20171116-华宝证券-金融工程专题报告_B-L模型的鲁棒性优化及其在大类资产与行业配置中的运用_12页_1mb

报告摘要

B-L模型的鲁棒性优化及其在大类资产与行业配置中的运用

核心内容

本文主要探讨了B-L模型（Black-Litterman模型）的鲁棒性优化，并将其应用于大类资产配置与行业配置，以提高资产配置的稳定性和收益表现。

主要观点

传统B-L模型的局限性：
- 传统模型依赖市场一致预期或专家观点，难以在多资产配置中获取完整数据。
- 模型在实践中存在两个主要问题：
  - 择时观点与权重调整方向不一致。
  - 权重调整过于剧烈，影响组合稳定性。
优化思路：
- 预期收益率调整：引入择时信号，对看多资产的预期收益率在隐含均衡收益率基础上调高，看空资产则调低。
  - 调整幅度可通过“偏移度（tilt）”或“信心水平”控制。
- 协方差矩阵调整：采用加入半衰期的协方差矩阵计算方法，拉长样本期，增强模型的稳健性。
大类资产配置应用：
- 标的涵盖A股、债券、商品、海外权益与货币市场。
- 初始权重分为三档（风险资产与无风险资产比例分别为8:2、4:6和7:3）。
- 回测结果显示：
  - 稳健型配置：最大回撤3.01%，累计收益50.10%，年化收益率6.30%，Calmar比率4.194。
  - 激进型配置：最大回撤18.13%，累计收益85.01%，年化收益率9.69%，Calmar比率1.605。
  - 2017年以来的收益率分别为13.33%、8.85%和5.66%。
- 随着风险资产比例上升，收益率提升但最大回撤也相应扩大。
行业配置应用：
- 采用申万一级28个行业作为配置标的，回测时间跨度为2012年1月至2017年11月。
- 初始权重设定为中证500指数的行业权重。
- 通过波动率划分市场环境，当波动率处于20%至30%之间时，行业配置绩效最佳。
- 偏移度（tilt）设定为4时，各行业偏离度中位数约为20%，对冲后策略组合250天滚动最大回撤均值为-3.44%，该回撤水平在实践中是可接受的。
模型参数与表现：
- 增加tilt值会提升年化收益率，但最大回撤和波动率也相应增加。
- Calmar比率与夏普比率随着tilt增加而提升，但增幅逐渐减小。
- 信心水平设定为80%（高信心）和30%（低信心），分别对应不同的市场状态。

关键信息

模型优化方法：
- 通过择时信号生成预期收益率。
- 引入偏移度和信心水平，增强模型的灵活性与稳健性。
- 采用半衰期协方差矩阵计算方法，提高对近期波动的敏感度。
大类资产配置结果：
- 激进型：年化收益率9.69%，Calmar比率1.605。
- 平衡型：年化收益率7.37%，Calmar比率2.697。
- 稳健型：年化收益率6.30%，Calmar比率4.194。
- 所有策略在2011年以来的历年收益率均为正。
行业配置结果：
- 采用不同tilt值（1至10）进行回测，最大回撤逐渐扩大，年化收益率逐步提升。
- 当tilt=4时，对冲后策略组合最大回撤为-3.44%，年化收益率为4.594%，该配置适用于市场中性策略。
风险提示：
- 量化策略基于历史数据，存在模型设定偏差风险。
- 投资需谨慎，模型结果不构成买卖建议，亦不构成任何承诺或保证。

总结

本文通过优化B-L模型，解决了传统模型在预期收益和权重调整方面的问题，增强了模型的稳健性和适用性。优化后的模型在大类资产配置和行业配置中均表现出良好的效果，尤其在市场波动适中时，行业配置策略可实现较高的年化收益率与可接受的最大回撤。通过引入择时信号、偏移度和信心水平，模型能够更灵活地适应不同市场环境，为投资者提供更具实际意义的资产配置建议。

展开完整摘要