报告概述
本报告聚焦于传统投资组合优化方法在面对资产收益分布未知时的挑战，提出一种基于贝叶斯预测合成（BPS）的框架，通过整合多个预测模型（专家）并利用动态线性模型（DLM）捕捉时变不确定性，生成资产收益的后验预测分布。报告在此分布下构建了均值-方差、基于分位数（VaR/CVaR/ VoR/CVoR）和风险平价三类投资组合，并在美国和日本股票市场进行了实证检验。读者可从中了解一种应对金融市场不确定性的新型投资组合构建思路及其有效性。
报告的核心结论
BPS框架能有效整合多个预测模型，生成稳健的后验预测分布。
报告通过动态线性模型作为合成函数，将来自多个专家的预测分布融合为统一的后验预测分布，该分布包含了参数估计和市场本身的不确定性，为后续组合优化提供了信息丰富且稳健的输入。实证显示，即使集成中存在表现较差的预测模型，基于BPS的投资组合优化方法（BPPS）也受其影响很小，体现了方法的稳健性。
BPPS方法在美日市场整体表现良好，未有显著绩效滑坡。
在2008-2019年的回测中，BPPS方法（包括均值-方差BPPS-MV、分位数BPPS-VoR和风险平价BPPS-RP）在美日两个市场的测试期（2011-2019）内累计收益表现稳健。特别是BPPS-VoR在美国市场展示了最佳绩效和高稳定性；在日本市场，BPS的状态转换机制运作良好，使收益未出现持续下滑。
BPPS-VoR方法展现出持续的高绩效，适合投资组合优化。
报告认为，使用贝叶斯算法评估后验分布中的分位数非常契合投资组合优化目标。实证中，基于分位数的BPPS-VoR方法在美日两个市场均表现出色，尤其在稳定性方面优于其他变体。这表明，将贝叶斯分位数风险度量融入组合构建，是应对不确定性的有效路径。
报告回答的关键问题
如何应对投资组合优化中资产收益分布信息未知的挑战？
报告引入贝叶斯预测合成（BPS）框架，通过假设存在多个专家预测模型，并利用动态线性模型（DLM）整合这些预测，生成包含时变不确定性的资产收益后验预测分布。该分布可直接用于均值-方差、分位数和风险平价等组合优化方法，无需依赖未知的真实分布。
贝叶斯预测合成（BPS）的核心原理是什么？
BPS是一种集成多个预测分布的贝叶斯框架，核心是通过合成函数将各专家的预测分布整合为统一的后验预测分布。本报告采用动态线性模型作为合成函数，其系数遵循随机游走，能捕捉金融时间序列的非平稳性和时变性。通过MCMC模拟计算后验，为组合优化提供稳健输入。
BPPS方法在实证中表现如何？它能否抵御劣质预测模型？
在美日市场的2011-2019年回测中，BPPS方法整体累计收益良好，未出现显著绩效下降。即使集成中包含了基于历史均值或简单自回归的较差预测模型，BPPS的绩效受其影响很小，显示出对劣质模型的低敏感性。其中BPPS-VoR（基于分位数）在两个市场均保持了高绩效和稳定性。
报告中的代表性数据
实证时间范围
2008-2019，报告使用2008年1月1日至2019年12月31日的美日股价数据，其中2008-2010年用于参数学习，2011-2019年用于测试投资组合绩效。
资产数量
2008-2019，在美国和日本市场各选择10只股票构建投资组合，数据频率为月度收益。
集成专家数量
资料未明确，BPS集成5个专家预测：过去1年和3年的样本均值，以及基于过去3年样本的AR(1)、AR(2)、AR(3)模型。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 详细的贝叶斯预测合成（BPS）框架介绍，包括合成函数定义、动态线性模型设定以及后验预测分布的MCMC计算方法。
- 三种投资组合构建方法（均值-方差、基于分位数、风险平价）在BPS后验分布下的数学推导和优化问题形式化。
- 美日两个市场的完整实证结果，包含累计收益图表（图1和图2）以及不同方法（BPPS-MV、BPPS-VoR、BPPS-RP、等权重、传统估计方法）的绩效对比。
- 对BPPS方法稳健性的分析，特别是对劣质预测模型不敏感性的讨论。
- 分位数投资组合中VaR/CVaR和VoR/CVoR的贝叶斯定义及其优化算法。
- 风险平价投资组合中边际风险贡献与风险贡献的贝叶斯计算公式。
- 图表目录与文章框架图，帮助理解研究逻辑。
- 重要声明、分析师声明、免责声明及投资评级说明。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
