金融研究报告详尽分析——《关于资产分散化的新思考——“学海拾珠”系列之八十一》
一、元数据与报告概览
- 报告题目:《关于资产分散化的新思考“学海拾珠”系列之八十一》
- 作者与联系方式:炜(执业证书号S0010520070001,邮箱yanjw@hazq.com);联系人吴正宇(执业证书号S0010120080052,邮箱wuzy@hazq.com)
- 发布机构:华安证券研究所
- 发布日期:2022年2月28日
- 主题:资产分散化的非对称相关性及其对投资组合构建的影响,结合国内市场的资产配置问题进行分析
- 核心论点:
- 传统Markowitz均值-方差模型假设资产间相关性在资产上涨与下跌期间对称,且分散化总是有益。
- 实证证明资产间相关性在主力资产上涨和下跌期间具有非对称性,且分散化只有在主力资产业绩下跌时才有利;在上行期间,则倾向于集中化以扩大收益。
- 估计下行相关性方法应基于单一主力资产回报低于阈值,避免忽略真实分散化效果。
- 投资者可通过理解和利用资产间的非对称相关性,更有效地进行资产配置,3]
二、逐节深度解读
1. 简介(第3-4页)
- 关键信息:
- Markowitz (1952)的均值-方差模型奠定了现代投资组合理论基础,认为通过资产相关系数的度量可以优化风险分散。
- 两个关键假设:相关性在上行和下行市场对称;分散化总是有利。
- 实际情况往往违反第二假设:主力资产表现不佳时分散化才有益,上行时应更集中投资。
- 投资者理想的资产结构是上行时资产呈正相关,下行时呈负相关,以在不同市场状况下达到最大效用。
- 文献综述表明许多投资者未充分认识到相关性的非对称性,且尾部风险事件(多市场同时崩溃)说明了极端市场下资产相关性的加剧,然而多数研究未深入区分左右尾的不对称性。
- 心理学研究支持市场参与者对坏消息反应更敏感,增强了相关性非对称性发生的合理性。
- 推理逻辑:
- 传统用一参数相关系数假设简单对称,忽视了市场波动性与投资者行为在好坏消息间的差异性。
- 先前研究多关注尾部依赖,却未考虑条件归因,容易忽略成功分散化实例。
- 通过重新构建相关性测量,兼顾心理与宏观经济周期,进一步揭示相关性的非对称性质,4]
2. 相关性的数学原理(第4-7页)
- 关键信息:
- 市场常说“波动加剧时相关性趋于1”,但这可能只是统计条件下的“虚假”相关变化,不一定意味着资产间实际关系变化。
- Longin和Solnik(2001)定义超额相关性,估计两资产同时处于高或低回报阈值时的相关系数。
- 现有双资产条件的估计忽略资产间“反向分散”的情况。例如,一资产表现差时另一资产表现好却被剔除,导致下行相关性估计偏高。
- 提议方法:基于单一主力资产回报低于阈值的条件估计下行相关性,更符合市场实际。
- 图表说明:
- 图表1:通过模拟的散点图说明理想的分散效果分布在资产X回报较低但资产Y回报较高的象限,典型的“下行脱钩”效果,传统双重条件过滤会剔除这一象限数据,低估分散化效果。
- 图表2:具体展示采用双条件与单条件方式筛选下行样本的区别。
- 图表3:理论计算的双变量正态分布下条件相关系数随阈值变化的趋势,展示不同条件下的预期相关性基线,为经验数据做对比参考。
- 推理逻辑:
- 数学定义和蒙特卡洛模拟表明,采用单一资产为条件的下行相关性度量能够捕捉到资产间的“对冲”效应,而双资产条件方法则忽略。
- 统计学角度提醒投资者谨慎解释条件相关性,需与理论分布预期对比,才能判断实际市场是否存在实质相关不对称,5,6]
3. 大类资产之间的相关不对称性(第7-10页)
- 实证数据:
- 使用1976-2019年间六类资产(美国股票、外国发达股票、新兴市场股票、国债、公司债券、大宗商品)的历史数据。
- 图表4-5:分别展示美国股票与外国发达股票、美国公司债的条件相关性估计。
- 美国股票与外国发达股表现出相似的上下行相关性,无显著差别。
- 美国股票与公司债的下行相关性单变量条件法显著低于双变量条件估计,单变量条件法表明公司债有理想的“下行去相关”功能。
- 图表6-7:总结资产年化收益率、波动率及相关系数矩阵,明确资产风险收益特征及静态相关水平。
- 图表8:
- 面板A(双条件阈值)与面板B(单条件阈值)分开表现不同。
- 国债表现在单条件法下赋予其他资产正向的分散属性,显示国债为唯一普遍有利的补充资产。
- 商品和公司债在双条件估计下被误认为分散化效用较大,实际被夸大。
- 结论:
- 绝大多数资产在下跌市场中相关性提高,导致分散化作用减弱。
- 国债相较其他资产具有较优的下行脱钩特性,但近年利率低位限制了其作为“对冲资产”的效用。
- 采用单条件估计法如实反映资产间非对称相关性,更接近投资者实际风险分散需求,8,9,10]
4. 非对称相关性对投资组合构建的影响(第10-12页)
- 问题定位:
- 两类策略:
- 动态调整资产配置,基于市场环境预测选择避险资产。
- 构建静态组合,优先利用下行相关性信息确定权重,达到“抵御风险和保持收益”的平衡。
- 技术方法:
- 建议采用全局优化方法(如Cremers等2005年提出),摒弃只基于均值和方差的静态优化,精确计算给定样本效用最大化的权重。
- 使用带有拐点效用函数(在-25%回报时效用急剧下降)模拟投资者的风险厌恶,强调下行风险的重要性。
- 定义度量指标ξ衡量投资组合总的相关不对称程度,通过该指标反映组合风险程度。
- 数据展示(图表9):
- 两个组合(全局最优vs均值方差最优),预期收益均为7%。
- 标准差:全局最优略高(10.9% vs 10.6%),但下行平均损失更小(27% vs 30%)。
- 相关不对称指标ξ值,全局最优组合明显更低(4% vs 15%),表明更好控制了不良相关性。
- 全局最优更偏重配置美国股票和国债,避免在样本中表现不佳的资产(如商品、公司债)。
- 推理逻辑:
- 仅靠均值方差模型无法捕捉非对称相关性,可能低估极端风险。
- 全局优化结合非对称相关性特征构建组合,提升了组合的风险调整后预期效用。
- 投资组合管理需结合统计非对称性和投资者风险偏好,避免片面追求波动率最小化,11,12]
三、图表深度解读
图表1:两组资产的回报观察值(第5页)
- 描述:模拟资产X和Y回报散点图,显示四个象限的组合表现。
- 解读:展示理想资产分散组合结构:上行一致(右上)、下行脱钩(左上)均为投资者期望;而下行一致(左下)为失败情况。
- 关联文本:说明采用单一资产为条件的相关性估计能够捕获中间“下行脱钩”象限,反映了更实际的分散效用。
- 限制:仅为模拟,实际资产分布可能更复杂
图表2:一项或两项资产表现不佳的回报子样本(第5页)
- 描述:两个散点图分别展示双条件和单条件筛选下的样本点。
- 解读:双条件采样(左图)剔除资产X表现差但资产Y表现好样本;单条件采样(右图)保留这些样本,更全面反映分散情况。
- 关联文本:图示方法论缺陷,突出单条件估计方法的必要性
图表3:二元正态分布条件相关性随阈值θ变化(第6页)
- 描述:显示条件相关系数与阈值变化的理论曲线,实线为单条件,虚线为双条件。
- 解读:相关性随阈值绝对值增加下降,单条件估计结果始终高于双条件。
- 关联文本:提醒研究者面对经验相关性时应与理论预期比较,分辨真正的非对称相关性
图表4-5:美国股票与外国发达股票、公司债券的条件相关性(第7-9页)
- 描述:两个图表均分面板A(双条件)和B(单条件)。
- 解读:
- 美国股票与外国发达股票:两种条件估计接近,反映较高基础相关性。
- 美国股票与公司债券:单条件明显显示较低下行相关性,体现公司债的分散效用。
- 关联文本:实证验证单条件估计更能反映实际投资分散效果,8,9]
图表6-7:资产收益与风险统计及相关系数矩阵(第9页)
- 描述:六类资产的年化收益率、波动率和相关系数。
- 解读:股票波动率最高,国债最低,资产间相关性表现出大致分层结构;基于这些数值可以理解资产间基础的风险关系。
- 关联文本:为更正的相关性分析提供基础数据情境
图表8:非对称相关性汇总指标(第10页)
- 描述:以面板A/B/C展示不同估计方法下的资产对非对称相关性及其差异。
- 解读:
- 资产对中多表现出不利非对称相关性(下行相关高于上行),如股票对股票。
- 国债明显呈现有利的相关不对称性(下行脱钩,上行集中),显示其稀缺的“避风港”属性。
- 双条件法低估了部分正面效用。
- 关联文本:验证方法论的重要性及投资决策影响
图表9:均值方差与全网格最优投资组合对比(第12页)
- 描述:两种优化方法下资产权重分配、收益、风险指标比较。
- 解读:
- 全局最优组合更重配置表现出理想相关非对称的资产(美国股票、国债),完全回避不利资产。
- 虽然标准差略高,整体下行风险控制更优,平均极端损失较低。
- 相关不对称性指标明显降低,效用函数值更高。
- 关联文本:实证支持基于相关非对称性的优化策略优于传统均值方差模型
四、估值分析
本报告并未围绕个别资产具体估值,而聚焦资产相关性的统计特征及组合优化视角,故无企业估值或价量预测模型,关注点在于投资组合风险调整优化模型(均值方差与全局优化),重点解释了基于拐点效用函数的全局优化模型及其计算流程、风险偏好体现和优化目标函数设计,12]。
五、风险因素评估
- 风险提示明确指出:
- 本文结论基于历史数据及海外文献总结,不构成任何投资建议。
- 实证结论依赖样本期间资产表现与市场环境,当前市场波动率、利率水平及宏观经济态势可能削弱历史关系的有效性。
- 以美国国债为例,近年利率趋近零,未来下跌期间反弹效用可能明显减弱,传统避险角色的延续存在风险。
- 统计模型假设及历史数据的代表性限制了结论普适性,投资者应谨慎应用。
- 缓解策略未专门提出,但结合全文意图,建议采用更科学的相关性度量与动态资产配置,降低极端下行风险。
- 风险概率未量化,主要强调历史表现与统计性质,8,10,12]
六、批判性视角与细微差别
- 报告较为严谨,聚焦理论与实证结合,然而仍有值得关注之点:
- 非对称相关性测量方法依赖阈值选择和资产主次划分,主力资产定义对结果敏感,实际中主力资产身份可能动态变化。
- 全局优化模型计算复杂,需要充足数据支持,在现实中实施不易且对模型假设依赖较大。
- 样本期限与资产类别选择可能影响结果,尤其市场结构与金融创新变化快,结论或需定期更新。
- 对“全局最优”组合的解释存在一定理想化,现实交易成本、流动性与约束未充分考虑。
- 相关系数是线性指标,可能无法完全捕捉资产间复杂的非线性依赖和尾部风险。
- 报告内部整体协调自洽,无明显矛盾,但需注意单条件估计方法计算复杂性和扩大解读时的限制,9,10,11]
七、结论性综合
本报告以经典资产组合理论为起点,剖析了传统均值-方差模型在相关性假设上的局限,重点指出资产相关性的非对称性——即主力资产表现好与差时,其他资产相关性的表现截然不同。通过数学理论阐述与蒙特卡洛模拟,明确了现有双资产回报条件筛选法低估了真实的下行分散化效应,报告由此提出采用主力资产单一条件筛选法估算下行相关性的创新测度标准。
大样本实证分析覆盖多类重要资产(股票、债券、大宗商品)揭示,多数资产在市场下行时相关性上升,导致分散化效用削弱,唯有国债在下行时呈现积极的相关非对称性,成为潜在有效避险资产,但当前低利率环境存在风险。报告进而将理论运用于投资组合构建,采用带有损失厌恶拐点的效用函数进行全局优化,显著降低不利相关不对称性,提升组合下行风险控制能力,同时保持预期收益,优于传统均值-方差最优组合。
图表中关键洞见包括:
- 图表1-3展示下行相关性测量的理论缺陷和改进路径;
- 图表4-5实证体现不同估计方法下资产对的相关性差异,强调单条件估计的合理性;
- 图表6-7提供多资产收益波动及相关系数基础;
- 图表8清晰反映各资产组合因相关非对称性带来的风险或效益;
- 图表9验证基于非对称相关性的全局优化组合明显改善风险调整性能。
综上,作者明确反对“分散化总是有益”的固有观点,强调投资者应基于资产相关性的非对称性动态或静态调整组合配置,以更有效管理下行风险和增强组合稳定性。同时,报告对相关性测度方法提出具体改进建议,拓宽了资产配置策略的理论与实践视角,为国内资产配置提供有益参考。
参考与溯源
- 本文内容主要基于华安证券研究所2022年2月28日发布的《关于资产分散化的新思考“学海拾珠”系列之八十一》,整理分析,所有数据图表与公式引用对应页码详见正文。