2024年主被动结合的大类资产配置新思路：从宏观友好度评分到BL模型观点矩阵

1. 宏观友好度评分指标：为各类资产定制专属的基本 层面量化指标

1.1. 宏观友好度评分指标系将投资时钟与宏观因子进行融合

国泰君安主动配置团队将所从事的 beta 研究定义为四个层次。针对第一 层（大类资产轮动）、第二层（跨市场轮动）和第三层（风格轮动）研究， 主要采用自上而下的方法；针对第四层（行业轮动）研究则主要采用自 下而上的方法。 基于对投资时钟和周期嵌套模型的理解，我们将某个经济体的某类周期 的环境压力程度进行量化，从而形成若干个具有鲜明周期特色的底层宏 观因子（例如：美国库存周期滞销指标）。再将这些类似原材料的底层宏 观因子进行逆序分位数处理，得到某类周期的宏观友好度评分指标（例 如：美国库存周期友好度评分）。最后，综合多种有关周期的宏观友好度 评分指标，依据相关关系和经济学逻辑合成为针对某类资产或风格宏观 友好度评分指标（例如：US 宏观友好度评分）。简言之，我们为各类资 产定制了专属的宏观基本层面量化指标，成为我们理解资产价格表现、 形成主观观点矩阵的重要依据。

1.2. 底层宏观因子是搭建各类资产友好度评分的原材料

底层宏观因子是我们构建各类风格专属宏观友好度因子的原材料，也是 下文的分析基础。因子的构建方式并不复杂，我们已在《如何以宏观友 好度评分辅助权益仓位管理》、《美债实际利率中期向下拐点将于春季确 认》、《宏观友好度视角下的中美权益资产比较》、《债市牛熊背后的周期 线索：宏观友好度 B》等报告中做过介绍。 根据截至 2025 年 1 月 15 日的宏观一致预期数据，在中性假设下，主要 的底层宏观因子及对应的周期友好度评分指标未来一年的运行趋势大 致如下：

（1） 货币缺口指标震荡上行，对应 CN 金融周期友好度震荡下行； （2） CN 滞销指标震荡下行，对应 CN 库存周期友好度震荡上行； （3） CN 滞胀指标上行，对应 CN 美林周期友好度下行； （4） US 实际利率小幅下行，对应 US 金融周期友好度小幅上行； （5） US 滞销指标先上后下，对应 US 库存周期友好度先下后上； （6） US 滞胀指标小幅下行，对应 US 美林周期友好度小幅上行； （7） KR 滞销指标震荡走平，对应 KR 库存周期友好度震荡走平； （8） 出口景气度震荡下行，对应 CN 出口景气度评分下行； （9） IN 滞销指标小幅上行，对应 IN 库存周期友好度小幅上行。

2. BL 配置模型回顾：通过主观观点改进 MVO 模型

由于不同资产价格变化的驱动因素有所不同，资产分散化配置可以降低 整体投资组合的风险。也正是因为这个原因，Markowitz 称“资产配置多 元化是投资中唯一的免费午餐”。对于金融市场上的投资者而言，为了分 散风险，平抑波动，往往需要进行多资产投资，而量化资产配置模型的 使用可以帮助投资者进行多资产比较和投资组合权重分配。国泰君安量 化配置团队长期以来对 Black-Litterman 模型、风险平价/预算模型、宏观 因子配置等模型进行了深入研究和策略积累。 马科维茨（Harry Markowitz）在 1952 年提出了著名的“均值-方差模型” （Mean-Variance Optimization Model，MVO），创建了现代资产组合理论， 将大类资产投资带入到量化配置时代。自此，分散化配置资产以降低整 体投资组合的风险这一投资理念深入人心。量化配置模型目前广泛应用 于中长期资金投资，帮助机构投资者进行多资产比较和投资组合权重分 配。

2.1. 均值-方差模型开启了量化配置时代

马科维茨在 1952 年提出了著名的“均值-方差模型”，将大类资产配置带 入到量化配置时代。该模型是一个双目标决策模型，以投资组合的期望 收益(均值)和风险(方差)为目标，导出了投资组合选择的均值-方差有效 组合和有效前沿等概念，以简明的方式解释了资产分散化的意义。在均 值-方差有效投资组合策略集中，高风险对应着高收益。投资组合选择是 在无风险资产和均值-方差模型有效资产组合中选出最适合投资者风险 偏好的投资组合权重。 MVO 模型是大类资产配置理论的重要基础，其突出贡献在于：（1）提 出了“约束+最优解”的标准范式来研究资产配置问题；（2）采用均值和方 差来刻画资产收益与风险，使得进行量化配置成为可能；（3）同时考虑 风险与收益，指出最优的投资组合并非单纯追求最高收益或最小风险， 而是在两者之间找到平衡。均值-方差模型的输入值包括三部分：收益、 风险、反映投资者风险偏好的参数。

Markowitz 提出的均值-方差模型基于以下几个假设： 1) 投资者是理性的，其行为模式是为了在给定收入和资金水平下最大 化其投资效用。 2) 投资者可以自由获得投资组合的收益和风险的信息。 3) 市场是非常有效的，对信息的反应是及时且准确的。 4) 投资者是风险厌恶的，并希望让投资组合风险最小，收益最大。 5) 投资者基于预期收益和收益的标准差或方差做出投资决策。 6) 在给定风险水平下，投资者更喜欢高收益的投资组合。

2.2. BL 模型改善了 MVO 模型实践中的不足

MVO 模型在理论上具有开创性意义，但在实践中遇到了诸多问题。比 如作为模型输入参数的资产期望收益率难以准确估计，实际应用效果大 打折扣；模型计算结果对输入参数，尤其是预期收益率非常敏感，使得 模型结果很不稳定；容易得到极端的结果，权重集中于少数或个别资产。为了解决这些缺陷，学界和业界不断提出新的理论和方法进行改进。 BL 模型是传统的均值-方差模型的改进。1990 年，高盛的 Fisher Black 和 Robert Litterman 对 MVO 进行改进，开发了 Black-Litterman 模型（简 称 BL 模型），并于 1992 年将其发表，后被业内广泛使用。BL 模型采用 贝叶斯理论将主观观点与量化配置模型有机结合起来，通过投资者对市 场的分析预测资产收益，进而优化资产配置权重。BL 模型有效地解决了 均值-方差模型对于预期收益敏感的问题，同时相较于纯主观投资具有更 高的容错性，为投资者持续提供高效的资产配置方案。

Black-Litterman 模型的基本原理是基于先验的收益率分布，结合投资者 对收益的预期，两者结合之后，得到新的结合后的分布，然后在此分布 的基础上优化得到资产权重。实现过程上，BL 模型借助贝叶斯分析，以 市场均衡权重为起点，通过投资者对市场的主观观点调整预期收益，再 使用 MVO 的优化框架得到投资组合。其基本逻辑是一种资产的期望收 益等于市场均衡收益和投资者主观期望收益的加权平均，如果投资者对 自己的主观观点信心很大，则主观的期望收益就会被赋予较大的权重， 资产的期望收益就会向主观期望收益靠拢；反之，如果投资者对自己主 观判断的信心不足，资产的期望收益就会接近于市场均衡收益。

2.3. BL 模型的主要实现步骤

为了便于说明将主动配置观点加入BL模型的过程，此处简要介绍Blac kLitterman 模型的实现过程。实现 BL 模型主要分四步：（1）通过逆向优 化从市场均衡条件出发得到关于资产预期收益的先验估计；（2）将投资 者的主观观点作为新的信息，计算观点分布；（3）将先验收益分布和主 观观点分布结合，使用贝叶斯方法计算得到资产预期收益的后验估计； （4），将后验收益和后验协方差矩阵输入均值-方差模型中进行优化求解， 得到具体的资产配置比例。其中，市场均衡收益、后验分布的计算是重 点，参数设置的合理性、主观观点的预测准确性是模型效果的关键。

3. 参考宏观友好度评分指标系设置 BL 模型观点矩阵

本文的目的是将国泰君安主动配置团队搭建与维护的宏观友好度评分 指标系数据库与量化配置团队使用的 BL 模型相结合，尝试探索一条主、 被动方法有机结合的大类资产配置研究新途径。 在本文第一章中，我们介绍了国泰君安主动配置团队如何利用底层宏观 因子构建各类资产、风格专属宏观友好度的研究框架。下面考虑如何将 主观观点融入到第二章所介绍的 BL 模型中。

3.1. 大部分目标资产直接根据宏观友好度评分设定主观观点

关于可投资的大类资产范围，我们假设国内人民币投资者可选的权益资 产范围包括 A 股、H 股、美股、日股、德股和印股，在债券方面可以投 资中债和美债。除股债以外，商品、美元外汇和黄金同样属于可选资产 范围。截至目前，主动配置团队为上述资产中的 8 种构建了专属的宏观 友好度评分指标，具体包括： 1、 A 股：CN 宏观友好度评分指标 E，针对万得全 A 指数。 2、 港股：HK 宏观友好度评分指标，针对恒生指数。 3、 国债：CN 宏观友好度评分指标 B，针对中债-国债总财富(总值)指数。 4、 美股：US 宏观友好度评分指标，针对标普 500 指数。 5、 印股：IN 宏观友好度评分指标，针对 SENSEX30 指数。 6、 日股：JP 宏观友好度评分指标，针对日经 225 指数。 7、 商品：CRB 商品宏观友好度评分 R 指标，针对 CRB 商品指数。 8、 美元兑人民币汇率：RMB 升值动力评分指标，针对离岸人民币汇率。

对于上述资产，我们直接依据宏观友好度评分指标定量设定观点矩阵。 想象在实际投资场景下，当关注 A 资产的投资者甲处于时间 T 时，他依 据截至 T 时的宏观（一致）预期信息，结合公式推算出 T+1 时 A 资产专 属的宏观友好度评分指标预期，再根据 A 资产历史上的收益率与其专属 宏观友好度评分指标之间的对应关系，得到 T+1 时 A 资产的预期收益 率。对于 BCD 等资产，投资者甲可以重复上述思维过程，从而获得了关 于一系列资产的主观观点矩阵。 现实中，如果复现上述思维过程，需要我们获得完整口径的历史宏观（一 致）预期数据，这比获得历史宏观实际数据难度大很多。替代的回测方 案有两种，其一是基于历史报告进行“case by case”的案例分析，缺点是 可供案例分析的时间点过于离散，且主观性过强。其二是在后视镜中将 某资产的宏观友好度评分的历史实际值视同为某种 100%正确的预测进 行回测，缺点是即使回测效果非常好，也仅能说明正确的宏观分析具有 增益效果，而我们知道宏观预测的难度是较大的。本次由于历史数据所 限，我们暂时先采用第二种方案进行回测，主要考虑是数据的客观性、 连贯性，以及实践中宏观预测的胜率可以通过修正一致预期和提高修正 预测的频率进行优化。

3.2. 根据美联储紧缩动力评分指标对美债预期收益进行评分

目前尚未正式发布针对美债的宏观友好度评分指标。我们基于现有研究， 采用简单方法构建对于美债预期收益率的评分。我们在 2022 年 11 月 23 日发布的《美债实际利率中期向下拐点将于春季确认》研究报告中提出 了美联储紧缩动力评分指标： 美联储紧缩动力评分=f(-0.5×失业率指标+0.6×居民通胀指标+0.3×景气 度指标+0.6×期限利差指标)，其中 f()代表顺序百分位处理。 该指标领先十年期美债实际利率约 6 个月，且解释力度较强，在中长周 期维度可以较好拟合和预测十年期美债实际利率趋势。实际中美债实际 利率往往低于美债名义利率，若需要预测美债名义利率还需加上通胀预 期。美联储紧缩动力评分可以作为美债资产收益率变化的反向指标，其 减小可以反映预期实际利率和预期 CPI 的下行，美债收益率此时往往表 现较好；而当美联储紧缩动力评分上行时，往往暗示 CPI 上升，美债实 际利率上升，美债收益率走低。 我们使用美联储紧缩动力评分指标的逆序百分位数作为近似美债预期 收益率评分观点。

3.3. 黄金相关观点结合初级黄金公式框架进行特殊处理

黄金作为一种特殊的资产，其价格由避险需求和保值需求共同决定，其中保值需求主要由美债实际利率和物价等经济基本层面信息决定，可测 性较强，我们可以用初级黄金公式“黄金基本价格=3.2×CRB 商品综合指 数－226×美债实际利率”表示。其经济逻辑为：原材料价格上升会刺激保 值需求增加，实际利率上升会抑制保值需求。而避险需求较难直接测算， 可以用实际金价与初级黄金公式计算出的理论基础金价之差推测，某些 时候避险需求占比较高，对金价影响较大。例如，在于 2024 年 1 月 28 日发布的报告《2024 年全球大类资产主动配置展望》中，我们观察到黄 金价格中包含的避险需求占比处于历史高位。

4. 宏观友好度评分观点对大类配置方案提升明显

4.1. 资产选择和模型主要参数设定

主观观点构建完成后，我们开始使用 BL 模型构建月度资产配置策略。 我们选取的投资标的为万得全 A 指数、恒生指数、标普 500 指数、日经 225 指数、Sensex30 指数、德国 DAX 指数、中债-国债总财富(总值)指 数、IBOXX 美元债总回报指数、CRB 商品指数、美元、COMEX 黄金， 无风险利率设定为货币基金指数。我们每月末使用 BL 模型对各类资产 权重进行计算，构建相应的资产配置组合。

4.2. 引入主观观点后 BL 模型策略效果得到提升

为了对比主观观点 BL 模型的提升效果，我们选取了两种不同基准策略 作为对比： 1） 等权参照组合：各资产等权重配比，月度再平衡。 2） BL 模型-1M 观点：考虑到我们在构建主观观点时使用了 1M 平均收 益率，历史动量的使用可能对策略表现起到较大影响，在该策略中 我们仅使用滚动过去 1M 平均收益率作为资产主观观点，加入 BL 模 型当中进行对比。该策略参数设定方法与宏观友好度观点 BL 模型 策略保持一致。

通过策略回测对比可以发现，引入宏观友好度主观观点的 BL 模型策略 表现显著优于其他对比策略。使用 1M 平均收益率作为主观观点的 BL 模型策略年化收益率为 11.0%，夏普比率达到 0.63。而加入宏观友好度 评分观点后，BL 模型策略年化收益率可达 17.2%，夏普比率可以达到 1.22。在过去 5 年的回测期中全部获得正收益，2019-2021 年收益率超过 10%，且 2024 年年化收益达到 91%。宏观友好度主观观点的 BL 模型策 略持仓数据参见附录 7.3 表格。 针对进行策略回测的宏观友好度评分，需要说明的是，2024 年 1 月及之 前的评分均是基于真实宏观数据进行构建，而 2024 年 2 月之后的评分 则基于市场宏观一致预期数据进行计算。在本文 3.1 节中提到使用滞后 6 个月的宏观友好度评分所对应的预期收益率构建主观观点时效果较好， 因此，在实际回测中，2023 年 8 月及之后的调仓均是基于宏观一致预期数据进行。 此外，为了保障模型策略的适用性和可对比性，如表 4 所示，策略对做 空进行了限制。如果将单一资产仓位限制改为(-100%,100%)，则宏观友 好度观点 BL 模型策略年化收益可以达到 29.3%，但放开做空限制后策 略波动增加，夏普比率下降至 0.50。

4.3. 引入汇率的宏观友好度观点可再次提升 BL 模型效果

上述测试结果可以说明宏观友好度评分指标系观点在 BL 框架下可以大 幅度提升策略效果。尽管回测效果良好，但观点构造在精度上仍有不足，

对于美元以外的各类外币资产而言，汇率波动因素是影响最终本币计价 收益率的重要因素。在前文中，由于对外币资产进行了人民币计价调整， 外币资产的汇率预期回报与外币计价资产回报仅通过过去 1 月的平均总 回报率进行反映。在本节中，我们对观点矩阵进行再次调整加工，将外 币资产宏观友好度与其对应的外币汇率宏观友好度进行加权组合，再次 进行 BL 模型测试。外币观点的权重设定综合考虑了汇率的波动情况和 变化幅度。

保持其他参数不变，策略回测表明引入汇率的宏观友好度观点 BL 模型 策略表现再次得到提升。该策略年化收益率可达 23.1%，夏普比率可以 达到 1.52。

需要再次强调的是，上述回测方法出于简化过程的考虑，将某资产的宏 观友好度评分的历史实际值视同为某种 100%正确的预测进行回测。缺 点是即使回测效果非常好，也仅能说明正确的宏观分析对资产配置具有 增益效果。好在，宏观经济数据预测并不是配置研究团队的核心工作， 投资者在实践中首先可以通过选择采信长期胜率更高的分析师观点，其 次可以自行对市场一致预期观点进行主观调整来提高预测胜率，最后可 以通过持续修正观点贝叶斯式地逼近事实。作为配置研究团队，我们的主要工作是为投资者提供一个逻辑简单清晰又可不断优化的主客观结 合的思考框架。

编辑：火腿肠