摘要：本文首先介绍多元资产配置的重要性，接着详细阐述资产配置模型的演进，可大致划分为五个阶段：传统资产配置阶段、风险配置阶段、周期配置阶段、因子配置阶段、智能配置探索。应用层面，针对各类资产配置模型检验其在国内市场的表现，我们分别从战略资产配置和战术资产配置两个维度
本文首先介绍多元资产配置的重要性，接着详细阐述资产配置模型的演进，可大致划分为五个阶段：传统资产配置阶段、风险配置阶段、周期配置阶段、因子配置阶段、智能配置探索。应用层面，针对各类资产配置模型检验其在国内市场的表现，我们分别从战略资产配置和战术资产配置两个维度给出配置组合。结果显示：均值-方差模型、基于资产的风险平价策略、基于宏观因子的风险平价策略、普林格周期模型均在国内市场取得不错的业绩表现。
多元资产配置的重要性
早期研究表明有效的资产配置是成功投资的关键，通过多元资产配置，投资者能够分散风险、捕捉不同市场环境下的收益机会。
资产配置模型的演变
传统资产配置阶段：1）恒定混合模型：最简单的资产配置策略。2）均值-方差模型：现代组合投资理论的基石。针对均值-方差模型存在的问题，学者陆续提出改进方法，例如：改进风险度量指标；基于BL模型改进预期收益估计；基于压缩方法改进协方差估计；使用再抽样获取更稳定的有效边界；基于Full Scale优化下的其他效用函数。
风险配置阶段：1）桥水全天候策略：奠定了风险平价模型的雏形。2）风险平价模型：实现对风险的均衡配置。3）风险预算模型：自主设定每类资产的风险贡献。
周期配置阶段：1）美林时钟：根据经济增长与通货膨胀划分经济周期。2）货币信用周期：根据货币和信用划分经济周期。3）普林格周期：基于债、股、商轮动划分经济周期六阶段。
因子配置阶段：四个步骤为选择合适的因子、确定资产的因子暴露、确定目标因子暴露、匹配目标因子暴露。
智能配置探索：在人工智能与大数据技术深度融合的背景下，资产配置策略正逐渐向智能配置阶段进行探索。
资产配置模型的国内实践
战略资产配置组合：1）均值-方差模型整体弹性较大且回撤相对可控，年化收益9.57%，最大回撤17.32%。2）基于资产的风险平价策略年化收益3.92%，最大回撤2.37%，夏普比率2.34，策略表现稳健。3）基于宏观因子的风险平价策略年化收益3.86%，最大回撤2.42%，夏普比率2.61，策略表现稳健。
战术资产配置组合：改进版普林格周期策略年化收益22.21%，夏普比率1.87，最大回撤6.38%，该策略每年均获得正收益。
总结与展望
在后续大类资产配置模型研究中，我们将在经典资产配置模型理论基础上，结合国内资本市场的结构特征、投资者行为偏好等进行改进与创新，力争构建出更加契合国内市场且高效的资产配置方案。
1
多元资产配置的重要性
资产配置即是指根据投资者的需求将资金在股票、债券、现金、大宗商品等各类资产之间进行动态分配与再平衡的过程。通常，投资者基于自身的风险承受能力、投资目标、流动性需求以及市场环境等因素，综合衡量各资产的风险收益情况，将投资资金在各种可配置资产之间进行合理分配，以达到投资收益的相对最大化。
早期研究表明有效的资产配置是成功投资的关键。Brinson等人在1986年便对91只共同基金进行业绩拆解，结果发现：投资组合收益率波动的93.6%来源于战略资产配置，即股票、债券和现金等价物之间的资产配置是长期投资回报的主要决定因素。
通过多元资产配置，投资者能够分散风险、捕捉不同市场环境下的收益机会。首先从2011年以来各类资产收益相关系数来看，除A股和港股之间存在一定相关性，其余资产之间的相关系数相对较小，能够有效起到风险分散的作用。接着从各类资产年度收益表现来看，不同的市场环境下均有资产能够取得较好的正收益。因此，通过在不同资产类别之间进行轮动与配置，能够明显改善投资组合的风险收益特征，同时满足不同投资者的风险承受能力。
2
资产配置模型的演进
资产配置模型演进可大致划分为五个阶段：传统资产配置阶段、风险配置阶段、周期配置阶段、因子配置阶段、智能配置探索。资产配置理论最早可以追溯到20世纪30年代出现的恒定混合模型，主要包括股债60/40投资组合和等权重投资组合。20世纪50年代，马科维兹提出均值-方差模型，奠定了现代投资组合理论的基石，但该模型存在参数敏感性等问题，后续学者相继提出了一系列改进方法，如：改进风险度量指标、基于BL模型改进预期收益估计、基于压缩方法改进协方差估计、使用再抽样获取更稳定的有效边界、使用其他效用函数等。进入21世纪以后，市场关注点开始从基于收益+风险配置资产转向仅基于风险配置资产，提出了风险平价模型与风险预算模型。与此同时，以美林时钟、货币信用周期、普林格周期为代表的宏观周期驱动的资产配置模型开始兴起。2016年以来，基于因子的大类资产配置模型也逐渐被市场广泛应用，通过将分析对象从资产转向因子，可以帮助投资者更好地理解资产收益和风险背后的关键驱动因素。最后，近年来随着科技发展，基于大数据和人工智能的配置模型正逐渐被应用于资产配置领域。
2.1 传统资产配置阶段
2.1.1 恒定混合模型：最简单的资产配置策略（1930+）
早在20世纪30年代，投资者便意识到大类资产配置的重要性，采用的配置方法为简单的恒定混合模型，主要包括股债60/40投资组合和等权重投资组合。当时投资者关注到股票和债券资产具备不同的风险收益特征，同时配置股票和债券资产可以起到风险分散的作用。
股债60/40投资组合：投资组合同时买入60%的股票资产和40%的债券资产，该方法简单易行且至今仍被使用。挪威主权养老基金（GPFG）自1998年成立以来，便长期采用股债60/40投资策略，长期业绩表现稳健，1998年至2024年基金年化收益为6.34%，年度胜率约78%（21/27）。
等权重投资组合：投资组合对N个资产各自的投资权重为1/N，该方法计算简单并且能够很好起到风险分散作用。日本政府养老金投资基金（GPIF）主要采取等权重投资策略，对股票和债券资产通常采取50/50的配置比例，并且对本国和海外资产同样进行等权配置，2001年至2025Q1基金年化收益为4.33%。
2.1.2 均值-方差模型：现代组合投资理论的基石（1952）
均值-方差模型提出了基于约束+优化求解范式来解决资产配置问题，使用均值和方差刻画资产收益和风险，开启了量化资产配置时代。但是在实际应用过程中存在以下问题：（1）模型对于预期收益和协方差矩阵非常敏感，而这两个参数本身也难以准确估计；（2）忽略峰度和偏度：模型仅包含了收益分布的一阶矩和二阶矩，即均值和方差，但在现实中很多资产的收益分布都是有偏的或表现出尖峰肥尾的特征；（3）用方差衡量风险存在缺陷：方差同时包括亏损和盈利的偏离，而投资者更关注亏损的风险；（4）单期资产配置框架，忽略了多期资产配置过程中存在的期间现金流、序列相关性、再平衡以及战术资产配置的资产偏离。
改进一：改进风险度量指标（1952-1990+）
为解决使用方差衡量投资组合风险的缺陷，学者相继提出半方差、LPM、VaR、CVaR等风险度量指标。
改进二：改进预期收益估计——BL模型（1992）
Fisher Black和Robert Litterman（1992）提出引入投资者对市场的预期的Black-Litterman模型（BL模型），基于贝叶斯理论将投资者对大类资产的主观观点与市场均衡回报相结合，从而形成新的预期收益，能够部分解决均值-方差模型对于预期收益敏感的问题。自BL模型提出以后，逐渐被华尔街主流所接受，成为高盛资产管理的重要工具。
BL模型具体优化步骤如下：首先基于市场均衡假设推导资产预期收益的先验估计，接着输入投资者的主观观点，然后利用贝叶斯方法将主观观点与市场均衡收益结合得到资产预期收益的后验估计，最后将后验预期收益输入均值-方差模型优化投资权重。
BL模型仍然存在一些局限：（1）对观点质量和信心水平的设定敏感；（2）忽略高阶矩和尾部风险：得到BL预期收益向量后代入均值-方差框架，假设资产收益服从正态分布，但现实世界中，资产收益常常表现出偏度和峰度。
改进三：改进协方差估计——压缩估计（2003-2010+）
市场上常用的协方差矩阵估计方法包括样本协方差矩阵、利用因子模型估计协方差矩阵、压缩矩阵估计和其他基于时变模型的估计方法。其中，样本协方差虽然是真实协方差的无偏估计，但待估参数过多、估计误差较大；利用因子模型估计协方差矩阵通过设定一定的结构来减少待估参数，从而降低估计误差，但是可能存在模型设定偏误；压缩估计则综合考虑了协方差矩阵的估计误差与设定偏误。
改进四：再抽样获取更稳定的有效边界（1998）
由于均值-方差模型对输入参数过于敏感，尤其是在资产种类多、观测样本种类少的情况下，输入参数的微小变动会导致模型结果出现巨大变化，导致优化过程中收益和风险的估计误差会极大影响资产权重的选取。Michaud（1989）研究表明市场参与者在实际应用均值-方差优化方法时，因有效边界在实际应用中受到输入估计误差、交易成本、线性约束以及统计检验能力不足等限制，难以精确反映现实中的最优投资组合。1998年，Michaud提出了再抽样方法（Resampling），通过多次抽样以降低模型对参数的敏感性，使有效边界更加稳定。
再抽样方法的具体步骤：（1）参数估计：先用历史数据估计均值和协方差矩阵。（2）生成再抽样数据：基于估计的均值和协方差，使用蒙特卡洛模拟生成许多可能的收益序列。（3）多次优化：对每个模拟样本，分别做一次均值-方差优化，从而得到一个有效边界，并求解最优组合权重。（4）组合平均：对所有模拟得到的最优组合权重进行平均，最终形成一个“再抽样有效边界”。
Michaud (1998) 的再抽样方法通过蒙特卡洛抽样+多次均值-方差优化+组合平均，减少了参数估计误差对组合的冲击，使得有效边界更加平滑和稳定，同时得到的组合更加分散，具备更强的稳健性。
改进五：使用其他效用函数——Full Scale优化（2007）
均值-方差模型有两个假设：1）资产收益分布必须符合正态分布；2）投资者的效用函数为二次型。但在实际现实中，很多资产收益分布存在非正态特征，且投资者效用函数可能是非二次型。因此，Adler和Kritzman（2007）提出Full-Scale Optimization（FSO），是一种基于完整收益分布和任意效用函数的投资组合优化方法，能够处理非正态分布、尾部风险和非对称收益等现实市场特征，较传统均值-方差优化更贴近投资者的真实风险偏好与效用函数，优化结果也更稳健。
Full Scale优化不依赖于分布假设或效用函数形式，通过数值搜索算法直接最大化期望效用。为了考察模型的效果，Adler和Kritzman使用四种不同形式的效用函数代表不同投资者特征，效用值大小由收益率或财富水平决定。主要步骤为：先选定投资者效用函数，再遍历所有可行的组合方式，依靠历史数据分别计算不同时间段内组合的效用，找出能够形成最大期望效用的资产组合，定为最优投资组合。然而，Full Scale优化的计算复杂度较高，依赖大量历史或模拟数据，对模拟质量和效用函数设定高度敏感，同时在实际应用中受限于技术支持和行业普及度，尚未成为主流方法。
2.2 风险配置模型
Best和Grauer（1991，1992）指出均值-方差最优组合对资产收益率的期望值变化格外敏感，而对收益率的方差协方差矩阵变化则较为迟钝。Chopra和Ziemba（1993）也发现，期望收益率是均值-方差模型中最重要的估计参数，E(r)估计错误所引起的不良后果是σ估计错误的10倍，是ρ估计错误的20倍。此外，传统60/40组合中，股票虽仅占60%资金，却贡献超过90%组合风险，投资者逐渐意识到仅仅注重头寸比例而忽视风险结构的资产配置方法并不能真正的分散风险。于是，基于风险的大类资产配置策略开始受到市场的关注。
2.2.1 桥水全天候策略：奠定了风险平价模型的雏形（1996）
桥水基金于1996年推出基于风险配置的全天候策略，首次将风险配置理念应用于实践，通过资产组合在不同经济周期下的稳健表现获取Beta收益，这一策略奠定了风险平价模型（Risk Parity）的雏形。经典的桥水全天候策略首先根据经济增长与通胀指标是否超预期将经济周期划分为四种宏观经济状态，在不同宏观经济状态下配置不同的占优资产，同时可以通过杠杆机制调整各资产的风险收益特征。然后将风险权重等量分配给四种宏观经济状态下的子资产组合，在每个子资产组合中又将风险权重等量分配给组合中的各资产，从而得到各资产的最终风险权重及最终配置比例。
桥水全天候策略长期业绩相对稳健同时能够抵御周期波动，获得投资者的青睐。2025年3月5日，桥水与道富环球合作推出SPDR桥水全天候ETF，向个人投资者开放原为机构专属的策略。截至2025/8/5，产品规模约2.91亿美元，成立以来收益5.03%，年化收益12.33%，杠杆水平约为1.88倍。除此之外，桥水中国近年来也表现突出，2024年以35%的收益率位列全球对冲基金前十。
近年来随着多资产配置在国内市场的关注度提升，不少投资机构在经典的桥水全天候策略基础上进行本土化改进，主要包括以下几点：第一，将全天候组合中新兴市场债券、企业债、挂钩通胀债券等做了本土化删减，聚焦于股票、债券、商品。第二，采用高频且多维的宏观因子划分经济周期，不单单根据增长、通胀划分周期，同时还会考虑流动性、利率、汇率、信用等维度，不过也有研究发现因子并不是越多越好，常用增长、通胀与流动性。第三，宏观状态到资产的映射多数考虑各宏观状态占优的资产，也可以结合暴露度和收益率加人工判断进行映射，或者基于因子暴露度和因子敏感度筛选资产进行“场景平价”。第四，对全天候策略进行增强：1）动量增强：结合短期动量筛选当期配置资产，或者将资产的短期动量效应用到协方差的估计；2）结合普林格或其他周期信号对基准模型增加一些择时权重/风险预算；3）结合宏观观点将四象限变少再进行风险平价。
2.2.2 风险平价模型：实现对风险的均衡配置（2005）
风险平价模型克服了传统资产配置模型风险过于集中的弊端，但由于股票和商品的波动率远高于债券资产，风险平价模型结果往往大量配置收益率较低的债券资产，可通过对债券加杠杆提升组合收益表现。除此之外，原模型的风险用组合收益率的方差进行衡量，未能充分反映组合风险特征，可采用下行方差、VaR、期望损失等指标来衡量组合风险。
2.2.3 风险预算模型：自主设定每类资产的风险贡献（2003,2013）
风险预算模型是在风险平价模型基础上，支持投资者根据自身的风险偏好以及对不同资产未来走势的判断设定每类资产的风险贡献。相比于风险平价模型大量配置债券资产，风险预算模型可以通过给股票资产分配更多风险预算的方式来提高股票配置权重。将第i个资产的风险预算权重记为，可通过以下优化模型求解资产配置权重。
总的来说，风险预算模型是风险平价模型的一般化推广。它同样基于风险贡献确定资产权重，但是不再要求各资产的风险贡献相同，而是允许投资者根据自身的风险偏好、对于不同资产后市走势的主观判断等因素设定各资产的风险贡献占比，从而能够更好地满足不同投资者个性化的资产配置需求。该模型的主要风险在于，若投资者对不同资产后市走势的判断有误，则可能会面临承担了额外风险却无法取得理想收益的情况。
2.3 周期配置模型
随着市场竞争的不断加剧和量化方法的广泛使用，仅从历史数据中提取信息进行资产配置并不总是有效可行的。尤其是当宏观经济环境剧烈变动或是经济政策大幅调整时，投资者先前所使用的资产定价方式可能不再适用。因此，一些经验丰富的机构投资者往往在进行大类资产配置时，除了使用量化模型，还会考虑经济周期走势和未来的政策预期。周期配置模型很好地补充了其他模型对宏观经济研究的缺失，将实体经济与资产配置策略动态紧密地联系起来。
2.3.1 美林时钟：根据增长与通胀划分经济周期(2004)
Greetham和Hartnett（2004）提出著名的美林投资时钟理论，根据经济增长率（GDP）和通货膨胀率（CPI）两个宏观指标的变化将经济周期分成衰退期、复苏期、过热期、滞胀期四个阶段。随着经济周期推进，债券、股票、商品和现金依次为各周期下的占优资产。
美林时钟的优点在于逻辑清晰且操作简单，为自上而下配置提供研究框架，将经济周期与资产配置策略动态联系起来，但在实际应用过程中也存在缺陷。首先由于GDP、CPI等经济数据的披露存在滞后性，故经济周期阶段识别可能存在错配；此外，美林时钟仅根据经济增长和通胀划分经济周期，忽略货币政策等因素带来的影响，对我国经济环境可能并不适用。
2.3.2 货币信用周期：根据货币和信用划分经济周期
海外学者在很早之前便已经关注到货币和信用对经济周期的影响。例如：Fisher （1933）提出了“债务-紧缩理论”，其开创性的研究正式拉开了金融经济周期理论发展的序幕。Minsky（1982）提出的“金融不稳定假说”以及伯南克关于“信贷渠道”的研究都为其奠定了理论基础。此外，魏克赛尔在19世纪末提出了信贷周期假说，认为货币供应量的变化会导致经济周期性波动，哈耶克在此基础上提出了完整的信贷周期理论，进一步阐释了货币与信贷对经济周期的影响。
虽然货币信用周期理论起源较早，但主要在2000年以后被应用于大类资产配置。尤其在2008年金融危机爆发以后，人们逐渐意识到货币宽松≠信用扩张，于是开始将“货币-信用”状态两两组合，划分出了四个象限：宽货币+紧信用、宽货币+宽信用、紧货币+宽信用、紧货币+紧信用。该理论模型是一个四象限轮动模型，从紧货币+紧信用的状态出发，首先是货币宽松但还未传导到信用端，便来到宽货币+紧信用这一周期，而当宽松的货币传导到宽松的信用时，便走向宽货币+宽信用周期；当货币重新收紧但信用还未随之收紧时，便是紧货币+宽信用周期。如此循环，这就形成了货币信用周期的四周期轮动模型。而货币信用周期四象限对应的占优资产主要是投资者基于对历史数据进行统计或经验总结进行映射。
我们结合国内实际情况，统计2010年以来货币信用周期及大类资产表现。我们每月末分别根据FR007与信用脉冲偏离均值的情况来划分货币和信用周期。进一步统计不同周期下大类资产的收益表现，股票用沪深300指数，债券用中证全债指数，商品用南华商品指数，黄金用SGE黄金9999，现金用3个月定存利率。结果表明，在宽货币-紧信用周期，虽然货币已经放松，但还未传导至信用，企业信用问题并未解决，这是衰退时期会出现的经济状况，此时选择债券和黄金进行防御配置更具性价比。在宽货币-宽信用周期，货币宽松逐渐传导到了信用宽松，从而刺激企业的经营生产，企业利润开始逐步恢复正常，步入了类似于复苏时期，此时表现最好的资产是股票。在紧货币-宽信用周期，货币与信用早已高涨，政策开始逐步收紧货币，但信用利差仍然处在较低水平，经济体现出过热的特征，此时商品表现最为出色。在紧货币-紧信用周期，信用随着货币的收紧开始逐步收紧，经济增长放缓，但之前高涨的信用所带来的通胀后遗症仍然存在，类似投资时钟中的滞涨周期，此时黄金成为最优资产。
2.3.3 普林格周期：基于债、股、商轮动划分经济周期六阶段
马丁·普林格提出的经济周期理论将一个完整的周期划分为六个阶段，总结了在经济周期不同阶段债券、股票、商品等大类资产配置的基本规律。理论萌芽最早诞生于1980年代，早期主要用宏观经济指标与金融市场价格关系描述经济周期，强调债券、股票、商品之间存在先后轮动关系，被投资者广泛应用于大类资产配置主要在2008年金融危机之后。
普林格基于债券、股票和商品的上行或下行划分六个阶段，并总结出各阶段表现较好的大类资产。阶段1（只有债券市场是牛市）：投资组合应该着重关注高收益率的现金和债券，而后还可以关注一些早期领导行业的股票，债券在阶段1的相对表现最好。阶段2（只有商品市场是熊市）：表现最好的是股票市场，同时债券也表现不错，但不如其在阶段1的表现，也不如此时股票的表现。阶段3（每个市场都是牛市）：股票价格会继续增长，但增长速度变缓，此时所有市场都在增长，货币市场收益率较低，现金头寸处于经济周期中的最低时期，此时可以积累一些商品资产。阶段4（债券开始熊市而股票和商品保持牛市）：应该减少债券头寸或缩短债券的期限，投资组合中的股票应该被转换为中期领导行业和收益驱动型的后期领导行业。阶段5（只有商品是牛市）：投资组合中的股票头寸应该减少，并相应地增加现金头寸。阶段6（没有一个市场是牛市）：现金为王，同时在一些债券市场筑底时购买一些债券资产。另外值得注意的是，普林格提到，不是所有的经济周期都会经历所有的六个阶段，偶尔经济周期会跳过1个阶段，也可能倒退到上一个阶段。
关于如何运用模型识别经济周期中的不同阶段，普林格构建了债券、股票和商品的晴雨表来判断三个市场的上行或下行，进而确定所处的经济周期阶段。每个晴雨表包括12-15个不同种类的成分指标，当大多数成分指标发出积极信号时，晴雨表为看涨模式，晴雨表最终合成0-100%之间的一个分位数，看涨时则大于50%。
此外，普林格也进一步提出应用易于遵循的指标来识别经济周期各阶段的转折点，如：贴现率、领先经济指标、同步经济指标、滞后指标、收益率曲线、领先指标/滞后指标比率、股票/商品比率、扭矩指标、商品/债券比率。其中领先指标总是在阶段5的开始或中间阶段出现波峰，而波谷总是出现在阶段2的初期阶段；同步指标在领先指标之后出现波峰和波谷，通常在阶段5的末端达到顶点，偶尔在阶段6才转向，这个趋向底部的过程一直持续到阶段2的末期；滞后指标的波峰通常出现在阶段2开始时期，波谷通常出现在阶段4。实际应用过程中，可以使用上述指标来识别普林格周期的六个阶段。
2.4 因子配置模型
因子投资的思想起源于经典的CAPM 模型（Sharpe，1964），后来经过Rosenberg（1975）、Ross（1976）、Fama（1992）等学者的发展，成为金融投资领域的重要学术分支和理论方法。桥水基金1996年的全天候策略根据经济增长和通货膨胀两个因子将宏观经济划分为四种形态并设置不同的资产配置比例，是使用宏观因子进行大类资产配置的雏形。2008年金融危机以后，人们发现由于暴露于同一组因子，在极端市场情况下资产间的风险会大幅上升，传统资产配置方法并不能带来有效地分散风险。因此转而去寻找驱动资产价格变化的底层逻辑，因子投资理念在大类资产配置领域得到迅速发展。通过将分析对象从资产转向因子，可以帮助投资者更好地理解资产收益和风险背后的关键驱动因素。
对于基于因子的资产配置，Blyth等人（2016）提出基于因子的灵活资产配置（Flexible Indeterminate Factor-based Asset Allocation，FIFAA），主要操作流程为：选择合适的因子、确定资产的因子暴露、确定目标因子暴露、匹配目标因子暴露。基于因子的灵活资产配置是哈佛捐赠基金的策略载体，该策略近十年收益均值为8.04%，年度胜率为80%。
2.4.1 第一步：选择合适的因子
选择合适本土大类资产的宏观因子是因子配置模型的第一步，也是非常关键的一步，宏观因子的适配度直接决定是否能够真正识别和分散风险。常用的构建宏观因子的方法主要有以下三种：
第一，直接用低频经济数据，比如使用GDP和PPI来代表经济增长和通货膨胀。这种做法经济意义直观，但存在低频滞后的问题，无法及时反映当前的宏观经济状态。
第二，使用主成分分析方法直接从资产中提取。该方法通常可以将资产波动降维至几个线性无关的主成分，能够充分起到因子分散的作用，但存在更换资产带来的结果稳定性欠佳的问题。SSGA的Kelly等（2014）在《Practical Applications for Factor Based Asset Allocation》中对13种大类资产收益率进行主成分分析，从中提取增长、利率、通胀三大宏观因子，并且测算出简洁的宏观因子框架对资产组合的风险贡献度达到80%。BlackRock的Bass等（2017）在《Total Portfolio Factor, Not Just Asset, Allocation》中利用主成分分析从13种大类资产收益率提取出经济增长、利率、通胀、信用、新兴市场和商品6个宏观因子，分别与Greenberge等（2016）基于模拟资产组合构建的因子一一对应，最终采用Greenberge等人的方法，同时增加了外汇因子作为第7个宏观因子。
第三，利用模拟资产组合构建高频宏观因子。该方法以资产组合表现来复制目标宏观因子的走势，使得组合与宏观因子走势偏差度最小。BlackRock的Greenberg等（2016）在《Factors to Assets: Mapping Factor Exposures to Asset Allocations》提出将因子暴露映射为资产组合的方法构建了6个宏观因子：股权（宽基指数收益率）、通胀（做多长期名义政府债券、做空通胀挂钩债券的组合收益率）、实际利率（通胀挂钩债券收益率）、商品（商品指数加权的收益率）、信用（做多公司债券、做空长期名义政府债券的组合收益率）、新兴市场（做多新兴市场权益，做空发达市场权益、新兴市场CDX和新兴市场外汇）。Bender等（2019）在《Asset Allocation vs. Factor Allocation—Can We Build a Unified Method？》中利用模拟资产组合方法构建了3个宏观因子和2个风格因子，宏观因子为股权（宽基指数收益率）、通胀（做多长期名义政府债券、做空通胀挂钩债券的组合收益率）、实际利率（通胀挂钩债券收益率），风格因子为动量因子（滚动1年累计收益）、波动率因子（滚动1年收益率标准差）。
2.4.2 第二步：确定资产的因子暴露
在进行回归之前需先考虑因子是否需要进行正交化处理。如果宏观因子之间的相关性过大，可能会导致回归模型出现多重共线性问题进而影响回归结果。通常可以通过计算因子之间的相关系数与方差膨胀系数（VIF）进行检验。方差膨胀系数可以检验因子之间是否存在多重共线性，一般VIF小于5认为因子之间不存在多重共线性问题。
实际应用时，部分研究使用逐步回归或Lasso回归的方式进行计算，或者结合经验提前将某些因子的回归系数设置为0，以使资产只对其核心解释变量具有暴露值。同时也可以结合滚动回归方法及时捕捉资产与因子关系的变化情况。
2.4.3 第三步：确定目标因子暴露
在选择好合适的宏观因子以及确定了资产的因子暴露之后，第三步是确定投资组合的目标因子暴露。常用以下三种方法：一是基于机构投资者的偏好、资金属性、投资目标等，直接设定投资组合的目标因子暴露；二是采用“基准+偏离”的方法，以传统的资产配置模型作为基准，在基准的因子暴露基础上结合主观宏观观点设置一定的因子偏离，从而确定因子目标暴露；三是用宏观因子代替资产代入风险平价框架，将因子风险平价作为优化目标。
2.4.4 第四步：匹配目标因子暴露
因子配置的第四步是在预设目标因子暴露下计算最优资产权重。海外文献主要有以下几种做法：Greenberge等（2016）与Bass等（2017）采用稳健性最优化框架，计算与目标因子暴露相匹配的最优资产权重；Blyth等（2016）通过添加最低权重、杠杆率、流动性等约束条件以解决映射不唯一的问题，或以因子暴露为限制条件、以最小化风险等为目标进行二次优化求解唯一权重；Bender等（2019）通过因子组合确定资产预期收益，进而利用均值方差最优化求解资产权重。
Greenberge等（2016）的稳健性最优化框架如下，目标函数包括三项：第一项是投资组合对目标因子暴露的偏离度，第二项是从因子协方差角度衡量主动偏离所带来的主动风险，第三项是不能被宏观因子解释的异质风险。
2.5 智能配置探索
在人工智能与大数据技术深度融合的背景下，资产配置策略正迎来革命性变革，逐渐向智能配置阶段进行探索。传统基于人类认知的资产配置模型主要遵循“假设-检验”或“假设-回测-模拟-实盘”研究范式，而新一代机器学习驱动的配置策略则实现了“数据挖掘-规律发现-动态优化”的智能闭环。这种研究范式跃迁使得资产配置策略的开发突破了人类认知的局限，深度学习算法通过海量数据的持续训练，不仅能够复现传统策略，更具备自主演化创新策略的能力。
近年来文献研究结合机器学习和深度学习方法在资产配置领域进行了新的尝试，尤其是在预期资产收益与风险方面提出诸多改进，此外也有学者在组合优化方式、效用函数设定方面进行改进。改进预期资产收益与风险方面，主要包括以下思路：（1）捕捉资产长期和短期的依赖关系：如利用长短期记忆网络（LSTM）和以Transformer为代表的深度学习架构；（2）刻画资产之间的依赖关系：如利用WaveNet捕捉资产间的群体依赖关系，Vine Copula关注资产间的尾部依赖关系；（3）对单个资产特定状态进行预测：如先用跳跃模型识别各状态及对应收益和方差，再用梯度提升决策树预测各状态未来的概率；（4）基于文本和情绪预测资产收益：如利用BERT模型对新闻文本进行情绪分析，通过蒙特卡洛方法生成资产未来价格路径再进行预测。许多学者基于上述方法改进资产收益与风险预测，并将结果代入BL等模型资产配置模型中，能够有效提升组合的风险收益表现。改进组合优化方式方面，可利用多目标粒子群优化处理多目标且不依赖目标函数的凸性或线性假设；通过DQN、PPO、DDPG 等深度强化学习将资产配置建模转化为动态决策问题，使投资组合能够在考虑交易成本、市场摩擦的情况下逐步学习最优再平衡策略。改进效用函数方面，如将投资者的风险厌恶与交易成本约束嵌入均值-方差奖励函数、设计Actor-Critic算法的夏普比率奖励函数等。
方法论上，智能配置阶段的资产配置有以下几点关键变化：第一，因子体系升级：从传统的单一因子模型演进为多维度因子融合框架，交叉结合了数百个结构化与非结构化因子，形成更加全面的资产定价体系；第二，配置机制优化：实现了从静态参数配置到动态自适应机制的跨越，配置模型能够基于实时监测的市场波动率、流动性状态等环境变量，自主优化权重分配；第三，学习模式迭代：突破了传统回测验证的局限，构建了在线学习能力，不仅能够依靠历史数据验证，还可以在实盘交易中持续更新参数，显著提升了样本外适应性并降低过拟合风险。
市场参与主体方面，格局也在发生深刻变革：虽然传统金融机构仍是主流配置模型的主要使用者，但以互联网金融平台和智能财富管理机构为代表的新兴势力正在快速崛起。首先，互联网金融企业通过智能投顾技术，正在深度开拓个人资产配置这一价值洼地；此外，随着居民财富积累和理财意识觉醒，高净值人群对专业化资产配置服务的需求显著提升。
实际应用层面，目前有多家机构也逐渐尝试通过AI赋能资产配置。例如：许多券商积极推进AI大模型本地化部署与应用，优化证券交易生态，同时将AI能力深度融入财富管理全流程，包括智能投顾、AI研究员、智能风控等。未来在大数据与深度学习技术的双重驱动下，资产配置领域有望突破传统认知框架的束缚，全面迈入智能化的资产配置新时代。
3
资产配置模型的国内实践
本节我们主要聚焦于资产配置模型对于国内市场的有效性，分别从战略资产配置和战术资产配置两个维度给出配置组合。其中，战略资产配置组合考察均值-方差模型、基于资产的风险平价、基于宏观因子的风险平价在国内市场的表现，战术资产配置组合主要基于改进版普林格周期给出配置观点，上述模型也分别对应了传统资产配置模型、风险配置模型、因子配置模型、周期配置模型在国内市场的应用。
3.1 战略资产配置组合
3.1.1 均值-方差模型在国内市场的表现
首先检验传统的均值-方差模型在国内市场的表现，我们使用沪深300、中证全债、南华商品、黄金四类资产作为投资标的，同时与等权配置模型进行比较，回测区间为2012/1/1至2025/8/31。其中，对于资产协方差的估计我们均采用LW线性压缩估计方法。
均值-方差模型在国内市场能够取得不错的业绩表现，整体弹性较大且回撤相对可控，年化收益9.57%，最大回撤17.32%，夏普比率和卡玛比率均高于等权重配置，该模型对各资产的配置权重随市场行情变化及时进行大幅调整。
3.1.2 基于资产的风险平价策略
从风险配置角度出发，在国内市场构建基于资产的风险平价策略。我们选取涵盖股票、债券、商品三大类的7种国内资产，构建基于资产的月频调仓风险平价策略，选取的具体标的为：权益资产中的沪深300全收益、中证1000全收益指数，债券资产中的中债国债总财富1-3年指数、中债国债总财富3-5年指数、中债国债总财富7-10年指数及中债信用债总财富指数，商品期货中的金指数。然后每月末求解各资产的权重，使得各资产对组合的风险贡献相等。
从策略的表现来看，自2010年3月以来，基于资产的风险平价策略取得了3.92%的年化收益率，年化波动率1.68%，最大回撤2.37%，夏普比率2.34，月度胜率76.22%，双边年化换手率37.58%。策略最近12个月收益率4.26%，最大回撤0.17%。总体来看基于资产的风险平价策略表现稳健。
3.1.3 基于宏观因子的风险平价策略
考虑到不同资产之间可能暴露于相同的宏观因子，我们在基于资产的风险平价策略的基础上，将目光转向宏观因子配置，进一步构建基于宏观因子的风险平价策略。宏观因子构建方面，传统经济变量的更新频率较低，短期的资产价格波动无法被低频的经济指标合理解释。另外，由于经济变量的统计本身类似“盲人摸象”，各种变量之间存在并不稳定的领先滞后期，所以对于投资时间窗口的影响也难以精确把握。因此，我们从资产价格中提出主成分宏观因子，由此构建的宏观因子属于同步同频的高频因子，对于市场短期波动也能有很好的把握。
我们选取涵盖股票、债券、商品三大类的7种国内资产，构建基于主成分宏观因子的月频调仓风险平价策略，选取的具体标的为：权益资产中的沪深300全收益、中证1000全收益指数，债券资产中的中债国债总财富1-3年指数、中债国债总财富3-5年指数、中债国债总财富7-10年指数及中债信用债总财富指数，商品期货中的金指数。然后每月末求解各资产的权重，使得各宏观因子对组合的风险贡献相等。
对选定的七类资产，采用全区间的收益率数据提取的主成分结构如下表。从构成来看，各主成分有清晰的宏观含义。第一主成分在债券类资产上的系数较高，其余系数绝对值较小，与利率水平因子对应。第二主成分在权益类资产的系数为正，债券类资产系数为负或较小，对应增长因子。第三主成分在黄金上的系数为最高，对应商品因子。第四主成分在信用债上的系数最高，在利率债上的系数为负数，其余系数绝对值较小，对应信用因子。第五主成分在短久期的国债上系数最高，在长久期的国债上系数为负数，二者绝对值相近，对应利率斜率因子。第六主成分在沪深300上的系数最高，在中证1000上的系数最低，其余系数绝对值较小，对应权益大小盘因子。第七主成分在中等久期的国债上系数最高，在长/短久期的国债上系数为负数且绝对值相近，其余系数绝对值较小，对应利率凸度因子。从因子的解释度来看，第一/二/三主成分可解释各类资产39.2%、25.2%、15.2%的波动，前三个主成分累计解释度近80%。
从策略表现来看，自2010年3月以来，基于宏观因子的风险平价策略取得了3.86%的年化收益率，年化波动率1.48%，最大回撤2.42%，夏普比率2.62，月度胜率81.62%，双边年化换手率257.98%。策略最近12个月收益率4.03%，最大回撤0.06%。总体来看基于宏观因子的风险平价策略表现稳健。
3.2 战术资产配置组合
3.2.1 普林格周期在国内市场的表现
在国内市场构建普林格周期模型，我们使用先行指标（M1、M2同比），同步指标（GDP同比、工业增加值同比），滞后指标（PPI同比）三个指标来衡量经济周期，将经济周期划分为六个阶段，并计算了在上述各个阶段中各类资产的回报率，结果表明，在经济周期各个阶段的轮换中，大类资产收益率均有所分化，优势品种有超越大市的表现，具体周期划分以及表现如下图。
在经济周期第一阶段，央行仍实行宽松的货币政策，继续增加货币供应量，推行各种财政政策刺激经济。从资产配置的角度看，此时一般短期利率会上行，同时债市经历熊市之后也将迎来拐点，因此债券与现金成为这一时刻的优质资产。但是在这一阶段，生产与通胀仍处于下降区间，高波动资产依然有相当高的风险，不建议配置。
在经济周期第二阶段，通货膨胀继续回落，GDP增长率开始上升，虽然闲置的生产力还没有完全的利用起来，但企业的利润率已企稳开始回升，同时央行为了使经济全面恢复会持续增加货币供给。从资产配置的角度看，这时权益市场筑底完成，是配置的最佳时期，建议高配。
在经济周期第三阶段，三指标同步上行，经济全面恢复，企业利润率高速上行。从资产配置角度看，此时各行各业生产力火力全开，对原材料需求较高，商品迎来行情，此使股票受益于企业基本面快速抬升以及经济上行的预期会获得普涨，此阶段建议高配股票和商品。
在经济周期第四阶段，生产增长开始减缓，通货膨胀上升。GDP增长虽然在上升，但增速已明显放缓，为抑制过热的投资，央行开始加息减少货币供应量。从资产配置角度看，由于股票投资收益依赖企业的利润率和利率水平，商品是最佳的资产配置选择，同时股票也有一定的配置价值，但是需要重点关注盈利支撑。
在经济周期第五阶段，GDP增长降低到长期增长趋势以下，但是通货膨胀依然继续上升，经济进入滞胀阶段。从资产配置角度看，权益市场已经疲态初现，不建议配置，而商品处于最后的疯狂，可以配置但是有一定的风险，此时黄金成为最优资产。
在经济周期第六阶段，三指标同步下行，经济增长严重乏力，从而导致了通货膨胀开始下降，企业利润率也遭遇滑铁卢。从资产配置角度看，此时建议配置避险属性明显的黄金与债券。
根据我们改进的普林格周期理论构建的策略，自2016年以来年化收益22.21%，夏普比率1.87，最大回撤6.38%，该策略每年均获得正收益，今年以来收益率为23.07%。
4
总结与展望
本文首先介绍多元资产配置的重要性，接着详细阐述资产配置模型的演进，可大致划分为五个阶段：传统资产配置阶段、风险配置阶段、周期配置阶段、因子配置阶段、智能配置探索。针对每个阶段，我们总结了各经典模型诞生的背景及优缺点等，其中，传统资产配置阶段包括恒定混合模型、均值-方差模型、BL模型及其他多种基于均值-方差模型的改进方法；风险配置阶段包括桥水全天候策略、风险平价模型、风险预算模型等；周期配置模型包括美林时钟、货币信用周期、普林格周期等；因子配置阶段的代表应用包括Blyth等（2016）、Greenberg等（2016）、Bass等（2017）、Bender等（2019）；智能配置探索指基于大数据和人工智能的配置模型正逐渐被应用于资产配置领域。
应用层面，针对各类资产配置模型检验其在国内市场的表现，我们分别从战略资产配置和战术资产配置两个维度给出配置组合。其中，战略资产配置组合考察均值-方差模型、基于资产的风险平价、基于宏观因子的风险平价在国内市场的表现，战术资产配置组合主要基于改进版普林格周期给出配置观点，上述模型也分别对应了传统资产配置模型、风险配置模型、因子配置模型、周期配置模型在国内市场的应用。第一，均值-方差模型在国内市场能够取得不错的业绩表现，整体弹性较大且回撤相对可控，年化收益9.57%，最大回撤17.32%，夏普比率和卡玛比率均高于等权重配置。第二，基于资产的风险平价策略取得了3.92%的年化收益率，年化波动率1.68%，最大回撤2.37%，夏普比率2.34，月度胜率76.22%，策略表现稳健。第三，基于宏观因子的风险平价策略取得了3.86%的年化收益率，年化波动率1.48%，最大回撤2.42%，夏普比率2.62，月度胜率81.62%，策略表现稳健。第四，根据我们改进的普林格周期理论构建的策略，自2016年以来年化收益22.21%，夏普比率1.87，最大回撤6.38%，该策略每年均获得正收益。
在后续大类资产配置模型研究中，我们将在经典资产配置模型理论基础上，进一步结合国内资本市场的结构特征、投资者行为偏好以及宏观经济环境的实际情况，进行针对性的改进与创新，力争构建出更加契合国内市场且高效的资产配置方案，从而为投资者提供更具前瞻性与操作性的配置框架。
研究均基于历史数据，对未来投资不构成任何建议。文中的模型结果均是以历史数据进行计算和分析的，未来存在失效的可能性。市场的系统性风险、政策变动风险等市场不确定性均会对策略产生较大的影响。另外，文中的宏观因子、经济状况及资产映射的构建，对市场及相关交易做了一些合理假设，但这样可能会导致基于模型所得出的结论并不能完全准确地刻画现实环境，在此可能会与未来真实的情况出现偏差。而且数据源通常存在极少量的缺失值，会微弱增加模型的统计偏误。
姚紫薇：金融工程及基金研究团队首席分析师，上海财经大学硕士，厦门大学统计学与数据科学系行业导师、中证报金牛奖专家评委。历任兴业证券金融工程分析师、招商证券基金评价业务负责人，2024年加入中信建投研究发展部，深耕基金研究、资产配置、财富管理、数字化建设、大模型应用等领域，主导开发招商证券研基实验室、中信建投智研多资产配置+平台（网址：https://fund.csc.com.cn）。多次获得团队荣誉，获得2020年新财富最佳分析师金融工程方向第3名，2021年新财富最佳分析师金融工程方向第2名。
应绍桦：厦门大学金融硕士，3年基金研究经验，研究方向主要为资产配置、组合构建、基金数据库、基金因子挖掘等。
来源：点滴财学
