Black-Litterman模型研究系列之二——应用演示报告详尽分析
一、元数据与概览
- 报告标题:《Black-Litterman模型研究系列之二——应用演示》
- 发布机构:华西证券研究所
- 分析师团队:
- 杨国平,华西证券研究所副所长,金融工程首席分析师,拥有24年证券从业经验。
- 张立宁,金融工程高级分析师,拥有14年相关经验。
- 发布日期:2019年12月19日
- 研究主题:以Black-Litterman (BL) 模型为核心,结合虚拟主观观点,演示在行业资产配置中的具体应用过程,重点是如何通过结合主观观点调整行业配置权重,探讨观点变化和信心水平对权重的影响。
- 核心论点及目标:
- 通过对10个申万一级行业的代表性资产进行BL模型的实例演示,明确BL模型如何结合主观观点与市场均衡权重,从而产生合理的投资组合权重。
- 演示无约束与加约束条件下模型的表现差异,验证模型稳定性及权重锚定市场基准的特征。
- 通过观点收益率和隐含收益率对比,说明权重变化的合理性及金融理论基础。
- 包括观点变化(绝对、相对)及信心水平变化对资产权重和组合走势的具体影响。
- 警示用户观点及历史统计规律变化可能带来的模型失效风险。,1]
二、逐节深度解读
1. 模型回顾
- 关键内容:
- 简述BL模型后验收益率的均值和协方差的计算公式:
μp=[(τΣ)−1+PTΩ−1P]−1[(τΣ)−1Π+PTΩ−1Q]
Σp∗=Σ+[(τΣ)−1+PTΩ−1P]−1
- 其中核心参数:
- τ:主观观点权重标量,控制均衡收益率和主观观点的权重比例,τ越小,主观观点权重越低。
- P:主观观点矩阵,表明每条观点涉及哪些资产及其权重。
- Q:主观观点收益率向量。
- Ω:观点协方差矩阵,表示观点信心水平,不同观点间假定相互独立。
- Π:均衡收益率向量,通过逆向优化得到。
- Σ:资产收益率历史协方差矩阵。
- BL模型权重计算为:
- 无约束条件:
w=(δΣp∗)−1μp
- 有约束时,采用均值-方差优化方法进行权重求解。
- 推理依据:
- 该模型融合了均衡收益率(市场共识)和投资者主观观点,结合贝叶斯更新的框架,使权重调整既考虑市场信息,也吸纳主观判断。
- 假设说明:
- 资产收益率符合协方差矩阵Σ描述的统计特性;
- 观点间独立,Ω为对角矩阵;
- τ为标量且相对较小,确保稳健估计。
- 举例背景:
- 选择申万28个一级行业中的10个典型行业,构建完整“市场”样本,仅取10个行业简化计算。
- 假定这10个行业构成市场组合,市值权重即为基准权重。
2. 计算均衡收益率
- 核心论点:
- 均衡收益率由市场均衡组合逆向优化计算得到:
Π=δΣweq
- δ为风险厌恶系数,通过市场组合风险溢价与方差倒数计算:
δ=σm2E(rm)−rf
- 这里假设无风险利率为0,δ=1,使用2019年全年度的历史数据计算协方差和市值权重。
- 数据点:
- 表1展示了10个行业的均衡权重、市值(单位:亿元)、均衡收益率和历史收益率。
- 均衡收益率稳定且波动较小,方差较历史收益率大幅降低。
- 推理:
- BL模型以均衡收益率为基础,客观反映市场的公平预期,稳健性高,因此后验收益率亦保持稳定,权重变动不会剧烈偏离市场基准。
- 定量说明:
- 通过逆向计算得到的均衡收益率,更合理地反映市场隐含预期,而非单纯的历史收益。
- 财务预测基础:
- 逆向优化使用了统计学的历史协方差与市值数据,因而有效利用市场信息。,4]
3. 设定主观观点
3.1 主观观点权重τ
- τ反映均衡收益率的不确定性与主观观点间的权衡,取值通常0.01~0.05,文中采用0.025。
3.2 观点矩阵P与收益率向量Q
- 观点类型:
- 绝对收益观点(第1、2条):预测单个行业未来涨幅率。
- 相对收益观点(第3、4条):预测不同资产间的超额收益差异。
- 具体观点:
- 汽车行业涨幅6%(高于均衡收益率4.3%)
- 传媒行业涨幅4%(低于均衡5.17%)
- 食品饮料相对家用电器超额收益-1%
- 电子、计算机、电气设备跑赢银行和房地产2个百分点
- 矩阵结构:
- P是4×10矩阵,每行对应一条观点,每列对应一个行业,非零元素表示该观点涉及行业,以及权重比例。
- 绝对观点对应行元素求和为1,相对观点求和为0。
- 多资产相对观点采用资产市值加权处理权重元素。
- 收益率向量Q体现了各观点的预期收益幅度。
- 关键逻辑:
- 主观观点应基于均衡收益率的数值尺度,而非历史收益,否则会导致异常权重配置。例如汽车行业2019年历史涨幅14.6%,均衡收益率仅4.3%,观点应与4.3%附近对比。
- 观点与均衡收益率对比表明:
- 观点收益率与隐含收益率的差异决定权重变化方向。
- 观点3和4涉及相对收益,需通过矩阵运算表达资产预期收益差异。
- 进一步关联:
- 表3对主观收益率和隐含收益率进行对比,分析权重偏移方向。
- 观点4给出电子等行业跑赢程度为2%,低于隐含收益率2.48%,表现为实际配置的减配。
3.3 协方差矩阵Ω
- Ω为主观观点的不确定性矩阵,取对角矩阵形式。
- 两种计算方法:
- 历史方法:Ω=τ×diag(PΣPT),根据资产历史波动率定量推断。
- 信心水平指定法(Idzorek, 2004):投资者给定观点信心(如50%、60%),通过反推求解Ω元素,计算过程步骤详尽,便于非量化投资者使用。
- 本案例分别计算了两种方法的Ω矩阵值,并最终采用历史方法进行后续权重计算。
- 信心水平分配中,不同观点信心水平差异明显,第三个观点信心较低(20%),影响其权重调整幅度相对较小。,6,7,8]
4. 资产权重计算
4.1 无权重约束条件
- 使用历史方法计算Ω,利用BL公式计算权重。
- 对比2019年历史涨幅作为预期收益,在均值方差模型下得到的权重与BL模型权重。
- 发现:
- 权重变化符合预期观点方向:
- 汽车行业权重由均衡提升至28.58%,观点1看好。
- 传媒行业权重由均衡调整为-8.27%,观点2看空。
- 食品饮料权重下降,家用电器权重上升,吻合观点3。
- 电子等行业权重意外下降,因观点4给出的超额收益低于隐含收益。
- BL权重变化幅度较均值方差模型更合理,避免极端权重异常,具有良好的可解释性和稳定性。
- 未涉及观点行业如医药生物,虽无直接观点,但权重仍有小幅调整,表明BL调整考虑了协方差信息。
- 重点强调:
- 输入观点收益率的数量级非常关键,错误设定将带来极端结果。
4.2 有权重约束条件
- 增加实际投资约束:
- 全部资产只能做多,无风险资产仓位无限。
- 全部资产做多,风险资产总仓位为100%。
- 做多且每个资产最大20%权重,风险资产总仓位100%。
- 影响:
- 传媒行业负权重被调至0,合规处理。
- 其他行业权重有所调整,部分本应超配行业权重因约束反而下降(如银行)。
- 结论:
- 约束条件减少了权重极端值,提高实操可行性,但可解释性下降。
5. 观点变化对权重的影响
5.1 绝对收益观点变化
- 观点调整:
- 汽车涨幅预期由6%降低至5%,传媒由4%提升至6%。
- 权重结果:
- 汽车权重由28.58%降至10.51%,传媒权重由-8.27%提升至11.62%。
- 结论:权重变化方向与观点变化一致,模型稳定。
5.2 相对收益观点变化
- 观点调整:
- 食品饮料对家用电器的超额收益由-1%变为+1%。
- 电子、计算机、电气设备对银行、房地产超额收益由2%提升至5%。
- 权重变化:
- 食品饮料权重由下降转为上升,家用电器权重反向调整。
- 科技相关行业权重明显提升,银行、房地产权重进一步下降。
- 结论:权重灵敏响应相对收益观点变化。
5.3 观点信心水平变化
- 模拟两类投资者A和B:
- 相同观点,权重结果因信心差异显著不同:
- 高信心投资者B的配置权重更极端,如汽车行业权重达70.01%,A仅30.49%。
- 减配和超配幅度均随信心增强而放大。
- 说明观点信心水平是调节权重幅度的重要因子。
5.4 组合走势影响
- 对比观点变化前后,使用BL模型计算组合净值走势。
- 即使部分观点错误,由于权重“锚定”市场基准,负面影响有限且不会出现明显异常偏离。
- 观点变化后,正确观点的超配带来组合收益明显改善。
- 图1清晰展示观点变化对组合表现的实证影响,验证BL模型的稳定性和风险缓冲特性。
6. 风险提示
- 报告明确指出:
- 量化模型依赖历史统计规律,若历史规律变化,则模型和结论可能失效。
- 本文所有主观观点均为虚拟示范,不构成投资建议。
- 投资者应警惕主观观点与市场环境变动的潜在风险,不能盲目依赖模型输出。
三、图表与数据深度解读
表1:行业资产均衡权重与均衡收益率
- 展示了10个代表性行业市值权重(均衡权重)及对应通过逆向优化计算的均衡收益率。
- 收益率波动较小,均衡收益率远低于历史收益率,体现了市场隐含的风险调整预期。
- 支撑了BL模型基础配置稳定性的论点。
表2:行业资产收益率协方差矩阵
- 反映10个行业间收益率的历史波动及相关性,为均衡收益率和后验收益率计算提供输入。
- 通过协方差表现行业之间的波动性传染效应,是BL模型计算不确定性核心参数。
表3:主观收益率与隐含收益率对比
- 明确指出各个观点的收益率水平与均衡隐含水平的偏离,直接判断权重调整方向。
- 例如观点1的主观收益率6%高于隐含4.3%,支持汽车行业权重提升。
表4和表5:无约束与有约束条件下的行业权重
- 表4显示BL模型在无约束条件下如何根据观点进行权重调整,体现均衡权重偏离。
- 表5显现引入实际投资约束后权重的变化,传媒行业因约束从负转为零。
- 对比均值方差模型彰显BL模型权重更加合理,避免极端异常值。
表6、7、8:观点绝对收益变化,相对收益变化及信心水平影响下的权重
- 展示权重对不同观点参数变动的敏感度和方向一致性。
- 信心水平变化表明权重调整幅度与信心水平高度相关,体现信心作为权重放大器的作用。
图1:主观观点变化前后组合走势对比
- 三条曲线分别表示市场基准组合、观点变化前的BL组合及观点变化后的BL组合净值走势。
- 体现观点变化对组合收益的显著影响,观点变化后表现明显更优。
- 同时也表现BL模型的稳健性,即使部分观点错误,组合表现仍然不会大幅下滑。
四、估值分析
报告主要围绕BL模型的组合权重计算分析,未涉及传统企业估值方法如DCF、市盈率等。其估值核心即为通过后验收益率与协方差计算得到组合权重,以优化风险调整后的预期收益率。
五、风险因素评估
- 主要风险为模型基于历史数据和统计规律,历史规律突变可能导致模型失效。
- 主观观点均为虚拟,不代表现实投资建议,提供用户使用时自行甄别主体观点合理性风险提示。
- 风险提示充分,未见风险缓释策略,投资者需结合自身判断使用。
六、批判性视角与细微差别
- 虚拟观点设定使演示较为理想化,实际投资时观点获取与权重调整更复杂。
- 观点收益率设定须严谨贴近均衡收益率,否则可能出现极端权重,这一限制在报告中已强调。
- 约束条件引入后权重可解释性下降,提示模型在实务中需权衡纯理论和实际适用性。
- 多资产相对观点权重设置虽有文献依据,但不同设置会影响结果,报告虽提及但未深放讨论其敏感度。
- 对隐含收益率依赖较大,若市场数据质量或计算方式有偏差,则模型输出可能风险加剧。
- 报告中观点信心水平计算及其模型权重划分较复杂,实际应用门槛较高,适合专业投资者。
- 总体观点中立严谨,未见明显偏见,有效解释了模型机制及现实应用限制,并结合举例清晰呈现逻辑。
七、结论性综合
本报告系统详实地阐释了Black-Litterman模型在行业资产配置中的具体应用,包括均衡收益率的逆向优化计算、主观观点设定及信心水平的量化处理,以及无约束与约束条件下的权重计算等关键环节。
- 通过10个代表性申万行业资产,以2019年数据为背景,构造市场均衡权重和协方差矩阵,得出稳定均衡收益率。
- 结合4条虚拟主观观点,通过BL模型能够合理反映投资者对行业未来预期的偏好,权重调整符合观点收益与均衡收益率的比较,保证组合稳健性且避免极端配置。
- 观点变化(绝对与相对收益)以及信心水平的调节对组合权重有明显且逻辑自洽的影响,体现了BL模型良好的敏感性与稳定性。
- 添加实际投资权重约束后,尽管权重的可解释性降低,但更符合实际投资操作需求,表明模型应用中需权衡理论和实际。
- 组合净值表现对比证明BL组合能够有效反映观点调整对业绩的影响,并且因基于市值权重做超配减配,模型具备锚定市场基准的稳健性,视角部分错判也不至引发灾难性损失。
- 报告中的表格与图表完整支撑了文本论点,如表3揭示观点与均衡收益的对比,表4表5说明无约束和约束约束条件差异,图1直观展现组合表现,更加增强了报告实证可信度。
- 风险提示清晰,提醒投资者注意模型基础假设局限和观点虚拟属性,避免误用误判。
综上,报告对BL模型在行业配置中的功能、优势、局限与应用细节做出了精准细致的展示和分析,是理解BL模型实务应用的经典案例,也为投资者如何合理使用观点、权衡信心、配置资产提供了具体可操作的框架和示范。
,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15]