周文淵，高佳偉，安國志

（1.國泰君安證券股份有限公司，上海 200000；2.武漢大學 董輔礽經(jīng)濟社會發(fā)展研究院，湖北 武漢 430000；3.國泰君安香港投資公司，香港 999077）

一、引言

有效的資產(chǎn)配置被視為成功投資的關鍵。從本質(zhì)上來講，金融學最基礎的問題就是如何進行資產(chǎn)配置。多年來，在實踐和理論上的探索已經(jīng)發(fā)展出多種典型的資產(chǎn)配置策略，實現(xiàn)了從定性分析向定量分析的轉變，為人工智能時代背景下的資產(chǎn)配置奠定了堅實基礎。

金融市場中價格的變化類似于量子力學中的“波粒二象性”，既有“電磁波”的特性，有規(guī)律可循；也有“粒子”的特性，雜亂無章、隨機游走。資產(chǎn)配置的功能就是在類似于混沌的金融市場中實現(xiàn)價格發(fā)現(xiàn)，提高資源分配效率，達到金融市場的均衡。

按照波普爾科學證偽的邏輯，資產(chǎn)配置也算一種科學，其模型在一定假設條件下得以成立，但是又會被實際情況證偽，進而形成新的理論和模型。資產(chǎn)配置從一種樸素的、定性的規(guī)則和原則演變?yōu)橐环N可量化的規(guī)范化模型、科學化體系，1952年是一個關鍵時間點。Markowitz（1952）在《金融月刊》（Journal of Finance）上發(fā)表論文正式開啟了現(xiàn)代資產(chǎn)組合理論的序幕。在Markowitz模型中，以風險資產(chǎn)收益率的期望值和方差（協(xié)方差矩陣）分別刻畫收益和風險，并基于給定收益（風險）的最小化（最大化）風險（收益）原則，運用二次型優(yōu)化方法給出了有效投資組合前沿的概念。對于任何能夠理性計算的投資者，其選擇的風險資產(chǎn)組合一定對應于有效投資組合前沿之上的某一點，這就是經(jīng)典的均值-方差模型（Mean-Variance Model）。以均值-方差模型為代表的現(xiàn)代投資組合理論誕生，開啟了量化資產(chǎn)配置的時代，將資產(chǎn)配置問題從實踐探索上升成為理論推演。

鑒于均值-方差模型的重要性，本文以其為基準，將資產(chǎn)配置理論和模型分為兩類：一是傳統(tǒng)資產(chǎn)配置理論與模型，二是基于新古典資產(chǎn)定價理論的資產(chǎn)配置模型和方法。

二、傳統(tǒng)資產(chǎn)配置理論與模型

分散化、價值和流動性是傳統(tǒng)資產(chǎn)配置理論關注的核心。

基于價值，發(fā)展出資產(chǎn)輪動擇時模型，代表包括：（1）FED模型。也稱美聯(lián)儲模型或格林斯潘模型，由經(jīng)濟學家埃德·亞德尼于1997年首先提出，其核心邏輯是通過比較股票收益率和長期國債收益率的差值來判斷股價估值是否合理。但是Asness（2003）從理論上反對FED模型，因為長期債券收益率是名義變量，而股票收益率是對實際資產(chǎn)的描述。與此相反，如Sharpe（2002）、Ritter等（2002）利用貨幣幻覺來解釋兩種資產(chǎn)收益率之間的關系。（2）基于經(jīng)濟周期的美林投資時鐘模型（Merrill Lynch Investment Clock）。2004年美林證券發(fā)布的《The Investment Clock》報告中提出美林投資時鐘。該報告研究不同經(jīng)濟周期階段下不同資產(chǎn)和行業(yè)的平均收益率，以GDP和CPI為核心指標，以時鐘的形式將經(jīng)濟的商業(yè)周期區(qū)分為衰退、復蘇、繁榮和滯脹四個不同階段。在不同階段，各類金融資產(chǎn)的回報和波動性會出現(xiàn)明顯差異，而且可以發(fā)現(xiàn)在每一個階段，都會呈現(xiàn)出最優(yōu)資產(chǎn)。美林投資時鐘是一種將資產(chǎn)輪動和產(chǎn)業(yè)策略與經(jīng)濟周期聯(lián)系起來的方法。美林時鐘模型是經(jīng)濟周期框架中最著名的模型，該模型將經(jīng)濟周期、大類資產(chǎn)收益率和行業(yè)輪動聯(lián)系起來，指導投資者識別經(jīng)濟中的重要拐點，在不同經(jīng)濟周期中進行資產(chǎn)配置。

三、基于資產(chǎn)定價的資產(chǎn)配置理論和方法

（一）基于均值-方差的資產(chǎn)配置模型

均值-方差模型是最為常見的資產(chǎn)配置模型，運用該模型，首先需要通過獲得的樣本數(shù)據(jù)來估計該類資產(chǎn)的均值和方差，但是由于樣本值和真實值之間總是存在差異，特別是存在資產(chǎn)波動的時變性，因此在運用均值-方差模型方面效果并不好。

2.均值-方差模型的結果對數(shù)據(jù)輸入極其敏感，輸入數(shù)據(jù)中的誤差可能會導致最終資產(chǎn)配比的結果有偏差，而且均值-方差模型無法將樣本外信息納入決策當中，這導致了模型在現(xiàn)實應用中有很大的局限性。B-L（Black-Litterman）模型從優(yōu)化收益率矩陣的角度發(fā)展了均值-方差模型。模型在均值-方差模型基礎上融入了資本資產(chǎn)定價模型，將投資者的觀點納入模型，同時在一定置信度假設前提下，依據(jù)投資者主觀判斷，通過貝葉斯方法結合CAPM隱含的均衡收益和主觀觀點收益，得到后驗收益率，最終將該后驗收益率放入均值-方差模型中，求解出最終的投資組合權重。B-L模型根據(jù)更復雜的模型對資產(chǎn)特征進行正式評估，它既考慮了經(jīng)典均值-方差模型使用的資產(chǎn)收益的歷史數(shù)據(jù)，也考慮了對資產(chǎn)收益的主觀看法產(chǎn)生的附加信息。通過1993—2011年的數(shù)據(jù)回測，運用B-L模型的資產(chǎn)組合相較于均值-方差模型有著更好的夏普比例，更小的波動性以及更小的最大回撤；尤其在經(jīng)濟衰退時期，B-L模型與均值-方差模型的差距更大。除去股票的量化數(shù)據(jù)外，定性數(shù)據(jù)（例如金融信息、推特消息等）也對股票市場具有影響力，但傳統(tǒng)金融理論中并不包含這一部分數(shù)據(jù)的分析。Xing等（2018）通過量化市場情緒并加入股票價格以及交易量形成新的市場意見，帶入B-L模型進行計算，由這個方法得到的資產(chǎn)配置組合相較于等權重組合、ARIMA模型和霍爾特溫特方法有著更好的回報率以及同等回報率下較小的風險。李心愉等（2013）基于B-L模型對不同時間區(qū)間的保險資金資產(chǎn)配置進行實證研究，并對最優(yōu)資產(chǎn)配置結果進行比較發(fā)現(xiàn)，其收益-風險特征均優(yōu)于市場組合。因此，B-L模型為精確估計和預測資產(chǎn)特征提供了機會。

3.均值-方差模型屬于單期模型，沒有考慮到跨期投資的問題。Merton（1969，1971）的研究進一步完善了該模型，該模型假設資產(chǎn)價格服從幾何布朗運動，在此基礎上開展連續(xù)多期最佳消費和投資組合研究，將均值-方差模型從兩資產(chǎn)情形擴展至多資產(chǎn)情形。均值-方差理論并沒有考慮到現(xiàn)實金融市場的實用性。在進行理論搭建的時候，為了使推算簡單化，Markowitz并沒有將交易成本納入理論，這就導致了交易成本在均值-方差理論中被忽視。Liu等（2002）指出交易成本的大小對于投資者的策略而言非常重要，將交易成本納入模型對交易策略的改變十分重大。在有限投資年限的條件下，隨著交易成本的增加，投資者更傾向于持有資產(chǎn)更久的時間；相比于風險大的資產(chǎn)，投資者更傾向于投資無風險資產(chǎn)。在條件充足的情況下，即使有著很高的風險溢價，投資者也并不愿意投資風險資產(chǎn)。除了投資成本外，均值-方差理論也沒有將日漸復雜的金融工具、金融資產(chǎn)考慮進理論。

4.收益率估計準確度差。由于收益率的估計本身難度很大，當參數(shù)包括預期收益率時，模型本身的估計無法避開潛在的風險。沿著完善收益率估計誤差的路徑，相繼出現(xiàn)最小化風險組合、風險平價組合等基于風險的大類資產(chǎn)配置理論。（1）最小化風險組合。最小化風險組合建立在均值-方差模型的基礎之上，不需要考慮收益率的約束，而是以最小化方差為目標，因此最小化風險投資組合位于有效邊界的最左邊。在實際中，由于存在資金和賣空約束等非等約束，最小化風險組合的求解只能通過數(shù)值求解。Haugen等（1991）研究發(fā)現(xiàn)，最小化風險組合具有良好的樣本外表現(xiàn)。最小化風險組合具有邊際風險貢獻相等的特點，因此其資金分配就是其風險分配。但是，最小化風險組合同樣存在著對協(xié)方差矩陣過于敏感的問題。（2）最大化分散組合。該組合使用Choueifaty等（2008）引入的目標函數(shù)，最大化加權平均資產(chǎn)波動率與投資組合波動率的比率。與最小化風險組合一樣，如果資產(chǎn)的權重發(fā)生微小變化，最大化分散投資組合會使每項資產(chǎn)的邊際貢獻相等。然而，目標函數(shù)是使投資組合目標函數(shù)最大化，其中假定預期資產(chǎn)回報與資產(chǎn)風險成正比。因此，如果平均資產(chǎn)回報率與風險成比率增加，最大化分散投資組合就是有效前沿的切線組合；如果資產(chǎn)回報率隨風險增加而降低，最大化分散組合將是次優(yōu)的。（3）風險平價模型。最典型基于風險的配置策略就是風險平價模型。一般認為達里奧及其團隊在1996年推出的“全天候策略”是風險平價思想的起源，其基本思想是認為宏觀環(huán)境可以根據(jù)經(jīng)濟增長和通貨膨脹是否超預期而被劃分為四種狀態(tài)，每個狀態(tài)對應不同的資產(chǎn)偏好，如果給予每種狀態(tài)相同的風險權重，這樣的投資組合便不在某個狀態(tài)下有特殊的風險暴露，使得投資組合無論面對什么樣的宏觀環(huán)境在風險敞口上都相對均衡。而這種思想被正式稱為風險平價（Risk Parity）并被準確的數(shù)學表達是Qian（2005）提出的。當組合資產(chǎn)中存在相關性高的資產(chǎn)時，即使在資產(chǎn)層面實現(xiàn)了風險均衡，仍然會使組合暴露在特定的風險因子上，只有在根本的風險源上實現(xiàn)風險平價才是真正的風險均衡。為此，學者Meucci（2007）和Roncalli等（2016）提出了基于風險因子的風險平價模型，其優(yōu)化目標為特異性風險盡量小的同時因子風險盡量均衡，但純多頭組合可能無法實現(xiàn)因子層面的風險均衡。

（二）基于CAPM和APT的資產(chǎn)配置方法

首先，長期以來，資產(chǎn)配置理論主要聚焦在大類資產(chǎn)層面，但是僅在資產(chǎn)層面研究是否能達到預期效果近年來受到一些質(zhì)疑。例如，在2008年金融危機期間，傳統(tǒng)資產(chǎn)配置方法未能帶來有效的分散化，從而造成了投資者的較大損失。其次，傳統(tǒng)資產(chǎn)配置方法通常很難預測宏觀環(huán)境的變化。不同資產(chǎn)在不同經(jīng)濟狀態(tài)下的表現(xiàn)差異是源于各類資產(chǎn)在不同因子層面的風險暴露差異，不斷有學術研究開始聚焦于資產(chǎn)背后的因子，嘗試在風險因子層面進行資產(chǎn)配置研究。在此背景之下，一種被稱為因子配置的資產(chǎn)配置策略逐漸被廣泛使用，這種方法彌補了現(xiàn)代資產(chǎn)定價范式與投資實踐之間的差距?；谝蜃拥姆椒▽①Y產(chǎn)配置決策從大類資產(chǎn)轉為因子選擇，收益可以來自投資者對因子回報的預測，也可以來自其對因子回報概率分布的綜合預測。

風險因子最早可以追溯到CAPM模型中的市場因子，之后Ross（1976）使用套利定價理論正式證明了多重風險因子與資產(chǎn)回報之間的關系，并且提出了一個更為穩(wěn)健的一般模型，為后續(xù)的風險因子研究奠定了基礎。Jegadeesh等（1993）、Carhart（1997）等人則使動量成為了公認的因子。但是添加這些因子的動機是希望解釋市場異象，而不是滿足投資組合構建的人的需求。Grinold等（2000）在推動因子策略從理論走向實踐中做出了貢獻。在跨資產(chǎn)多策略領域，F(xiàn)ung等（2004）提出了七因子模型來解釋對沖基金的收益率。Asl等（2012）從穩(wěn)健優(yōu)化的角度討論了風險平價和類似的投資組合構建策略，認為預期收益估計的標準誤差是不確定性的惟一來源，并認為在這種情況下，與風險平價相似但不同的投資組合將是最優(yōu)的。

隨著理論和實踐的不斷發(fā)展，針對因子配置的相關研究不斷深化。例如，Greenberg等（2016）提出了一種將因子暴露映射到資產(chǎn)組合的方法，使用6個宏觀經(jīng)濟因子（全球權益、通貨膨脹、實際利率、商品、信用和新興市場風險），在目標因子暴露約束下，使資產(chǎn)組合的因子暴露誤差與主動風險項之和最小。Bass等（2017）通過對13種資產(chǎn)的收益率序列進行主成分分析，使用前6個主成分因子來定義Greenberg等（2016）中的宏觀因子，此外進一步增加匯率因子作為第7個因子，針對3種不同機構（捐贈基金、人壽保險公司、公共養(yǎng)老金計劃）設定不同的因子暴露進行實證分析，結論進一步證明了基于因子的資產(chǎn)配置可以有效分散風險。

Bender等（2018）利用因子模擬組合，將資產(chǎn)與各類宏觀及風格因子建立映射關系，之后通過預測因子收益來優(yōu)化因子組合，進而得到資產(chǎn)組合，其基于2011—2016年的數(shù)據(jù)實證分析發(fā)現(xiàn)該方法能獲得夏普比率穩(wěn)定且換手率低的策略表現(xiàn)。Swade等（2022）在全球權益、債券、商品、匯率等市場通過因子模擬組合方法構建了數(shù)十種宏觀風險因子，驗證了資產(chǎn)和風格因子在宏觀因子層面均有顯著的暴露，并且通過構建宏觀風險因子分散化的組合可以規(guī)避負增長和高通脹的市場。

（三）基于行為資產(chǎn)定價模型中異象的量化交易

量化基金的資產(chǎn)配置主要基于金融異象，最典型的為多因子策略。多因子策略會根據(jù)一些和收益率相關的指標構建投資組合，同時做空股指期貨賺取收益。這些因子分為三類。第一類，也是最典型的因子類別是價值和成長。價值指市盈率、市凈率，成長是指業(yè)績增長。第二類因子是資產(chǎn)收益率，也就是所說的ROE、ROA等。第三類是分析師因子、市場動量因子和反轉因子，其中比較重要的是動量因子。Jegadeesh等（1993）注意到，過去回報率較高的股票在未來3～12個月內(nèi)繼續(xù)具有較高的未來回報率，而過去回報率較低的股票在未來幾個月內(nèi)繼續(xù)表現(xiàn)出較低的未來回報率。他們認為，通過買入過去的贏家，賣出過去的輸家，投資者可以獲得可觀的利潤。Rouwenhorst（1999）、Asness等（2013）研究證明了動量策略在不同地域市場和資產(chǎn)類別中的有效性。Conrad等（1998）探索了動量效應的各種解釋和來源。不過，次貸危機后傳統(tǒng)的動量策略受到了很多批評，因為這些傳統(tǒng)的投資策略在這段時期表現(xiàn)糟糕。

隨著多因子策略的迅速發(fā)展，越來越多反映因子溢價的可投資產(chǎn)品涌現(xiàn)，極大擴展了資產(chǎn)配置的投資范圍，主要包括Smart Beta ETF產(chǎn)品以及通過因子模擬組合或優(yōu)化方法構建的風險溢價類指數(shù)產(chǎn)品，兩者均反映了在某種特定因子上的暴露。Smart Beta ETF更多聚焦股票市場上的因子，比如價值、增長、股息、動量、風險和質(zhì)量等，而風險溢價類指數(shù)產(chǎn)品更聚焦于大類資產(chǎn)層面，比如商品期限結構、商品動量、匯率價值因子等。

四、大類資產(chǎn)配置策略發(fā)展趨勢

新古典金融定價理論試圖用數(shù)學模型來定義和描述金融市場的波動，并證明市場有效。但金融市場并非有效市場。金融系統(tǒng)是一個復雜系統(tǒng)，是由大量微觀單元互相作用組成的系統(tǒng)，其活動呈現(xiàn)非線性。而復雜系統(tǒng)中的個體往往具備智能性，可以在不同環(huán)境下，通過規(guī)則變化來進行判斷、決策，已經(jīng)形成與大系統(tǒng)的反饋，這種智能性，造成了預測的不確定性。

1.面對不確定性，如何進行資產(chǎn)配置

投資哲學的分歧出現(xiàn)在對世界的認知理念上，是基于一般建構主義還是以哈耶克為代表的自發(fā)秩序。前者認為可以通過歸納-演繹總結出基本模型幫助投資，后者的投資哲學則認為金融市場更類似于混沌系統(tǒng)，預測準確是偶然事件。

復雜非線性網(wǎng)絡的不可預測性說明正確的應對方案不是去預測，而是跟隨復雜系統(tǒng)演化，首要基礎是有一套完備的狀態(tài)監(jiān)測系統(tǒng)，監(jiān)測經(jīng)濟、金融市場狀態(tài)。假設前提的變化導致預測范式發(fā)生根本變化，從獨立性假設-統(tǒng)計預測范式，到互相影響的非獨立性的網(wǎng)絡-算法演化范式。

按照演化算法，在資產(chǎn)配置領域要保持勝率，需要注意：（1）保持資產(chǎn)的多元化和獨立性。把資產(chǎn)作為單一生命個體進行分類，保持資產(chǎn)的多元性，并保持在初始狀態(tài)之下，每種資產(chǎn)持續(xù)演化概率相同，這一點在橋水基金的“全天候策略”里面得到較好的實踐。（2）針對不同環(huán)境及時迭代調(diào)整。迭代越快，進化越適應當時的環(huán)境。按照迭代速度，可以區(qū)分為高頻投資、中頻投資和低頻投資。中高頻投資一般對應著量化投資策略，低頻投資則一般理解為價值投資策略。（3）按照演化算法，量化投資的思維與價值投資（長期持有）策略可能是對立統(tǒng)一的。量化投資的迭代速度快，更能適應市場環(huán)境。量化投資的資產(chǎn)具備流動性，并具備某類宏觀經(jīng)濟運行中暴露的風險因子特征。在現(xiàn)代資產(chǎn)管理行業(yè)的發(fā)展中對量化資產(chǎn)分類越來越細，從宏觀風險因子到各種風格因子的細分再映射到不同資產(chǎn)上，成為量化投資發(fā)展的方向。量化擇時的本質(zhì)是要對經(jīng)濟和市場環(huán)境的演化標識出風險特征，并對應到風險因子特征資產(chǎn)之上。量化選股本質(zhì)是發(fā)現(xiàn)資產(chǎn)的風險特征因子并進行標識。一旦宏觀環(huán)境和市場環(huán)境演變成適應其發(fā)展的狀態(tài)，則迅速迭代組合到相應的風險特征資產(chǎn)。不管是量價因子還是基本面因子，都是基于市場環(huán)境演化的結果。

智能算法是演化算法的高級形式。智能算法認為，世界是無法預測的，但是大腦可以不斷強化學習，神經(jīng)網(wǎng)絡可以把未來所有可行的選項都考慮進去，并給每個可行性進行估值，根據(jù)估值的高低進行決策，并根據(jù)環(huán)境的變化調(diào)整可行性的估值。這有點像二叉樹模型和情景模擬，但其過程比二叉樹模型要復雜得多。更貼切的例子是阿爾法狗，正是模擬到每一步的最佳路徑，阿爾法狗最后才能戰(zhàn)勝李世石。深度學習算法強調(diào)人的主觀能動性和信息的重要性。人類對世界了解得越深入，框架越完善，信息越充分，那么對可能性的分類和估值就越準確，所做的決策自然勝率會更高。從算法競爭的角度來講，目前基于風險因子定價的風險平價模型、宏觀因子模型和基于貝葉斯算法的B-L模型在資產(chǎn)配置實踐中表現(xiàn)出較強的競爭力，成為比較實用的方法。

2.如何從大類資產(chǎn)的配置進一步降維到微觀資產(chǎn)配置

從資產(chǎn)定價的邏輯出發(fā)，考察微觀資產(chǎn)的收益來源，可以大概分為：

（1）來自于Beta的收益，也可以叫作資產(chǎn)的風險溢價。一般大類資產(chǎn)都具備風險溢價，大類資產(chǎn)容量大，流動性好，如果市場是有效的，指數(shù)基金的投資方法是最優(yōu)的。一般來講，對于大類資產(chǎn)層面風險溢價的收益，通過風險均衡策略可以獲得穩(wěn)定的回報。

（2）另類資產(chǎn)收益和Smart Beta。另類資產(chǎn)和另類策略來自于資產(chǎn)的流動性溢價、不同市場的流動性溢價。并購策略、套利策略、指數(shù)增強策略均屬于這一范疇。

（3）純Alpha收益。收益來自于資產(chǎn)的時間價值或者是來自于零和游戲，這類收益源是昂貴和稀缺的。

上述三種分類是投資收益來源的一個方面，是嚴格按照資產(chǎn)類別進行分析和配置的。常用的投資組合管理工具主要有三種，即資產(chǎn)配置、擇時和證券選擇。如果市場是有效的，那么擇時和證券選擇對組合都不會貢獻正收益，然而，從金融市場非理性和金融異象來看，時間價值和選股模型都能夠給組合帶來較好的正貢獻，而且價值、套利、動量和防御風格的表現(xiàn)優(yōu)于在多個資產(chǎn)上的買入持有策略。相較于資產(chǎn)類別的角度，策略風格能實現(xiàn)更好的多元化。

五、結論

多年來理論和實踐的發(fā)展對資產(chǎn)配置形成了以下幾點共識或假設：（1）經(jīng)濟和金融市場是一個混沌系統(tǒng)，市場很難預測。未來的不確定性決定資產(chǎn)配置動態(tài)決策機制是概率問題，貝葉斯算法有助于提高勝率。（2）資產(chǎn)的收益主要來自于風險回報。（3）資產(chǎn)的分散或者風險因子的分散以及再平衡有助于實現(xiàn)收益率和波動性的平衡。

進入21世紀以來，隨著我國資本市場的不斷深化和發(fā)展，大類資產(chǎn)配置理論也逐漸受到國內(nèi)投資者和學者的關注。但是總體上來說，大類資產(chǎn)配置理論和實踐在我國處于起步階段，投資者和研究人員對于擇時、擇股的重視程度遠遠高于資產(chǎn)類別的選擇。相信隨著我國資本市場的改革和發(fā)展，經(jīng)濟水平的不斷提高，大類資產(chǎn)配置策略將會在我國有進一步的發(fā)展。