资产配置理论：研究综述与展望

周文渊，高佳伟，安国志

（1.国泰君安证券股份有限公司，上海 200000；2.武汉大学 董辅礽经济社会发展研究院，湖北 武汉 430000；3.国泰君安香港投资公司，香港 999077）

一、引言

有效的资产配置被视为成功投资的关键。从本质上来讲，金融学最基础的问题就是如何进行资产配置。多年来，在实践和理论上的探索已经发展出多种典型的资产配置策略，实现了从定性分析向定量分析的转变，为人工智能时代背景下的资产配置奠定了坚实基础。

金融市场中价格的变化类似于量子力学中的“波粒二象性”，既有“电磁波”的特性，有规律可循；也有“粒子”的特性，杂乱无章、随机游走。资产配置的功能就是在类似于混沌的金融市场中实现价格发现，提高资源分配效率，达到金融市场的均衡。

按照波普尔科学证伪的逻辑，资产配置也算一种科学，其模型在一定假设条件下得以成立，但是又会被实际情况证伪，进而形成新的理论和模型。资产配置从一种朴素的、定性的规则和原则演变为一种可量化的规范化模型、科学化体系，1952年是一个关键时间点。Markowitz（1952）在《金融月刊》（Journal of Finance）上发表论文正式开启了现代资产组合理论的序幕。在Markowitz模型中，以风险资产收益率的期望值和方差（协方差矩阵）分别刻画收益和风险，并基于给定收益（风险）的最小化（最大化）风险（收益）原则，运用二次型优化方法给出了有效投资组合前沿的概念。对于任何能够理性计算的投资者，其选择的风险资产组合一定对应于有效投资组合前沿之上的某一点，这就是经典的均值-方差模型（Mean-Variance Model）。以均值-方差模型为代表的现代投资组合理论诞生，开启了量化资产配置的时代，将资产配置问题从实践探索上升成为理论推演。

鉴于均值-方差模型的重要性，本文以其为基准，将资产配置理论和模型分为两类：一是传统资产配置理论与模型，二是基于新古典资产定价理论的资产配置模型和方法。

二、传统资产配置理论与模型

分散化、价值和流动性是传统资产配置理论关注的核心。

基于价值，发展出资产轮动择时模型，代表包括：（1）FED模型。也称美联储模型或格林斯潘模型，由经济学家埃德·亚德尼于1997年首先提出，其核心逻辑是通过比较股票收益率和长期国债收益率的差值来判断股价估值是否合理。但是Asness（2003）从理论上反对FED模型，因为长期债券收益率是名义变量，而股票收益率是对实际资产的描述。与此相反，如Sharpe（2002）、Ritter等（2002）利用货币幻觉来解释两种资产收益率之间的关系。（2）基于经济周期的美林投资时钟模型（Merrill Lynch Investment Clock）。2004年美林证券发布的《The Investment Clock》报告中提出美林投资时钟。该报告研究不同经济周期阶段下不同资产和行业的平均收益率，以GDP和CPI为核心指标，以时钟的形式将经济的商业周期区分为衰退、复苏、繁荣和滞胀四个不同阶段。在不同阶段，各类金融资产的回报和波动性会出现明显差异，而且可以发现在每一个阶段，都会呈现出最优资产。美林投资时钟是一种将资产轮动和产业策略与经济周期联系起来的方法。美林时钟模型是经济周期框架中最著名的模型，该模型将经济周期、大类资产收益率和行业轮动联系起来，指导投资者识别经济中的重要拐点，在不同经济周期中进行资产配置。

三、基于资产定价的资产配置理论和方法

（一）基于均值-方差的资产配置模型

均值-方差模型是最为常见的资产配置模型，运用该模型，首先需要通过获得的样本数据来估计该类资产的均值和方差，但是由于样本值和真实值之间总是存在差异，特别是存在资产波动的时变性，因此在运用均值-方差模型方面效果并不好。

2.均值-方差模型的结果对数据输入极其敏感，输入数据中的误差可能会导致最终资产配比的结果有偏差，而且均值-方差模型无法将样本外信息纳入决策当中，这导致了模型在现实应用中有很大的局限性。B-L（Black-Litterman）模型从优化收益率矩阵的角度发展了均值-方差模型。模型在均值-方差模型基础上融入了资本资产定价模型，将投资者的观点纳入模型，同时在一定置信度假设前提下，依据投资者主观判断，通过贝叶斯方法结合CAPM隐含的均衡收益和主观观点收益，得到后验收益率，最终将该后验收益率放入均值-方差模型中，求解出最终的投资组合权重。B-L模型根据更复杂的模型对资产特征进行正式评估，它既考虑了经典均值-方差模型使用的资产收益的历史数据，也考虑了对资产收益的主观看法产生的附加信息。通过1993—2011年的数据回测，运用B-L模型的资产组合相较于均值-方差模型有着更好的夏普比例，更小的波动性以及更小的最大回撤；尤其在经济衰退时期，B-L模型与均值-方差模型的差距更大。除去股票的量化数据外，定性数据（例如金融信息、推特消息等）也对股票市场具有影响力，但传统金融理论中并不包含这一部分数据的分析。Xing等（2018）通过量化市场情绪并加入股票价格以及交易量形成新的市场意见，带入B-L模型进行计算，由这个方法得到的资产配置组合相较于等权重组合、ARIMA模型和霍尔特温特方法有着更好的回报率以及同等回报率下较小的风险。李心愉等（2013）基于B-L模型对不同时间区间的保险资金资产配置进行实证研究，并对最优资产配置结果进行比较发现，其收益-风险特征均优于市场组合。因此，B-L模型为精确估计和预测资产特征提供了机会。

3.均值-方差模型属于单期模型，没有考虑到跨期投资的问题。Merton（1969，1971）的研究进一步完善了该模型，该模型假设资产价格服从几何布朗运动，在此基础上开展连续多期最佳消费和投资组合研究，将均值-方差模型从两资产情形扩展至多资产情形。均值-方差理论并没有考虑到现实金融市场的实用性。在进行理论搭建的时候，为了使推算简单化，Markowitz并没有将交易成本纳入理论，这就导致了交易成本在均值-方差理论中被忽视。Liu等（2002）指出交易成本的大小对于投资者的策略而言非常重要，将交易成本纳入模型对交易策略的改变十分重大。在有限投资年限的条件下，随着交易成本的增加，投资者更倾向于持有资产更久的时间；相比于风险大的资产，投资者更倾向于投资无风险资产。在条件充足的情况下，即使有着很高的风险溢价，投资者也并不愿意投资风险资产。除了投资成本外，均值-方差理论也没有将日渐复杂的金融工具、金融资产考虑进理论。

4.收益率估计准确度差。由于收益率的估计本身难度很大，当参数包括预期收益率时，模型本身的估计无法避开潜在的风险。沿着完善收益率估计误差的路径，相继出现最小化风险组合、风险平价组合等基于风险的大类资产配置理论。（1）最小化风险组合。最小化风险组合建立在均值-方差模型的基础之上，不需要考虑收益率的约束，而是以最小化方差为目标，因此最小化风险投资组合位于有效边界的最左边。在实际中，由于存在资金和卖空约束等非等约束，最小化风险组合的求解只能通过数值求解。Haugen等（1991）研究发现，最小化风险组合具有良好的样本外表现。最小化风险组合具有边际风险贡献相等的特点，因此其资金分配就是其风险分配。但是，最小化风险组合同样存在着对协方差矩阵过于敏感的问题。（2）最大化分散组合。该组合使用Choueifaty等（2008）引入的目标函数，最大化加权平均资产波动率与投资组合波动率的比率。与最小化风险组合一样，如果资产的权重发生微小变化，最大化分散投资组合会使每项资产的边际贡献相等。然而，目标函数是使投资组合目标函数最大化，其中假定预期资产回报与资产风险成正比。因此，如果平均资产回报率与风险成比率增加，最大化分散投资组合就是有效前沿的切线组合；如果资产回报率随风险增加而降低，最大化分散组合将是次优的。（3）风险平价模型。最典型基于风险的配置策略就是风险平价模型。一般认为达里奥及其团队在1996年推出的“全天候策略”是风险平价思想的起源，其基本思想是认为宏观环境可以根据经济增长和通货膨胀是否超预期而被划分为四种状态，每个状态对应不同的资产偏好，如果给予每种状态相同的风险权重，这样的投资组合便不在某个状态下有特殊的风险暴露，使得投资组合无论面对什么样的宏观环境在风险敞口上都相对均衡。而这种思想被正式称为风险平价（Risk Parity）并被准确的数学表达是Qian（2005）提出的。当组合资产中存在相关性高的资产时，即使在资产层面实现了风险均衡，仍然会使组合暴露在特定的风险因子上，只有在根本的风险源上实现风险平价才是真正的风险均衡。为此，学者Meucci（2007）和Roncalli等（2016）提出了基于风险因子的风险平价模型，其优化目标为特异性风险尽量小的同时因子风险尽量均衡，但纯多头组合可能无法实现因子层面的风险均衡。

（二）基于CAPM和APT的资产配置方法

首先，长期以来，资产配置理论主要聚焦在大类资产层面，但是仅在资产层面研究是否能达到预期效果近年来受到一些质疑。例如，在2008年金融危机期间，传统资产配置方法未能带来有效的分散化，从而造成了投资者的较大损失。其次，传统资产配置方法通常很难预测宏观环境的变化。不同资产在不同经济状态下的表现差异是源于各类资产在不同因子层面的风险暴露差异，不断有学术研究开始聚焦于资产背后的因子，尝试在风险因子层面进行资产配置研究。在此背景之下，一种被称为因子配置的资产配置策略逐渐被广泛使用，这种方法弥补了现代资产定价范式与投资实践之间的差距。基于因子的方法将资产配置决策从大类资产转为因子选择，收益可以来自投资者对因子回报的预测，也可以来自其对因子回报概率分布的综合预测。

风险因子最早可以追溯到CAPM模型中的市场因子，之后Ross（1976）使用套利定价理论正式证明了多重风险因子与资产回报之间的关系，并且提出了一个更为稳健的一般模型，为后续的风险因子研究奠定了基础。Jegadeesh等（1993）、Carhart（1997）等人则使动量成为了公认的因子。但是添加这些因子的动机是希望解释市场异象，而不是满足投资组合构建的人的需求。Grinold等（2000）在推动因子策略从理论走向实践中做出了贡献。在跨资产多策略领域，Fung等（2004）提出了七因子模型来解释对冲基金的收益率。Asl等（2012）从稳健优化的角度讨论了风险平价和类似的投资组合构建策略，认为预期收益估计的标准误差是不确定性的惟一来源，并认为在这种情况下，与风险平价相似但不同的投资组合将是最优的。

随着理论和实践的不断发展，针对因子配置的相关研究不断深化。例如，Greenberg等（2016）提出了一种将因子暴露映射到资产组合的方法，使用6个宏观经济因子（全球权益、通货膨胀、实际利率、商品、信用和新兴市场风险），在目标因子暴露约束下，使资产组合的因子暴露误差与主动风险项之和最小。Bass等（2017）通过对13种资产的收益率序列进行主成分分析，使用前6个主成分因子来定义Greenberg等（2016）中的宏观因子，此外进一步增加汇率因子作为第7个因子，针对3种不同机构（捐赠基金、人寿保险公司、公共养老金计划）设定不同的因子暴露进行实证分析，结论进一步证明了基于因子的资产配置可以有效分散风险。

Bender等（2018）利用因子模拟组合，将资产与各类宏观及风格因子建立映射关系，之后通过预测因子收益来优化因子组合，进而得到资产组合，其基于2011—2016年的数据实证分析发现该方法能获得夏普比率稳定且换手率低的策略表现。Swade等（2022）在全球权益、债券、商品、汇率等市场通过因子模拟组合方法构建了数十种宏观风险因子，验证了资产和风格因子在宏观因子层面均有显著的暴露，并且通过构建宏观风险因子分散化的组合可以规避负增长和高通胀的市场。

（三）基于行为资产定价模型中异象的量化交易

量化基金的资产配置主要基于金融异象，最典型的为多因子策略。多因子策略会根据一些和收益率相关的指标构建投资组合，同时做空股指期货赚取收益。这些因子分为三类。第一类，也是最典型的因子类别是价值和成长。价值指市盈率、市净率，成长是指业绩增长。第二类因子是资产收益率，也就是所说的ROE、ROA等。第三类是分析师因子、市场动量因子和反转因子，其中比较重要的是动量因子。Jegadeesh等（1993）注意到，过去回报率较高的股票在未来3～12个月内继续具有较高的未来回报率，而过去回报率较低的股票在未来几个月内继续表现出较低的未来回报率。他们认为，通过买入过去的赢家，卖出过去的输家，投资者可以获得可观的利润。Rouwenhorst（1999）、Asness等（2013）研究证明了动量策略在不同地域市场和资产类别中的有效性。Conrad等（1998）探索了动量效应的各种解释和来源。不过，次贷危机后传统的动量策略受到了很多批评，因为这些传统的投资策略在这段时期表现糟糕。

随着多因子策略的迅速发展，越来越多反映因子溢价的可投资产品涌现，极大扩展了资产配置的投资范围，主要包括Smart Beta ETF产品以及通过因子模拟组合或优化方法构建的风险溢价类指数产品，两者均反映了在某种特定因子上的暴露。Smart Beta ETF更多聚焦股票市场上的因子，比如价值、增长、股息、动量、风险和质量等，而风险溢价类指数产品更聚焦于大类资产层面，比如商品期限结构、商品动量、汇率价值因子等。

四、大类资产配置策略发展趋势

新古典金融定价理论试图用数学模型来定义和描述金融市场的波动，并证明市场有效。但金融市场并非有效市场。金融系统是一个复杂系统，是由大量微观单元互相作用组成的系统，其活动呈现非线性。而复杂系统中的个体往往具备智能性，可以在不同环境下，通过规则变化来进行判断、决策，已经形成与大系统的反馈，这种智能性，造成了预测的不确定性。

1.面对不确定性，如何进行资产配置

投资哲学的分歧出现在对世界的认知理念上，是基于一般建构主义还是以哈耶克为代表的自发秩序。前者认为可以通过归纳-演绎总结出基本模型帮助投资，后者的投资哲学则认为金融市场更类似于混沌系统，预测准确是偶然事件。

复杂非线性网络的不可预测性说明正确的应对方案不是去预测，而是跟随复杂系统演化，首要基础是有一套完备的状态监测系统，监测经济、金融市场状态。假设前提的变化导致预测范式发生根本变化，从独立性假设-统计预测范式，到互相影响的非独立性的网络-算法演化范式。

按照演化算法，在资产配置领域要保持胜率，需要注意：（1）保持资产的多元化和独立性。把资产作为单一生命个体进行分类，保持资产的多元性，并保持在初始状态之下，每种资产持续演化概率相同，这一点在桥水基金的“全天候策略”里面得到较好的实践。（2）针对不同环境及时迭代调整。迭代越快，进化越适应当时的环境。按照迭代速度，可以区分为高频投资、中频投资和低频投资。中高频投资一般对应着量化投资策略，低频投资则一般理解为价值投资策略。（3）按照演化算法，量化投资的思维与价值投资（长期持有）策略可能是对立统一的。量化投资的迭代速度快，更能适应市场环境。量化投资的资产具备流动性，并具备某类宏观经济运行中暴露的风险因子特征。在现代资产管理行业的发展中对量化资产分类越来越细，从宏观风险因子到各种风格因子的细分再映射到不同资产上，成为量化投资发展的方向。量化择时的本质是要对经济和市场环境的演化标识出风险特征，并对应到风险因子特征资产之上。量化选股本质是发现资产的风险特征因子并进行标识。一旦宏观环境和市场环境演变成适应其发展的状态，则迅速迭代组合到相应的风险特征资产。不管是量价因子还是基本面因子，都是基于市场环境演化的结果。

智能算法是演化算法的高级形式。智能算法认为，世界是无法预测的，但是大脑可以不断强化学习，神经网络可以把未来所有可行的选项都考虑进去，并给每个可行性进行估值，根据估值的高低进行决策，并根据环境的变化调整可行性的估值。这有点像二叉树模型和情景模拟，但其过程比二叉树模型要复杂得多。更贴切的例子是阿尔法狗，正是模拟到每一步的最佳路径，阿尔法狗最后才能战胜李世石。深度学习算法强调人的主观能动性和信息的重要性。人类对世界了解得越深入，框架越完善，信息越充分，那么对可能性的分类和估值就越准确，所做的决策自然胜率会更高。从算法竞争的角度来讲，目前基于风险因子定价的风险平价模型、宏观因子模型和基于贝叶斯算法的B-L模型在资产配置实践中表现出较强的竞争力，成为比较实用的方法。

2.如何从大类资产的配置进一步降维到微观资产配置

从资产定价的逻辑出发，考察微观资产的收益来源，可以大概分为：

（1）来自于Beta的收益，也可以叫作资产的风险溢价。一般大类资产都具备风险溢价，大类资产容量大，流动性好，如果市场是有效的，指数基金的投资方法是最优的。一般来讲，对于大类资产层面风险溢价的收益，通过风险均衡策略可以获得稳定的回报。

（2）另类资产收益和Smart Beta。另类资产和另类策略来自于资产的流动性溢价、不同市场的流动性溢价。并购策略、套利策略、指数增强策略均属于这一范畴。

（3）纯Alpha收益。收益来自于资产的时间价值或者是来自于零和游戏，这类收益源是昂贵和稀缺的。

上述三种分类是投资收益来源的一个方面，是严格按照资产类别进行分析和配置的。常用的投资组合管理工具主要有三种，即资产配置、择时和证券选择。如果市场是有效的，那么择时和证券选择对组合都不会贡献正收益，然而，从金融市场非理性和金融异象来看，时间价值和选股模型都能够给组合带来较好的正贡献，而且价值、套利、动量和防御风格的表现优于在多个资产上的买入持有策略。相较于资产类别的角度，策略风格能实现更好的多元化。

五、结论

多年来理论和实践的发展对资产配置形成了以下几点共识或假设：（1）经济和金融市场是一个混沌系统，市场很难预测。未来的不确定性决定资产配置动态决策机制是概率问题，贝叶斯算法有助于提高胜率。（2）资产的收益主要来自于风险回报。（3）资产的分散或者风险因子的分散以及再平衡有助于实现收益率和波动性的平衡。

进入21世纪以来，随着我国资本市场的不断深化和发展，大类资产配置理论也逐渐受到国内投资者和学者的关注。但是总体上来说，大类资产配置理论和实践在我国处于起步阶段，投资者和研究人员对于择时、择股的重视程度远远高于资产类别的选择。相信随着我国资本市场的改革和发展，经济水平的不断提高，大类资产配置策略将会在我国有进一步的发展。