金融工程专题报告:B-L模型的鲁棒性优化及其在大类资产与行业配置中的运用

传统B-L模型对预期收益的生成多是基于市场一致预期数据或专家观点,但这一类数据在涉及多资产配置时较难获取,因此前期我们将择时模型引入B-L,整体看资产配置效果良好。不过,经过近半年的持续跟踪,我们发现模型中有些问题有待改进,一是存在择时观点与权重调整方向不一致的情形,二是部分情形下权重调整过于剧烈。上述问题的出现,我们认为原因主要在于预期收益的生成方法上可能不太合理,此外协方差矩阵以及观点误差矩阵可能也需要进行完善。

    基于原模型存在的问题,我们对预期收益率与协方差矩阵的生成进行了优化。对于预期收益率,将择时看多的资产预期收益率在隐含均衡收益率的基础上调高,同时将择时看空的资产预期收益率调低。预期收益率相对于隐含均衡收益率的调整幅度可以通过两个方法控制,一是叠加择时信号直接调整期望收益率相对于均衡收益率的偏移度,另一个则是通过对观点信心水平的调整达到定义调整幅度的目的。对于协方差矩阵,我们利用加入半衰期的协方差矩阵计算方法,并拉长样本期,这样得到的协方差矩阵相对传统方法计算的协方差矩阵会更稳健一些。

    将优化后的B-L模型用于大类资产配置,根据风险资产与无风险资产的初始权重比例分别设置3种配置策略。从整体回测结果来看,稳健型配置最大回撤仅为3.01%,从2011年至今累计收益50.10%,年化收益率6.30%,calmar比率达到了4.194,随着风险资产权重配置的提高,最大回撤扩大的同时收益率有所提升,激进型的最大回撤为18.13%,但累计收益率达到85.01%,年化收益率9.69%,calmar比率1.605。从2011年以来历年收益看,三种配置下历年收益率均为正,其中2017以来的收益率分别为13.33%,8.85%和5.66%。

    将优化后的B-L模型用于行业配置,同时通过偏移度与信心水平控制预期收益率的调整幅度。统计结果表明,当tilt设定为4时,各行业各期的偏离度中位数在20%附近,此时对冲后的策略组合250天滚动最大回撤均值为-3.44%,且年化收益率4.594%,这一回撤水平在实践中是可接受的回撤水平,通过模型得到的结果对于市场中性策略构建中采用的行业配置权重是合理的。

    风险提示:数量化策略研究主要基于历史数据,可能存在模型设定偏差的风险。