川海智库

报告概述

本报告对均值方差模型（MVO）、Black-Litterman模型（BLM）、风险平价模型（RP）和风险预算模型（RB）四种主流资产配置模型在中国市场进行系统性实证研究。研究覆盖2016年1月至2026年6月共126个月的完整市场周期，以A股、债券、黄金、商品、美股五大类资产为底层标的，每种资产均有对应的场内ETF产品，确保结论可操作。报告采用两阶段回测策略：先在不含商品的四资产框架下测试各模型，再纳入商品形成五资产框架，考察分散化效果。通过对模型参数的深入探索及多种变体对比，为投资者提供有实证依据的资产配置建议。

报告的核心结论

风险平价模型在风险控制上具有压倒性优势。

在四资产回测中，风险平价模型年化波动率仅6.00%，最大回撤压缩至8.89%，夏普比率高达1.73，是四种模型中最高的。该模型通过均衡各资产的风险贡献，有效降低了组合波动，特别适合以绝对收益为目标、风险容忍度较低的配置型投资者。

Black-Litterman模型在胜率和超额收益上表现突出。

BLM模型利用贝叶斯融合框架将市场均衡收益与动量观点结合，在四资产回测中月度胜率56.35%，为四种模型最高；纳入商品后胜率升至59.52%，信息比率从0.27翻倍至0.54，夏普比率从1.20提升至1.41，表明其能有效利用低相关资产的分散化价值并提取动量信号。

风险预算模型是收益弹性最优的选择。

在四资产回测中，风险预算模型年化收益率12.95%，信息比率0.51，均为四模型之首。通过主动分配各资产的风险预算（A股:债券:黄金:商品:美股=3:1:2:2:2），在偏离基准的同时有效获取了超额回报，适合对收益有较高要求的投资者。

经典均值方差模型在中国市场表现不佳。

MVO模型在四资产和五资产两个情境下的回测结果均不尽如人意：四资产中年化收益率10.79%为最低，信息比率为-0.10；五资产中信息比率进一步降至-0.26。基于历史均值外推预期收益的方法在A股市场有效性不足，不适合作为独立的资产配置工具。

报告回答的关键问题

资产配置模型中哪种风险控制最好？

风险平价模型（RP）在风险控制上表现最优。报告显示，在四资产回测中，RP模型年化波动率仅6.00%，最大回撤-8.89%，夏普比率1.73，均优于其他模型。它通过使各资产的边际风险贡献相等，实现了风险的均衡分配，适合低风险偏好的投资者。

Black-Litterman模型相比其他模型有什么优势？

Black-Litterman模型的主要优势在于胜率和超额收益。它采用贝叶斯方法将市场均衡收益与投资者观点融合，在四资产回测中月度胜率达56.35%，为最高；纳入商品后胜率提升至59.52%，信息比率翻倍。该模型能有效利用动量信号和低相关资产的分散化价值，在控制风险的同时获取超额回报。

商品资产能否提升资产配置组合的收益？

商品资产对大部分模型的收益提升有限，仅对Black-Litterman模型有显著贡献。报告指出，商品在2013-2026年年化收益率仅5.62%，但波动率高达13.18%。在五资产回测中，只有BLM模型通过贝叶斯框架将商品的低相关性优势转化为正超额，夏普比率从1.20升至1.41；而其他模型受低收益拖累，收益并未明显改善。

报告中的代表性数据

1.73

风险平价模型四资产回测夏普比率

2016年1月至2026年6月，在A股、债券、黄金、美股四资产配置回测中，风险平价模型（RP）的夏普比率在四种模型中最高，同时年化波动率仅6.00%，最大回撤-8.89%，体现了其低波动的风险控制优势。

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

  • 完整的市场数据与趋势图表：提供底层资产（11只ETF对应指数）的历史累计收益图、相关性矩阵，以及大类资产的风险收益统计表，直观展示各资产的波动率、最大回撤、夏普比率等关键指标。
  • 模型实现细节与参数设置：详细说明MVO、BLM、RP、RB四种模型的数学公式、参数选择（如滚动窗口、协方差估计方法、风险厌恶系数、观点确信度等），以及BLM三种改进方案（阈值触发、12月窗口、加权平滑）的对比。
  • 四资产与五资产回测的完整结果：包含两种情景下的年化收益率、波动率、最大回撤、夏普比率、信息比率、月度胜率、平均权重等统计表，以及历史累计收益曲线图和权重变化图。
  • 模型变体对比分析：针对BLM模型比较原始版本与三种改进方案的回测表现；针对RP和RB模型比较是否使用协方差矩阵（仅波动率加权）的差异，展示不同实现方式对收益、风险、换手率的影响。
  • 风险预算模型的具体预算分配方案：报告设定了A股:债券:黄金:商品:美股=3:1:2:2:2的风险预算比例，并说明当预算均等时风险预算模型退化为风险平价模型。
  • 未来研究方向与改进建议：计划引入宏观因子驱动模型、机器学习模型（如XGBoost、LSTM）生成观点，以及探索多模型融合的资产配置组合框架。
  • 风险提示与免责声明：包括市场风格转换风险、第三方数据不准确风险、历史结果不代表未来收益等，并明确报告不构成投资建议。

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。

相关报告