资产配置模型|共识量化母基金量化交易超级联赛之量化小课堂第8期
浪花财经“全球资产配置之父”加里·布林森曾经说过，“做投资决策，最重要的是要着眼于市场，确定好投资类别。从长远看，大约90%的投资收益都是来自于成功的资产配置。”
资产配置可以说是投资基础，今日小课堂将为你介绍几种主要的资产配置模型。
资产配置1：指数化配置
指数化方法来自于CAPM模型，先锋基金（目前3万亿美金）发扬光大。
方法如下：
+ （1）选择币值最大的N个币构建组合
+ （2）采用市值加权/非市值加权方式
+ （3）采用算法交易进行自动化跟踪
+ （4）ETF份额的发行方式
资产配置2：Smart Beta
和传统的市值加权指数不同，Smart Beta通过对成分股的权重优化、成分股的选股和因子投资等方式，既保留了指数产品被动管理的特点，又能在传统的市值加权指数基础上获得一定的超额收益。
+ a. 基于规则、透明，从而低费率；
+ b. 非市值加权，有更好的风险分散；
+ c. 主动的因子风险溢价，提升了超额收益；
+ d. 介于主动投资的Alpha和传统被动投资的Beta之间；
具体分析而言：
+ a. 基于Risk理论的SmartBeta，主要包括风格策略和因子投资策略等，如成长、价值、质量、动量、反转、规模、波动、股息、红利和情绪等因子都属此类策略；
+ b. 基于Mispricing理论的SmartBeta，以非市值加权为代表，如基本面、低波动、最小方差组合、最大化分散组合、风险平价和等权重组合等策略。
+ c. 基于持续市场异象的Smart Beta，以低波动、事件驱动策略为代表。
+ Smart Beta在数字资产市场有着更加广泛的应用
资产配置3：均值-方差
（1）均值-方差分析
将资产分为风险资产与无风险资产，无风险资产用国债利率这一无风险利率度量。度量风险资产的指标是一个指标对（μ，σ）, 其中μ代表资产的预期收益率，σ代表资产的预期波动率，
即：每一个风险资产对应于一个随机标量，随机性在于未来的收益并不确定，是一个分布。在马科维兹的框架中，所有风险资产的收益部分都假定为正态分布，可以由（μ，σ）完全刻画
（2）均值方差模型参数的估计
对于马科维兹的均值方差而言，输入的参数包括两个：a. 一个是各类资产预期收益率，相当于是一阶矩；b. 另外一个是各类资产的协方差矩阵，可以各类资产的预期波动率以及资产之间的相关系数，相当于是二阶矩。
+ 第一种：历史数据法
+ 第二种是：模型预测法
均值-方差模型的缺点在于对‘预期收益率‘参数过于敏感
资产配置4：B-L模型
BL模型是在马克维茨均值-方差模型基础上的一种优化模型
（1）假设市场中有一个均衡组合，市场包含了所有可以获得的有效信息，因此投资者可以按照市场权重来分配资产。
（2）引入了投资者对资产的观点，将先验观点与历史均衡收益相结合，模型构建的投资组合不但是历史规律的总结，同时也反映了投资者结合宏观政策、市场环境、基本面分析后的主观观点。
B-L模型全称Black-Litterman模型，由Fisher Black和Robert Litterman在1992年首先提出，是基于金融行业对均值-方差模型基础上的优化。
B-L 模型在均衡收益基础上，通过引入投资者观点修正了期望收益，使得均值-方差模型中的期望收益更为合理。
具体的步骤方法：
第一步：求预测收益率的先验分布，假设预期收益服从正态分布：
+ N∼(Π, τΣ)
+ 其中：
+ n：资产数量
+ τ：标量
+ Σ：n 个资产收益的协方差矩阵(n×n矩阵)
+ П：隐含均衡收益向量 (n×1 列向量)
第二步：构建观点正态分布：
+ N∼(Q，Ω)
+ 其中：
+ k：投资者观点数量（k<=n）
+ P：投资者观点矩阵(k×n 矩阵，当只有一个观点时，则为1×n行向量)
+ Q：观点收益向量(k×1列向量)
+ Ω：观点误差的协方差矩阵，为对角阵，表示每个观点的信心水平(k×k矩阵)
第三步：将观点引入之前的预期收益分布，得到调整的预期收益分布：
+ N∼(E[R]，[(τΣ)−1+(P′Ω−1P)]−1)
+ 其中：
+ E[R]：新(后验)收益向量 (n×1列向量)
+ ′ 表示矩阵转置
+ -1 表示逆矩阵
+ 在求得新预期收益向量后，我们进而可以带入MOV模型，求出最优资产配置组合权重W。
配置模型5：风险平价
（1） 风险平价（Risk Parity）策略追求资产本身的风险权重平衡。
（2） RiskParity模型并不关心各类资产的预期收益率，而仅仅关注各类资产的风险对整个投资组合风险的贡献度。
（3） 风险平价思想是指将不同风险的资产，通过权重设置使得每种资产（或者基于因子）的风险贡献基本相等
经典的风险平价算法过于复杂
D-公式
在学习了资产配置之后，是不是应该快速运用起来呢？共识实验室量化母基金量化大赛等你来参加！
