报告摘要：
传统量化资产配臵模型概述
相关学术研究指出，在资产配臵、选股、择时等影响因素中，资产配
臵决定投资业绩的91.5%。早期的数量化资产配臵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臵投资组
合的模型，风险平价模型给投资组合中不同风险的资产配臵相同的风险权
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，不能及时调整配臵权重，影响配臵有效性。
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臵的前提。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 大类资产配臵模型
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
产配臵。基于这样的思路，我们提出TAA（Trend-Asset-Allocation）大类资
产配臵模型，对中证800、Wind 商品、中证全债和货币基金四类资产进行
配臵，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，具有较好的配臵有效性。米筐量化交易平台：http://www.ricequant.com
量化炒股QQ群：484490463 群内大神每日在线讲解代码，用Python自动赚钱！
网友评论