恒盛智投中金：海内外大类资产配置量化实测

　　炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

　　来源：中金点睛

　　Abstract

　　摘要

　　资产配置的核心是通过跨资产类别的组合设计，对风险与收益进行系统化权衡。本文从目标到实现路径介绍了资产配置的理论框架，并梳理了海内外的主流资产配置模型，并回测了在中国和全球资产配置场景下的应用效果。回测结果显示，增强收益推荐关注Black-Litterman与均值方差模型，绝对收益风险平衡角度推荐风险平价与波动率目标制模型。

　　资产配置理论框架：设立资配目标、确定资产中枢、明确投资约束、动态调整权重

　　框架设计维度，首先需要锚定资产配置的核心目的，可拆解为四个相辅相成的维度：收益增值、风险分散、流动性管理、长期稳健。而各维度的权重会根据投资者的具体需求动态调整。设立目标后，配置思路的落地路径包括：1）确定大类资产的基准权重与风险中枢；2）明确约束以满足投资偏好需求；3）结合外部环境、内部估值与趋势信号，对权重进行动态微调。在此过程中，可运用三种不同时间维度与目标的资产配置策略——战略资产配置、战术资产配置与动态资产配置。

　　在不同资产选择范围中哪个模型更有效？

　　本文梳理了资产配置的三类经典模型方法论，包括收益驱动、风险驱动和宏观驱动三大类共11个模型。这些模型从出发点、侧重点、开发时间以及优劣势而言各有不同。

　　我们从2015年-2025年、月度换仓的量化实测效果来比较各个模型在中国资产和全球资产配置上的有效性。由于部分模型依赖的假设与超参数较多，我们选择了相对主观超参数较少、能量化回测的收益驱动和风险驱动模型进行测试，包括共9个策略：均值方差、约束优化、Black-Litterman、LSTM结合Black-Litterman、动量-波动率协同、风险平价、风险预算、波动率目标、CVaR优化。

　　我们分别测试了两种投资场景：1）国内投资者更关注的可投资产：A股、港股、中国债券、黄金、大宗商品；2）更广泛的全球资产范围：美国权益、欧洲权益、中国权益、日本权益、中国债券、美国债券、黄金、大宗商品。

　　经典模型中国资产配置回测效果

　　无资产权重上限的中国资产配置应用场景下，Black-Litterman与均值方差模型收益能力较强，风险平价与波动率目标制模型有较强的绝对风险控制能力。BLM模型在样本期内实现了13.64%的年化收益，年化波动率13.13%，相对等权基准的年化超额收益为6.28%，夏普比率为1.04，风险收益匹配度较好。均值-方差模型模年化收益率为13.55%，年化波动率13.51%，夏普比率为1.01，整体风险收益特征与BLM模型接近。

　　整体而言，合理假设下的收益驱动模式年化收益显著，基本跑赢基准。风险驱动模型绝对收益风险控制能力强，换手低，但在不加杠杆的情况下收益难跑赢基准。限制资产权重上限后，收益和风险模型的特征趋于均衡，平滑了模型本身特性。对于收益驱动模型而言，限制高风险资产配置观点表达，年化收益与绝对波动下降，夏普无明显变化。风险驱动模型则是低风险资产权重下降，年化收益与绝对波动上升，夏普比例显著下降。

　　需要注意的是，CVaR以及其他的风险模型长期超配债券资产，虽然策略夏普比率很高，但是本质依赖的是底层债券资产在回测区间本身的高夏普特征。而在近年利率下行空间有限的情况下，债券资产的夏普比率和投资性价比可能被压缩，这也是风险驱动模型需要考虑的一个重要因素。

　　经典模型全球资产配置回测效果

　　无资产权重上限的全球配置场景中，模型表现以及排序与中国场景基本相同，增强收益推荐关注BLM、LSTM-BLM，绝对收益风险平衡角度推荐VT和RP模型。收益驱动的BLM和LSTM-BLM模型年化收益显著且跑赢基准；风险驱动模型除风险预算RB模型略微跑赢基准以外，其余模型均跑输基准，但绝对收益的风险控制能力好，上述模型夏普均高于1。

　　风险提示：本文观点及结论均基于公开数据分析所得，历史数据不代表未来、存在失效风险，不构成投资建议。

　　Text

　　正文

　　金融市场的不确定性是常态，而资产配置的核心，就是通过跨资产类别的组合设计，对风险与收益进行系统化权衡。它不是孤立追求某类资产的超额回报，而是要构建一个能在不同宏观周期、市场环境下保持韧性的组合——既要平衡收益、风险与流动性，也要避免过度依赖单一资产带来的集中风险。

　　简单来说，资产配置的本质是“用分散化对抗不确定性”：通过选择低相关或负相关的资产（比如经济下行时，国债和权益资产往往呈现负相关），在给定风险偏好下找到收益最优的组合，最终实现长期稳健增长。

　　我们在2020年12月发布的《量化配置系列（1）：量化配置框架及其在战略配置中的应用》报告中梳理了量化配置框架中的两个层次（战术与战略配置）、三个变量（收益、波动、相关性）以及三个预测角度（外生环境、内生结构、趋势动量）。时隔5年，我们再次补充完善资产配置的理论框架，并梳理了海内外的主流资产配置模型以及其落地应用效果。

　　图表1：资产配置领域的发展时间轴

　　资料来源：中金公司研究部

　　我们梳理了资产配置的三类经典模型方法论，从出发点、侧重点、开发时间以及优劣势而言各有不同。出于篇幅原因在此不一一展示，请参考报告原文。

　　► 收益驱动模型：以收益-风险权衡为核心，通过优化资产权重实现预期收益目标的配置模型（如均值方差、Black-Litterman）；

　　► 风险驱动模型：以风险控制为首要目标，通过风险分配、约束或目标设定构建稳健组合的配置模型（如风险平价、CVaR优化）；

　　► 宏观驱动模型：基于宏观经济周期、因子或指标变化调整资产配置的模型（如美林时钟）。

　　图表2：主流资产配置模型分类

　　资料来源：中金公司研究部

　　资产配置回测框架

　　我们将从量化实测效果来比较各个模型在中国资产和全球资产配置上的有效性。我们希望回答一个问题——在不同资产选择范围中哪个模型更有效？

　　由于部分模型依赖的假设与超参数较多，我们选择了相对主观超参数较少、能量化回测的收益驱动和风险驱动模型进行测试，包括共9个策略：均值方差（MVO）、约束优化（CMVO）、Black-Litterman（BLM）、LSTM结合Black-Litterman（LSTM-BLM）、动量-波动率协同（MVS）、风险平价（RP）、风险预算（RB）、波动率目标（VT）、CVaR优化（CVaR）。

　　宏观驱动模型涉及指标较多，不同的指标和阈值选取将影响最终回测效果，且跨经济体的适用性较弱，因此本篇不从量化视角进行回测，可参考中金策略大类资产研究。中金策略的《港股策略专题：黄金、分红与成长》中提到相对直观的美林时钟在中国资产配置上效果偏弱，推荐以信用周期为抓手；《大类资产2026年展望：乘势而上》中提到美林时钟对于判断中国资产轮动全周期的运行准确度一般，更适合判断股市顶点这一特定问题。

　　此外，宏观因子配置策略相较于其他模型较为复杂，涉及对于宏观因子的选取以及构建，与其他模型所使用的信息广度不同，因此我们计划于未来单独测试并优化该模型。在各类模型的优劣势和实测结果比较的基础上，我们计划研发多资产配置绝对收益模型，以及配置模型产品维度的落地。

　　考虑到更通用的可投资标的范围，我们测试仍着重聚焦于传统资产类型——权益、债券、商品。测试分为两个范围：

　　► 国内投资者更关注的可投资产：A股、港股、中国债券、黄金、大宗商品。

　　► 更广泛的全球资产范围：美国权益、欧洲权益、中国权益、日本权益、中国债券、美国债券、黄金、大宗商品。

　　落地层面，我们选择较为直观、简化的指数作为标的，不涉及实际落地产品的选择。资产类别与指数之间的对应关系如下。考虑到黄金的资产特殊属性，我们将黄金与大宗商品（工业品、金属、能化、农产品）大类同时纳入资产池。

　　图表3：中国与全球配置资产池与对应指数

　　资料来源：Wind，中金公司研究部

　　测试框架细节如下，各模型特有参数将在其对应回测结果部分介绍：

　　► 月度换仓：每月末根据模型所需最新数据更新持仓后，下一交易日以收盘价进行调仓。

　　► 测试区间：2015/1/1-2025/12/31。

　　► 卖空限制：仅测试多头组合表现，各资产权重不为负数且总和为零。

　　► 资产权重上限：我们分别测试了无资产权重上限和50%资产权重上限版本，并将其统计数据罗列整理在下文图表中。详细各模型表现介绍将不对资产权重设置额外上限，以展示模型本身优化特性。

　　► 一年滚动窗口：默认根据滚动过去一年的资产收益与波动数据作为历史表现估计，排名第一的炒股软件部分模型特殊设置的滚动窗口区间将在下文详细注明。

　　► 无杠杆设置：为了横向比较各模型收益表现，我们并未对风险驱动模型设置杠杆，因此超配低风险资产更偏向防御，收益表现较弱。

　　► 汇率调整：在全球资产配置场景中，我们使用日度汇率中间价对于各个资产的价格进行调整，统一换算为人民币计价，处理汇率变动产生的影响。

　　► 基准选择：我们计算了三种不同固定比例的配置组合作为基准，最终展示时以备选资产等权组合作为相对收益的基准。

64基准：经典60/40策略，即60%股票（A500指数）+40%债券（中债-新综合指数），在基于对股票长期收益高但波动大、债券波动小收益稳定的前提下，构建的均衡基准。

262基准：20%股票（A500指数）+60%债券（中债-新综合指数）+20%商品（南华商品指数），以债券为基，通过股票与商品增强收益，类“固收+”的基准策略。

等权基准：备选资产的等权平均收益，受资产池范围选择影响较大。

　　各模型中国资产配置应用实测

　　出于篇幅原因，应用实测章节仅展示表现统计对比，各个模型的详细净值以及持仓表现请参考报告原文。

　　我们首先统计了各个备选资产的净值走势以及日度收益相关性。除A股与港股通相关性较高（0.59）以外，其余资产的相关性均较低，适合分散风险的大类资产配置。

　　图表4：中国场景备选资产日度收益平均相关性

　　资料来源：Wind，中金公司研究部

　　从表现上来看，三种不同的固定配置比例基准的差异并不大。等权基准受商品优秀表现的影响最终涨幅高于另外两个基准，262基准相对稳健，64基准的阶段性波动更大，但最终净值与262基准齐平。

　　图表5：中国场景备选资产净值以及基准对比

　　资料来源：Wind，中金公司研究部

　　无资产权重上限的中国资产配置应用场景下，Black-Litterman与均值方差模型收益能力较强，风险平价与波动率目标制模型有较强的绝对风险控制能力。整体而言，合理假设下的收益驱动模式年化收益显著，基本跑赢基准。风险驱动模型绝对收益风险控制能力强，换手低，但在不加杠杆的情况下收益难跑赢基准。

　　限制资产权重上限后，收益和风险模型的特征趋于均衡，平滑了模型本身特性。对于收益驱动模型而言，限制高风险资产配置观点表达，年化收益与绝对波动下降，夏普无明显变化。风险驱动模型则是低风险资产权重下降，年化收益与绝对波动上升，夏普比例显著下降。

　　图表6：各模型中国资产配置应用表现统计（无资产权重上限）

　　注：基准为可选资产等权平均；结论基于中国资产配置可选池设定资料来源：Wind，中金公司研究部

　　图表7：各模型中国资产配置应用表现统计（资产权重上限50%）

　　注：基准为可选资产等权平均；结论基于中国资产配置可选池设定；左侧箭头代表相较于无资产权重上限该模型的年化收益变化方向

　　资料来源：Wind，中金公司研究部

　　图表8：中国资产配置应用优秀模型净值以及基准对比

　　注：基准为可选资产等权平均资料来源：Wind，中金公司研究部

　　各模型全球资产配置应用实测

　　除美国权益与欧洲权益相关性较高（0.58）以外，其余资产的相关性均较低。国际配置场景下，我们仍用中国权益和债券资产的60/40组合，仅作为参考示意，便于与上一章节结果进行比较。由于涉及资产数量较多，基准的选取与参考需要根据投资者的可投资范围、风险偏好决定。

　　图表9：全球场景备选资产日度收益平均相关性

　　注：统计时间为2004/12/31-2025/12/31资料来源：Wind，中金公司研究部

　　图表10：全球场景备选资产净值以及基准对比

　　注：64与262基准构建均使用国内资产类别，仅供参考；统计时间为2004/12/31-2025/12/31

　　资料来源：Wind，中金公司研究部

　　限制50%的资产权重上限后，BLM仍维持较好表现，说明其收益并非通过高仓位配置，而是在均衡配置的前提下动态调整捕捉机会。MVO、CVaR模型表现有所下滑，其余模型与无资产权重上限版本结果类似。这也是因为底层资产数量较多，除风险或收益非常偏好的模型外，其余模型持仓中重仓资产也较难达到一半的配置比例。

　　图表11：各模型全球资产配置应用表现统计（无资产权重上限）