来源：留富兵法
报告概要
本篇报告从大类资产的收益来源出发，梳理出赔率交易、胜率交易、趋势交易和拥挤交易四种基于不同交易理念的投资范式。通过对四种投资范式的研究，最终我们给出了一个资产配置的系统化主动管理框架。
赔率信号提供投资的位置感，其核心是寻找资产的合理估值中枢
在这一部分中，我们完成了对A股、美股、港股、可转债、利率债和信用债的赔率指标设计，并构建了基于赔率指标的大类资产配置策略，策略年化收益为8.8%，年化波动率为2.6%，最大回撤为3.2%，夏普比率为3.23。
胜率信号提供投资的边际感，其核心是寻找资产的边际驱动力
第一，我们首先基于经济增长、利率、通胀、信用和汇率的宏观隐含因子体系，建立了大类资产、股票细分行业、债券细分资产和商品细分资产与宏观风险之间的量化映射关系，构建了多资产的宏观对冲工具箱。第二，我们基于NBER和OECD等机构的景气指数编制方法构建了国内的经济景气领先指数，并改进了传统的美林时钟。基于改进美林时钟的大类资产配置策略年化收益为7.8%，年化波动为2.5%，最大回撤为3.1%，夏普比率为2.96。
趋势信号是市场对赔率和胜率的确认，是市场认知与个人认知的共振
在这一部分中，我们发现截面动量对于大类资产配置基本无效，而时序动量却有显著的收益提升能力。进一步的，我们将时序动量分解为宏观beta动量和特质alpha动量，发现两者均能明显降低动量策略的波动率和最大回撤，从而实现比原始时序动量策略更高的夏普比率和卡玛比率。
拥挤信号是市场对预期的非理性放大，是投资的双刃剑
一方面拥挤交易提供了更高的短期收益，另一方面拥挤过后的践踏也必然导致后期的资产波动。因此在这一部分中，我们构建了趋势-拥挤度分析框架，基于拥挤度对资产的趋势信号进行过滤，显著提升了策略的性能。基于趋势-拥挤度分析框架的股债配置策略年化收益为7.6%，年化波动为3.3%，最大回撤为4.4%，夏普比率为2.27。基于趋势-拥挤度分析框架的行业轮动策略年化收益为16.2%，夏普比率为0.68，超额收益为9.1%，信息比率为1.16。
一、理解大类资产的收益来源
类比于个股定价的经典公式：P = EPS * PE，我们认为大类资产的定价同样由两部分构成：资产价格 = 宏观风险 * 定价误差，也因此派生出四种交易理念和投资范式：
赔率交易理念：估值长期围绕中枢上下波动；
胜率交易理念：资产边际走势由宏观基本面的边际变化决定；
趋势交易理念：一切信息都反映在资产价格中，即资产表现反映宏观预期；
拥挤交易理念：价格上涨吸引增量资金入市，继续推动价格上涨的正反馈机制；
二、赔率交易：寻找资产的估值中枢
2.1 权益资产赔率指标：股息率-国债收益率
权益资产的赔率指标：股息率-国债收益率。这个指标最早受启发于美联储模型，即以市盈率倒数-国债收益率作为股债性价比的指标。但经过我们的研究，采用市盈率作为权益资产的赔率指标有一定的局限性，以股息率作为赔率指标效果更好。
2.2 可转债的赔率指标：隐含波动率比率
在专题报告《大类资产定价系列之一：可转债的择时与择券》中，我们曾深入研究过可转债的经典股性估值指标：转股溢价率。但是转股溢价率作为可转债的股性估值指标，我们认为在实际应用中可能会出现问题。把期权与股票进行比较并不合理，更合理的做法是把期权和期权放在一起比较。因此我们以50ETF期权的隐含波动率为锚，设计了可转债相对于股票的赔率指标。
2.3 利率债的赔率指标：预期收益率
在专题报告《大类资产定价系列之二：利率债收益预测框架》中，我们曾介绍利率债的收益分解模型，将利率债收益分解为三个部分：远期利率、久期影响和凸性偏差三项。预期收益率是利率债较好的赔率指标，基于预期收益的久期择时策略能够实现5.5%的年化收益，最大回撤仅为2.8%，夏普比率为2.31。
2.4 信用债的赔率指标：信用利差
经研究，信用利差是信用债相对于利率债赔率的良好代理变量。从图表9和图表10的结果来看，基于信用利差的信用债-利率债轮动策略的年化收益为5.4%，最大回撤为5.6%，夏普比率为2.69，而中债国债总财富是指年化收益为4.2%，最大回撤为6.3%，夏普比率为1.94，无论收益还是回撤控制能力均有了明显提升。
2.5 基于赔率指标的大类资产配置策略
基于赔率指标的单一资产择时是有可能需要承担左侧风险和时间成本的，那么如果我们基于赔率指标同时配置多个投资标的，并且设置一定的止损和波动率限制，是否能够将单一资产择时的左侧风险和时间成本进行对冲和平滑？从实证结果来看，基于多资产赔率的资产配置策略能够有效解决单一资产择时所面临的左侧风险和时间成本问题。从2014年以来，该策略年化收益为8.8%，年化波动率为2.6%，最大回撤为3.2%，夏普比率高达3.23。
三、胜率交易：驱动力决定资产边际走势
3.1 构建多资产的宏观对冲工具箱
在专题报告《资产配置 vs 风险配置：打造一个系统化的宏观风险配置框架》中，我们利用Factor Mimicking方法将低频的传统宏观变量转化为高频的宏观隐含因子，解决了宏观因子的高频化问题。然而仍有两个问题悬而未决：
权益、债券和商品内部的细分资产是否也受宏观风险的驱动？
细分资产能否构建出宏观隐含因子？
我们以高频宏观隐含因子作为自变量，以资产的日收益率作为因变量进行多元回归，并以Block-Boostrap的方式进行随机区间抽样，以1000次的随机抽样回归的平均作为最终结果，以此保证回归结果的稳健性。下面我们以大类资产和股票细分行业的宏观风险暴露为例进行展示。
在图表19中，我们将上述多类资产的宏观风险映射结果整理成系统化宏观对冲的工具箱，该工具箱的作用有二：
一方面如果我们对宏观有主观判断，可以根据工具箱挑选合适的宏观对冲组合；
另一方面，也可以通过工具箱中的策略组合来观测市场对未来宏观的预期；
3.2 基于胜率指标的大类资产配置策略
在构建完大类资产与宏观风险的映射关系之后，如果我们想利用宏观因子构建大类资产配置策略，那么我们就必然需要对宏观因子有主观的判断。而宏观风险的核心是经济增长风险，因此我们大量参考了海外经济研究机构（如NBER和OECD）的景气指数编制经验，构建了国内的领先经济指标。
我们将经济指标设定为领先经济指标，将通胀指标设定为CPI和PPI的等权，并通过长短均线的相对位置判断当前趋势，改进了国内的美林时钟。从图表27的结果来看，由于经济指标的领先性，2011年以来我们构建的美林时钟具有较强的稳定性和匹配度，这一点对资产配置而言尤其重要。
基于美林时钟的大类资产配置策略具有良好的表现。2014年以来，策略年化收益为7.8%，年化波动率为2.5%，历史最大回撤为3.1%，夏普比率为2.96。
四、趋势交易：如何定义有效趋势
4.1 截面动量无效，时序动量有效
相比于风险平价基准而言，截面动量策略并不能明显提高收益，反而提高了组合的波动率、最大回撤和换手率，降低了夏普比率。而时序动量策略表现较好，其年化收益为8.7%，年化波动率为5%，最大回撤为5.4%。在大类资产配置层面，时序动量策略似乎要明显优于截面动量策略，原因可能是：
截面动量策略适用于高相关性的资产池，其核心在于不同资产之间存在“可比性”。经典的例子是股票多因子策略中常见的反转或动量因子，如果两个上市公司的经营业务类似，那么我们可以比较两个股票的过去一段时间的相对涨幅（截面动量）来判断未来这两个股票的相对强弱；
时序动量策略适用于低相关性的资产池，其核心在于不同资产之间不存在“可比性”，因此只能资产与资产自身历史比较。假设两个完全不相关的资产A和B，直接比较A和B的相对涨幅是没有任何意义的，因此我们只能退而求其次，比较资产A和B相对于其历史走势的强弱（时序动量）来决定未来的配置方案；
4.2 宏观beta动量与特质alpha动量
根据我们在第三章节的研究，大类资产有50%-70%的波动是可以被五个宏观风险因子所解释的，那么资产的时序动量是不是可以进行更精细的分解呢？我们按照下面公式将大类资产的收益对五个高频宏观风险因子的收益进行回归，其中资产收益被五个宏观风险因子所拟合的部分，我们称之为宏观beta动量，而不能被宏观风险因子所拟合的残差部分，我们称之为特质alpha动量。
将大类资产的时序动量分解为宏观beta动量和特质alpha动量后，我们按照时序动量策略的配置流程，以宏观beta动量和特质alpha动量两个新的动量筛选指标进行资产筛选，将筛选剩下的资产按照风险平价进行加权。图表41-图表42为宏观beta动量策略和特质alpha动量策略的历史表现，两个策略的特点为：
宏观beta动量策略的逻辑是跟随宏观基本面的长期趋势。因此，其特点是策略收益稳定，回撤较小，年化收益为7.0%，最大回撤为3.1%。事实上，宏观beta动量策略与我们在第三章的基于美林时钟的胜率配置策略有异曲同工之妙，均是跟随宏观环境调整策略持仓，因此两者的策略表现也较为类似；
特质alpha 动量策略的逻辑是寻找有阶段性超额收益的资产。因此，策略属于灵活激进类型，收益较高，但是回撤相对较大，年化收益为8.4%，最大回撤为4.0%。特质alpha 动量策略与第二章中基于赔率的资产配置策略有一定的相似性，两者均是捕捉资产偏离宏观基本面的定价误差，因此两者均有“做多波动率”的基本特征。
五、拥挤交易：水能载舟，亦能覆舟
5.1 趋势-拥挤度分析框架：大类资产
于股票市场而言，衡量拥挤度的方式是多样的，我们下面以成交金额和行业分歧度构建一个简单有效的股票拥挤度信号。从图表43的结果来看，高拥挤度一般预示着未来有较高的回撤风险，如2008年、2010年、2015年和2018年。
对于债券市场而言，我们以10年期国开债到期收益率-10年国债到期收益率作为债券市场的拥挤度指标。国开-国债利差可以作为债券市场拥挤度指标的逻辑是：10年期国开债久期较长、交易量大，因此常被交易盘（广义基金）用于进行波段交易，因此如果交易盘因为投机需求大量做多国开债，则会大幅压缩国开-国债利差，因此我们以国开-国债利差作为衡量债券市场交易拥挤度的核心指标。
既然拥挤度可以识别行情顶部，那么是否可以将趋势指标和拥挤度指标结合在一起呢？从图表45-46的结果来看，基于趋势-拥挤框架可以较好地降低组合的尾部风险，提升组合的夏普比率。
进一步，我们将股票趋势-拥挤配置策略和债券趋势-拥挤配置策略按照20%和80%的权重进行加权，得到了图表47的股债趋势-拥挤配置策略。股债趋势-拥挤配置策略年化收益为7.6%，年化波动为3.3%，最大回撤为4.4%，夏普比率为2.27，每一项指标都要显著优于传统的股债风险平价策略。
5.2 趋势-拥挤度分析框架：风格与行业
既然大类资产层面可以通过趋势和拥挤度的配合来提升策略收益，那么同样的方法能否用到风格择时和行业轮动里面呢？早在专题报告《因子择时的三个标尺：因子动量、因子离散度与因子拥挤度》和《行业轮动的三个标尺——因子投资2020（四）》中，我们便已详细介绍过风格轮动和行业轮动的趋势-拥挤度分析框架。
从量化回测的角度来看，我们基于行业趋势和行业拥挤度两个指标对中信一级行业进行等权打分，选取分数最高的5个行业作为多头，分数最低的5个行业作为空头，进行月频的行业轮动调仓。2011年以来，基于趋势-拥挤度分析框架构建的行业轮动策略年化收益为16.2%，年化超额收益为9.1%，夏普比率为0.68，均明显优于万得全A和空头组合。
六、资产配置系统化与科学化
近年来，以全天候策略为典型的被动资产配置策略非常流行，但是其应用在国内的资产配置实践中依然存在较多的局限性：比如可配置资产的种类和数量较少、不能使用较高的杠杆以及收益风险比较低等问题。本篇报告通过阐述四种不同的投资范式，最终提供一个大类资产配置的系统化主动管理框架。图表54是我们目前对大类资产、风格资产和行业资产在赔率、胜率、趋势和拥挤度四个维度上的总结，表格的用法有两个：
如果是多资产投资者，我们可以纵向使用表格，根据机构禀赋自由选择合适的投资范式，比如以赔率交易为主，我们可以一直关注和超配赔率较高的资产，从而保持以较低的价格买入较高的价格卖出；
如果是单一资产投资者，我们可以横向使用表格，即综合考虑资产的赔率、胜率、趋势和拥挤度这四个指标，从而得到相对客观和准确的预判；
投资者如果对报告具体细节感兴趣，欢迎阅读完整报告或者跟我们联系。
风险提示：资产波动影响因素复杂，未必能够完全被指标所捕获。指标设计是基于金融逻辑和统计显著性筛选得出，未来宏观环境变化有可能影响其效果。
本文节选自国盛证券研究所于2020年9月12日发布的报告《资产配置的四种范式：赔率、胜率、趋势与拥挤度》，具体内容请详见相关报告。
林志朋 S0680518100004 linzhipeng@gszq.com
刘富兵 S0680518030007 liufubing@gszq.com