量化资产配置研究之二:趋势追踪下的TAA资产配置模型

　　报告摘要:

　　传统量化资产配置模型概述。

　　相关学术研究指出,在资产配置、选股、择时等影响因素中,资产配置决定投资业绩的91.5%。早期的数量化资产配置主要来自于马科维茨均值-方差模型。该模型根据历史数据,通过优化算法,寻找到相对来说收益最大化而风险最小化的投资组合。BL 模型则在马科维茨基础上加入主观判断。不同于均值-方差模型、BL 模型和60/40法则等以金额均衡配置投资组合的模型,风险平价模型给投资组合中不同风险的资产配置相同的风险权重。但上述模型均过分依赖资产历史表现,缺乏预见性,在市场收益风险情况突变时,不能及时调整配置权重,影响配置有效性。

　　市场趋势性检验。

　　国内常见的大类资产如股票、大宗商品、债券、货币等是有趋势的,这是进行趋势性资产配置的前提。Hurst 指数是用于判断时间序列是随机游走还是有偏随机游走的一种方法,被广泛应用于资本市场。我们利用重标极差(R/S)分析法分别计算中证800指数、Wind 商品指数、中证全债指数、中证货币基金指数的日收益率构成的时间序列的Hurst 指数。计算结果显示四类资产的Hurst 指数均在0.5和1之间,由判别法则得知四类资产均具有长程记忆性,即趋势性。

　　低延迟趋势线LLT 与趋势强度。

　　低延迟趋势线LLT 是本团队早期研发的趋势择时模型。择时效果得到三年样本外跟踪的有效验证。LLT 趋势线斜率的正负分别代表看多和看空,其数值的涨跌幅可以反映趋势强度。

　　趋势追踪下的TAA 大类资产配置模型。

　　LLT 趋势线的涨跌幅可以反映趋势强度,趋势强度为正的资产处在上升趋势中,各资产趋势强度的相对大小反映趋势强弱,可作为权重进行资产配置。基于这样的思路,我们提出TAA(Trend-Asset-Allocation)大类资产配置模型,对中证800、Wind 商品、中证全债和货币基金四类资产进行配置,回测期为过去十年(2006年至2015年)。在考虑参数优化和交易费用的情况下,TAA 模型具有良好的收益-风险情况,回测期内收益率为650%,最大回撤率为-25.96%,对比同期沪深300指数304%的收益率和-70.78%的最大回撤率,具有较好的配置有效性。