量化模型与构建方式 1. 模型名称：BL模型 - 模型构建思路：BL模型是对传统均值-方差模型的改进，采用贝叶斯理论将主观观点与量化配置模型结合，通过投资者对市场的分析预测资产收益，优化资产配置权重[10] - 模型具体构建过程： 1. 选择合适的底层资产，如沪深300、恒生指数、标普500等[10] 2. 计算资产的预期收益和协方差矩阵 3. 将主观观点与市场均衡收益结合，得到修正后的预期收益 4. 通过优化问题求解资产配置权重 - 模型评价：BL模型有效解决了均值-方差模型对于预期收益敏感的问题，同时相较纯主观投资具有更高的容错性[10] 2. 模型名称：风险平价模型 - 模型构建思路：风险平价模型是对均值-方差模型的改进，其核心思想是将投资组合的整体风险分摊到每类资产中，使得每类资产对投资组合整体风险的贡献相等[13] - 模型具体构建过程： 1. 选择合适的底层资产，如沪深300、标普500、恒生指数等[13] 2. 计算各资产的预期波动率及预期相关性 3. 计算初始资产配置权重下各资产对投资组合的风险贡献 4. 对各资产实际风险贡献与预期风险贡献间的偏离度进行优化，得到最终资产配置权重[13] - 模型评价：风险平价模型通过分摊风险，使得投资组合在不同经济周期阶段都能获得稳定收益[13] 3. 模型名称：基于宏观因子的资产配置模型 - 模型构建思路：基于宏观因子的资产配置模型通过构造涵盖增长、通胀、利率、信用、汇率和流动性六大风险的宏观因子体系，提出一个通用性的宏观因子资产配置框架[15] - 模型具体构建过程： 1. 每月末计算资产的因子暴露水平 2. 以风险平价组合作为基准，计算基准因子暴露 3. 根据对宏观未来一个月的判断，给定主观因子偏离值，结合基准因子暴露，得到资产组合的因子暴露目标 4. 带入模型反解得到下个月的各个资产配置权重[15] - 模型评价：该模型建立了宏观研究与资产配置研究的桥梁，使得宏观主观观点能够在资产层面落地[15] 模型的回测效果 1. 国内资产BL模型1 - 本周收益：0.41%[2][8] - 9月份收益：0.63%[2][8] - 2024年收益：5.98%[2][8] - 年化波动：1.69%[8] - 夏普比率：5.07[8] - 卡玛比率：10.95[8] 2. 国内资产BL模型2 - 本周收益：0.27%[2][8] - 9月份收益：0.50%[2][8] - 2024年收益：5.40%[2][8] - 年化波动：1.47%[8] - 夏普比率：5.24[8] - 卡玛比率：11.83[8] 3. 国内资产风险平价模型 - 本周收益：0.08%[2][8] - 9月份收益：0.07%[2][8] - 2024年收益：4.46%[2][8] - 年化波动：1.15%[8] - 夏普比率：5.51[8] - 卡玛比率：17.38[8] 4. 基于宏观因子的资产配置模型 - 本周收益：0.04%[2][8] - 9月份收益：0.06%[2][8] - 2024年收益：3.87%[2][8] - 年化波动：1.24%[8] - 夏普比率：4.46[8] - 卡玛比率：12.27[8] 5. 全球资产BL模型1 - 本周收益：0.81%[2][8] - 9月份收益：0.76%[2][8] - 2024年收益：6.62%[2][8] - 年化波动：1.97%[8] - 夏普比率：4.83[8] - 卡玛比率：9.94[8] 6. 全球资产BL模型2 - 本周收益：0.62%[2][8] - 9月份收益：0.52%[2][8] - 2024年收益：5.48%[2][8] - 年化波动：1.48%[8] - 夏普比率：5.30[8] - 卡玛比率：12.23[8] 7. 全球资产风险平价模型 - 本周收益：0.13%[2][8] - 9月份收益：-0.07%[2][8] - 2024年收益：4.90%[2][8] - 年化波动：1.03%[8] - 夏普比率：6.80[8] - 卡玛比率：22.31[8]