2024年全球资产配置实战模型：如何应对市场短期剧烈波动？

1. 报告研究的核心问题

“风险平价模型”是全球资产配置中的常用模型。其局限性之一是当备选资产的波动率差异很大时， 过于集中配置低风险资产，导致投资组合在市场上升期间表现不佳。本报告尝试通过“组合固定比 例保本技术（CPPI）”对各国权益资产和黄金进行风险指标的优化，平抑风险资产波动率，再利用 风险平价/风险预算模型构建出全球资产配置基础模型。 在基础模型之上，本报告引入三种模型提升机制，尝试重点解决如下问题： 1. 如何在欧债危机、新冠疫情等“黑天鹅”事件发生时有效预警并降低组合回撤？ 2. 在组合已出现回撤，基金经理不愿轻易降低仓位的情况下，如何在有效规避后续回撤的同时， 不踩空后续反弹？ 报告可分为三个部分： 1. CPPI 技术介绍及权益资产风险指标优化 2. CPPI 风险平价/风险预算基础模型构建 3. 全球资产配置模型提升。

2. 数据处理

备选资产介绍与说明

ETF 的交易费率低、投资灵活，本报告主要选择了 7 个国内可投资的各类资产 ETF 作为备选资产用 于全球资产配置模型的构建。其中包含 5 个权益 ETF（涵盖中国（含中国香港）、美国、欧洲和日 本股票市场）、1 个中债 ETF 和 1 个黄金 ETF。

上述备选资产不包含美债资产，主要原因在于国内机构投资美债存在种种限制，具体如下： 1) 国内暂无直接跟踪美债的 ETF，国内机构需通过 QDII 基金间接投资美债； 2) QDII 美债基金产品的规模小：规模 5 亿以上产品仅 16 个（前后端合计）； 3) QDII 美债基金产品均长期限制大额申购：单日限额 100 万以内，对机构投资者调仓造成困难； 4) QDII 美债基金产品均为 T+2 交割模式，增加操作和流动性风险。

CPPI 无风险资产选择

CPPI 技术需要选定一个无风险资产或低风险资产。业内通常直接使用国债或者货基，但本报告推荐 使用“同业存单 AAA 指数基金”作为无风险/低风险资产，主要有以下考量： 不使用国债的原因：本模型中，政金债 ETF 是七个备选资产之一，且走势与国债高度相关，不利于 进一步分散风险。同业存单基金没有申购赎回费用，较政金债波动更小。 不使用货基的原因：货基近年来收益率一路走低，近年来年化收益已不足 2%，而同业存单基金年化 收益接近 2.5%。同时与货基一样，同业存单基金无申购赎回费用。

备选资产价格拼接方法与原则

报告所选取的 7 个 ETF 资产中部分 ETF 基金的上市时间较晚。为更好衡量模型表现，需尽可能延长 回测区间，对资产价格进行拼接。拼接时主要遵循以下原则： 1) 优先使用 ETF 跟踪指数的“全收益指数”进行拼接； 2) 若 ETF 跟踪指数基期不够长或指数价格无法提取，再使用走势与跟踪指数类似的同类指数进行 拼接。

对于上文提到的无风险资产，我们使用了活期存款、货基、同业存单 AAA 指数与同业存单基金拼接。 在 2002-2003 年间，活期存款的年化收益稳定为 0.72%。

3. 基础模型构建

CPPI 技术介绍

CPPI（Constant Proportion Portfolio Insurance，固定比例保本策略）是一种基于风险管理的投资策略。 其核心思想是根据投资者设定的保本周期和保本比例，计算当前组合价值与保本目标的差距，实现 对风险资产和无风险资产投资比例的动态调整。

CPPI 参数设置

CPPI 换仓频率：旬度换仓（每两周周五收盘价计算 CPPI 风险资产与无风险资产配置比例，以下周 一收盘价调仓）。

CPPI 使用范围：权益 ETF + 黄金 ETF。CPPI 本质是为了降低资产波动率、控制回撤，债券 ETF 的波动率已然较低，若进行 CPPI 会进一步拉低收益，为后续构建组合带来困难。

通过对比可以看出 CPPI 后各资产价格与原价格相比有如下特征： 1. 波动率、最大回撤等风险指标出现显著改善; 2. 年化收益的提升或降低与原价格整体走势有关。因加入无风险资产，通常导致年化收益较原始 ETF 略有下降，但对于整个周期上行趋势不显著，且出现多次长周期下跌的资产（如沪深 300）， CPPI 通过降低回撤，年化收益反而出现提升。

CPPI 组合的风险资产配置比例受风险资产价格影响呈周期性波动

可得以 下结论： 1. 风险资产的配置比例在 60%左右呈现周期性波动。 2. 波动周期主要受保本周期（1 自然年度）影响。因所用的无风险资产相同，沪深 300 和标普 500CPPI 组合每个自然年度初始风险资产配置比例是相同的；后续若风险资产价格走高，则配 置比例上升直至 80%上限；若后续风险资产出现下跌，则配置比例下降。至第二个自然年度重 新开始上述周期。

回测框架

回测区间：2002.07.01 – 2024.06.28 换仓周期：旬度换仓（每两周为一个周期，以第二周周五收盘价计算 CPPI 风险资产与无风险资产配 置比例，下周一收盘价调仓）。 交易费率：买入、卖出均按交易金额的 0.025%收取佣金。 基准 1：大类资产固定权重（股票：债券：黄金 = 6 : 3 : 1），大类资产内部各 ETF 等权配置。 基准 2：基于原始备选 ETF 的风险平价模型净值。 协方差矩阵计算方法：以各资产近 252 个交易日的日度收益率计算协方差矩阵，半衰期为 60 日。

资产仓位限制：为降低风险，限制换手，我们需要对各大类资产的仓位进行限制（仓位限制针对各 ETF-CPPI 组合，不针对各 ETF）。具体如下： 权益：总仓位不得超过 80%，权益资产内部各资产仓位不做限制； 债券：仓位不得超过 70%； 黄金：仓位不得超过 30%。

CPPI+风险平价基础模型：风险指标显著改善，收益弹性不足

我们将经过 CPPI 处理后的 ETF 作为新资产，分别按照固定比例（股票：债券：黄金=6:3:1）和风险 平价进行配置。对比各自基准，可以看出在波动率、回撤、夏普率及卡玛比率方面均有显著改善。

目前经过 CPPI 处理后进行风险平价的模型主要问题在于年化收益较低（仅 6.3%），同时卡玛比率 较低（0.547）。后续我们将尝试对策略的弹性和收益回撤比进行提升。

CPPI+风险预算模型（固定风险预算比例）：改善不显著

对于风险预算模型，我们需给定各资产的风险贡献比例。通常可以有两种思路：1）给定固定的风险 预算比例；2）根据资产近期表现，动态调整每次换仓时的风险预算比例。 我们首先尝试固定风险预算比例。参考基准中大类资产配置比例，将股、债、黄金的风险配置比例 设定为 6:3:1，大类资产中各资产的风险等分。

CPPI+风险预算模型（动态风险预算比例）

风险预算比例的动态调整可以从“收益风险性价比”和“降低组合风险暴露”两个思路构建风险预 算分配机制。 首先，从“收益风险性价比”的思路出发，我们可以利用各资产过去半年（126 个交易日）“夏普 率”作为风险预算的基础。底层逻辑是给与收益风险性价比高的资产更多的风险预算。 但部分资产有时因为亏损导致夏普率为负，通常可以通过“平移法”和“排序法”处理。 “平移法”： 将当期所有资产的夏普率正向平移，直至没有负数夏普率，再归一得到风险预算比例。 “排序法”：对夏普率进行排名，再将排名归一化得到风险预算比例。

通过对比测算可知，排名法显著优于平移法。原因在于排名固定了每次可能出现的风险配置比例， 类似与“分级靠档”的思想，既可有效处理夏普率为负的问题，又能避免极端值对风险预算的影响。 此外，从“降低组合风险暴露”的角度，我们可以利用各资产的“在险价值（VaR）”作为风险预 算基础。底层逻辑是给与风险小的资产更高的风险预算。与夏普率相同，VaR 本身为非负值，我们 采用历史法计算各 ETF（CPPI 后）的日度 VaR（?=0.95，时间长度为过去 126 个交易日），分别使 用“平移法”和“排序法”进行测算。

由测算结果可知，两种方法的效果差异不大，推测原因可能在于 VaR 很少有极端值出现（夏普率可 能由于分母波动率很低靠近 0，更容易出现极端值）。

风险预算模型参数敏感性测试

针对夏普率和 VaR 计算的时间长度进行敏感性测试。

可以看出当计算区间长度改变时，策略的年化收益、波动率变化不大，最大回撤稍有变化。整体上 基于“夏普率排名”和“VaR 排名”的风险预算模型对指标计算的区间长度不敏感。 整体看使用“VaR 排名”和“夏普率排名”的风险预算模型在收益风险特征、参数敏感性上类似， 后续测算中，我们选用“VaR 排名”作为风险预算的基础。

4. 基础模型存在的问题

根据之前的测算，目前该策略的问题在于收益弹性不足（年化收益仅 6.5%左右，依旧较低）、收益 回撤比不高（收益回撤比仅为 0.5 左右）。 通过观察 CPPI 组合净值可发现：  对于市场普通下跌和震荡，CPPI 可有效降低组合回撤和波动； 模型对短期暴跌的风险处置不够及时。旬度换仓频率较低，非换仓日暴跌只能等到换仓日再行 保本调整。 CPPI 组合的回撤较原 ETF 有所减小但依旧显著。 模型欠缺对短期暴跌后的防踏空机制。通常在经历亏损后，基金经理希望保留足够的风险资产 仓位博一个后续反弹。但模型出于保本需要会在大幅回撤后大幅减仓风险资产，这可能导致踏 空后续反弹。

5. 模型提升：CPPI 重新保本机制

重新保本机制介绍

CPPI 重新保本机制：在 CPPI 策略净值出现短时间内大幅回撤后，CPPI 策略放弃原有保本目标（V0 ×?），转而以当前组合净值为基础，重新设置保本目标（V?× ?），重新保本。 具体计算方法：对各备选 ETF 的 CPPI 组合净值进行日度监控，计算组合近 5 日涨跌幅。若 5 日跌 幅超过-5%， 则触发重新保本信号。以当日收盘价计算重新保本金额（V?× ?），在下一个交易日以 新的保本金额和收盘价进行换仓。

重新保本机制在 CPPI 组合层面有效但在风险预算层面失效

使用添加“重新保本机制”的 CPPI 组合作为风险预算的基础资产，计算“VaR 排名”作为风险预 算方案的组合回测表现较原先依旧未出现显著改善。

重新保本机制的问题与局限性

重新保本机制的重要底层假设：资产在经历了短时间暴跌后，后续往往出现 V 形反弹。 我们统计了所有 ETF 的 CPPI 组合触发“重新保本机制”信号后，未来 5 个交易日和 10 个交易日原 ETF 的收益分布，可以看出有相当一部分（下图绿色部分）的收益依旧为负，其中未来 5 日收益率 为正的概率为 56.82%，盈亏比为 1.139；未来 10 个交易日收益率为正的概率为 61.36%，盈亏比为 1.157。这说明在遭遇短期大幅下跌后（5 日跌幅超 5%），资产未来的走势仍有相当大可能继续下行， 在此时进行重新保本，提升权益资产配置并不一定划算。

重新保本机制的重要底层假设（资产在经历了短时间暴跌后，后续往往出现 V 形反弹）可能并没有 错但是困难在于“短时间”是多久？需要跌到什么程度才会出现 V 形反弹？ 若保本后资产价格继续下跌，重新保本机制将使组合后续遭受更大的损失。例如沪深 300ETF 在添 加重新保本机制后，较原 CPPI 组合在 2008 年损失惨重。

我们尝试改变参数或使用其他条件进行判断，但该问题本质是一个较为终极的问题：如何预判“市 场底” 的到来。目前还尚未有切实准确的方法。因此我们尝试从另一个思路出发，对组合净值日度 监控，力求在回撤较小时提示风险，降低回撤。

6. 模型提升：组合日度净值监控机制

组合日度净值监控机制介绍

日度净值监控机制：每日对组合净值进行跟踪，当净值出现显著下跌时，触发预警并清仓权益和黄 金资产，全仓买入债券 CPPI 组合。当净值稳定后再按照风险预算模型给出的权重进行配置。 触发预警条件： 若当前组合净值位于半年线（MA120）以上，当前净值自上而下穿越半年线（MA120）； 若当前组合净值位于半年线（MA120）以下，单日跌幅超过-1.0% 退出预警条件： 假设不触发预警，原净值自下而上穿越 3 日均线后，退出预警。 调仓均滞后一日，T 日发出“进入预警”或“退出预警”信号，T+1 日调仓。

参数讨论

“日度净值监控机制”进入条件有两个参数，分别为净值穿越的均线长度（M）和当日跌幅阈值（T）； 退出条件涉及 1 个参数，假设不触发预警原净值穿越的均线长度（N）。我们针对上述参数进行了 遍历回测，分别统计了各参数组合的收益风险特征及触发预警次数。

综合考量夏普率、卡玛比率和预警触发次数，最终选取半年线（MA120）和单日最大跌幅超-1%作 为进入预警条件参数。原净值（假设不触发预警）上穿 3 日均线（MA3）作为退出预警参数。

日度净值监控机制能有效降低组合回撤

添加“日度监控机制”年化收益不受影响，最大回撤显著降低，收益回撤比均超过 1.0。

7. 模型提升：资产疤痕遗忘机制

疤痕遗忘机制介绍

即使“日度监控机制”风险解除，“黑天鹅事件”产生的疤痕效应将持续影响资产 VaR 进而影响风 险预算。我们以“新冠疫情”为例，测算了以半年为周期（126 交易日）用历史法（α=0.95）计算 的 VaR 时序（如下图所示）。可以看出新冠疫情前后各 ETF-CPPI 组合的“VaR 排名” 出现了显著 变化。 疫情前多数权益 ETF-CPPI 组合的 VaR 均小于黄金 ETF-CPPI 组合（黑线），疫情导致权益资 产暴跌，使恒生、标普、德国 ETF-CPPI 的 VaR 在之后长期（至少半年）大于黄金。因此基于 “VaR 排名”的风险预算模型无法在预警结束后给风险资产分配较高仓位，进而导致无法抓住 暴跌后的反弹。

“疤痕遗忘机制”：当“净值日度监控机制”预警结束，根据 “VaR 排名”进行风险预算时，先剔除 “净值日度监控机制”预警期间的各资产 CPPI 组合日度收益率，再计算 VaR 及资产协方差矩阵。 实际操作中，我们建议剔除“预警期间+期间前后各 N 个交易日”再进行 VaR 计算（将暴跌区间剔 除干净），原因如下： 1. 在模型中，T 日收盘触发预警，T+1 日才进行调仓，因此在剔除疤痕时需要将 T 日包含在内。 2. 进入预警的条件之一：若净值在半年线之上，净值自上而下穿越半年线，触发预警。净值可能 在穿越半年线之前已经出现大幅下跌，需要将这期间的疤痕也剔除干净。

疤痕遗忘机制具体步骤 1. 剔除各 ETF-CPPI 组合预警区间的日度收益（包含预警区间前后 N 日）； 2. 提取换仓日近 126 个日度收益率计算 VaR； 3. 提取换仓日近 252 个日度收益率计算资产协方差矩阵。 先剔除疤痕，再取近126日不会因剔除疤痕导致各换仓日计算 VaR和资产协方差矩阵的数据量不同。 在“黑天鹅事件”导致预警频繁连续触发的时候该处理方式尤为重要！ 我们统计了每期换仓时因疤痕遗忘剔除的天数占近 126 个交易日的比例（仅剔除预警区间，不包含 前后 N 日），如下图所示。可以看出剔除比例在频繁触发预警后显著增加，最高时接近 25%。高比 例的剔除可能导致 VaR 计算结果和协方差矩阵计算不准确，因此我们先剔除，再取近 126 个日度收 益率计算 VaR，保证每期数据均为 126 个。

疤痕遗忘机制能有效降低“黑天鹅事件”后续影响

对比疤痕遗忘前后的各 ETF-CPPI 在险价值 VaR 可以看出，在疤痕遗忘后，各 ETF-CPPI 的 VaR 值 在疫情前后保持稳定，未出现显著改变，这可保证模型在退出“日度净值监控预警”后能有效博取 后续反弹，组合弹性获得提升。

8. 模型提升：CPPI 风险乘数调整机制

CPPI 风险乘数调整机制介绍

目前组合的年化收益率与标准固收+产品的预期年化收益率仍存在差距。因此需要进一步提升 组合弹性。 增加组合弹性的一个基本思路是增加权益资产的比例。经过测算发现直接按固定比例调高权益 CPPI 组合的权重效果不佳，原因在于 CPPI 组合由风险资产和无风险资产两部分组成，若调高权益资产 CPPI 权重势必也会增加无风险权重，弹性提升效果不显著。

CPPI 风险乘数 M 调整机制：在计算风险预算比例、搭建风险预算模型、确定“日度监控机制”进 出时点、剔除“疤痕遗忘机制”日度收益率时均使用原参数（M=3），仅在交易时按照新风险乘数 的 CPPI 价格及收益率进行交易。 为进一步提升组合弹性，我们对 CPPI 风险乘数 M 进行了遍历（如下表所示），随着弹性系数的增 加，组合的年化收益提升，最大回撤和年化波动也随之增加。 我们推荐选择 M=4.5，对应年化收益率 8.30%，最大回撤-6.46%，年化波动率 5.06%，卡玛比率 1.286。

最终推荐策略收益特征统计

我们将回测时间分为三段： 1. 2002/06 – 2005/12：A 股早期（股权分置改革前）的投资逻辑与现在有显著差异，策略年化收 益跑输基准，但回撤和波动均有显著改善。 2. 2006/01 – 2015/12：A 股中期（经历两轮牛熊）策略的年化收益、波动、回撤均显著优于基准。 3. 2016/01 – 2024/06：近八年策略的年化收益、波动、回撤较基准继续保持显著优势。

最终推荐策略各自然年度收益、波动和最大回撤情况，如下图所示（2002 年仅包含下半年； 2024 年仅包含上半年）。

目前最新一期（2024/8/30)的各资产配置比例为：沪深 300ETF（29.2%）、标普 500ETF（13.4%）、 德国 ETF（11.7%）、日经 ETF（3.6%）、恒生 ETF（6.5%）、政金债 ETF（1.9%）、黄金 ETF（14.5%）、 同业存单基金（19.2%）。

9. 模型提升机制小结

本报告以 CPPI+风险预算模型为基础模型，共详细讨论了四个模型提升机制： CPPI 重新保本机制（未采用）：该机制尝试在大幅回撤发生后，对 CPPI 组合重新基于当前的组合 市值重新设定保本目标，目的是降低后续踏空的概率，在回撤后博反弹。我们最终未采用该机制， 原因在于模型难以准确判断市场底部，若在重新保本后资产价格继续下跌，会给组合带来更严重的 回撤。 日度净值监控机制（采用）：该机制通过每日监控组合的净值走势，设定进出预警条件，当回撤发 生时，及时止损，全仓买入债券资产；当资产价格企稳，退出预警。模型最终采用该机制，从回测 结果看，该机制能有效降低组合回撤与波动率。 疤痕遗忘机制（采用）：该机制通过主动删除（遗忘）“日度净值监控机制”预警期间（资产价格 大幅下跌区间）的日度回报率，有效避免了资产价格大幅下跌导致 VaR 指标大幅下降带来的风险预 算欠配问题，防止后续踏空。模型最终采用该机制，从回测结果看该机制能显著提升模型的弹性。 CPPI 风险乘数调整机制（采用）：该机制通过调整 CPPI 组合中风险资产的权重，能有效提升组合 弹性。模型最终采用该机制，投资者亦可根据自己的风险偏好确定适合的风险乘数。

编辑：火腿肠