资产配置模型演进可分为几个阶段？

资产配置模型演进可大致划分为五个阶段：

1.传统资产配置阶段

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%。

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+）

VaR：1994 年，J.P.摩根推出基于 VaR 风险度量的 RiskMetrics 系统。VaR 用于衡量在给定置信水平下，组 合在一定时间区间内可能遭受的最大损失。该指标最明显优点是提供了一个简洁、直观的数字来概括整个投资 组合的市场风险，但该指标只关注分位点对应的最大损失，不考虑超过 VaR 的尾部损失情况。 CVaR/ES：Artzner（1999）提出 CVaR 指标，衡量在超过 VaR 的情况下的平均损失，也就是尾部风险的期 望。该指标弥补了 VaR 忽略尾部平均损失的缺陷，同时 CVaR 为一致性风险度量，满足次可加性，可直接用于 凸优化问题。

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。

利用因子模型估计协方差矩阵：最早由 CAPM 模型（1964）演变而来，基于因子模型下的资产收益率的协 方差矩阵即可表示为? = ??? ′ + Δ，其中，F 是因子收益的协方差矩阵，Δ 是特质收益率的方差构成的对角阵。 因子模型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。传统多因子 模型的构建较为复杂，因子选取和构成存在一定争议；基于主成分分析 PCA 得到的因子构建简单，但解释性存 在一定局限性。 线性压缩矩阵估计：Ledoit 和 Wolf（2003）使用贝叶斯压缩的方法估计不同资产之间的协方差矩阵，旨在 协方差矩阵估计的无偏性与结构化模型的设定误差之间寻求平衡。LW 线性压缩法得到的协方差矩阵为 Σ?ℎ???? = α × F + (1 − α) × S。其中，F 表示压缩目标，可通过等方差模型、市场指数模型、等相关系数模型使 其估计误差较小但存在一定的模型设定偏误；S 表示样本协方差，当样本量较多时，样本协方差是真实协方差 的无偏估计；α表示压缩强度，取值在 0-1 之间。后续也有学者致力于开发更为稳健的协方差矩阵估计方法，Chen 等（2010）根据 Rao-Blackwell 定理对 LW 提出的线性压缩方法进行了改进，提出了 RBLW 估计方法，通过 Rao-Blackwell 定理减少系数估计的均方误差，同时为了进一步减小估计误差，还提出了 Oracle Approximating Shrinkage 的方法，该方法在数据量显著小于资产个数时表现优于 RBLW。 其他压缩方法：（1）考虑时变特征的协方差估计：资产收益率之间的相关关系可能会随时间发生变化，学 者提出使用指数加权移动平均法（EWMA）以及多种 GARCH 模型估计协方差矩阵，其中指数加权移动平均法 也可以结合半衰期给予越新的数据更高的权重。（2）非线性压缩方法：Lam 等（2016）、Engle 等（2017）、 Ledoit 和 Wolf（2015, 2017, 2018）等在近年来提出了许多非线性压缩的方法。值得一提的是，整体来看，非线 性压缩方法计算较为复杂且效果提升相对有限。

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.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。

2.1 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 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。

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。

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。

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。

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。

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%。

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）。

4.2 第二步：确定资产的因子暴露

在选择好合适的宏观因子之后，下一步是建立从因子到资产的映射关系。一般将资产收益率序列对因子收 益率序列通过回归的方式确定资产对各因子的暴露程度，从而得到资产与因子之间的映射关系。计算公式为： ?? = ?? + ???? + ??，其中，??为大类资产的收益率向量，??为截距项，即不能被风险因子解释的 alpha 收益，?? 为风险因子的收益率向量，??为资产对因子的暴露矩阵，??为资产的残差收益向量。

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。

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。

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。

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。