报告标题与概览
报告标题: 风险再平衡——基于时序动量的大类资产配置模型
作者及机构: 吕思江 等,安信证券研究中心
发布日期: 2017 年 10 月 16 日
主题: 设计并验证一个基于时序动量因子和期望亏损(Expected Shortfall, ES)的资产配置模型,旨在通过分解为阿尔法模块(Alpha)与风险模块(Risk)实现大类资产配置的优化,提升风险调整后的收益。
核心论点与评级:
作者提出“安信风险再平衡”模型,突破传统均值-方差优化(MVO)与风险平价模型的局限,将资产配置拆解成信号生成(阿尔法模块)和风险约束(风险模块)的两步走策略。该模型结合时序动量因子和ES风险度量,通过十一年回测实现年化收益18.73%,波动率13.75%,夏普率达1.23,表现显著优于等权基准与传统风险平价组合,且参数敏感性测试验证了模型稳健性。报告强调单纯时序动量效果有限,未来将引入市场相关因子拓展模型。,19]
目录与报告结构概览
报告详细涵盖以下主要部分:
- 本篇报告独到之处
- 概述
- 基于时序动量的均线择时策略(含择时信号设计及单资产回测)
- 定量风险控制原则——ES 平衡模型(模型定义、回测、改进与敏感性测试)
- 总结及未来研究方向
- 参考文献
- 分析师声明与联系方式
图表较多,涵盖择时信号表现、资产回测表现、风险控制表现、组合资产权重及换手率分析。,2]
1. 报告独到之处与概述
1.1 报告独到之处
- 两步走策略设计: 将资产配置拆解为“阿尔法模块”和“风险模块”,解决传统MVO模型敏感和难扩展问题。
- ES风险度量的运用: 采用弱可加性的期望亏损指标(Expected Shortfall, ES)对组合进行风险控制,风险等级灵活调整,满足不同风险偏好的投资需求。
- 稳健性与解释性: 该模型结构灵活,允许扩展更有效的因子,且风险模块和Alpha模块分开,操作更便捷,易于理解。
1.2 概述
- 经典MVO模型依赖收益预测,尤为敏感于期望收益输入,且在2008年金融危机后市场相关性剧变,使得MVO组合权益类权重过大,实际表现不佳。
- 机构投资者因预测难度增大,转向“探索性方法”如风险平价模型以控制风险。
- 经典风险平价虽风险控制优秀,但忽视Alpha信号,组合进攻性弱。
- 本文结合时序动量(绝对动量)的Alpha因子与ES风险度量,提出灵活的两步走资产配置方法,经过实证检验组合表现优异。
2. 基于时序动量的均线择时策略
2.1 时序动量理念与信号设计
- 时序动量(TSM)定义:资产当月价格较过去m个月的均价为买入信号,否则卖出,持有现金。即时序动量抓取资产的趋势性与周期性,是一个稳定的Alpha因子。
- 择时示范:以标普500及6个月均线为例,买卖信号点准确预测价格走势,且通过卖出信号有效控制回撤风险(图3)。交易仅月末调仓、无杠杆、不考虑费用,现金回报估计为1.8%。,5]
2.2 单资产回测表现
- 回测标的包含万得全A、标普500、中债总财富指数、南华商品、黄金、恒生指数,时间从2004年底至2016年底。
- 不同均线(月数)策略表现不同:例如万得全A的3-6月均线策略表现最佳,标普500适合6-10月均线。
- 择时策略多资产表现优于单纯买入持有(图4),尤其在夏普率提升和最大回撤缩小方面显著(表1-5)。债券类资产表现相对平稳,对择时敏感性较低。,7]
2.3 战术资产配置应用(GTAA)
- 将均线择时应用于包含六类资产的全球战术资产配置组合,月度等权平衡。
- 现金仓位主要维持在30%-40%范围以控制风险,但组合整体持有风险资产比例仍大于60%。
- GTAA组合净值表现优于买入持有基准,回撤和波动均显著收窄(图5-6,表6),证明均线择时策略能有效改善风险调整后收益。,9]
3. 定量风险控制原则——ES 平衡模型
3.1 ES模型简介与三资产示例
- 期望亏损(ES) 是衡量极端亏损风险的指标,优于波动率和VaR的地方在于可直接反映亏损期望和满足弱可加性。
- 弱可加性意味着组合的ES风险上界可通过各个资产ES风险上界叠加估计,方便组合风险拆解。
- 单资产ES平衡策略为基于目标期望亏损调整各资产风险权重,若当前ES估计值超出目标,调低该资产的权重,举例说明(典型例子三资产分配权重调整)。
3.2 ES模型回测表现
- 使用同六资产组合,2005-2017年回测,目标期望亏损6%,债券单独设为2%目标。
- 同时与等权组合及风险平价组合比较。
- ES平衡组合收益略低于等权组合,波动和最大回撤明显较低,夏普率显著提升。相比风险平价,收益更高但风险也较大。
- 组合期望亏损动态基本控制在目标线之下,风险控制有效(图7),各类资产与现金权重动态合理(图8)。
3.3 ES平衡模型的改进分配方式
- 为提升资金利用率,提出超额现金仓位可转移至低风险资产的改进策略。
- 回测显示改进后策略年化收益提升至9.15%,波动略增,夏普比率和最大回撤均得到优化(图9,表8)。
- 各资产权重调整体现危机年份主动增加债券占比,平滑组合表现(图10)。
4. 基于时序动量的“安信风险再平衡”最终模型
4.1 动量因子定义
- 采用过去4个月资产平均回报作为时序动量因子,对回报为负资产权重设零,正资产权重按回报占正资产总和比例分配。
- 每月依据该TSM因子确定初始权重,再通过ES平衡风险模块调整,形成最终子权重。
4.2 ES平衡的动量优化策略回测
- 基础ES平衡组合与加入TSM动量优化后的组合对比(图12,表9)
- 动量优化显著提升年化收益至18.73%,夏普率增至1.23,大幅优于无动量的ES平衡策略和基准。
- 但波动率和最大回撤均有上升,属于收益-风险的权衡结果。
- 资产权重显示动量优化策略在某些时期明显增加股票配置(图13)。
4.3 纯TSM策略对比
- 纯TSM因子策略与结合ES平衡的策略对比(图14,表10)
- 纯TSM策略收益率相近但波动与最大回撤较高,夏普率低于ES平衡动量优化组合。
- 说明ES平衡模块对下行风险控制有效,提高了组合稳定性。
4.4 改进分配方式的动量优化策略
- 在动量优化策略基础上应用“现金转低风险资产”的改进分配方式。
- 回测结果显示年化收益进一步微增至19%,波动率和最大回撤轻微变化,夏普率略减(图15,表11)。
- 改进使得资金利用率提高,但原策略现金仓位已较低,故提升有限。
4.5 参数敏感性测试
-
目标ES水平敏感性:
测试2%、4%、6%、8%、10%目标ES影响(图16,表12)。
年化收益整体随目标ES增长而增加,夏普率最高在4%和6%之间,表明模型对ES参数稳定,适度风险偏好最佳。
-
估测ES数据长度敏感性:
估算期长度分别取2、4、6、10个月(图17,表13)。
6个月数据长度表现最佳,4个月接近,变化不显著,说明模型对历史数据长度敏感性低。
4.6 换手率分析
- 基础ES平衡策略换手率最低(3.9%),加入动量优化提升至26%左右,改进方案略有提升(表14,图18)。
- 换手率水平在合理范围,考虑动量收益,交易成本对整体收益影响有限。
5. 结论综合
本报告通过充分的数据分析和模型构建,提出了一个结合时序动量因子(Alpha模块)和期望亏损风险控制(风险模块)的“两步走”资产配置模型,即“安信风险再平衡”模型,具体成果和洞见如下:
- 时序动量因子 基于资产过去收益趋势,作为 Alpha 生成模块,易实现且表现稳健。
- 期望亏损(ES)风险度量 的弱可加性,突破传统均值-方差风险估计的局限,能在多资产组合中有效分解并控制极端亏损风险。
- 模型设计 通过将Alpha模块和风险控制模块分开,既便于灵活扩展又保证风险管控规范。
- 回测证据 显示该模型在2005至2017年的六类资产多元配置中年化收益18.7%,波动率13.75%,夏普1.23,表现远超传统等权及风险平价模型,且参数敏感性低,稳健有效。
- 动量优化策略 进一步强化收益捕获,同时维持风险的合理控制,改进分配方式提升现金利用率和收益表现。
- 实务意义 换手率合理,策略具备实施可行性,适合机构投资者尤其养老基金等长期资产配置需求。
- 局限与展望 当前时序动量单因子尚不充分,未来拟结合市场相关性结构(Risk On/Risk Off)等更多因子发展三因子模型,提升风险调整收益。报告声明投资风险提示、市场环境变化可能影响模型有效性。,19,20]
图表深度解读精选
-
图1-2(两步走策略示意)
直观表达Alpha模块(如动量、基本面)与风险模块(ES风险控制)合成最终资产配置,体现流程清晰,模块职责分明。
-
图3(标普500与6个月均线择时)
展示时序动量信号买卖点对应未来价格走势,验证信号预测准确且回撤控制作用,支持择时功能有效性。
-
图4(不同均线择时策略单资产表现)
不同资产在不同均线周期下择时组合表现横向对比,显示择时优势集中于部分资产与周期,提示策略需资产与参数适配。
-
表1-5(单资产绩效指标)
多维度量化策略收益、风险(收益率、夏普率、最大回撤、VaR、ES),体现择时策略提高风险调整表现,但债券类资产改善有限。
-
图5-6+表6(GTAA组合现金仓位及净值表现)
现金仓位大多数时间控制较好,净值曲线平滑且回撤明显缩小,动量择时层层过滤风险,提升组合稳健性。
-
图7-10+表7-8(ES平衡策略表现及改进)
ES 平衡以目标ES控制风险,达到风险控制意图。改进分配提高资金使用效率,收益稳步提升,回撤进一步压缩,风险收益权衡优化清晰。
-
图12-15+表9-11(结合动量优化及改进策略)
动量导入显著提高收益和夏普,配合ES风险控制防范极端风险,形成理想风险收益组合。改进现金分配略微优化组合表现。
-
图16-17+表12-13(参数敏感性)
不同ES目标及历史数据长度对组合表现影响不大,说明模型参数稳健,即使发生调整也不会剧烈影响投资表现,提高实用性。
-
图18+表14(换手率分析)
不同策略换手率差异明显,基础ES换手最少,动量策略促使仓位调整更频繁。换手率水平合理,交易成本可接受。
风险因素评估
- 模型风险:全部历史数据均来自公开市场,若市场结构发生根本性变革(如政策变化、极端市场环境),模型可能失效。
- 参数和选择风险:模型虽做参数敏感性测试,但若后续引入错误因子或参数设定失误仍可能导致结果偏差。
- 交易成本及滑点:换手率较高策略忽视交易费用可能导致净收益下降。尽管换手率被控制在合理范围,交易费用依然是实际应用中风险之一。
- 模型解释局限:采用正态分布假设计算VaR比例,可能对极端事件估计不足,尽管肥尾调整有所体现,但重尾风险仍不可完全避免。
- 宏观结构风险:单一时序动量因子未包含市场相关性等宏观驱动可能限制Alpha捕获能力,需结合更多因子进一步完善。
- 市场流动性风险:大类资产在极端行情下流动性骤降可能导致风险模型估计失准,组合调仓受阻。
报告目前尚未提供明确的风险缓释策略和概率评估,提示模型需结合实际市场做动态调整与监控。,19]
批判性视角与细微差别
- 本报告选用的时序动量因子相对单一,虽稳定,但Alpha贡献有限,未来是否能覆盖更多市场情形存在不确定性。
- 期望亏损的正态假设虽便于估计,但在现实世界资产收益往往偏离正态,风险测算可能偏差。模型对胖尾风险的处理虽有提及,但具体效果依赖于数据质量与模型设定。
- 报告多处强调改进分配方式的优势,但配合动量优化版本中,该优势体现不明显,现金利用率继续提升空间受限。
- 换手率控制细节考虑较充分,但未提供具体交易成本测算,实际净效益可能小幅降低。
- 整体回测区间较长且涵盖多危机,但2017年以后市场结构变化未涵盖,模型前瞻性有待验证。
- 报告结构严谨,论述逻辑清晰,但金融工程类模型本质存在假设局限,实际应用需警惕模型风险。
结论总结
“安信风险再平衡”模型通过创新性地将大类资产配置拆解为时序动量产生Alpha信号及期望亏损风险管控的ES平衡风险模块,实现了风险和收益的有效平衡。模型利用时序动量的趋势性捕获策略进攻性,并利用ES指标的弱可加性强化组合风险控制,控制尾部风险和极端亏损,形成稳健的资产配置策略。
报告回测结果显示,经过动量优化的ES平衡组合资产年化收益达18.73%,夏普率为1.23,且换手率可控,明显优于等权重和风险平价策略。通过参数的多维敏感性测试,表明策略对风险容忍度和风险估计历史长度不敏感,保证实际操作的稳健性。
尽管该模型已在包含股票、债券、商品、黄金等多类资产的六资产池上表现卓越,报告坦诚当前仅包含时序动量单因子,缺乏对宏观市场结构因子的纳入,未来计划扩展三因子模型以提升风险调整后的收益表现。
本报告对投资者及机构投资者在大类资产配置中提供了一个实用且具解释力的资产配置框架,有助于提升风险控制能力和捕捉市场趋势,适合长期投资和风险管理导向的资产管理。
重要图表示例(Markdown格式示例)
本文详尽拆解了报告的每个核心环节及图表数据,结合理论与实证验证,全面展现了“安信风险再平衡”模型的创新、实用与局限,具备较强的金融量化分析参考价值。