目錄一、MVO模型適用動型資配置 4二、主型資配置心是收預(yù)測風(fēng)險罰 4（一）主動型資產(chǎn)配置首先要構(gòu)建有效的收益預(yù)測 5（二）主動型資產(chǎn)配置需要對收益預(yù)測進行風(fēng)險懲罰 6三、主型資配置于兩類景 91、主動型資產(chǎn)配置直接得到配置方案 92、被動型資產(chǎn)配置打底+主動型資產(chǎn)配置增強 9四、基于ETF主動資產(chǎn)配方案 101、MVO主動型資產(chǎn)配置ETF組合 2、全天候打底+MVO增強的ETF組合 12五、結(jié)論 13附錄：于ETF的動全天候案 14風(fēng)險提示 15圖表目錄圖1：股權(quán)風(fēng)險溢價（ERP）與股票收益相關(guān) 5圖2：PMI與股票收益相關(guān) 5圖3：中證800預(yù)期收益相歷史均值更接近實際收益 6圖4：納斯達克預(yù)期收益相比歷史均值更接近實際收益 6圖5：商品預(yù)期收益相比歷史均值更接近實際收益 6圖6：黃金預(yù)期收益相比歷史均值更接近實際收益 6圖7：中證800GARCH波動與歷史波動存在差異 7圖8：黃金GARCH波動與歷史波動存在差異 7圖9：收益預(yù)測-風(fēng)險懲罰模型的效果顯著更優(yōu)（目標(biāo)波動3%） 7圖10：收益預(yù)測-風(fēng)險懲罰型的效果顯著更優(yōu)（目標(biāo)波動5%） 7圖收益預(yù)測-風(fēng)險懲罰模型的效果顯著更優(yōu)（目標(biāo)波動7%） 7圖12：收益預(yù)測-風(fēng)險懲罰型的效果顯著更優(yōu)（目標(biāo)波動10%） 7圖13：5%倉位限制下的倉變化 9圖14：15%倉位限制下的倉變化 9圖15：跟蹤誤差3%權(quán)益?zhèn)}調(diào)整有限 10圖16：跟蹤誤差3%黃金倉調(diào)整有限 10圖17：ETF主動型資產(chǎn)配置略放開倉位限制后效果更優(yōu) 圖18：5%倉位限制的ETF倉位變化 圖19：15%倉位限制下的ETF倉位變化 圖20：ETF主動型資產(chǎn)策有顯著的收益增強（不同跟蹤誤差） 12圖21：跟蹤誤差3%權(quán)益ETF倉位調(diào)整有限 13圖22：跟蹤誤差3%黃金ETF倉位調(diào)整有限 13圖23：基于ETF的動態(tài)全候策略樣本外表現(xiàn)較好 14圖24：基于ETF的動態(tài)全候策略倉位變化 15表1：各類資產(chǎn)的有效因子舉例 6表2：收益預(yù)測-風(fēng)險懲罰效果更優(yōu)（3%/5%目標(biāo)波動） 8表3：收益預(yù)測-風(fēng)險懲罰效果更優(yōu)（7%/10%目標(biāo)波動） 8表4：收益預(yù)測-風(fēng)險懲罰效果更優(yōu)（3%目標(biāo)波動+不同的位限制） 9表5：收益預(yù)測-風(fēng)險懲罰有顯著的收益增強（不同跟蹤誤差） 10表6：ETF主動型資產(chǎn)配置策略放開倉位限制后效果更優(yōu) 表7：ETF主動型資產(chǎn)策略有顯著的收益增強（不同跟蹤誤差） 12表8：基于ETF的動態(tài)全天策略樣本外表現(xiàn)較好 14資產(chǎn)配置理念經(jīng)歷多年的發(fā)展，從最初簡單表述為雞蛋不放在一個籃子，到如今大家試圖找到不同宏觀周期下最優(yōu)的資產(chǎn)，不變的是分散化的理念，與時俱進的是分散化的內(nèi)涵。過去我們說的分散風(fēng)險是分散資產(chǎn)，但即便我們說東邊不亮西邊亮，也難以確認是否資產(chǎn)都放在了東邊或西邊。今天我們說的分散風(fēng)險則是分散底層的邏輯，將資產(chǎn)背后的驅(qū)動因子進行分散化，而驅(qū)動因子必然與收益預(yù)測掛鉤。換言之，資產(chǎn)配置不僅僅是分散風(fēng)險，資產(chǎn)配置一定離不開收益預(yù)測。根據(jù)我們是否考慮收益預(yù)測可將常見的資產(chǎn)配置模型分為兩類，一類被動型配置，典型如風(fēng)險平價策略或風(fēng)險預(yù)算策略，包括著名的全天候，其特點是僅考慮風(fēng)險分散，不考慮收益預(yù)測。事實上，風(fēng)險平價只是工具而非模型，全天候看似只考慮風(fēng)險，實際已經(jīng)基于宏觀因子與資產(chǎn)長期收益的關(guān)系劃分了四個象限。另一類主動型配置，其特點是先考慮資產(chǎn)收益，再結(jié)合風(fēng)險度量，典型如均值方差MVO、B-L模型等。其他諸如美林時鐘、GEYR、普林格周期等模型，我們認為更多是收益預(yù)測模型，最多算資產(chǎn)輪動模型，無分散化的內(nèi)涵，也非典型的資產(chǎn)配置模型，不納入此分類。一、MVO模型適用于主動型資產(chǎn)配置主動型資產(chǎn)配置首當(dāng)其沖的是均值方差模型(MVO)。在此基礎(chǔ)上又衍生出了均衡收益+主觀觀點的B-L模型。投資者普遍認為上述模型在應(yīng)用過程存在的問題,有以下幾點：1、模型對輸入變量相對敏感，倉位較易集中在少數(shù)幾類資產(chǎn)。但資產(chǎn)配置中應(yīng)用均值方差模型相比個股投資中應(yīng)用均值方差模型，其優(yōu)勢在于資產(chǎn)類型相對有限，通過約定持倉上限或下限可在一定范圍內(nèi)規(guī)避該問題。2MVOMVO模型的價值所在。首先，沒有預(yù)測模型能做到100%準(zhǔn)確，投資即預(yù)期，預(yù)期即概率。當(dāng)我們內(nèi)心有了對某一類資產(chǎn)的收益預(yù)測，如何評估其勝率，進而得到組合配置方案？MVO模型給出了解決方案，因其圍繞我們預(yù)測的勝率大60%40%如另類資產(chǎn)或海外資產(chǎn)，由于其收益預(yù)測存在較大難度，MVO的適用性會大打折扣。此時可通過被動型資產(chǎn)配置模型對全資產(chǎn)構(gòu)建配置中樞，再通過主動型資產(chǎn)配置對其中我們有預(yù)測能力的資產(chǎn)進行收益增強。綜上，MVO適用的場景，一方面在我們熟知的幾類資產(chǎn)之間進行配置，此時可增加資產(chǎn)的倉位限制避免倉位過度集中。一方面在資產(chǎn)類型較多的情況下，可先通過風(fēng)險預(yù)算等被動型資產(chǎn)配置模型得到各類資產(chǎn)戰(zhàn)略配置中樞，然后基于MVO等主動配置模型對其中幾類我們有預(yù)測能力的資產(chǎn)進行收益增強。形成戰(zhàn)略+戰(zhàn)術(shù)資產(chǎn)配置方案。二、主動型資產(chǎn)配置的核心是收益預(yù)測和風(fēng)險懲罰目前市場上的資產(chǎn)配置模型，以全天候策略認可度較高。原因在于全天候策略的底層是風(fēng)險平價，不用做收益預(yù)測，而收益預(yù)測有較高的不確定性，風(fēng)險的預(yù)測則更加穩(wěn)健。然而，事實上，收益預(yù)測客觀可驗證，風(fēng)險預(yù)測主觀不可驗證，不可驗證者又何來穩(wěn)健。因此，風(fēng)險的穩(wěn)健性更多指其在時間序列上的穩(wěn)健性，而無關(guān)風(fēng)險度量的準(zhǔn)確性。那么，風(fēng)險是什么？風(fēng)險是對不確定性的認知，包含兩個要素不確定性和認知。一方面，認知為主觀，因人而異，因此風(fēng)險也是因人而異。我們通常根據(jù)客戶風(fēng)險認知的差異對客戶進行分級，如R1到R5，分別匹配不用風(fēng)險等級的組合，這部分內(nèi)容我們稱之為KYC（KnowYourCustomer）。另一方面，不確定性也非客觀，不確定性不等于波動，若資產(chǎn)或策略的波動大，但投資者有較強的預(yù)測能力，在投資決策時我們面臨的不確定性同樣很小。這部分內(nèi)容與策略相關(guān)，我們稱為KYP（KnowYourProduct）。本文重點討論后者。投資即預(yù)測，當(dāng)我們在投資中加入收益預(yù)測，哪怕勝率只是略高于50%，長期也能顯著提升投資效果。從理論上說，如果預(yù)測能力足夠強，可以完全不用做配置，直接投資收益最高的資產(chǎn)。在實踐中，預(yù)測能力強的資產(chǎn)應(yīng)該給予更高的置信度和更低的風(fēng)險分配。通常我們用波動率對于這樣的不確定進行刻畫。但事實上，事后評價我們可以基于波動率統(tǒng)一評價，但事前投資決策時投資面臨的不確定性必然因人而異，并非能用波動率一概而論。對于非專業(yè)投資者，承受的風(fēng)險一定程度上可用資產(chǎn)波動來衡量，此時投資者對風(fēng)險的感知可能不同，但其面臨的客觀不確定性，也即資產(chǎn)的或有虧損是類似的。而對于專業(yè)投資者而言，承受的風(fēng)險或不確定性本身則存在差異，其差異來源于其預(yù)測能力的不同。主動型資產(chǎn)配置模型首先對資產(chǎn)收益進行預(yù)測，然后基于收益預(yù)測得到風(fēng)險度量。此時的風(fēng)險度量不是簡單衡量資產(chǎn)自身波動，而是旨在懲罰收益預(yù)測的不準(zhǔn)確性，也即懲罰風(fēng)險。從而風(fēng)險度量與預(yù)測能力掛鉤。（一）主動型資產(chǎn)配置首先要構(gòu)建有效的收益預(yù)測我們先做收益預(yù)測。大類資產(chǎn)收益預(yù)測無法構(gòu)建諸如股票的因子模型，因為資產(chǎn)數(shù)量較少無法通過橫截面回歸找到顯著的因子，也無法得到因子的風(fēng)險溢價。資產(chǎn)配置中各類資產(chǎn)的收益預(yù)測因此只能構(gòu)建時間序列模型，也即對于每一類資產(chǎn)，分別找到其可能存在影響的時序因子。例如，權(quán)益市場常見的影響因子包括股權(quán)風(fēng)險溢價（ERP）、PMI、量價因子等。債券市場常見的影響因素包括股票蹺蹺板的影響、商品市場表現(xiàn)、資金利率等。黃金常見影響因素包括花旗經(jīng)濟意外指數(shù)（風(fēng)險偏好）、中美利差（實際利率和大國博弈對美元信用的沖擊）等。其他資產(chǎn)如美股，我們不具備基本面的信息優(yōu)勢，通常只能挖掘有效的量價因子，如不同參數(shù)的均線。圖1：股權(quán)風(fēng)險溢價（ERP）與股票收益相關(guān) 圖2：PMI與股票收益相關(guān)650055004500350025001500

0.12中證800中證800中證800ERP（右）0.080.060.040.02

7000 中證800制造業(yè)中證800制造業(yè)PMI（右）5000 4000 3000 2000 1000 0 從結(jié)果上看，權(quán)益預(yù)測的有效因子包括ERP、PMI、MA20收益等。債券的有效因子包括股票同期影響、資金利率、商品表現(xiàn)、MA60收益等。美股存在部分有效均線。黃金的有效因子包括花20122020挖掘各類資產(chǎn)的有效因子如下：表1：各類資產(chǎn)的有效因子舉例股票ERPPMIMA20收益?zhèn)善辟Y金利率南華商品指數(shù)MA60美股MA20MA5MA60MA120黃金花旗經(jīng)濟意外指數(shù)中美10年利差MA5商品MA5MA10MA20編制圖3：中證800預(yù)期收益相歷史均值更接近實際收益 圖4：納斯達克預(yù)期收益相比歷史均值更接近實際收益0.20.20預(yù)期收益(股)實際收益(股)歷史均值(股)(美股)(美股)實際收益(美股)0.10.052021-01-012021-04-012021-01-012021-04-012021-07-012021-10-012022-01-012022-04-012022-07-012022-10-012023-01-012023-04-012023-07-012023-10-012024-01-012024-04-012024-07-012024-10-012025-01-012025-04-012025-07-012021-01-012021-04-012021-01-012021-04-012021-07-012021-10-012022-01-012022-04-012022-07-012022-10-012023-01-012023-04-012023-07-012023-10-012024-01-012024-04-012024-07-012024-10-012025-01-012025-04-012025-07-01-0.2圖5：商品預(yù)期收益相比歷史均值更接近實際收益 圖6：黃金預(yù)期收益相比歷史均值更接近實際收益0.15預(yù)期收益(0.15預(yù)期收益(商)實際收益(商)歷史均值(商)0.10預(yù)期收益(黃金)歷史均值(金)實際收益(黃金)0.10.052021-01-012021-04-012021-07-012021-01-012021-04-012021-07-012021-10-012022-01-012022-04-012022-07-012022-10-012023-01-012023-04-012023-07-012023-10-012024-01-012024-04-012024-07-012024-10-012025-01-012025-04-012025-07-012021-01-012021-04-012021-07-012021-10-012022-01-012022-04-012022-07-012022-10-012023-01-012023-04-012023-07-012023-10-012024-01-012024-04-012024-07-012024-10-012025-01-012025-04-012025-07-01-0.05-0.1（二）主動型資產(chǎn)配置需要對收益預(yù)測進行風(fēng)險懲罰前面提到，風(fēng)險度量的目標(biāo)是衡量收益預(yù)測的不準(zhǔn)確性并施加懲罰，因此需要在風(fēng)險度量中加入預(yù)測誤差。在現(xiàn)有資產(chǎn)配置模型中，GARCH模型可一定程度上衡量收益預(yù)測的不準(zhǔn)確性。此處構(gòu)建GARCH（1,1），也即預(yù)期風(fēng)險由歷史波動與預(yù)測誤差兩部分構(gòu)成。從而一方面體現(xiàn)波動的記憶性，一方面納入預(yù)測誤差的衡量。從結(jié)果上，GARCH波動與歷史波動的度量結(jié)果存在顯著差異。圖7：中證800GARCH波動與歷史波動存在差異 圖8：黃金GARCH波動與歷史波動存在差異GARCH_股歷史波動GARCH_股歷史波動_股GARCH_金歷史波動_金14% 7%12% 6%10% 5%8% 4%6% 3%4% 2%2% 1%2014-01-012014-09-012015-05-012016-01-012014-01-012014-09-012015-05-012016-01-012016-09-012017-05-012018-01-012018-09-012019-05-012020-01-012020-09-012021-05-012022-01-012022-09-012023-05-012024-01-012024-09-012025-05-012014-01-012014-09-012015-05-012016-01-012016-09-012017-05-012018-01-012018-09-012019-05-012020-01-012020-09-012021-05-012022-01-012022-09-012023-05-012024-01-012024-09-012025-05-01綜上，市場上目前最普遍的對均值方差模型的做法是基于歷史收益對未來進行預(yù)測，或直接基于均衡收益（B-L模型）。即使用到資產(chǎn)收益預(yù)測，也不曾將風(fēng)險度量與收益預(yù)測進行關(guān)聯(lián)，從而模型的應(yīng)用體驗不好。本文所述主動型資產(chǎn)模型，所用的風(fēng)險度量本質(zhì)上是對收益預(yù)測不準(zhǔn)確性的懲罰。也即收益預(yù)測-誤差懲罰思路。分別基于上述收益預(yù)測-風(fēng)險懲罰模型和歷史收益均值-歷史波動構(gòu)建均值方差模型，前者的效果有顯著提升。圖9：收益預(yù)測-風(fēng)險懲罰模型的效果顯著更優(yōu)（目標(biāo)波動2.11.91.72.11.91.71.51.31.10.9收益預(yù)測-風(fēng)險懲罰3%歷史收益-歷史波動3%

圖10：收益預(yù)測-風(fēng)險懲罰模型的效果顯著更優(yōu)（目標(biāo)波動2.92.72.52.92.72.52.32.11.91.71.51.31.10.9收益預(yù)測-風(fēng)險懲罰5%歷史收益-歷史波動5%圖11：收益預(yù)測-風(fēng)險懲罰模型的效果顯著更優(yōu)（目標(biāo)波動7%）

圖12：收益預(yù)測-風(fēng)險懲罰模型的效果顯著更優(yōu)（目標(biāo)波動10%）4343210收益預(yù)測-風(fēng)險懲罰7%歷史收益-歷史波動7%654收益預(yù)測-風(fēng)險懲罰10%歷史收益-歷史波動10%3210表2：收益預(yù)測-風(fēng)險懲罰效果更優(yōu)（3%/5%目標(biāo)波動）目標(biāo)波動3%5%模型設(shè)計收益預(yù)測-風(fēng)險懲罰歷史收益-歷史波動收益預(yù)測-風(fēng)險懲罰歷史收益-歷史波動年化收益11.5%10.8%18.7%17.2%標(biāo)準(zhǔn)差4.0%4.2%6.8%7.0%下行波動3.6%3.8%6.2%6.5%最大回撤-1.6%-2.0%-2.8%-3.5%夏普比2.872.582.772.46索提納比3.212.843.042.64卡瑪比7.165.356.684.94，統(tǒng)計區(qū)間2025.1-2025.10表3：收益預(yù)測-風(fēng)險懲罰效果更優(yōu)（7%/10%目標(biāo)波動）目標(biāo)波動7%10%模型設(shè)計收益預(yù)測-風(fēng)險懲罰歷史收益-歷史波動收益預(yù)測-風(fēng)險懲罰歷史收益-歷史波動年化收益25.7%23.4%36.3%32.7%標(biāo)準(zhǔn)差9.5%9.8%13.6%14.0%下行波動8.7%9.2%12.7%13.2%最大回撤-4.0%-4.9%-5.6%-6.9%夏普比2.712.392.672.35索提納比2.942.552.852.48卡瑪比6.494.806.424.74，統(tǒng)計區(qū)間2025.1-2025.10三、主動型資產(chǎn)配置可用于兩類場景1、主動型資產(chǎn)配置直接得到配置方案結(jié)合前文分析，基于MVO直接構(gòu)建資產(chǎn)配置模型需要注意兩點，一方面僅限我們有預(yù)測能力的資產(chǎn)，一方面模型結(jié)果容易將倉位集中在某一類資產(chǎn)。對于后者，如果是股票或基金組合，對每個標(biāo)的控制倉位不現(xiàn)實。但在資產(chǎn)配置層面，可通過對某一類資產(chǎn)做倉位限制。例如權(quán)益?zhèn)}位限20%，與股票型基金的倉位上限保持一致。或?qū)⑸唐穫}位限制15%以內(nèi)，保證絕大部分倉位在傳統(tǒng)生息（正carry）資產(chǎn)，從而克服MVO模型倉位過于集中的問題。3%的目標(biāo)波動為例，給商品/黃金/5%、10%、15%2025年以來。從結(jié)果上看，今年以來黃金基本都配到了上限。從而隨著資產(chǎn)倉位上限的放開，組合彈性更高，收益更高。表4：收益預(yù)測-風(fēng)險懲罰效果更優(yōu)（3%目標(biāo)波動+不同的倉位限制）收益預(yù)測-風(fēng)險懲罰收益均值-波動均值商/金/美股上限5%10%15%5%10%15%年化收益8.6%10.6%11.6%7.4%9.3%10.9%波動率2.7%3.2%3.7%2.9%3.4%3.8%下行波動2.5%2.9%3.3%2.9%3.3%3.6%最大回撤-1.8%-1.9%-1.5%-2.1%-2.2%-1.9%夏普比3.243.273.112.542.752.86索提納比3.483.643.502.532.803.06卡瑪比4.685.537.613.574.185.64，統(tǒng)計區(qū)間2025.1-2025.10圖13：5%倉位限制下的倉變化 圖14：15%倉位限制下的倉變化10

股 債 商 金 美股

10

股 債 商 金 美股 2、被動型資產(chǎn)配置打底+主動型資產(chǎn)配置增強若資產(chǎn)配置涉及的資產(chǎn)類型很多，而其中許多資產(chǎn)我們并不具備收益預(yù)測的能力，則無法通過MVO模型進行戰(zhàn)略資產(chǎn)配置。但可基于其中我們有收益預(yù)測能力的部分資產(chǎn)進行戰(zhàn)術(shù)增強。由此我們可以先用被動型資產(chǎn)配置策略得（如全天候）得到底倉，然后通過MVO做主動增強。具體而言，結(jié)合客戶目標(biāo)，得到風(fēng)險預(yù)算策略下的資產(chǎn)配置中樞，例如下個月中樞是權(quán)益3%、87%5%5%MVO進3%87%作為基準(zhǔn)倉位，得到MVO股債新的配置結(jié)果，優(yōu)化過程控制跟蹤誤差。此時我們得到最終組合的收益包括兩個部分，被動策略收益和主動增強收益。我們在《基于風(fēng)險因子擇時的動態(tài)全天候思路》中構(gòu)建了動態(tài)全天候策略，我們先以此得到每個月各類資產(chǎn)倉位中樞，在此基礎(chǔ)上對每類資產(chǎn)的收益進行預(yù)測，得到基于MVO的戰(zhàn)術(shù)增強。結(jié)果顯示，組合業(yè)績表現(xiàn)相比動態(tài)全天候效果會有顯著提升。在此過程中，我們可以繼續(xù)錨定風(fēng)險。如果追求更高的彈性就將追蹤誤差進一步放大。我們設(shè)定3%，5%，7%等不同跟蹤誤差的約束。結(jié)果如下：表5：收益預(yù)測-風(fēng)險懲罰有顯著的收益增強（不同跟蹤誤差）跟蹤誤差3%跟蹤誤差5%跟蹤誤差7%動態(tài)全天候年化收益7.5%8.3%9.5%7.0%波動3.1%3.4%4.1%3.0%下行波動2.9%3.2%3.8%2.8%最大回撤-5.8%-5.8%-5.9%-5.9%夏普比2.402.402.342.35索提納比2.562.582.522.49卡瑪比1.291.431.611.20，統(tǒng)計區(qū)間2017.1-2025.10圖15：跟蹤誤差3%權(quán)益?zhèn)}調(diào)整有限 圖16：跟蹤誤差3%黃金倉調(diào)整有限MVO增強3%_權(quán)益 動態(tài)全天候_權(quán)益 MVO增強3%_黃金 動態(tài)全天候_黃金02021-01 2022-01 2023-01 2024-01 2025-01

0.250.20.150.10.0502021-01 2022-01 2023-01 2024-01 2025-01綜上，通過MVO主動型資產(chǎn)配置進行戰(zhàn)術(shù)增強，隨著跟蹤誤差約束的放寬，組合收益進一步提升，在各類資產(chǎn)的倉位調(diào)整相對有限的情況下實現(xiàn)了顯著的收益增厚。四、基于ETF的主動型資產(chǎn)配置方案800AU9999ETF的主動型資產(chǎn)配置方案將所有標(biāo)的替換為ETF800ETF（詳見《股債蹺蹺板的成因、影響和策略應(yīng)對》、《大類資產(chǎn)倉位平穩(wěn)，行業(yè)策略推薦有色/202510》），ETFETF擬合偏債混合型基金指數(shù)，選擇相關(guān)性最高的債券ETF黃金用黃金ETFETFETFMVOETF組合。第二類以全天候打底，再通過MVO行增強。1、MVOETFETFMVO5%/10%/15%2024202510月。表6：ETF主動型資產(chǎn)配置策略放開倉位限制后效果更優(yōu)3%目標(biāo)波動商/金/美股上限5%10%15%年化收益7.2%9.0%10.4%波動率4.0%4.2%4.4%下行波動4.2%4.3%4.4%最大回撤-3.0%-2.7%-2.9%夏普比1.792.152.37索提納比1.722.102.35卡瑪比2.403.283.56最大回撤日期2025-04-072025-04-072024-08-05最大回撤回填時間(天)1145347，統(tǒng)計區(qū)間2024.1-2025.10圖17：ETF主動型資產(chǎn)配置策略放開倉位限制后效果更優(yōu)5%10%5%10%15%1圖18：5%倉位限制的ETF倉位變化 圖19：15%倉位限制下的ETF倉位變化股票行業(yè)輪動 國開ETF 十年國債政金債券ETF 有色ETF 黃金ETF納指ETF

股票行業(yè)輪動 國開ETF 十年國債政金債券ETF 有色ETF 黃金ETF納指ETF1 0.8 0.6 0.4 0.2 0 跟蹤誤差3%跟蹤誤差5%跟蹤誤差7%動態(tài)全天候年化收益9.4%10.2%11.6%9.0%波動3.3%3.9%4.9%3.1%下行波動3.2%3.9%5.0%2.9%最大回撤-2.2%-2.6%-3.1%-2.0%夏普比2.802.592.352.93索提納比2.922.632.333.11卡瑪比4.253.993.764.44，統(tǒng)計區(qū)間2024.1-2025.10圖20：ETF主動型資產(chǎn)策略有顯著的收益增強（不同跟蹤誤差）3%3%7%跟蹤誤差5%動態(tài)全天候1，統(tǒng)計區(qū)間2024.1-2025.10圖21：跟蹤誤差3%權(quán)益ETF倉位調(diào)整有限 圖22：跟蹤誤差3%黃金ETF倉位調(diào)整有限MVO增強MVO增強3%_權(quán)益ETF動態(tài)全天候_權(quán)益ETF0

MVO增強MVO增強3%_黃金ETF動態(tài)全天候_黃金ETF0 五、結(jié)論資產(chǎn)配置不僅僅是風(fēng)險分散，收益預(yù)判同樣重要。物理學(xué)中的永動機不存在，因其違背了能量守恒定律。投資中穿越周期的模型也不存在，因其違背了投資中的不可能三角——好的策略、策略的穩(wěn)定性和策略容量不可兼得。換言之，對市場的研判，擇時擇賽道仍是要點。事實上，任何風(fēng)險都不會脫離收益預(yù)判而單獨存在。而資產(chǎn)配置模型的意義即在于通過系統(tǒng)化的設(shè)計讓投資者的預(yù)判能力得以充分發(fā)揮，讓勝率60%的人能夠戰(zhàn)勝勝率40%的人。資產(chǎn)配置策略的核心是基于對各類資產(chǎn)預(yù)判權(quán)衡不確定性得到組合方案。核心要素包括收益預(yù)期和風(fēng)險度量。根據(jù)考慮要素的不同，資產(chǎn)配置策略可分為主動型資產(chǎn)配置和被動型資產(chǎn)配置。二者的核心區(qū)別包括兩個方面：被動型資產(chǎn)配置僅考慮風(fēng)險度量，而主動型資產(chǎn)配置需要考慮收益預(yù)測。本文嘗試構(gòu)建大類資產(chǎn)的收益預(yù)測模型，通過主動型資產(chǎn)配置模型得到方案，效果有顯著提升。盡管二者都有風(fēng)險度量，但度量的風(fēng)險存在差異。主動資產(chǎn)配置策略中風(fēng)險度量的主要目的是度量收益預(yù)測的不準(zhǔn)確性，并在收益預(yù)測能力不足的情況下施加一定的懲罰，此時風(fēng)險度量與收益預(yù)測掛鉤。被動資產(chǎn)配置完全不考慮收益預(yù)測，此時風(fēng)險度量是沒有錨的，從而風(fēng)險度量也是不唯一的。因此在《全天候策略需要在擇時嗎——風(fēng)險均衡新思路》中我們提到可以用不同的