多维度风险均衡的量化资产配置模型——机器学习系列之二

证券研究报告/量化投资策略报告 2022 年 09 月 08 日

[Table_Title]
分析师：李新春 投资要点
[Table_Summary]
执业证书编号：S0740520080002  本文同时把资产风险维度，以及多个宏观风险维度：增长、通胀、流动性等放入统
电话：18019761462 一的模型，使用带正则项的优化算法，获得多维度风险均衡的投资组合。在基础模
型上，我们可以自由挑选宏观因子，达成既定宏观暴露目标。多维度风险均衡组合，
Email：lixc@r.qlzq.com.cn 相比经典模型在多项风险指标上有明显优势。

 本文的研究方法大致如下：首先我们使用中高频数据拟合宏观指标，构造宏观因子
值；其次我们使用多因子模型的思路求得这些因子的收益率和协方差；因为因子组
合无先验分布范围，求解需要用带正则项的最优化算法。最后从因子组合回到纯多
头资产组合并非易事，我们提出了三种基于金融逻辑和数学直觉的解决方法。在研
究过程中，我们借鉴了机器学习中特征选择和模型优化的思路。

 我们选择的回测区间为 2010 年年初至 2022 年年中，底层资产涵盖权益、信用债、

国债、黄金、原油和商品等等。试验模型选择资产风险、增长、通胀和利率合计四
个风险维度。相比仅考虑资产风险的经典模型，多空资产组合年化收益率从 4.7%
提高到 8.7%，MRAR 从 4.6 提高到 6.5。而纯多头资产组合中，以积极组合为例，
相比经典模型的表现如下：
相关报告
[Table_Report]
年化收益率 年化波动率 夏普比率 最大回撤 Calmar MRAR
《中泰时钟系列报告》
积极组合 5.4% 2.1% 2.53 3.1% 1.72 5.32
《海外养老目标基金战略和战术资
经典模型 4.7% 1.8% 2.63 3.0% 1.54 4.63
产配臵观察与思考》
《挖掘资产定价中的隐式因子——  对随着金融市场的发展和衍生品的丰富，构建多空资产组合更加便利。我们选择 2016
末至 2022 年 6 月为回测区间，使用 TF、IF、IC、黄金、焦煤和螺纹钢作为底层资产，
机器学习系列之一》 积极组合相比经典模型的表现如下：
年化收益率 年化波动率 夏普比率 最大回撤 Calmar MRAR
积极组合 7.6% 8.8% 0.86 16.3% 0.47 6.76
经典模型 3.4% 3.9% 0.85 3.9% 0.87 3.20

 根据模型给出的 2022 年 8 月末资产配臵权重，我们最新的观点如下：

股票：相对大盘更加看好中小盘；
债券：更加看好长久期信用债；
商品：更加看好黄金。

 风险提示事件：本报告结论完全基于公开的历史数据进行统计、测算，文中部分数据
有一定滞后性，同时存在第三方数据提供不准确风险；模型均基于历史数据得到的统
计结论且模型自身具有一定局限性并不能完全准确地刻画现实环境以及预测未来；模
型根据历史规律总结，历史规律可能失效；模型结论基于统计工具得到，在极端情形
下或存在解释力不足的风险，因此其结果仅做分析参考。

请务必阅读正文之后的重要声明部分
 量化投资策略报告

内容目录
一、引言：从资产风险均衡到多维度风险均衡 ................................................... - 3 -
1.1 经典资产风险均衡模型回顾 ................................................................... - 3 -
1.2 宏观风险均衡模型回顾 .......................................................................... - 4 -
二、本文的研究方法综述 .................................................................................... - 5 -
2.1 宏观风险因子值构建 .............................................................................. - 5 -
2.2 因子收益率计算 ..................................................................................... - 6 -
2.3 基于因子的风险均衡模型 ...................................................................... - 7 -
2.4 从因子组合到可投资产组合 ................................................................. - 10 -
三、允许多空资产组合的模型表现.................................................................... - 11 -
3.1 因子值与因子收益率示例 .................................................................... - 11 -
3.2 基于多空资产的模型表现与对比.......................................................... - 13 -
四、纯多头资产组合的模型表现 ....................................................................... - 16 -
4.1 可投池在因子层面风险无法均衡.......................................................... - 16 -
4.2 保守和微调组合的回测表现 ................................................................. - 18 -
4.3 积极组合的回测表现 ............................................................................ - 19 -
五、基于期货类资产的模型表现 ....................................................................... - 21 -
5.1 多空组合 vs 经典模型 .......................................................................... - 21 -
5.2 最新一期配臵观点 ............................................................................... - 22 -
风险提示 ............................................................................................................ - 23 -

-2- 请务必阅读正文之后的重要声明部分
 量化投资策略报告

一、引言：从资产风险均衡到多维度风险均衡
仅考虑资产风险的经典均衡模型让投资者尝到了分散化投资的甜头，但忽略

了其它维度的影响。某些时候投资组合的巨大回撤是因为对单一宏观因子的过度

暴露。本文给出了如下解决方案：多维度风险均衡模型，我们尝试为传统风险均

衡加入增长、通胀、流动和利率等宏观因子，获得因子层面达成风险均衡的投资

组合。在基础模型上，我们可以自由挑选因子组合的，达成既定宏观暴露目标。

多维度风险均衡组合，相比传统组合在多项风险指标上有明显优势。

新的解决方法并非我们的一时心血来潮，而是充分借鉴了中泰金工团队在资

产配置方面的研究经验。我们用数学模型刻画金融逻辑，借机器学习之眼观察市

场数据，最终以投资组合呈现配置观点。为了方便读者，核心思维导图如下：

图 1：金融逻辑和数学模型的思维导图
宏观研究 维度 因子风险
风险均衡
因子模型 因子 → → 均衡的资
因子组合
数学语言 象限 产组合
来源：中泰证券研究所

宏观研究通常把一些重要指标称为宏观维度，连同资产风险一起，我们使用

多因子模型的思路求得这些因子的收益率和协方差；因为因子组合无先验分布范

围，求解风险均衡的因子组合需要用到带正则项的最优化算法，数值解可能分布

在多个数学象限中。

本文剩余部分组织如下：首先我们回归经典风险均衡模型和宏观风险均衡风

险；基于国内市场数据构建因子值，求得风险均衡的因子组合；由因子组合回到

资产组合，特别是纯多头资产组合并非易事，我们提出了三种基于金融逻辑和数

学直觉的解决方法。

1.1 经典资产风险均衡模型回顾

面对多变的经济环境，我们能否找到普遍适用的资产配置策略？20 世纪 90

年，桥水基金的创始人达里奥（Ray Dalio）尝试从配置风险，而非配置资金的

-3- 请务必阅读正文之后的重要声明部分

qWhV9ZzRpMrNpO7NcMaQpNmMnPmOeRrRyRiNsQqQ7NpOrRwMnMmOxNqMmO
 量化投资策略报告

角度回答这个问题，他提出了全天候配置策略。凭着在金融市场上的实战经验，

达里奥认识到了各类资产对宏观环境的反应不同且可以预测；那么多样化配置不

同的资产能够最小化经济变化对整体投资组合的影响。全天候策略构建的投资组

合，使用了平衡的方法确保所有不可预测的短期投资风险随着时间的推移而互相

抵消。

如果全天候策略可以看作是达里奥超凡金融直觉的产物，那么风险均衡策略

就是钱恩平（Qian, 2005&2006）用优美的数学语言写出的方程。相比于常见的

均值-方差最优组合，风险均衡有两个关键性的不同：第一，它不依赖于预测收

益率，无需计入任何资产收益或风险调整后收益的主观信息，风险均衡配置成为

投资组合构建的出发点；第二，风险均衡的理论定义不使用优化过程，所以组合

权重对输入参数不太敏感。策略形成的投资组合，高（低）波动率对应低（高）

权重，高（低）相关性对应低（高）权重。

学界和业界对风险均衡和风险预算类策略开展了一系列研究和应用。就我们

所知，Roncalli 等（2012）最早提出了将投资组合的风险分解到风险因子的层

面，探讨在因子层面能否达成风险均衡。他们指出，因子组合的风险均衡解可能

出现空头仓位；某些风险预算目标或约束条件下，资产组合也可能出现空头仓位。

对于非常规的风险均衡问题，Bai 等（2013）试图给出一个数学上的解决办

法。他们使用多象限上的凸优化技巧给出了风险均衡的解集合，并指出解集合的

阶数是2𝑛 。他们展示了一个改进非凸最小二乘模型的最优解可以包含上述风险均

衡问题的解集合，并且提出了选择解的标准。对应地，他们也提出了一种求解该

模型的交替线性化算法框架。

1.2 宏观风险均衡模型回顾

除去聚焦资产间风险的经典模型，另一类思路主攻研究和分析影响资产的各

类因子，例如增长、通胀、利率等，并以此构建特定因子暴露的投资组合。Blyth

等（2016）分析了现有的一些资产配置框架，由此设计出一种称之为灵活定制因

子的资产配置复合过程。

宏观数据的发表频率低而且相对资产价格滞后，从而对宏观指标的中高频拟

合方法成了各种基于宏观风险进行资产配置模型的核心要素。
以 SSGA 和 Invesco

-4- 请务必阅读正文之后的重要声明部分
 量化投资策略报告

为代表的机构使用了主成分分析从大类资产价格序列中挖掘隐式宏观风险因子；

该方法的优点是解释力度高，往往几个主成分就能解释资产价格的大部分波动；

缺点是隐式因子缺乏直观的经济学意义，而且不同时间段主成分（按解释力度排

序）的含义会变化。

而 BlackRock 等使用构建资产多空组合来模拟目标宏观因子走势，例如增长

因子可以通过做多权益、房地产、商品和做空现金来拟合；该方法的优点是可以

构建高频和可投资的因子，缺点是不能直接运用到可投大类资产品种较少的金融

市场。

Bender 等(2019)提出直接将每个宏观风险因子使用一种大类资产价格代替，

例如全市场指数代替增长，通胀挂钩债券回报代替利率等；而因子的收益率，使

用类似 Fama-MacBeth 回归的方式估算。

虽然以上三种方法对宏观指标的拟合方法差异明显，但就数学本质而言，它

们估算出的因子收益率都是大类资产收益率的线性组合。

二、本文的研究方法综述

2.1 宏观风险因子值构建

刻画经济状态的直接宏观指标存在一些缺点：历史数据质量较差，统计口径

的变化或其他原因导致指标代表的宏观经济意义可能发生了较大变化，前后不具

备可比性；发表频率低而且相对资产价格滞后，对宏观指标和资产价格做统计或

回测分析的结果容易失真。中泰金工发布的“中泰时钟”系列报告，曾对四个维

度：产出、通胀、政策和资产间联动关系分别展开分析，着重研究指标的对比和

数据清洗，进一步筛选出更有代表意义、数据质量较优、同类指标中较为领先的

指标，精简各个维度的指标体系，提升模型决策过程的直观性和可解释性。

与前者不同的是，本文并不希冀使用领先指标来预测大类资产的收益率表现，

而是想要将投资组合的风险在多个维度上充分分散。所以我们使用精简后的“同

步”指标来构建宏观风险因子即可，因子值、高频指标和处理方法如下：

-5- 请务必阅读正文之后的重要声明部分
 量化投资策略报告

图 2：宏观风险因子值构建方法
宏观风险因子 高频指标 处理方式
PMI、工业企业利润、固定资
增长因子 同比加权
产投资、社会零售数据
原油价格、猪肉价格、螺纹
通胀因子 对数同比加权
钢价格
一年期国债收益率、十年期
利率因子 同比加权
国债收益率
流动因子 12 个月移动平均社融 同比
五年期 3A 信用债和五年期国
信用因子 同比
债之间的利差
汇率因子 美元对人民币的中间价 同比

来源：wind，中泰证券研究所

考虑到一些高频指标的发布及修订时间，我们构建了自 2007 年 1 月至今的

宏观风险因子值月频序列。

图 3：宏观风险因子值 2007-01 至今

来源：wind，中泰证券研究所

2.2 因子收益率计算

特征选择是预测模型的核心问题。基于因子的分析框架首先需要选择一组兼

顾解释力度和适度简化的因子。传统的风险均衡模型只选择了资产风险（使用协

-6- 请务必阅读正文之后的重要声明部分
 量化投资策略报告

方差矩阵刻画）这一个维度（风格因子）
。这里我们可以加入增长、通胀、利率、

流动性、信用和汇率等多个宏观维度。

估算大类资产对因子的暴露

从大类资产收益率到因子收益率需要用因子模拟组合（factor mimicking

portfolio），即一个对某个因子暴露为 1 而对其他因子暴露为 0 的投资组合。首

先需要估算各类资产对因子的暴露（或称因子载荷）
，对风格因子：使用波动率

刻画的风险，我们直接用因子值作为暴露；对宏观风险因子，我们取历史 36 个

月的因子值和资产收益率时序数据计算相关系数得到初始暴露，然后对初始暴露

做 Z-score 处理得到暴露。

计算因子收益率

在得到大类资产对因子的暴露后，我们得到了如下因子模型：

𝑅 = 𝐹𝐵 + 𝜀#(1)

其中𝑅是资产收益率向量，𝐹是因子收益率向量，而𝐵是暴露矩阵。由于暴露矩阵

并非方阵，所以类似 Bender 等(2019)我们计算上述问题的广义最小二乘解：

𝐹̂ = (𝐵𝑇 Σ𝐵)−1 𝐵𝑇 Σ −1 𝑅#(2)

其中𝛴是资产收益率协方差矩阵。上式对每个因子都给出了因子模拟组合，我们

可以逐月地对每个因子计算收益率。

2.3 基于因子的风险均衡模型

经典的风险均衡策略要求每个资产（或因子）的风险贡献相等，即有：
∂𝜎 ∂𝜎
𝑥𝑖 = 𝑥𝑗 , ∀𝑖, 𝑗#(3)
∂𝑥𝑖 ∂𝑥𝑗
或者求导后写为矩阵乘积的形式：

𝑥𝑖 (Σ𝑥)𝑖 = 𝑥𝑗 (Σ𝑥)𝑗 , ∀𝑖, 𝑗#(4)

尽管这个理论模型并非用优化问题定义，但是纯多头限制下的风险均衡问题常用

以下凸优化形式求解：
𝑛
𝜎
min ∑(𝑥𝑖 (Σ𝑥)𝑖 − )2
𝑛
𝑖=1
s.t. 𝑥𝑖 ≥ 0
𝑛
∑ 𝑥𝑖 = 1. #(5)
1

在纯多头的条件限制下，上式可以用拉格朗日乘子法将约束条件写入目标函

-7- 请务必阅读正文之后的重要声明部分
 量化投资策略报告

数，从而证明该问题是严格凸的，而且有唯一解。证明过程可见 Bai 等（2013）

。

经典风险均衡模型在过去数十年中经受住了金融危机的考验，逐渐变得流行

且广为人知。而考虑到因子组合乃至资产组合可多可空的广义约束条件，模型（4）

在理论上就可能存在多重解，而数值求解（5）时会碰到局部最优解或者求解发

散的情况。此时模型理论上的多重解集合阶数至多为2𝑛 ，证明分析和一些奇异数

值解示例可见 Bai 等（2013）

。这里我们选择四个因子时，根据 2.2 先求得因子

收益率再计算协方差矩阵。带入经典风险均衡的求解结果如下图所示（展示因子

风险贡献）
，很明显地看到很多时点上最大风险贡献与最小风险贡献相差巨大，

风险并不均衡；总风险是指因子组合整体的波动率，变化剧烈且极值点上千。这

样的异常数据点约占整体的三分之一，所以我们不得不寻找改进算法。

图 4：经典模型求解因子风险不均衡

来源：wind，中泰证券研究所

Bai 等（2013）对如上问题提出了改进算法 1。我们用机器学习的术语，重

新描述原作中的想法。首先对（5）加上方差，作为正则项：
𝑛
𝜎
min ∑(𝑥𝑖 (Σ𝑥)𝑖 − )2 + 𝜌 𝑥 𝑇 𝛴𝑥
𝑛
𝑖=1
s.t. 𝑎𝑖 ≤ 𝑥𝑖 ≤ 𝑏𝑖
𝑛
∑ 𝑥𝑖 = 1. #(6)
1

其中𝜌 ≥ 0是正则化参数。当𝜌充分大时，模型实质上是求满足最小方差的投资组

合；而此时模型（6）在有界区域上满足凸性，有最优解且唯一。但是这样的解

-8- 请务必阅读正文之后的重要声明部分
 量化投资策略报告

离风险均衡的要求可能很远。接下来将这个解作为初始解，再次代入模型（6）

同时把正则化参数缩小一个数量级，可以得到更加接近风险均衡的解。如此循环

往复，旨在收敛到所有风险均衡可行解中具有最小方差的解。上述模型的数值求

解算法被称为算法 1：序列最小方差风险均衡，伪代码如下：

1.选择 ρ0 > 1 ，β ∈ (0, 1) 以及𝑥 0；

2.对于 k = 0, 1, ...
(a) 𝑥 k+1 : = arg min Ϝ(𝑥)，Ϝ(𝑥)即模型（6） ，以𝑥 k 作为初值；
k k+1
(b) 当 ρ ≤ ϵ，则 𝑥 : = arg min Ϝ(𝑥) 且 ρk+1 = 0，以𝓍 k 作为初值，
结束循环。
其余情况：ρk+1 ∶= ρk β。

然而我们在使用算法 1 时发现，该算法能够在多个解的情况下选择出最小方

差的解，却无法解决一些“无解”的情况。实际上，这些“无解”的情况并非真

的无解，只是计算过程的初值会影响最优化过程。所以我们在算法 1 的基础上提

出了多维度风险均衡算法，在不同的象限（即不同的投资情景）中枚举初值，伪

代码如下：

1.枚举初值w 0，计算可行解；
选择 β ∈ (0, 1)；
对于 k = 0, 1, ...循环：
(a) 𝑥 k+1 : = arg min Ϝ(𝑥)，Ϝ(𝑥)即模型（6）
，以𝑥 k 作为初值；
(b) 当 ρk ≤ ϵ，则以𝓍 k 作为初值，𝑥 k+1 : = arg min Ϝ(𝑥) 且 ρk+1 = 0， 结
束循环；
其余情况：ρk+1 ∶= ρk β。
2.对所有可行解，比较方差或其他指标选择最优解。

同前面的案例，我们改用多维度风险均衡算法，求解后因子的风险贡献如下

图所示。最大风险贡献与最小风险贡献差距几乎处处为 0，最大差距为 0.9%。

因子组合的总风险表现也远好于经典算法，最大处约为 0.09。

-9- 请务必阅读正文之后的重要声明部分
 量化投资策略报告

图 5：多维度风险均衡求解结果

来源：wind，中泰证券研究所

2.4 从因子组合到可投资产组合

由多维度风险均衡可以得到最优因子组合解𝑤𝑓 ，在（2）中给出了从资产收

益率到因子收益率的投影算子𝑃，那么可以推出最优资产组合为

𝑤𝑜𝑝𝑡 = 𝑃 𝑇 𝑤𝑓 #(7)
上述过程一般会得到多空资产组合，仅适用于无交易摩擦，可以完美做空的
投资情景。如果约束条件为纯多头投资组合甚至是部分实际可投资产的纯多头，
会使得可行解在因子层面无法达到风险均衡，则（7）不可直接使用。
Roncalli 等（2012）指出，当因子的风险贡献差异巨大无法均衡时，投资

者要采纳合理的金融逻辑，在部分因子的风险均衡条件上做取舍。一种常见的处

理办法是对资产权重进行限制，将（7）写作优化目标求解：

min |𝑤𝑜𝑝𝑡 − 𝑃𝑇 𝑤𝑓 |
s.t. 0 ≤ 𝑤𝑖 ≤ 𝑏𝑖
𝑛
∑ 𝑤𝑖 = 1. #(8)
1

但基于我们的认知和实践，这样的处理与最初的目标：投资组合对因子的风险充

分分散在逻辑上有出入，更适合对资产权重有约束的投资情景。

以经典风险均衡策略作为基准，我们在这里提出三种更符合金融逻辑和数学

直觉的改进办法，期待达到抛砖引玉的效果：

- 10 - 请务必阅读正文之后的重要声明部分
 量化投资策略报告

1. 保守组合：看重资产风险维度，使用因子收益率和暴露矩阵重构资产间协方

差矩阵，据此重新计算资产的风险均衡解；

2. 微调组合：以降低因子层面的风险不均衡为目标，以资产的风险均衡解作为

初值，计算出风险更加均衡的投资组合；

3. 积极组合：在方法 2 的基础上，根据金融逻辑或特征选择挑选更有解释力度

的宏观因子，达成目标风险指标。

随着金融市场的发展，各类金融衍生品和对冲工具的繁荣，使得构建多空投

资组合更为便利。最后我们给出以期货为标的的投资组合示例，真正实现因子层

面的风险均衡。

三、允许多空资产组合的模型表现

3.1 因子值与因子收益率示例

如前文所言，特征选择是预测模型的核心问题，选择一组“最好”的特征是

投资的艺术。这里我们参考中泰金工团队在资产配臵方面的研究经验，选择的宏

观维度为资产风险、增长、通胀和利率（部分反映了政策维度）
，合计四个因子

的多维度风险均衡模型。风险因子使用滚动 12 个月的波动率，而三个宏观风险

因子值自 2007 年 1 月至今的月频数据如下图所示：

图 6：三个宏观风险因子值 2007-01 至今

来源：wind，中泰证券研究所

- 11 - 请务必阅读正文之后的重要声明部分
 量化投资策略报告

对投资组合中的大类资产标的，我们采用如下九类资产，能够覆盖对所有因

子的正负暴露。为了和后文中的仅可做多资产区分，这里的资产集合称为观察池

资产，后文中的实际仅可做多资产集合称为可投池资产。

图 7：大类资产长期表现 2008-12 至 2022-06

年化 年化
大类资产 夏普比率 最大回撤 Calmar MRAR
收益率 波动率

300 收益 8.97% 23.65% 0.38 46% 0.19 2.76

500 收益 10.34% 26.86% 0.39 64% 0.16 2.34

恒生指数 R 6.74% 20.79% 0.32 38% 0.18 1.94

黄金 5.48% 14.90% 0.37 45% 0.12 3.01

ICE 布油 6.68% 36.59% 0.18 82% 0.08 -8.18

南华商品指数 7.34% 15.36% 0.48 52% 0.14 4.72

中债-信用债
4.52% 0.85% 5.35 2% 1.9 4.51
总财富(1-3 年)指数

中债-信用债
5.07% 1.41% 3.58 4% 1.14 5.04
总财富(3-5 年)指数

中债-国债总财富(7-10 年)指数 3.35% 2.72% 1.23 7% 0.46 3.27

来源：wind,中泰证券研究所

根据 2.2 中求大类资产对因子暴露的过程，我们求得样本范围内的所有暴露

矩阵，给出 2010 年 1 月的暴露矩阵示例如下：

图 8：大类资产对因子暴露矩阵示例 2010-01
大类资产 风险因子 增长因子 通胀因子 利率因子
300 收益 0.32 -0.24 -1.29 -0.24
500 收益 0.35 0.7 -1.17 -0.1
恒生指数 R 0.31 -1.2 -0.92 -0.56
黄金 0.19 0.89 1.27 1.34
ICE 布油 0.44 -2.02 1.4 1.85
南华商品指数 0.19 0.25 -0.2 0.28
中债-信用债总财富(1-3 年)指数 0.01 0.18 0.64 -0.67
中债-信用债总财富(3-5 年)指数 0.01 0.59 0.3 -0.79
中债-国债总财富(7-10 年)指数 0.03 0.84 -0.03 -1.12

来源：wind,中泰证券研究所

- 12 - 请务必阅读正文之后的重要声明部分
 量化投资策略报告

根据 2.2 中计算因子收益率的办法，我们得到四个因子的累计净值曲线如下。

因为要用历史 36 个月的数据估算相关性，所以收益率数据从 2010 年初开始：

图 9：宏观风险因子收益率累计净值曲线，2009 年 12 月至今

来源：wind，中泰证券研究所

3.2 基于多空资产的模型表现与对比

在允许做空且投资组合权重和为 1 的投资情景下，我们首先计算因子的风险

均衡解，然后再投影回到大类资产组合。作为对比，我们同时展示经典资产风险

均衡模型：仅有资产风险一个维度，以及美林时钟模型：资产风险、增长和通胀

三个维度。

图 10：三个模型与特征维度对比
模型与特征 维度 1 维度 2 维度 3 维度 4
四因子模型 资产风险 增长 通胀 利率
美林时钟 资产风险 增长 通胀

经典模型 资产风险

来源：wind,中泰证券研究所

- 13 - 请务必阅读正文之后的重要声明部分
 量化投资策略报告

我们设定调仓频率由因子收益率可以计算因子间协方差矩阵，进而使用多维

度风险均衡算法求得因子组合，再投影回到大类资产组合；由此得到回测净值曲

线和常见风险分析指标。上述过程的流程图如下，2.4 中的各种组合策略也可用

类似的流程构建：

图 11：从因子组合到资产组合

来源：中泰证券研究所

整体回测的历史区间为 2010 年初至 2022 年 6 月末，调仓频率为月度，回

测风险指标和分年度收益如下图所示。

图 12：三个模型的风险指标和分年度收益
年化 年化 夏普 最大
Calmar MRAR
收益率 波动率 比率 回撤
四因子
8.7% 14.6% 0.60 20.9% 0.42 6.35
模型
美林时钟 2.0% 5.6% 0.35 21.7% 0.09 1.62
经典模型 4.7% 1.8% 2.63 3.0% 1.54 4.63

2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
四因子
9.1% -4.3% 3.6% 91.1% 7.7% 11.1% 0.7% 10.5% -1.0% 10.0% -8.7% 3.7% 0.1%
模型
美林时钟 5.0% 5.1% 5.6% -5.4% 6.5% 6.5% 0.9% 15.1% -1.3% 1.2% -3.6% -9.7% 1.2%
经典模型 4.2% 2.9% 5.9% -0.4% 6.4% 7.0% 4.1% 4.2% 5.5% 7.6% 3.8% 5.3% 2.0%

来源：wind,中泰证券研究所

在 2010 年至 2012 年，美林时钟：风险、增长和通胀，表现好于经典的资

产风险均衡模型。而加入利率维度的四因子模型是在 2013 年开始发力，一直到

- 14 - 请务必阅读正文之后的重要声明部分
 量化投资策略报告

2019 年都有较好表现；2020 年疫情爆发后，四因子模型表现失常。以上模型的

回测净值曲线如下：

图 13：三个模型的回测净值曲线

来源：wind,中泰证券研究所

回头去看，2020 年 3 月以来市场受流动性驱动明显。我们构建一个流动性

主导的模型：资产风险、利率因子和流动因子，合计三个因子。该模型自 2020

年 3 月以来回测风险指标和分年度收益表现如下：

图 14：流动性模型的风险指标和分年度收益
年化 年化
夏普比率 最大回撤 Calmar MRAR
收益率 波动率

流动性
6.8% 3.6% 1.89 6.3% 1.08 6.65
模型
经典模型 4.6% 1.3% 3.64 0.8% 5.83 4.58

2020 2021 2022

流动性
4.2% 10.4% 0.7%
模型
经典模型 3.0% 5.3% 2.0%

来源：wind,中泰证券研究所

- 15 - 请务必阅读正文之后的重要声明部分
 量化投资策略报告

流动性模型 2020 年 3 月以来回测净值曲线表现如下：

图 15：流动性模型的回测净值曲线

来源：wind,中泰证券研究所

该策略在 2021 年 8 月份后出现明显回撤，这是因为流动性因子值由正转负

且下降较多。

四、纯多头资产组合的模型表现

4.1 风险再难均衡

相比观察池资产品类的多样性，很多投资情景只能局限于可投池资产，例如

只能做多股、债和黄金等。可投池投资组合很难在所有因子层面达成风险均衡。

Roncalli 等（2012）强调投资者要找到最想要分散的风险，然后逐一处理。我

们用下图展示 2022 年以来，基于资产的风险均衡组合在四个因子上的暴露情况。

这些组合自然在风险因子上是暴露最多。如果仅考虑增长、通胀和利率三个因子，

则这些高配债券的组合在利率上暴露最多。

- 16 - 请务必阅读正文之后的重要声明部分
 量化投资策略报告

图 16：2022 年以来的风险均衡组合对因子的暴露情况
风险因子 增长因子 通胀因子 利率因子 合计
2021 年 12 月 97% -14% -13% 30% 100%
2022 年 1 月 97% -13% -20% 35% 100%
2022 年 2 月 100% -2% 5% -3% 100%
2022 年 3 月 101% -8% 6% 1% 100%
2022 年 4 月 92% -3% 1% 10% 100%
2022 年 5 月 96% -7% 0% 11% 100%
2022 年 6 月 89% -5% 12% 4% 100%
2022 年 7 月 84% 0% 15% 1% 100%

来源：wind, 中泰证券研究所

我们展示 2022 年以来，如果仅能做多观察池资产，那么投资组合在四个因

子上的暴露范围如下：

图 17：2022 年以来纯多头资产组合对因子的暴露范围
风险因子 增长因子 通胀因子 利率因子
2021 年 12 月上限 101% 15% 17% 30%
2021 年 12 月下限 97% -86% -13% -14%
2022 年 1 月上限 101% 17% 26% 35%
2022 年 1 月下限 94% -105% -20% -19%
2022 年 2 月上限 101% 26% 19% 22%
2022 年 2 月下限 92% -75% -18% -12%
2022 年 3 月上限 109% 9% 32% 2%
2022 年 3 月下限 65% -75% -8% -63%
2022 年 4 月上限 112% 2% 6% 10%
2022 年 4 月下限 108% -21% -13% -15%
2022 年 5 月上限 111% 32% 3% 11%
2022 年 5 月下限 100% -12% -10% -14%
2022 年 6 月上限 110% 42% 79% 4%
2022 年 6 月下限 20% -6% -8% -1%
2022 年 7 月上限 103% 121% 21% 1%
2022 年 7 月下限 13% -10% -36% -18%

来源：wind, 中泰证券研究所

由风险均衡的定义：当且仅当，四个因子的暴露范围内都包含 25%时，纯

多头组合才可以在因子层面达到风险均衡。而在 2022 年的绝大部分时间里，仅

可做多的资产池是无法达到因子风险均衡的。面对这样的困境，我们尝试了三种

改进策略。

- 17 - 请务必阅读正文之后的重要声明部分
 量化投资策略报告

4.2 保守和微调组合的回测表现

保守组合：当我们看重资产风险维度，可以使用因子收益率拟合某个资产收

益率𝑦𝑖 ，其中𝐵是暴露矩阵的第 i 行：

𝑦𝑖 = 𝐵𝑖 𝐹𝑗 + 𝜀#(9)

根据拟合出的收益率重新计算资产间协方差矩阵，进一步求解重新计算资产的风

险均衡解。

微调组合：当我们更加看重降低因子层面的风险不均衡，以经典模型的解作

为初值，带入模型（4）
，可以计算出因子层面风险更加均衡的投资组合。

我们对以上策略回测的历史区间为 2010 年初至 2022 年 6 月末，调仓频率

为月度，回测风险指标和分年度收益如下图所示：

图 18：保守和微调组合的风险指标和分年度收益
年化 年化 夏普 最大
Calmar MRAR
收益率 波动率 比率 回撤
微调
5.2% 3.5% 1.48 7.3% 0.71 5.04
组合
保守
4.9% 1.8% 2.70 3.0% 1.64 4.83
组合
经典
4.7% 1.8% 2.63 3.0% 1.54 4.63
模型

2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
微调
4.6% 6.3% 5.7% -1.7% 1.8% 9.0% 13.2% 2.4% 6.7% 6.9% 4.0% 4.6% 1.4%
组合
保守
4.3% 2.7% 6.3% -0.2% 7.6% 7.8% 4.0% 4.1% 5.1% 7.8% 4.1% 5.3% 1.9%
组合
经典
4.2% 2.9% 5.9% -0.4% 6.4% 7.0% 4.1% 4.2% 5.5% 7.6% 3.8% 5.3% 2.0%
模型

来源：wind,中泰证券研究所

从年化收益率的角度，微调组合＞保守组合＞经典模型；微调组合的年化收

益率相比经典模型提高了约 0.5% ，夏普比率仍保持在 1 以上（约 1.5）

。保守

组合源自重新估算的资产间协方差矩阵，相比经典模型在年化收益率、夏普比率、

Calmar 和 MRAR 上都有提升，可以作为经典模型的完美替代。

- 18 - 请务必阅读正文之后的重要声明部分
 量化投资策略报告

保守组合和微调组合的回测净值曲线表现如下：

图 19：保守和微调组合的回测净值曲线

来源：wind,中泰证券研究所

4.3 积极组合的回测表现

虽然本文主要研究从分散风险角度进行资产配臵。但当我们更为看重投资组

合的收益时，那么我们要提高对潜在较高收益资产的“预测”能力，也就是对权

益类资产。由中泰金工团队在资产配臵方面的研究经验，对权益类影响最大的宏

观因子是增长和流动性，那么我们构造资产风险、增长因子和流动因子，合计三

个因子的积极组合。该策略回测的历史区间为 2010 年初至 2022 年 6 月末，调

仓频率为月度，回测风险指标和分年度收益如下图所示：

- 19 - 请务必阅读正文之后的重要声明部分
 量化投资策略报告

图 20：积极组合的风险指标和分年度收益
年化 年化 夏普 最大
Calmar MRAR
收益率 波动率 比率 回撤

积极
5.4% 2.1% 2.53 3.1% 1.72 5.32
组合
微调
5.2% 3.5% 1.48 7.3% 0.71 5.04
组合
经典
4.7% 1.8% 2.63 3.0% 1.54 4.63
模型

2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
积极
4.9% 1.3% 5.0% -0.5% 8.3% 8.4% 10.1% 5.3% 6.4% 7.5% 2.8% 5.9% 1.9%
组合
微调
4.6% 6.3% 5.7% -1.7% 1.8% 9.0% 13.2% 2.4% 6.7% 6.9% 4.0% 4.6% 1.4%
组合
经典
4.2% 2.9% 5.9% -0.4% 6.4% 7.0% 4.1% 4.2% 5.5% 7.6% 3.8% 5.3% 2.0%
模型

来源：wind,中泰证券研究所

就整体风险指标来看，积极组合在年化收益、Calmar 和 MRAR 上都是三个

策略中表现最好的，它年化波动率和夏普比率稍逊于经典模型，明显好于微调组

合。从分年度收益来看，积极组合的表现在大部分年度好于另外两个策略的中位

数水平，长期表现胜出，详见下图中的回测净值曲线：

图 21：保守和微调组合的回测净值曲线

来源：wind,中泰证券研究所

- 20 - 请务必阅读正文之后的重要声明部分
 量化投资策略报告

五、基于期货类资产的模型表现

5.1 多空组合 vs 经典模型

随着金融市场的发展，各类金融衍生品和对冲工具的繁荣，使得构建多空投

资组合更为便利。我们选择如下在国内市场交易比较活跃的期货品种（主力连续

合约）作为底层资产，它们的长期表现如下：

图 22：期货资产长期表现 2013-12 至 2022-06

大类资产 年化收益率 年化波动率 夏普比率 最大回撤 Calmar MRAR

IF.CFE 7.86% 26.34% 0.30 49% 0.16 0.16

IC.CFE -2.12% 29.32% -0.07 65% -0.03 -11.66
AU.SHF 5.99% 13.62% 0.44 21% 0.29 3.93
JM.DCE 10.47% 36.63% 0.29 52% 0.20 -4.42
RB.SHF 2.43% 27.48% 0.09 55% 0.04 -5.95
TF.CFE 1.15% 3.10% 0.37 6% 0.18 1.04

来源：wind,中泰证券研究所

这些期货与大类资产的主要区别是能源资产由布油换为焦煤，而南华商品指

数更换为螺纹钢，债券类资产统一用国债期货替代。我们使用这些期货资产作为

底层资产，按照从因子组合到资产组合的流程。作为示例我们选择选择资产风险、

增长因子和流动因子构建期货积极组合，允许做空且投资组合权重和为 1。考虑

到部分期货的发布时间较晚，回测的历史区间为 2016 年末至 2022 年 6 月末，

调仓频率为月度，回测风险指标和分年度收益如下图所示，经典模型即基于期货

资产的风险均衡模型：

图 23：积极组合的风险指标和分年度收益
年化收益率 年化波动率 夏普比率 最大回撤 Calmar MRAR
积极组合 7.6% 8.8% 0.86 16.3% 0.47 6.76
经典模型 3.4% 3.9% 0.85 3.9% 0.87 3.20

2017 2018 2019 2020 2021 2022

积极组合 12.9% -6.3% 10.5% 14.7% 10.8% 0.9%
经典模型 3.5% -1.3% 5.9% 7.5% 4.5% -1.2%

来源：wind,中泰证券研究所

- 21 - 请务必阅读正文之后的重要声明部分
 量化投资策略报告

在年化收益率、夏普比率和 MRAR 方面，积极组合的表现明显好于经典模

型。传统的经典模型受制于纯多头资产组合，无法在因子层面达到平衡。积极组

合每期资产的权重分布都在[-1,2]之间，对实战有很好的参考价值。积极组合的

回测净值曲线表现如下：

图 24：积极组合的回测净值曲线

来源：wind,中泰证券研究所

5.2 最新一期配臵观点

基于资产风险、增长因子和流动因子的积极组合，我们给出截至 2022 年 8

月末的投资组合权重如下：

图 25：积极组合的配臵观点
期货资产 IF.CFE IC.CFE AU.SHF JM.DCE RB.SHF TF.CFE
2022/8/31 0% 1% 3% 1% 1% 95%

南华商品 信用债总财 信用债总财 国债总财富

大类资产 300 收益 500 收益 恒生指数 R 黄金 ICE 布油
指数 富(1-3 年) 富(3-5 年) (7-10 年)

2022/8/31 -2% 1% 1% 0% 0% 1% -35% 116% 19%

来源：wind,中泰证券研究所

期货组合达到了因子层面的风险均衡，更加有参考价值。整体来看，股票部

分：相对大盘更加看好中小盘；债券部分：更加看好长久期信用债；商品部分：

更加看好黄金。

- 22 - 请务必阅读正文之后的重要声明部分
 量化投资策略报告

风险提示
本报告结论完全基于公开的历史数据进行统计、测算，文中部分数据有一定滞后性，
同时存在第三方数据提供不准确风险；模型均基于历史数据得到的统计结论且模型自身
具有一定局限性并不能完全准确地刻画现实环境以及预测未来；模型根据历史规律总结，
历史规律可能失效；模型结论基于统计工具得到，在极端情形下或存在解释力不足的风
险，因此其结果仅做分析参考。

- 23 - 请务必阅读正文之后的重要声明部分
 量化投资策略报告

投资评级说明：
评级 说明
买入 预期未来 6~12 个月内相对同期基准指数涨幅在 15%以上
增持 预期未来 6~12 个月内相对同期基准指数涨幅在 5%~15%之间
股票评级
持有 预期未来 6~12 个月内相对同期基准指数涨幅在-10%~+5%之间
减持 预期未来 6~12 个月内相对同期基准指数跌幅在 10%以上
增持 预期未来 6~12 个月内对同期基准指数涨幅在 10%以上
行业评级 中性 预期未来 6~12 个月内对同期基准指数涨幅在-10%~+10%之间
减持 预期未来 6~12 个月内对同期基准指数跌幅在 10%以上
备注：评级标准为报告发布日后的 6~12 个月内公司价格（或行业指数）相对同期基准指数的相对市场表现。其
中 A 股市场以沪深 300 指数为基准；新三板市场以三板成指（针对协议转让标的）或三板做市指数（针对做市
转让标的）为基准；香港市场以摩根士丹利中国指数为基准，美股市场以标普 500 指数或纳斯达克综合指数为
基准（另有说明的除外） 。

重要声明：

中泰证券股份有限公司（以下简称“本公司”）具有中国证券监督管理委员会许可的证券投资咨询业务资格。
。本公司不会因接收人收到本报告而视其为客户。

本报告基于本公司及其研究人员认为可信的公开资料或实地调研资料，反映了作者的研究观点，力求独立、
客观和公正，结论不受任何第三方的授意或影响。但本公司及其研究人员对这些信息的准确性和完整性不作
任何保证，且本报告中的资料、意见、预测均反映报告初次公开发布时的判断，可能会随时调整。本公司对
本报告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。本报告所载的
资料、工具、意见、信息及推测只提供给客户作参考之用，不构成任何投资、法律、会计或税务的最终操作
建议，本公司不就报告中的内容对最终操作建议做出任何担保。本报告中所指的投资及服务可能不适合个别
客户，不构成客户私人咨询建议。

市场有风险，投资需谨慎。在任何情况下，本公司不对任何人因使用本报告中的任何内容所引致的任何损失
负任何责任。

投资者应注意，在法律允许的情况下，本公司及其本公司的关联机构可能会持有报告中涉及的公司所发行的
证券并进行交易，并可能为这些公司正在提供或争取提供投资银行、财务顾问和金融产品等各种金融服务。
本公司及其本公司的关联机构或个人可能在本报告公开发布之前已经使用或了解其中的信息。

本报告版权归“中泰证券股份有限公司”所有。未经事先本公司书面授权，任何人不得对本报告进行任何形
式的发布、复制。如引用、刊发，需注明出处为“中泰证券研究所”，且不得对本报告进行有悖原意的删节或
修改。

- 24 - 请务必阅读正文之后的重要声明部分