0.6 0.4 0.2 0 跟踪误差3%跟踪误差5%跟踪误差7%动态全天候年化收益9.4%10.2%11.6%9.0%波动3.3%3.9%4.9%3.1%下行波动3.2%3.9%5.0%2.9%最大回撤-2.2%-2.6%-3.1%-2.0%夏普比2.802.592.352.93索提纳比2.922.632.333.11卡玛比4.253.993.764.44，统计区间2024.1-2025.10图20：ETF主动型资产策略有显著的收益增强（不同跟踪误差）3%3%7%跟踪误差5%动态全天候1，统计区间2024.1-2025.10图21：跟踪误差3%权益ETF仓位调整有限 图22：跟踪误差3%黄金ETF仓位调整有限MVO增强MVO增强3%_权益ETF动态全天候_权益ETF0

MVO增强MVO增强3%_黄金ETF动态全天候_黄金ETF0 五、结论资产配置不仅仅是风险分散，收益预判同样重要。物理学中的永动机不存在，因其违背了能量守恒定律。投资中穿越周期的模型也不存在，因其违背了投资中的不可能三角——好的策略、策略的稳定性和策略容量不可兼得。换言之，对市场的研判，择时择赛道仍是要点。事实上，任何风险都不会脱离收益预判而单独存在。而资产配置模型的意义即在于通过系统化的设计让投资者的预判能力得以充分发挥，让胜率60%的人能够战胜胜率40%的人。资产配置策略的核心是基于对各类资产预判权衡不确定性得到组合方案。核心要素包括收益预期和风险度量。根据考虑要素的不同，资产配置策略可分为主动型资产配置和被动型资产配置。二者的核心区别包括两个方面：被动型资产配置仅考虑风险度量，而主动型资产配置需要考虑收益预测。本文尝试构建大类资产的收益预测模型，通过主动型资产配置模型得到方案，效果有显著提升。尽管二者都有风险度量，但度量的风险存在差异。主动资产配置策略中风险度量的主要目的是度量收益预测的不准确性，并在收益预测能力不足的情况下施加一定的惩罚，此时风险度量与收益预测挂钩。被动资产配置完全不考虑收益预测，此时风险度量是没有锚的，从而风险度量也是不唯一的。因此在《全天候策略需要在择时吗——风险均衡新思路》中我们提到可以用不同的