本报告系统介绍了熵池模型作为资产组合配置的新框架,在理论上通过模拟样本扩容、相对熵最小化及观点池化突破了BL模型的限制,实现多样化投资观点融合和非参数分布估计。基于行业轮动和股债配置两种实际投资案例,实证检验显示熵池模型在年化收益率、夏普比及风险控制上均优于BL模型,且多种观点输入的叠加有效提升配置效果。非参数方法对优化函数和样本长度表现更加稳健,模型亦支持外部因子灵活输入,且通过优化输入与优化样本分离进一步提高配置效果。报告详细回测多种设置,验证其在策略实用性和稳定性上的优势,为量化资产配置提供有力工具
| 模型类型 | 年化收益率 | 最大回撤 | 年化波动率 | 年化换手 | Sharpe比率 | Calmar比率 |
|---|---|---|---|---|---|---|
| 原始行业轮动策略 | 11.80% | -56.29% | 27.65% | 3.257 | 0.341 | 0.21 |
| BL模型 | 9.85% | -59.90% | 30.26% | 4.046 | 0.247 | 0.164 |
| 熵池(正态) | 11.15% | -54.44% | 29.11% | 4.217 | 0.302 | 0.205 |
| 熵池(非参) | 10.30% | -57.32% | 29.74% | 4.013 | 0.267 | 0.18 |
| 抽样次数 | 年化收益率 | 最大回撤 | 年化波动率 | 年化换手 | Sharpe比率 | Calmar比率 |
|---|---|---|---|---|---|---|
| 不重抽样 | 11.60% | -62.96% | 30.76% | 3.367 | 0.300 | 0.184 |
| 100次 | 11.78% | -60.20% | 30.07% | 3.479 | 0.313 | 0.196 |
| 1000次 | 12.07% | -57.67% | 30.12% | 3.513 | 0.322 | 0.209 |
| 历史样本长度 | 年化收益率 | 最大回撤 | 年化波动率 | 年化换手 | Sharpe比率 | Calmar比率 |
|---|---|---|---|---|---|---|
| 1年 | 11.78% | -60.20% | 30.07% | 3.479 | 0.313 | 0.196 |
| 2年 | 11.07% | -61.18% | 30.56% | 3.482 | 0.284 | 0.181 |
| 3年 | 13.74% | -59.12% | 30.52% | 3.689 | 0.372 | 0.232 |
| 观点输入 | 年化收益率 | 最大回撤 | 年化波动率 | 年化换手 | Sharpe比率 | Calmar比率 |
|---|---|---|---|---|---|---|
| 仅外部观点 | 11.45% | -60.51% | 29.93% | 3.443 | 0.303 | 0.189 |
| 排序+外部观点 | 13.32% | -58.00% | 30.33% | 3.577 | 0.361 | 0.230 |
| 1年-1年输入优化样本 | 13.32% | -58.00% | 30.33% | 3.577 | 0.361 | 0.230 |
| 3年-3年全样本 | 11.01% | -60.27% | 30.39% | 4.430 | 0.285 | 0.183 |
| 3年-1年分离样本 | 14.17% | -55.57% | 30.21% | 3.847 | 0.391 | 0.255 |
| 策略 | 年化收益率 | 最大回撤 | 年化波动率 | 年化换手 | Sharpe比率 | Calmar比率 |
|---|---|---|---|---|---|---|
| 全行业等权 | 6.18% | -58.94% | 25.03% | 0.239 | 0.152 | 0.105 |
| 原始行业轮动策略 | 12.45% | -56.29% | 27.71% | 3.171 | 0.364 | 0.221 |
| 熵池行业轮动策略 | 16.50% | -54.09% | 30.47% | 3.724 | 0.464 | 0.305 |
| 策略 | 年化收益率 | 最大回撤 | 年化波动率 | 年化换手 | Sharpe比率 | Calmar比率 |
|---|---|---|---|---|---|---|
| 原始股债策略 | 21.97% | -16.91% | 12.00% | 2.159 | 1.631 | 1.299 |
| 股债策略一 | 23.82% | -17.14% | 13.19% | 2.074 | 1.624 | 1.390 |
| 股债策略二 | 24.52% | -17.14% | 13.19% | 2.120 | 1.677 | 1.430 |
| 股债策略三 | 23.76% | -17.04% | 12.70% | 2.000 | 1.681 | 1.395 |
| 股债策略四 | 24.47% | -17.04% | 12.70% | 2.031 | 1.737 | 1.436 |
报告首先回顾了Markowitz均值方差模型的历史成就与局限,强调BL模型的提出极大提高了组合配置的实用性,但仍只支持单一的收益率观点并使用正态分布假设。熵池模型由Meucci提出,作为BL模型的扩展,支持多样化观点(收益率差、波动率、排序等)及对非正态分布的有效刻画,通过灵活的观点输入和更先进算法,极大提升模型适用性和实用效果。报告结合四种典型投资者场景,阐述了熵池模型能够全面应用,覆盖模糊观点、非线性观点、外部宏观因子观点及多投资者观点融合的问题,这是BL模型难以处理的。
报告具体列举:资产间收益率排序、股债波动率变化应对、宏观变量如通胀利率冲击影响、不同投资者观点融合。这些复杂的投资场景都有较大模糊性或非线性,传统BL只能处理单一的均值观点,熵池模型则支持任意形式观点的输入,极大降低了投资者的模型使用门槛和繁琐度。
报告通过与BL模型的大致流程图对比,强调两者都以先验分布和观点分布融合形成后验分布,并给出权重,但熵池的关键技术突破在于:
该理论框架创新性强,打破传统资产配置模型对观点形式及分布假设的限制,为集成多种视角的投资决策提供科学工具。
整体流程详见图表4(熵池模型完整流程图),蓝色为输入,红色为关键求解算法:模拟扩容、相对熵最小化、观点池化。
这一包装的理论体系实现了“自由观点、多样输入、稳定融合”的功能目标。
图表1(熵池模型与BL模型对比表):明晰列出BL模型和熵池模型在市场假设与观点表达上的功能对比,熵池具备覆盖非正态市场、不完全观点、多样非线性观点及观点融合能力,BL模型功能受限于正态和简单收益率观点,突出熵池模型理论优势。
图表2 & 3(BL与熵池模型流程图):
图表4(熵池完整流程图):
图表7-8(净值走势与回测表现——熵池与BL模型):
图表9-14(排序型与波动率观点及复合观点):
图表15-18(效用函数对比):
图表19-20(重抽样效果对比):
图表21-22(时间长度对比):
图表23-24(外部因子观点输入):
图表25-26(输入与优化样本分离):
图表27-29(行业轮动策略最终应用):
股债配置图表30-35:
本报告为金融资产配置策略研究,核心为组合权重分布而非单一资产估值,且未涉及企业财务估值模型如DCF、PE等。估值工作体现在资产预期收益率的预测及组合整体风险调整的表现优化。资产预期收益率来源于多因子模型或投资者观点;优化则基于夏普比率、风险平价、最小风险等效用函数的组合权重寻优。
模型的主要“估值”体现在对资产预期收益率分布的非参数估计及观点融合形成的后验分布概率权重调整。相对熵最小化作为权重调整核心算法,确保后验分布在保留先验信息同时符合投资者观点。
因此,本报告中的估值主要是对风险因子与资产收益率映射函数 ( R(X) ) 的建模和融合,而非传统单资产估值方法。同时通过大量回测,验证优化目标函数对投资组合整体“估值”与风险收益权衡的有效性。
国金证券报告深入系统解析了熵池模型的理论基础、计算流程与实际应用验证,呈现了这一资产配置先进模型在量化投资中的实战价值。报告强调:
报告的整体价值在于提供了组合配置领域极具扩展性的资产配置范式,是量化投资中主动观点融入被动资产配置的有效桥梁。报告同时提出熵池模型未来应用广阔,包括压力测试、衍生品定价、因子选股等,具有扎实理论基础和众多实践验证。
观点信息详解附录:
相对熵最小化附录:
国金证券的熵池模型报告全面展示了熵池模型理论与实践的深度融合。报告系统解构了该模型在资产配置中引入主动观点的创新机制,利用非参数估计与信息论的相对熵最小化保证科学严谨,同时引入观点池化方法兼顾多投资者、多观点置信度与相关性,极大提升了模型的灵活性和表达能力。通过丰富的行业轮动和股债配置实证检验,报告证实熵池模型较传统BL模型具备更高的风险调整收益及稳健性。
报告既论证理论框架,也充分考量实操参数敏感性和风险,提供了面向未来投资策略设计与风险管理强有力的工具,并为研究者和实务者展示详细的观点构造与算法实现方案,填补了主动观点融合量化配置领域的重要空白。
引用溯源:
本报告分析旨在全面透视《熵池模型:如何将纯主动观点纳入量化配置模型》的理论基础、方法框架、实证检验及实际应用效果,特别强调模型创新部分及其在资产配置中的应用实践价值。
Beta猎手系列之二:熵池模型 如何将纯主动观点纳入量化配置模型.pdf