本报告基于Black-Litterman (BL) 模型,结合回归树机器学习算法,采用宏观经济变量预测四类大类资产(权益、固收、货币、商品)的预期回报,估计主观观点与不确定性参数,构建优化资产配置模型。样本外回测显示该方法取得约74%累积回报,明显优于沪深300和基准策略,验证回归树辅助BL模型提升资产配置效果的可行性与有效性
传统的均值-方差资产配置模型过分依赖历史数据,具有较大的模型失效风险,BL模型通过引入主观观点,减少对历史数据的依赖,从而更灵活地适应经济环境变化。然而,主观观点若设定不当,可能导致模型表现失效。报告创新点在于使用回归树模型定量推断宏观经济变量与大类资产回报的关系,以科学方式生成BL模型中关键的主观观点及其不确定性参数。
风险提示:历史数据分析仅具统计意义,市场环境不确定,不能保证未来业绩,策略存在失效风险。,3,19]
报告回顾了现有资产配置模型存在的通病:没有万能方案,不同市场和时期表现差异显著,无法持续战胜市场。BL模型作为少数可以无视历史均值回报限制、融合投资者主观观点的模型具备优势。主观观点和所设置的不确定性参数对结果影响巨大,报告创新点是通过回归树模式结合宏观经济变量,科学估计主观预期和不确定性,减少主观盲目性。
核心参数与步骤:
BL模型核心包括风险厌恶系数(λ)、历史数据计算协方差矩阵(Σ)、市值权重(Wmkt)、投资者观点(P、Q)及观点不确定性(Ω)等,见表格1和图表1。
贝叶斯法则的应用:
BL模型实质是贝叶斯公式的应用,将资产隐含均衡回报作为先验分布,投资者观点作为似然函数,最终形成资产的后验预期回报分布(μ_bl)和协方差矩阵(Σ_bl),如图表2所示。
数学表达式:
[ \mu_{bl} = \left[P' \Omega^{-1} P + (\tau \Sigma)^{-1}\right]^{-1} \left[P' \Omega^{-1} Q + (\tau \Sigma)^{-1} \Pi \right] ]
[ \Sigma_{bl} = \Sigma + \left[ (\tau \Sigma)^{-1} + P' \Omega^{-1} P \right]^{-1} ]
主观观点参数说明:
主观观点的精准度与Ω关键,不当设置会导致模型无效。报告计划用机器学习回归树和残差估计Ω,提高主观观点科学性。,5,6,7,8]
监督学习框架
回归树属于监督学习中的回归算法,适合处理资产回报(连续数值)的预测。
优缺点
与传统线性回归相比,回归树能处理高度相关和非线性变量,且计算较快;缺点包括对变量敏感和过拟合风险,需要精心选择输入变量和辅助算法防止。
算法结构
回归树通过逐步基于变量阈值分裂节点形成树形结构,每叶节点给出预测值,模型目标最小化均方误差。
示意图示
图表4展示了模拟回归树结构,包含分割变量阈值及叶节点预测值,具体细节依数据和业务设定不同而异。,10,11,12]
选用10个重要宏观经济指标,如GDP、工业增加值、固定资产投资、社会零售额、外汇储备、居民消费价格指数、广义货币M2、社会融资规模、采购经理指数等[表格2],均取月度数据并转化为统一单位百分比,数据来源包括中国国家统计局、人民银行、海关总署等。
资产选取涵盖股票(沪深300)、固定收益(中证国债指数)、货币市场(中证货币基金指数)、商品(上海黄金交易所AU9999现货金价),采用流通市场规模较大、且对应ETF产品便于交易的代表性资产,详细ETF数据列示于表格3。报告对比了国内ETF与全球iShares同类资产产品的规模和成熟度(见表4),指出国内市场仍有较大发展空间。,14,15,16]
回归树以10个宏观变量为自变量,四大类资产月度回报为因变量训练模型,起始于2009年避免2007-2008年金融危机结构性断层影响,基于滚动窗口生成资产回报预期Q。
不确定性Ω通过线性回归预测残差方差估计。
配置组合紧密跟踪中证时钟配置策略指数(资产权重覆盖四类资产,见图表5)。
表格5详细阐述了最终模型参数设定。
图表6展示样本外回测累计收益走势,结合回归树的BL模型远超沪深300和中证时钟指数的收益,区间累计回报约74%,沪深300和中证时钟分别为29%和49%。最大回撤中证时钟最好(7.88%),BL模型次之(13.71%),沪深300最大(40.56%)。整体表现体现良好的风险调整收益能力。,18,19]
图中包含回归树+BL模型组合指数、沪深300指数(000300.SH)与中证时钟配置指数(931061.CSI)的历史表现,采用归一化基准。
回归树+BL模型走势自2011年至2019年持续向上,且整体领先于沪深300和中证时钟,显示模型在市场不同阶段具有超额收益的潜力。
曲线波动较沪深300小,表现出一定的稳健性。
支撑了报告结论中“结合回归树的BL模型整体表现较优”的观点。
显示风险厌恶系数、协方差矩阵、市值权重生成隐含均衡回报Π,并结合主观观点Q及观点不确定性Ω,通过贝叶斯计算形成新的联合预期回报分布。
说明了BL模型的数学逻辑和结构基础。
有助于读者理解BL模型的操作流程及参数相互影响关系。
展示BL模型中资产预期回报的先验分布(基于市场均衡回报与协方差矩阵)和观点分布,如何通过贝叶斯公式合成后验分布。
加深了BL模型在概率统计上的内涵理解。
说明模型能够结合历史均值和投资者观点,动态调整资产回报预期。
列明监督学习与无监督学习及其具体算法,其中回归树归于监督学习回归类。
明确标识线性回归、支持向量机、决策树等算法的位置,突出回归树的分类。
理论支持报告选用回归树处理连续型资产回报数据的选择合理性。
以一个随机生成变量x1,x2和因变量y的决策树为例,展示其树状结构、分枝条件及最终叶节点估值。
形象说明回归树如何通过变量阈值划分数据,逐叶节点给出预测结果。
反映本报告对回归树算法的基本理解及应用直观解释。
列出了10个宏观经济指标,包括其数据频率、来源、更新时间及Wind代码。
说明宏观经济数据的覆盖广度和及时性,为后续回归树建模提供数据基础。
确定变量单位通过Wind统一为百分比,提高模型兼容性和稳定性。,14]
展示各资产类别最大规模的ETF及其成立时间、追踪基准和流动规模。
反映货币ETF规模最大(约988亿元)、权益ETF规模次之(几十亿元到几百亿不等),固收及商品ETF规模相对较小。
结合ETF构建组合,说明模型资产代表性和现实操作便利性。,15]
展示美国BlackRock旗下iShares品牌权益、固收、商品类ETF规模,规模远超国内(以亿美元计,上百亿美元规模)。
强调国内ETF市场发展空间及报告资产选取的现实局限性。
反映市场发展阶段差异对模型假设和市场流动性的影响。
给出P矩阵、Q向量、Ω矩阵及其他参数计算公式,反映报告BL模型具体实现细节。
提示模型参数均基于数据和预期计算,通过滚动样本动态估计。
显示资产回报、基准指数数据、协方差矩阵、投资者风险厌恶系数等均被纳入模型。,18]
说明构建组合的基准参考指数,覆盖四类资产(A股、债券、黄金、现金),并给出相应指数及权重。
作为权重Wmkt和基准组合的角色使用,为BL模型参数输入和测试基线。
直观展示采用回归树+BL模型、沪深300及中证时钟配置指数的累计表现,时间跨度2011-2019年中。
回归树+BL模型表现更优,收益稳健且持续。
强调模型实际操作中投资者收益与风险平衡的有效性。
结果证明前述理论和模型的实际运用价值。
本报告主要聚焦于资产配置模型的构建与性能测试,并未涉及具体企业估值分析。估值的“估计”体现在BL模型对资产未来预期回报μbl和协方差矩阵Σbl的推导与计算上,通过结合市场均衡与主观观点形成更精准的预期,为后继的组合优化决策(如均值-方差优化)提供基础输入。
BL模型参数的确定尤其强调:
主观观点(P,Q)和不确定性(Ω)的定量估计;
先验信心τ的合理选择;
通过回归树算法估计主观观点Q及残差估计Ω;
组合权重Wmkt以紧贴基准指数。
报告基于上述参数,计算出新的预期回报向量和协方差矩阵,指导资产配置的权重调整,并通过回测验证策略有效性。,17-18]
报告识别出以下风险因素:
主观观点偏误风险:BL模型灵活性依赖于正确主观观点设定,若偏差过大,模型输出可能无效甚至误导投资决策。
模型依赖假设局限:BL模型和回归树各自依赖于数据的稳定性和正确性,宏观经济数据的延迟或修正将影响观点及参数估计。
过度拟合风险:回归树虽优势明显,但敏感度高且存在过拟合可能,尤其变量选择和参数调节不当时。
市场未知风险和结构变化:市场结构和宏观经济环境变化可能打破模型的历史数据基础,导致策略失效。
数据样本及指标局限:报告数据最新到2019年,部分宏观指标更新频率较低可能影响实时性。
报告未明确提出具体对冲或缓解策略,提示投资者谨慎调整主观观点,结合多种信息源动态修正模型参数,重视模型应用中的严格监控和风险管理。,3,19]
主观观点估计的科学性与局限性:
报告创新地使用回归树定量估计主观观点,增强数据驱动性。但回归树模型本身受变量选择和参数设置影响显著,且可能存在过拟合和波动放大风险,尤其宏观经济指标间相关性及不确定因素未充分说明。
不确定性参数Ω的估计方法:
用线性回归残差估计Ω较为简化,可能无法全面反映观点不确定性,后续研究可以探索更复杂的多级误差估计和贝叶斯参数化。
样本起点和市场环境切换:
起始2009年避免极端市场事件,虽确保稳健性,但在市场剧烈波动环境下模型表现未知,报告不涉及模型在非常规市场环境的鲁棒性。
资产和市场覆盖范围:
模型仅涵盖权益、固定收益、货币和商品,未涉及房产、另类资产及海外市场,可能限制模型在多元化资产配置的适用范围。
缺乏明确的投资评级与估值评价:
报告聚焦模型技术与回测,未提供投资评级和目标价格,限制了报告对投资者的直接操作建议价值。
数据更新和操作应用细节缺失:
缺乏对滚动样本间隙、数据缺失或延迟处理以及回测中手续费滑点等因素的深入描述,可能高估实际操作收益。
整体而言,报告对BL模型与回归树结合的探讨具有启发意义,但需要进一步完善模型稳健性、风险调整和市场适用性分析,增加对极端事件和参数敏感性的细致研究。,3,7,8,9,11,19]
本报告系统阐述了基于爱建证券研究所的运用回归树辅助估计主观观点的Black-Litterman(BL)资产配置模型的逻辑、实现及实证效果。
创新点在于系统地将机器学习中的回归树算法引入BL模型,科学地从宏观经济指标中定量提取主观预期返回向量(Q)及其不确定性(Ω),避免简单主观输入的随意性和主观偏误,提升模型的动态适应能力。
在资产层面,选取中国市场具备代表性和流动性的四类主要资产(权益、固收、货币、黄金),对应具体ETF,确保模型具备现实可操作性和市场代表性。
理论基石为BL模型,依托贝叶斯统计理论,融合市场隐含均衡数据与投资者个人观点,提供了更为稳健和灵活的资产预期回报及风险估计。
实证回测从2009年至2019年样本外结果显示,结合回归树的BL模型呈现出优异的风险调整后收益,累计回报74%,显著优于沪深300和中证多资产配置基准,最大回撤显著低于沪深300,体现良好风险控制力。
报告详细展示了核心算法步骤、宏观经济指标特征、ETF市场结构和回测绩效数据,如图表和表格所示完整支持其论点,增强了报告的可信度和实用价值。
风险方面强调模型对主观观点和参数估计的敏感性及市场不确定性,提示投资者谨慎使用,充分认识模型局限及潜在收益波动。
综上所述,该报告为资产配置领域引入机器学习方法,提升BL模型的实证适用性提供了有效路径和案例,体现了当前量化投资多学科交叉融合的发展趋势。虽然仍有方法完善和风险管理空间,但实证结果为投资者提供了有价值的策略思路和量化配置框架参考。,3,13,18,19]
注:所有引用页码均依据提交内容标记。
量化资产配置专题报告:结合回归树的BL资产配置模型的实践运用.pdf