大类资产配置模型理论发展历程回顾

大类资产配置模型理论自开创以来，经历了资产配置、风险配置、因子 配置的三个阶段，推动着资产配置投资实践不断向前发展。

1.资产配置模型

1.1.恒定混合模型是最简单易行的配置策略

投资者虽然很早就意识到了大类资产配置的重要性，但具体的配置实践 在早期缺少理论指引，采用的配置方法一般为简单的恒定混合策略（如 股债 60/40 策略、等权重投资组合等）。早在 20 世纪 30 年代，恒定混合 策略已经出现。由于股票和债券具备不同的收益风险特征，当时投资者 普遍认为股债相关系数几乎为零，同时配置股票和债券可以达到分散风 险的目的。 其中，股债 60/40 策略是指投资组合同时买入 60%的股票和 40%的债券， 是最经典的资产配置方式之一。该策略方法简单易行，长期效果不错， 至今仍被广泛采用。

比如，全球最大的主权财富基金挪威政府全球养老 基金（GPDF）在 1998 年成立时就长期采用股债 60/40 策略，直到 2009 年才不断提高股票的配置比例。另外，全球公共养老基金规模排行前列 的日本政府养老基金（GPIF）则在股票和债券的配置上采用股债等权策 略。该模型的主要缺点是，投资组合的灵活性不足，不能根据市场情况 和主观判断对组合进行调整；风险集中在股票端，当股票大跌或股债双 杀时，抵御风险能力较差。

1.2.均值-方差模型开创量化资产配置时代

1952 年，马科维茨（Harry Markowitz）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， 将大类资产配置带入到量化配置时代。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-方差模型有以下几个假设： 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，让收益最大。 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。

1.3.Black-Litterman模型实现量化和主观观点的结合

针对均值-方差模型在实际应用时遇到的问题，1990 年高盛的 Fischer Black 和 Robert Litterman 进行了改进，提出了 Black-Litterman 模型，并 于 1992 年发表。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。

BL 模型从三个方面对 MVO 模型进行改进：首先，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；其次，将投资者的主 观观点作为新的信息，通过观点矩阵的方式输入，经由贝叶斯方法计算 得到资产预期收益的后验估计；最后，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。下图展示 了先验收益分布和主观观点结合得到后验预期收益分布的过程。

2.风险配置模型

2.1.风险平价模型放弃预测收益，实现了对风险的均衡配置

传统的大类资产配置模型在金融危机期间面临了较大幅度的回撤，因而 受到了业界的广泛质疑。对此，磐安基金（Pan Agora）的钱恩平博士指 出，虽然传统的资产配置模型能实现资产权重的均衡配置，但是由于不 同资产的风险程度差异巨大，组合的风险仍然可能是高度集中的，并没 有真正体现分散化的理念。以股债 60/40 组合为例，其整体风险有 93% 是由股票贡献的，仅 7%是由债券贡献的，因此一旦股票行情低迷，看似 均衡配置的组合便也会表现不佳。钱恩平的文章使众多投资者意识到仅 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，于是开始逐渐把目光转向了风险配置。

从投资实践上看，早在钱恩平的报告发布之前，桥水基金（Bridgewater） 达里奥于 1996 年便已提出全天候策略（All Weather Strategy），开始践行 风险配置的投资方法，这一策略也成为了风险平价（Risk Parity）模型的 雏形。全天候策略首先依据经济增长指标、通胀指标的实际值与市场预 期值之间的大小关系划分了四种宏观经济状态，在不同宏观经济状态下 配置不同的优势资产；然后通过杠杆机制调整不同资产的风险收益特征 至尽可能接近；最后，将风险权重等量配置给四种宏观经济状态下的子 资产组合，在每种子资产组合中又将风险权重等量配置给组合中的每种 资产，从而得到每种资产的最终风险权重及相对应的最终配置比例。

从模型理论上看，2005 年钱恩平首次正式提出了“风险平价”的概念，即 把投资组合的整体风险分摊到每类资产中去，使得每类资产对投资组合 整体风险的贡献相等。他也从理论上证明了基于风险贡献配置资产可以更好的分散风险，并能够得到有效的投资组合1，从而说明了该做法的合 理性。此外，该模型仅依赖相对容易预测的协方差矩阵作为输入参数、 不依赖难以准确预测的资产预期收益率，因此配置结果更加稳定。

2.2.风险预算模型可以自主调配每类资产的风险贡献

由于在实际投资中，底层资产夏普比率相同、收益率相互独立的理想条 件很难得到满足，风险平价模型的配置结果难以达到马科维茨夏普最优。 更加灵活的风险预算模型应运而生，并且可以证明在合适的风险预算下， 模型的配置结果能够达到夏普最优。此外，风险平价模型往往大量配置 低风险的债券资产，使得投资组合的整体收益不高，不能满足投资者的 收益需要。而风险预算模型则可以通过给权益资产分配更多风险预算的 方式来提高权益资产权重，从而将投资组合整体收益提升至更合意的水 平。

3.因子配置模型

3.1.因子配置可以做到真正意义上的风险分散

大类资产配置的目的是分散风险，从 MVO、BL 模型到风险平价、风险 预算模型，实质上都是基于资产本身的风险收益特征进行配置，并未考 虑到驱动资产价格变动的真正因素。事实上，资产价格的变动是受到经 济、通胀、利率等一组共同的风险因子的驱动的，从因子角度出发进行 配置可以做到真正意义上的风险分散。对于资产和因子，Andrew Ang （2010）有一段精彩的论述：如果将资产比作食物的话，因子就像是食 物中的营养元素。正如人们通过吃食物获取营养，投资者通过投资资产 获得了背后的因子收益。在因子投资的框架下，资产收益可以表示为： = + 其中，Rt 是大类资产的收益率向量，Ft 是宏观和风格因子的向量，Bt 是 资产对因子的暴露矩阵，et 是资产的残差收益向量，其期望值为零。

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（All Weather Strategy）将宏观经济划分为四种形态并设置不同的资产 配置比例，本质上是一种基于因子的资产配置框架，这种方法根据资产 对经济增长和通货膨胀 2 个因子的暴露来分配资产，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相关性会大幅上升，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。贝莱德 的 Bass（2017）文章中指出，大约有 90%的大型机构投资者已经在其投 资过程中使用了因子分析，以提高风险分散度、提升收益风险比并降低 成本。目前全球知名投资机构的资产配置已经逐步实现了从资产到因子 的变化，如 BlackRock、SSGA、HMC、PIMCO、高盛等均围绕因子投 资思想重新塑造自身的资产配置体系、投资组合策略和绩效评估方法。

3.2.主流因子配置模型包含四个步骤

Blyth（2016）等人在《Flexible Indeterminate Factor-Based Asset Allocation》 一文中，提出了一个基于因子进行资产配置的框架，包括四个步骤：选 取合适的因子、计算资产的因子暴露、确定因子目标暴露、匹配因子目 标暴露。该框架容易理解，被市场上广泛接受并使用，具体如下：

1）选取合适的因子 风险因子是驱动大类资产价格走势的主要因素。Bender（2019）在《Can We Build a Unified Method ?》一文中提出，要首先找出哪些因子是多资 产类别中驱动回报的主要因素，然后将上述因子与资产类别建立联系。 如股票、商品和房地产对于经济增长有正向暴露，而债券对利率有负向 暴露等。Bender 进一步将风险因子分为风格因子和宏观因子两大类，宏 观因子刻画了与经济增长、利率、通货膨胀、信用、流动性等相关的风 险，是驱动大类资产价格变化的主要因素；风格因子则来源于股票异象 的横截面资产定价，反映相同资产类别内的风险及收益，包括价值因子、动量因子、规模因子等。

当宏观因子事先给定时，可以利用动态因子模型（DFM）、波动率倒数加 权等方法从宏观指标直接出发合成宏观因子。例如使用工业增加值、PMI、 GDP 等合成增长因子，使用 CPI、PPI 等合成通胀因子，这样得到的单 一因子含义明确，逻辑性强，符合直观，但存在时效性差、频率低、不 可投资的缺点。为了满足高频、实时、可投资的要求，对此有国外机构 提出因子模拟组合（Factor Mimicking Portfolios）方法，通过资产价格复 制因子走势（如通过做多长期名义政府债券、做空通胀挂钩债券复制通 胀）；在因子事先未知时，也有部分机构通过主成分分析（PCA）方法直 接从资产走势中提取因子。

例如，Kelly 等（2014）通过 PCA 方法提取 了增长、利率、通胀 3 个因子；BlackRock 的 Greenberg（2016）等人根 据经验选取了股权、通胀、实际利率、商品、信用、新兴市场 6 个因子， 并用相关的资产复制了因子的走势，随后 BlackRock 的 Bass（2017）等 人利用 PCA 方法从 13 个资产中提取了上述 6 个因子，另外加上外汇因 子构成了因子体系；Bender 等（2019）则在增长、通胀、利率 3 个宏观 因子之外加上了动量、波动率 2 个风格因子。

2）计算资产的因子暴露 在选取并计算生成了合适的因子后，下一步是建立一个因子与资产之间 的映射关系，即计算资产的因子暴露水平。资产对于风格因子（如动量、 波动、估值等）的暴露依赖于资产自身的收益率或经济情况，可直接计 算得出。为了横截面可比，通常要将因子值进行标准化或转为时序分位 值；对于宏观因子（如经济增长、利率、通胀等）的暴露计算则略为复 杂，一般要将资产收益与宏观因子进行时间序列回归，回归系数即为资 产的因子暴露，计算过程中逐步回归、Lasso 回归、重采样、引入主观先 验信息等手段可以提升因子暴露值的准确性及稳定性。例如，Greenberg等（2016）、Bass 等（2017）通过有条件的逐步回归和先验信息确定系数 限制的方法计算因子暴露；Blyth 等（2016）在此基础上等引入了 Lasso 回归对回归系数进行交叉验证；Bender 等（2019）在战术和战略配置中 分别使用短期窗口和短期窗口的平均值作为暴露水平；陈银超等（2019） 使用重采样（Bootstrap）方法进行回归，最终结果取 3000 次随机样本的 平均值。

3）确定因子目标暴露 第三步是确定一个合适的因子目标暴露。一种方法是针对投资机构的偏 好、资金属性、投资目标等，直接设置一个因子目标暴露，如 Bass 等 （2017）对美国捐赠基金、美国养老保险、公共福利支出计划三个投资 组合直接进行因子配置的改进；另一种方法是以传统资产配置模型生成 的资产组合为基准，在此基准上结合主观宏观观点设置一定的因子偏离， 如 Blyth（2016）、Boudt（2013）等；此外，还有将因子本身的风险和收 益值代入风险平价、均值方差等资产配置模型，通过最优化得到因子目 标暴露，如牛晓健（2021）等。

4）匹配因子目标暴露 模型的最后一步是基于因子目标暴露反向推出各个大类资产配置的比 例，通常通过组合优化器来求解。由于大类资产和因子之间的关系并不 是一一对应的，多个资产可能对同一个因子有暴露，因此最终优化结果 往往也不是唯一的，可增加各种约束条件来获得唯一的资产权重。 Greenberg 和 Bass 等人采用了稳健性最优化框架，以最小化组合与目标 因子暴露偏差平方和及主动风险项之和为目标，对纯多头、最小交易量、 资产类别、换手率等进行限制；Blyth 创建了一个开放式的优化框架，以 最大化偏好得分（如最大化风险调整后收益、最小化风险等）为目标， 而将因子暴露作为限制条件，再添加最低权重、杠杆等条件进行约束。