报告针对中国经济周期划分,比较了传统美林时钟与基于傅里叶级数拟合的纯GDP波动划分方法,发现后者更适合中国市场且对应大类资产表现规律明显。采用Black-Litterman模型结合经济周期划分,融入历史数据和分析师观点,优化资产配置权重。回测显示,该方法相比传统均值-方差模型和主观配置组合,风险调整收益更优,夏普比率最高,表明经济周期结合BL模型的配置方案更具实用价值与有效性。
| 投资品 | 权重比例 |
|---|---|
| 权益 | 82.05% |
| 原油 | 9.60% |
| 黄金 | 8.03% |
| 信用债 | 0.11% |
| 利率债 | 0.19% |
报告标题:大类资产量化配置之一:经济时钟结合Black-Litterman模型大类资产配置
策略分析师:麻文宇 CFA(执业登记编码:S0760516070001)
研究助理:翟子超 FRM
发布机构:山西证券股份有限公司研究所
发布日期:2020年11月26日
研究主题:该报告聚焦于宏观经济周期划分及该周期划分方法与Black-Litterman(BL)资产配置模型结合的量化大类资产配置策略。
核心论点:
总的来说,作者核心信息是提出并验证了一种以纯GDP周期划分结合BL模型的优化资产配置框架,认为该框架优于传统方法,适合中国资本市场的量化资产配置需求。,1,4,8,9,11,14,17,18]
美林时钟将经济周期通过GDP增长和通胀水平分为四个阶段(衰退、复苏、过热、滞胀),并分别对应优选资产类别:
该模式经典且广泛应用于发达市场,图1进行了可视化示意,5]。
选用GDP同比和PPI同比作为经济增长和通胀指标,基于2000年至今数据,图2和图3展示其变化趋势。实证采用傅里叶级数拟合GDP和PPI数据,拟合优度高(GDP拟合R2=0.9342,PPI拟合R2=0.7181),并根据一阶导符号联合划分四个周期阶段(表1),7]。图4展示2001-2019年间五个完整周期划分。
然而,表2显示,该方法定义的周期阶段大类资产收益统计与美林时钟理论不符,显示股票、商品等资产在不同阶段表现与理论期待相冲突,尤其股市与通胀关联不明显,导致美林时钟模型“水土不服”。因此,作者提出改用纯GDP波动作为经济周期划分依据。
采用GDP同比的趋势性变化,通过对其傅里叶拟合函数的第一和二阶导数符号定义四个阶段:复苏(升速加快)、过热(升速减缓)、衰退(降速加快)、触底(降速减缓)(表3),10]。图6直观显示了各阶段时间切换点。
该方法针对2002-2017年的多个周期阶段,统计了沪深300指数、石油、黄金、信用债、利率债五类资产的年化收益期望及标准差(表4),以及日频胜率(表5),显示各资产在不同阶段的相对优势:
图7基于此划分的经济时钟示意,配上资产配置偏好,12]。表6给出各大类资产在不同经济阶段的收益年化协方差矩阵,为后续资产配置提供风险输入数据。
报告认为该纯GDP周期划分方法符合主观经验,具备明显的周期性资产表现特征,适合作为配置模型输入基础。
作者详细介绍经典马克维茨均值-方差模型,利用资产期望收益和协方差矩阵,优化目标是最大化收益-风险调整后效用函数(公式示意,maxω期望收益减去风险调节项),求解权重显式表达为ω∗=(δΣ)−1μ。
存在两个主要问题:
因此对期望收益的合理估计成为难题。
Black-Litterman(BL)模型通过贝叶斯合成方法结合先验市场均衡收益(基于市场市值权重计算)和投资者/分析师主观观点(投资者对资产看法用矩阵P和向量Q表示,且存在信心水平描述矩阵Ω),计算出后验期望收益μp,进而输入均值方差模型。
后验收益的计算公式:
μp=[(τΣ)−1+PTΩ−1P]−1[(τΣ)−1μ0+PTΩ−1Q]其中:
图8为该模型的流程示意,从风险厌恶系数、协方差矩阵、市场均衡权重、主观看法及观点精度生成综合收益分布,最终得到稳定且结合主观信息的资产配置权重,16,17]。
基于上述周期划分和资产表现统计,以2019年末至2020年8月的回测窗口,通过对当时经济周期(触底转复苏)主观判断结合历史统计协方差与资产市值权重作为先验输入,分析师观点权重作为BL模型的观点输入进行配置计算。
图9展示两者净值走势。优化组合收益明显优于均值方差,波动率虽较高,但配置更合理。均值方差模型因对期望收益敏感,在调整中出现权重大幅变动,波动风险较大。分析师观点的加入有效提升组合表现,较好缓解均值方差短板。
主观配置组合年化收益率和波动率分别为26.99%和21.38%,夏普比率1.15。
优化组合年化收益率27.26%,波动率21.38%,夏普比率1.16。
两者配置较为接近,主观组合未结合历史数据缺少数学最优化,优化组合则借助BL模型取得微弱优势。短期回测窗口限制了两者优劣差异,长周期优化组合优势会更明显。报告后续将继续优化模型,引入更丰富资产类别和多维经济周期划分方法。
以圆盘图形式体现经济周期4阶段与不同资产表现关联,通胀水平上升和下降以及经济增长走强和走弱的结合决定资产偏好。此图体现美林时钟的理论基础。
显示2001-2019年间GDP季度同比、CPI和PPI同比的波动趋势。PPI更能反映生产端通胀,更符合美林时钟理论中“通胀上升阶段”的定义。
基于傅里叶拟合和一阶导数符号,标示出5个周期的复苏、过热、滞胀、衰退四阶段。周期区分较为清晰,但资产表现统计与理论不符。
实证数据统计的不同阶段股票、原油、黄金、信用债和利率债的年收益率。明显看到股票在衰退阶段表现反常,证实美林时钟拟合后应用效果差。
用傅里叶级数函数拟合GDP同比,拟合效果出色,基础数据点与拟合曲线高度吻合。
结合一阶与二阶导数正负区分四个阶段,提供了一个严格数学量化划分标准。
图中标示的导函数变化对应明确的周期转折,直观展示了周期划分的动态过程。
明确显示不同资产在复苏、过热、衰退、触底阶段的收益及风险(标准差)。股票表现出较高收益及波动,商品类(原油、黄金)表现有待时机,债券类表现更稳定。
统计不同资产在各阶段日涨幅大于0的频率,反映资产活跃表现和趋势稳定性。
以纯GDP周期划分,重新映射资产最佳配置倾向,获较好理论和实证契合。
为BL模型提供风险输入基础,各经济阶段资产间相关性及风险程度差异显著。
框架图示明晰了模型如何将风险厌恶、协方差、市场均衡权重与主观观点融为后验收益分布。
直观展示优化BL配置组合净值显著优于传统均值方差配置组合,回测期间表现更稳健,提醒投资组合应结合主观观点和历史数据。
本研究不涉及具体证券的估值,但资产配置权重的确定是基于基于统计金融模型的均衡收益和风险输入。作者阐述BL模型的数学推导,展示如何从市场均衡和主观看法估算资产预期收益,再用均值-方差模型最大化效用函数,获得组合权重的闭式解。
关键参数:
估值模型在框架内严格依赖统计数据和主观观点的融合,体现贝叶斯综合优势,避免传统均值-方差模型的期望收益估计不稳所带来的不合理配置问题。
报告虽未专门章节列明风险,但隐含风险点包括:
报告虽未细化缓解策略,但通过引入BL模型、动态观点矩阵设定和多周期统计等方法,提升了模型的稳定性和全面性。
总体来看,报告逻辑严密,方法先进,数据详实,然而对模型参数敏感性、观点构建方法及实盘交易落地等方面的探讨尚有待加强。
本报告系统地对比分析了基于传统美林时钟和纯GDP周期划分两种经济周期方法,结合严谨的傅里叶级数拟合和导数判定周期阶段,验证了后者在区分中国经济周期及资产表现中的优越性,为量化资产配置提供坚实基础。通过系统统计不同周期阶段大类资产收益预期、波动率与协方差矩阵,为后续资产配置建模提供了科学依据。
在资产配置方法选择上,深入剖析并运用Black-Litterman模型,明确其在均值-方差基础上引入贝叶斯框架,通过结合市场均衡收益(先验)和投资者主观观点,解决了传统模型对不稳期望收益输入敏感度太高的问题,增强配置的稳定性与合理性。
实证回测以2019年末至2020年中期间标志经济周期转换窗口为样本,验证了基于经济周期划分的BL模型相较于传统均值-方差模型和单纯主观配置的优越性,表现为明显更高的组合年化收益率(27.26% vs 17.53%)、更高的夏普比率(1.16 vs 1.13),且配置权重更具合理与稳定。
报告提出通过经济周期准确划分、结合分析师主观观点以及历史风险收益数据的多元融合,是有效提升资产配置效能的关键。此外,BL模型对观点不确定性的刻画亦增强了组合对投资者判断意见的合理依赖程度。
图表方面:
综上,报告基于深厚的数理基础和实证结果,确立了经济周期+Black-Litterman模型的资产配置框架,针对中国市场提出了有效的量化大类资产投资策略,既继承经典理论的优点,也结合市场实际与主观分析,具备较强推广和应用价值。
(完)
大类资产量化配置之一:经济时钟结合BL模型大类资产配置.pdf