2023年宏观经济量化专题：构建大类资产的宏观胜率评分卡，货币、信用、增长、通胀与海外五因子

一、引言：从资产配置到策略配置

当我们谈及大类资产配置的时候，第一时间映入脑海的常常是海外市场的成熟策略或产 品，如桥水的全天候策略基金，但这些资产配置理论在中国市场似乎有些水土不服，并 没有诞生出类似桥水全天候基金这样的极具市场影响力的绝对收益产品。因此在本文引 言部分，我们尝试探讨以下三个问题： 1） 为什么风险平价策略在中国市场的效果不理想？ 2） 什么样的资产配置理念更适合中国市场？ 3） 如何构建具有本土特色的战术配置框架？

为什么在中国市场中使用风险平价策略的效果不理想？对比中国市场股债资产的长 期表现： 2011 年以后，A 股与中债的风险溢价能力出现明显下滑，以货币基金收益率为基准 计算的股债夏普比率在 2011 年后均有明显的降低； 风险平价策略确实能够利用股债之间的负相关性提升组合的夏普比率，但其整体表 现依然是建立在股债风险溢价水平的基础上，因此在 2011 年后风险平价策略也表 现出较明显的收益下滑、回撤变大、夏普降低的现象； 基于分段表现来看，股债风险平价策略的收益能力主要取决于股票是否有牛市（如 2014-2015 年），回撤水平则更多取决于债券是否有熊市（如 2013 年），由于中国 股债的牛熊波动较大，因此单纯的风险平价也不可避免要承受较大的市场风险；

经典的金融市场假设一般认为，长期来看如果一个资产承担了更高的风险则需要提供更 高的回报作为风险补偿，即学术中的“风险溢价”概念。但 2011 年以后的 A 股和中债 的风险溢价能力出现了较明显的下滑，我们认为这种低风险溢价的现象或许便是风险平 价策略在中国市场表现差强人意的核心原因之一。

 相对于资产配置，策略配置的理念更适合中国市场。策略配置的本质是通过策略将低 夏普资产转化为高夏普资产，如果在市场有效性较强的情况下，我们可以尽量均衡地配 置不同的风险资产，充分利用资产间的低相关性和资产风险溢价来赚取长期回报，但如 果是在市场有效性较低的情况下，我们则需要对资产进行一定程度的“过滤”，将低夏普 比率的资产转化为合理甚至是高夏普比率的资产后再进行配置，我们将这个过程称之为 策略配置。一般而言，策略配置也可以细分为两种大方向： Alpha 策略：主要关注横截面的定价误差，在控制跟踪误差的基础上尽可能获取超 额收益，常见为自下而上的相对收益策略，如选股策略和选基策略等； Beta 策略：主要关注时间序列的定价误差，未必能提升收益，但往往能显著改善组 合的风险，常见为自上而下的绝对收益策略，如美联储模型、美林时钟等。

资产配置中的 Beta 管理框架：赔率+胜率。在股票投资中，P=EPSPE 是业界常见 的一种对股票价格的分解模式，本质来说是将股票价格投影成两个元素：一个只与基本 面相关的趋势要素（EPS）与一个只与估值相关的均值回复要素（PE）。因此借鉴股票投 资，我们从赔率和胜率两个角度出发构建大类资产的 Beta 管理框架： 赔率代表资产与合理定价中枢的偏离度，因此天然是一个左侧信号，对应的是均值 回复的交易模式，主要挑战是定价中枢和均值回复周期存在不确定性； 胜率代表资产核心驱动因子的边际变化，大部分情况下是一个右侧信号，对应的是 基本面动量的交易模式，主要挑战是资产的核心驱动因素可能随着时间发生转变。

赔率和胜率两个维度各有优劣且相互补充，我们可通过赔率和胜率将资产切割成不同的 状态和阶段，不同的状态下资产也将呈现出不同的收益分布特征。因此与其说我们在配 置资产，不如说我们在配置资产在时间序列中的某种状态，而这也正是我们本篇报告的 核心思路，具体不同资产的赔率和胜率的设计我们将在正文部分详细展开。

④ 相比于 2020 年的专题报告《资产配置的四种范式：赔率、胜率、趋势和拥挤度》， 本篇报告的迭代主要体现在以下三点： 1) 聚焦赔率和胜率，弱化趋势和拥挤度：基于国内大类资产宽度有限、资产配置投资 者调仓频率天然较低、而且过于强势的 Beta 策略将压缩 Alpha 策略的空间等原因， 我们认为中国市场的资产配置过程中应更多聚焦赔率和胜率两个核心指标，而趋势 和拥挤度我们则建议视为资产配置过程里面的辅助指标； 2) 胜率部分有大迭代，相比于前期较为零散的宏观胜率指标，本篇报告我们从货币、 信用、增长、通胀和海外五个因素出发，并且综合了宏观动量和宏观超预期两个维 度的信息，构建了对股债商均有效的宏观胜率评分卡，因此本文的重点也将放在大 类资产的宏观胜率评分卡设计上来； 3) 赔率部分有小迭代，比如股票的赔率指标我们将其覆盖到美股，可转债的估值中枢 我们用更精准的 CCB 模型进行定价等。

二、宏观胜率中的方向和强度

事实上，我们对大类资产配置中“胜率概念”的思考并非是一蹴而就的，宏观胜率评分 卡的设计理念在过去的三篇专题报告中逐渐成型： 1) 研究成果①：通过对大类资产进行收益归因，我们发现货币、信用、增长、通胀和 海外五个因子可以累计解释超过 50%的大类资产波动。2019 年 9 月：《资产配置 vs 风 险配置：打造一个系统化的宏观风险配置框架》 2) 研究成果②：参考 OECD 等海外机构的领先指数编制经验，我们制定了一个完全定 量化的流程去寻找有效的宏观领先指标并构建了基于“宏观方向”的情景分析框架。 2021 年 2 月：《中国经济领先指数》 3) 研究成果③：领先指数存在信号频率较低和趋势识别滞后的问题，为解决这两个问 题，我们以宏观一致预期数据为基础，构建了基于“宏观强度”的宏观预期差信号。 2022 年 12 月：《宏观预期差量化与超预期策略》

因此，我们按照上述的三个研究成果初步确立了宏观胜率评分卡的设计理念： 1) 五个维度：只从货币、信用、增长、通胀和海外五个维度出发设计信号，为了降低 数据挖掘和过度拟合的可能性，其他宏观维度暂且不作考虑； 2) 两个信号：每个维度尽可能包含两个信号，一个是宏观维度的方向信号，一个是宏 观维度的强度信号，在不纳入新宏观维度的前提下尽可能丰富宏观信息的层次。

2.1 货币维度：政策工具与利率走廊

① 货币方向因子。在专题报告《宏观预期差量化与超预期策略》中，我们曾对央行常用 的货币政策工具进行梳理，目前收录了短期利率、中期利率、准备金率和定向投放 4 个 大类工具，若考虑功能和期限的区别则总计有 24 个细分的货币政策工具。

当然如果只考虑国内货币政策工具的变动的话，有可能会遇到货币政策空窗期，届时我 们将无法判断货币因子的方向。为了解决政策空窗期的问题，我们引入市场利率作为货 币方向因子的其中一个分项，具体来说货币方向因子构建方式如下： 政策工具打分：对于某一个货币政策工具，如果过去 90 天内发生了政策宽松事件 （降息、降准），设定为+1 分，相反则设定为-1 分； 市场利率打分：对 DR007 进行 30 日移动平均处理，得 DR007_ma30，若 DR007_ma30 相比 90 天前下降，则设定为+1 分，相反则设定为-1 分；若 DR007 数 据缺失，则用 SHIBOR_1W 进行填补； 货币方向因子=（24 个政策工具打分+市场利率打分）/25。

通过上述的计算过程，我们将传统定性的货币政策描述转化为一个完全定量刻画的货币 方向因子，货币方向因子大于 0 即代表当前货币政策以宽松为主要基调，反之如果货币 方向因子小于 0 则意味着当前货币政策以收紧为主要基调。

② 货币强度因子。货币方向因子解决的是货币政策的方向问题，并不能充分反映货币宽 松的程度，因此从信息的角度而言仍有缺失。对此，我们从业界常用的“利率走廊”概 念出发，以短端政策利率为中枢构建了货币强度因子，具体定义如下： 市场利率定义：以 DR007 为市场利率，若 DR007 数据缺失，以 SHIBOR_1W 填补； 利率中枢定义：2014 年前以 DR007 的滚动四年加权平均数为短端利率中枢，2014 年后则以 7 天逆回购利率作为短端利率中枢； 原始偏离度=MA（市场利率/利率中枢-1，30）； 货币强度因子（市场利率偏离度）=原始偏离度/滚动四年原始偏离度的标准差。

考虑到货币极端宽松或极端收紧的情况在历史序列来看时间太短，因此对于货币强度因 子，我们采用事件触发的方式定义货币强度因子的信号： 若市场利率偏离度<-1.5 倍标准差，定义未来 120 个交易日为货币极端宽松环境； 若市场利率偏离度>1.5 倍标准差，定义未来 120 个交易日为货币极端收紧环境；

2.2 信用维度：中长期贷款

① 信用方向因子。在 2021 年央行政策研究报告《健全现代货币政策框架》中曾提及： 我国金融体系以银行为主，货币政策的传导主要通过银行实现。近年来，人民银行抓准 作为货币创造直接主体的银行，通过流动性、资本、利率这三大外部约束影响银行货币 创造行为，完善货币供应调控机制。如果说货币维度体现的是“央行->商业银行”的松 紧，那么信用维度便应更多体现“商业银行->实体经济”的松紧。 常见的信用指标有很多，那么哪一个指标才能最好体现商业银行对实体经济的松紧？ 从逻辑出发，如果说信用是通过借贷活动对既有资源的跨期配置的话，那么中长期 贷款相比于短期贷款而言，更符合我们对信用的定义和理解； 从数据出发，新增人民币贷款中的短期贷款与货币因子信息重叠度较高，而中长期贷款则与货币因子负相关，且对股债商的收益区分度也较好。

综上，我们对信用方向因子作出以下定义： 信用方向因子=中长期贷款当月值->滚动 12 个月求和->同比处理； 若中长期贷款脉冲相比于三个月前有所抬升，则将当前定义为信用宽松环境，若中 长期贷款脉冲相比于三个月前有所降低，则将当前定义为信用收紧环境；

② 信用强度因子。我们参考专题报告《宏观预期差量化与超预期策略》，利用 Bloomberg 对国内新增人民币贷款的一致预期数据进行信用强度因子的设计： 信用强度因子=（新增人民币贷款当月值–预期中位数）/预期标准差； 若信用强度因子>1.5 倍标准差，定义未来 60 个交易日为信用显著超预期环境； 若信用强度因子<-1.5 倍标准差，定义未来 60 个交易日为信用显著不及预期环境。

2.3 增长维度：三个 PMI

① 增长方向因子。由于目前 PMI 数据依然是国际最常用的、市场关注度最高的和公布 最及时的反映宏观经济的变量之一，因此我们采用 PMI 数据作为增长维度的主要参考指 标。目前业界常用的主要 PMI 指标主要有四个：中采制造业 PMI（一般月底公布）、中 采非制造业 PMI（一般月底公布）、财新制造业 PMI（一般每月第一天公布）和财新服务 业 PMI（一般每月 3 号-6 号公布）。考虑到公布时间的及时性，我们主要采用前三个 PMI 作为基础数据，具体而言增长方向因子的设计细节如下： 数据选取：中采制造业 PMI、中采非制造业 PMI、财新制造业 PMI； 信号时间：以上述三个 PMI 中最晚公布的时刻作为信号时间； 指标处理：PMI 脉冲=原始 PMI->滚动 12 个月平均->同比处理，根据每一个 PMI 脉冲的三个月环比变化方向打出±1 分； 增长方向因子=三个 PMI 脉冲环比方向打分的加总；如果增长方向因子得分>0，将 当前定义为经济上行环境，反之则定义为经济下行环境。

② 增长强度因子。与信用预期差指标的设计类似，我们利用 Bloomberg 对三个 PMI 的 一致预期数据进行增长强度因子的设计： PMI 预期差=（PMI–预期中位数）/预期标准差； 增长强度因子（PMI 综合预期差）=三个 PMI 预期差的等权平均；若综合预期差>1.5 倍标准差，定义未来 60 个交易日为经济显著超预期环境； 若综合预期差<-1.5 倍标准差，定义未来 60 个交易日为经济显著不及预期环境。

2.4 通胀维度：CPI 与 PPI

① 通胀方向因子。对于通胀数据，考虑到市场的关注度以及 Bloomberg 中的一致预期 数据覆盖情况，我们利用常见的 CPI 和 PPI 数据构成通胀方向因子，具体如下： 通胀方向因子（广义通胀）=0.5*CPI 平滑值+0.5*PPI 原始值； 若广义通胀指标相比于三个月前有所降低，则将当前定义为通胀下行环境；若广义 通胀指标相比于三个月前有所抬升，则将当前定义为通胀上行环境。

② 通胀强度因子。与 PMI 综合预期差构建方式类似，通胀强度因子定义如下： 通胀强度因子（通胀综合预期差）=0.5*CPI 预期差+0.5*PPI 预期差；若综合预期差<-1.5 倍标准差，定义未来 60 个交易日为通胀显著不及预期环境； 若综合预期差>1.5 倍标准差，定义未来 60 个交易日为通胀显著超预期环境。

2.5 海外维度：CDS 与 RAI

① 海外对中国的风险偏好：主权 CDS 利差。在报告《外资风险偏好的三个标尺》中我 们曾提及可以利用中国主权 CDS 利差刻画了外资对中国经济基本面的看法。中国主权 CDS 利差是外资投资中国 5 年期国债时的违约风险对冲成本，利差较高时一定程度隐含 了外资对中国经济基本面的担忧，另外我们也发现 CDS 利差对北向资金流入有较强的解 释力，能够在一定程度上反应外资的行为与动机。

因此我们利用中国主权 CDS 利差的水平构建第一个海外因子，具体如下： 数据披露时间：次日早上 6 点左右； 海外因子①=中国主权 CDS 利差->MA30->zscore 处理（四年窗口）； 若中国主权 CDS 利差 zscore 小于 0，则认为当前海外对中国市场风险偏好较高，若 中国主权 CDS 利差 zscore 大于 0，则认为当前海外对中国市场风险偏好较低。

② 海外市场风险偏好：花旗 RAI 指数。花旗风险偏好指数（Citi RAI Index）由 6 类因 子组成：股票期权隐波、新兴市场与美国信用债之间的利差、银行间借贷成本、美国市 场 CDS 利差、外汇期权隐波、利率掉期期权隐波，较全面地捕捉了市场对于风险水平的 感知，刻画了海外投资者对美国市场的风险偏好。因此第二个海外因子定义如下： 数据披露时间：次日中午 12 点左右； 海外因子②=花旗 RAI 指数->MA30->zscore 处理（四年窗口）； 若花旗 RAI 指数 zscore 大于 0，则认为当前海外市场风险偏好较高，若花旗 RAI 指 数 zscore 小于 0，则认为当前海外市场风险偏好较低。

2.6 本章小结

第二章我们主要从货币、信用、增长、通胀和海外五个因素出发，尽可能综合了“方向” 和“强度”两个维度的信息总共构建了 10 个宏观分项指标，在保证宏观逻辑性的基础 上进一步丰富了宏观量化的信息维度，下一章节我们将利用 10 个宏观分项指标的信息 构建大类资产的宏观胜率打分卡以及资产配置中的胜率增强型策略。

三、赔率-胜率分析框架与策略应用

3.1 资产配置中的赔率策略

在 2020 年 9 月外发的专题报告《资产配置的四种范式：赔率、胜率、趋势与拥挤度》 中，我们已经详细阐述了各大类资产的赔率定义，因此在此处我们不再详细的展开，仅 作简单的复述以及数据跟踪。

权益资产的赔率指标：股息率-国债收益率。这个指标最早受启发于美联储模型（FED model），即以 ERP（市盈率倒数-国债收益率）作为股债性价比的衡量指标。但根据我们 的研究，采用 ERP 作为权益资产的赔率指标有一定的局限性，以 DRP（股息率-国债收 益率）作为赔率指标逻辑和效果均更好，主要有以下三点原因：从分子的稳定性来看：股票盈利的周期波动较大，股票分红周期波动较小，采用股 息率作为估值指标能够更好规避经济周期的影响；备注：美国市场常用 CAPE 来取代 PE， 本质也是考虑到盈利存在明显的周期性； 从逻辑的匹配性来看：股息率与国债到期收益率均属于利息收入，股息率相当于是 股票的到期收益率，因此两者的逻辑匹配度更强； 从指标的效果来看：基于全球多个国家的数据，DRP 指标的股债择时能力普遍强于 ERP 指标，基于 DRP 指标的股债轮动策略在中美两个市场中效果优于 ERP 指标。

利率债的赔率指标：预期收益。在专题报告《大类资产定价系列之二：利率债收益预 测框架》中，我们曾介绍利率债的收益分解模型，将利率债收益分解为三个部分：远期 利率、久期影响和凸性偏差三项，并通过改进后的 CIR 模型对未来一年的Δr 进行预测， 从而得到不同期限利率债的预期收益序列。 预期收益模型的主要挑战在于利率中枢发生“瞬时且持久”的飘移，这将导致模型中的 利率中枢μ估算出现较大的偏差（2020 年-2022 年），因此后续模型的改进也依赖于能 否更合理和更及时地估算出真实利率中枢μ。

可转债的赔率指标：CCB 模型定价误差。在专题报告《可转债定价模型与应用》中， 我们将可转债的赎回条款纳入定价过程，构建了 CCB 定价模型，其优势主要有二：1） 相比于蒙特卡洛模拟定价，CCB 模型存在解析解，求解速度有明显优势；2）相比于 BS 公式，CCB 模型对中国市场的可转债定价误差更低，尤其是对平衡和偏股型转债。 CCB 模型的主要挑战在于对可转债赎回概率的估算，在不同的市场环境中，上市公司对 于可转债的赎回意愿也会发生改变，从而导致 CCB 模型出现持续的定价偏差。

资产配置中的赔率策略。单一资产的赔率指标设计如上所述，那么我们该如何将不同 资产的赔率信号综合考虑并基于此构建资产配置策略？赔率策略具体细节如下： 备选资产：沪深 300 指数、中证转债、标普 500ETF、1-3 年期国债总财富指数、7-10 年期国债总财富指数、信用债 AAA、货币基金； 组合优化器：采用带风险预算的风险平价优化框架； 赔率的标准化：不同资产的赔率指标统一利用滚动六年的窗口进行 zscore 处理，从 而使得赔率数据具备可比性，即可得图表 40 中的赔率雷达图；风险预算设计：根据不同资产的标准化赔率大小得到赔率排名（如 1、2……6），将赔率排名进行归一化，得到不同资产的风险预算，赔率越高风险预算越大； 协方差矩阵：利用滚动六年窗口的数据估算大类资产的协方差矩阵； 目标波动率：设定上限为 3%，如果波动率超过 3%，利用现金降低组合波动； 资产上限：权益≤20%，转债≤10%，美股和黄金≤5%，信用债≤40%； 调仓频率：季度调仓。 基于赔率理念构建的赔率增强型策略自 2011 年以来能够长期获得较好的表现，年化收 益达 6.4%，最大回撤为 3.2%，卡玛比率达 1.96，策略年化单边换手率为 90%。

3.2 资产配置中的胜率策略

宏观胜率评分卡的设计。我们从货币、信用、增长、通胀和海外五个因素出发，并综 合了“方向”和“强度”的信息总共构建了 10 个宏观分项指标，那么落实到大类资产 的综合打分中我们该如何统筹这些信息呢？宏观胜率评分卡构建可以分为三步： 1) 宏观符号约束：我们认为五个宏观因素对大类资产的影响方向应该是基于“金融逻 辑”而非基于“统计逻辑”，比如增长维度中的增长上行和增长超预期对股票的影 响应该是正向的，对债券的影响应该是反向的，因此我们根据金融逻辑对宏观因素 对大类资产的影响方向进行先验性的约束； 2) 宏观信号打分：根据我们对宏观指标的定义，并结合每一个宏观指标的数据披露时 间，我们构建了日频的宏观信号矩阵，再根据宏观符号约束进行方向调整，则每个 资产均可得日频数据颗粒度的 10 个宏观信号打分序列（只有-1/0/+1 三个得分）； 3) 构建扩散指数：基于每一个资产的 10 个宏观信号打分序列，通过扩散指数的方式 进行最终的信号汇总，即可得各个资产的综合宏观胜率。

因此无论对于股票、债券还是大宗商品，只要确定好宏观逻辑对资产的驱动方向，便可 以构建出专属于该资产的宏观胜率评分，某种意义上也直接反映了该资产对当前宏观经 济情景的适应性。

权益资产的宏观胜率评分。我们构建了国内股票（沪深 300 指数）的 综合宏观胜率得分，并基于此构建了简单的股票择时策略： 策略设计：胜率>10%：100%沪深 300；0%<胜率<=10%：50%沪深 300，50% 货币基金；胜率<=0%：100%货币基金； 交易细节：信号出现后按第二天收盘价成交，暂不设置交易费用； 策略表现：择时策略年化收益为 12.8%，最大回撤为 17.9%，年化单边换手率为 3.6 倍，而同期沪深 300 指数年化收益为 4.0%，最大回撤为 46.1%。因此可见， 基于宏观胜率的权益择时策略能够明显改善国内权益资产的收益风险特征。

利率债的宏观胜率评分。同理，我们构建了国内利率债的综合宏观胜率 得分，并基于此构建了简单的利率债久期择时策略： 债券策略设计：胜率>10%：100% 7-10 年期国债；0%<胜率<=10%：50% 7-10 年期国债，50% 1-3 年期国债；胜率<=0%：100% 1-3 年期国债； 交易细节：信号出现后按第二天收盘价成交，暂不设置交易费用； 策略表现：择时策略年化收益为 4.6%，最大回撤为 2.0%，年化单边换手率为 4.3 倍，同期 7-10 年期国债指数年化收益为 3.8%，最大回撤为 8.0%，1-3 年期国债指 数年化收益为 3.2%，最大回撤为 2.0%。基于宏观胜率的利率债久期择时策略相比 于短久期债券可以显著提升收益，相比于长久期债券则可以显著改善回撤。

资产配置中的宏观胜率策略。胜率策略与赔率策略除了在风险预算和调仓频率上有区 别外，其他参数完全一样，宏观胜率策略的具体细节如下： 备选资产：沪深 300 指数、中证转债、标普 500ETF、1-3 年期国债总财富指数、7-10 年期国债总财富指数、信用债 AAA、货币基金； 组合优化器：采用带风险预算的风险平价优化框架；胜率的标准化：宏观胜率本身便是一个标准化扩散指数，因此无须标准化处理； 风险预算设计：根据不同资产的胜率大小得到胜率排名（如 1、2……6），将胜率排 名进行归一化，得到不同资产的风险预算，宏观胜率越高风险预算越大； 协方差矩阵：利用滚动六年窗口的数据估算大类资产的协方差矩阵； 目标波动率：设定上限为 3%，如果波动率超过 3%，利用现金降低组合波动； 资产上限：权益≤20%，转债≤10%，美股和黄金≤5%，信用债≤40%； 调仓频率：月度调仓。 基于宏观胜率构建的胜率增强型策略自 2011 年以来能够长期获得较好的表现，年化收 益达 6.3%，最大回撤为 2.8%，卡玛比率达 2.27，策略年化单边换手率为 154%。

3.3 赔率-胜率分析框架初探

在报告的最后，我们尝试初步融合赔率和胜率的信息，基于赔率-胜率框架对国内股债资 产进行系统性的状态判断和分析。基于上文股债的赔率胜率指标，我们对状态定义如下： DRP-zscore >0，股票为高赔率，DRP-zscore <0，股票为低赔率； 权益综合胜率>0，股票为高胜率，权益综合胜率<0，股票为低胜率； 预期收益差 >0，债券为高赔率，预期收益差 <0，债券为低赔率； 债券综合胜率>0，债券为高胜率，债券综合胜率<0，债券为低胜率。

为了更直观地体现赔率和胜率融合分析的效果，我们在股票择时、国债择时以及资产配 置三个策略上分别进行比较： 股票择时策略：高赔率+高胜率状态，100%沪深 300；低赔率+高胜率状态，67% 沪深 300；高赔率+低胜率状态，33%沪深 300；低赔率+低胜率状态，0%沪深 300； 其余的权重配置货币基金； 国债择时策略：高赔率+高胜率状态，100% 7-10 年期国债；低赔率+高胜率状态， 67% 7-10 年期国债；高赔率+低胜率状态，33% 7-10 年期国债；低赔率+低胜率 状态，0% 7-10 年期国债；其余的权重配置货币基金； 资产配置策略：将赔率策略的风险预算和胜率策略的风险预算进行简单相加，得到 综合得分。然后根据不同资产的综合得分大小得到综合得分排名（如 1、2……6）， 将综合得分排名进行归一化，得到不同资产的风险预算；其他参数不变。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）