报告从资产的外生环境、内生结构、趋势动量维度分别构建偏同步、偏左侧、偏右侧的预测指标，并通过融合框架将不同维度的预测指标进行有效结合，最终得到统一化的融合方向信号。该框架的泛化性较强，最终得到的融合方向信号可以有效提升资产配置效果
资产收益预测的三个维度：外生环境、内生结构、趋势动量
外生环境维度是偏同步的预测维度。外生环境维度认为资产未来表现受当前资产的运行环境影响，如果能够寻找到反映经济运行状态的外生环境指标，而经济运行状态对资产运行环境的表征又具有同步性，则可以根据外生环境指标来反映当前资产运行环境对资产收益的利好程度。我们通过构建具有经济学逻辑、公布频率较高、时间序列平稳的宏观指标体系，借助Logit回归来进行外生环境维度的预测。
内生结构维度是偏左侧的预测维度。内生结构维度认为在非完全理性市场中，标的短期价格会偏离其内在价值，通过对资产内生结构的分析，寻找具有均值回复性的微观指标来判断资产的高估/低估以及过热/过冷状态，从而对资产未来的高位风险和低位机会做出提示。我们通过寻找能够刻画资产估值水平、风险溢价、交易热度的微观指标来进行内生结构维度的预测。
趋势动量维度是偏右侧的预测维度。趋势动量维度认为趋势在市场中是普遍存在的，只要趋势持续时间显著长于调仓周期，就可以通过追随趋势获得高预测胜率。我们通过构建刻画资产运行趋势的多均线系统来进行趋势动量维度的预测。
三位一体，产生融合信号
外生环境定场景，趋势动量给方向，内生结构防风险。遵循各维度指标的同步性与预测逻辑，我们构建融合框架将三维度预测结果进行有效结合，得到统一化的融合方向信号。融合框架具有较强的泛化性，基于融合方向信号的择时策略可以将中证全指年化收益从11.6%提升至23.2%，最大回撤由-83.5%降低为-33.2%；沪深300指数8.56% → 20.38%、-85.65% → -43.81%；中证500指数12.71% → 18.16%、-73.39% → -31.35%；中债综合净价指数0.17% → 1.17%、-16.79% → -2.43%；信用/利率债比价指标1.26% → 1.89%、-9.38% → -1.78%。
基于融合方向信号的配置策略有良好表现
资产方向信号用于确定资产风险预算。在只包含两种资产的情况下，以资产夏普比平方作为风险预算的风险预算模型的求解结果能够最大化组合的期望夏普率。因此可以借助资产方向信号对资产未来的期望夏普率进行估计，从而将资产方向信号转化为风险预算模型的输入，并进一步通过风险预算模型得到资产权重。
资产方向信号在股债配置和股债风格配置中有良好应用。以中证全指和中债综合财富指数作为底层配置资产，基于资产方向信号的股债配置策略从09年至今可以获得6.83%的超额收益，优于风险平价基准的5.35%与2股8债基准的5.25%。进一步地，以沪深300、中证500作为股市大小盘风格配置资产，以中债企业债总财富指数与中债总财富指数作为反映债市信用利差变化的配置资产，基于资产方向信号的股债风格配置策略能够将年化收益进一步提升至9.78%，同时降低超额收益波动性。
正文
收益预测融合框架的构建
对于FOF等配置型产品来说，底层资产比例的动态调整是增厚产品收益并控制产品回撤的重要途径。一般来说，组合股债比例的确定过程可分为两步：①股债期望收益的战术性预测；②基于收益预测的定权。相比较而言，股债期望收益的战术性预测对于组合中短期的收益增强和回撤控制更为重要。
资产收益预测的维度与方式多种多样。本文试图将资产收益预测的多个维度进行有效结合，构建一个逻辑性强、稳定性高、不涉及过度优化的信号融合框架，并基于该框架的融合信号进一步建模定权来构建组合，以期为投资者在FOF等配置型产品设计时的资产配置环节提供帮助与借鉴。
本章将对资产收益预测的融合框架展开详细介绍，下一章将进一步探讨如何根据收益预测确定资产权重。
资产收益预测的三个维度：外生环境、内生结构、趋势动量
Antti Ilmanen在其著作《Expected Returns on Major Asset Classes》[i]中，认为所有投资的期望收益判断依赖以下4方面输入：预测性市场因子、行为金融学理论、历史收益、主观观点。除去无法通过量化手段给出的主观观点外，前三方面输入其实对应了对资产收益进行预测时的三个维度，即外生环境维度、内生结构维度和趋势动量维度。
►外生环境维度认为资产未来表现受当前资产的运行环境影响，如果能够寻找到反映经济运行状态的外生环境指标，而经济运行状态对资产运行环境的表征又具有同步性，则可以根据外生环境指标来反映当前资产运行环境对资产收益的利好程度。外生环境维度是偏同步的预测维度。
►内生结构维度认为在非完全理性市场中，标的短期价格会偏离其内在价值，通过对资产内生结构的分析，寻找具有均值回复性的微观指标来判断资产的高估/低估以及过热/过冷状态，从而对资产未来的高位风险和低位机会做出提示。内生结构维度是偏左侧的预测维度。
►趋势动量维度认为趋势在市场中是普遍存在的，只要趋势持续时间显著长于调仓周期，就可以通过追随趋势获得高预测胜率。趋势动量维度是偏右侧的预测维度。
投资者比较关心的一个问题是，以上三个维度在同步性上存在差异，且其预测逻辑互不相关，那么如何有效地将三个维度的信号融合在一起，得到统一化的预测结果？我们将在下文中重点讨论这一问题，解决方案的核心思想是：首先根据外生环境刻画出当前外部条件对资产运行的利好程度，其次在不同的利好程度下，赋予上涨/下跌趋势不同的确认难易程度，最后利用资产的内生结构提示高位回撤风险和低位买入机会，对当前趋势信号进行修正。
外生环境：资产运行场景的刻画
外生环境的同步预测逻辑为：寻找能够反映未来一段时间经济运行状态的外生指标，而经济运行状态与资产运行环境具有同步性，因此外生环境对资产运行环境具有同步预测效果。也就是说，我们在寻找用以预测的外生指标时，必须要求指标对未来经济运行状态具有指示效果。好的指示效果体现在三个方面：一是指标对经济运行状态的刻画具有经济学逻辑，避免数据挖掘式的指标海选所带来的过拟合问题；二是指标公布的频率较高，从而能及时反映经济运行状态的变化；三是指标在时间序列上具有平稳性，防止指标频繁大幅跳动对模型预测效果产生影响。
外生环境指标的选择与处理
针对指标的经济学逻辑，我们从宏观经济、内需、价格三个角度刻画经济运行状态。宏观经济角度中包括反映投融资情况的金融条件和反映经济活动的PMI，内需角度中包括反映流动性的生产和反映购买力的消费，价格角度中包括工业品、消费品和进出口价格。
我们在以上角度中选择具有代表性的指标纳入模型，在选择指标时，我们参考了中金宏观团队所发布的中金月度宏观景气指数和中金经济领先指数的指标体系，以及业界常用的宏观经济高频跟踪指标，从而保证所选指标均具有刻画经济运行状态的经济学逻辑。
►金融条件对投融资的反映：金融条件在一定程度上代表了社会的融资状况，如果融资价低、量多，可能带动投资，而投资可能进一步带动其他需求。
►PMI对经济活动的反映：PMI是每月最早发布的宏观综合指标，对预测其它反映经济活动的宏观指标有一定的借鉴意义。
►生产对流动性的反映：一般来说，中国财政宽松的一个直接快速的表现是基建和工业等生产领域的复苏，因此观测生产要素的库存、开工率、产量等指标有助于我们理解财政政策变化与实体景气度。
►消费对购买力的反映：居民的生存资料消费和娱乐消费反映了居民的购买意愿与购买力。
►价格对供需和通胀的反映：工业品价格和消费品价格的变化体现了供需的变化，同时其整体价格水平是通胀的检测指标；进出口价格则是外需的代理指标。
针对指标的公布频率，在数据可得的前提下，我们尽可能选择日频或周频更新的指标，一方面可以及时反映经济运行状态的变化，另一方面也可以增加样本数量，有利于后续建模工作。对于无法取得日频/周频数据的指标，比如PMI，我们最多使用月频数据。而对于更新频率低于月频的数据，我们不将其纳入模型。
针对指标平稳性，我们首先将指标原始数据滞后一期，进而分别进行以下两种处理：1)求DIF值，即用指标12期移动平均值减去26期移动平均值；2)0-1标准化，即用指标当前值减去过去一段时间最小值，再除以过去一段时间极差。两种处理方式均可以平滑指标波动，同时使处理后指标具有均值回复性，即提升指标的时序平稳性。
外生环境对资产运行环境的刻画
有了外生指标体系后，下一步便可以建模对资产运行环境进行刻画。
►（1）以资产未来60个交易日的涨跌幅作为当前资产运行环境对资产的利好状态，若资产未来60个交易日涨跌幅为正，说明当前环境利好资产未来表现，状态记为1，反之说明利空资产未来表现，状态记为0。
►（2）以利好状态作为被解释变量，外生指标作为解释变量，每个交易日，使用[t-1000, t-60]日的时序数据进行Logit回归。
►（3）得到回归参数后，将[t-59, t]日的外生变量带入模型，每天会得到一个取值在0~1之间的预测值，代表当天所预测的资产运行环境对资产的利好程度，预测值越大，表示资产未来60个交易日涨跌幅为正的概率越大，即资产运行环境对资产的利好程度越高，反之预测值越小，表示资产运行环境对资产的利好程度越低。
►（4）将[t-59, t]日共60个预测值进行指数衰减加权，越接近当前交易日的数据赋予越大的权重。将得到的加权预测值作为外生指标刻画出的资产运行环境对资产未来走势的利好程度，取值同样在0~1之间，预测值越大，利好程度越高。
我们分别对权益资产和债券资产进行了建模，其中权益资产选择中证全指，债券资产选择中债综合净价指数。下图列示了外生环境各角度对资产运行环境的影响方向。
内生结构：高位风险与低位机会的提示
内生结构的左侧预测逻辑为：权益资产的估值水平、风险溢价、交易热度等内生指标具有均值回复性，当指标达到历史极值时，未来大概率会出现反转现象，因此可以通过计算内生指标当前所处的分位，来判断资产的高估/低估以及过热/过冷状态，从而对资产未来的高位风险和低位机会做出左侧提示。
►估值水平：市盈率与市净率。反映权益资产绝对估值水平，当估值水平达到历史极值时，估值反转的概率大大提升。我们用当前市盈率与市净率在过去5年中所处分位数的均值来度量权益市场估值水平。
►风险溢价：股权风险溢价(ERP)。股权风险溢价为投资股票的长期预期收益率和无风险利率之间的差异，反映作为风险资产的权益资产相对于无风险资产所要求的风险收益，当ERP达到历史极值时，意味着权益市场风险偏好达到极高/极低水平，应警惕风险偏好回归的风险。我们用当前ERP在过去5年中所处的分位数来度量权益市场风险溢价。
►交易热度：自由流通市值换手率。反映权益市场中股票转手买卖的频率，体现市场参与者入市交易的意愿。在A股市场，当市场热度达到历史极高值时，往往预示着牛市的尾声。我们用当前自由流通市值换手率在过去5年中所处的分位数来度量权益市场交易热度。
得到在估值水平、风险溢价、交易热度方面的度量指标后，将风险溢价度量指标求相反数，之后三指标进行平均，得到内生结构维度的左侧预测指标。
趋势动量：资产运行方向的判断
趋势动量的右侧预测逻辑为：趋势在市场中是普遍存在的，只要趋势持续时间显著长于调仓周期，就可以通过追随趋势获得右侧收益。可以看出，为避免在趋势末期确认趋势所造成的追高杀低，我们必须根据对当前趋势持续时间的判断来调整调仓周期。具体来说，我们在趋势持续时间较短的震荡市中缩短调仓周期，及时调整短期方向；而在趋势持续时间较长的趋势市中延长调仓周期，把握长期走势结构。
我们通过以下步骤构建趋势动量维度的右侧指标：
►（1）构建包含N条均线的多均线系统，多均线系统中相邻均线的平滑窗口期相差为1。
►（2）根据多均线系统中相邻均线的平均距离来划分趋势市与震荡市。在趋势市中使用长均线系统 (即N取值较大)，从而延长调仓周期来把握长期结构；在震荡市中使用短均线系统 (即N取值较小)，从而缩短调仓周期以及时调整短期方向。
►（3）统计多均线系统中取值为正的均线数量，当有M%的均线取值为正时，确认上涨趋势，否则确认下跌趋势。
三位一体，产生融合信号
前面，我们分别从外生环境、内生结构、趋势动量的维度，介绍了相应预测指标的构建方法。那么应如何将同步性与预测逻辑均不相同的三方面指标进行有效融合，得到最终的预测结果？
融合框架必须遵循各维度指标的同步性与预测逻辑，外生环境指标是同步的场景刻画指标，因此在融合框架中的作用在于反映当前外部环境对资产运行的利好程度；趋势动量指标是右侧的趋势追随指标，因此在融合框架中的作用在于判断资产已经处于的方向趋势；内生结构指标是左侧的反转预警指标，因此在融合框架中的作用在于预示资产未来的高位风险与低位机会。概括地说，融合框架中三维度的作用分别为：外生环境定场景，趋势动量给方向，内生结构防风险。
我们使用以下流程图来展示外生环境、内生结构、趋势动量三维度指标的融合过程。
►首先，计算前文介绍的外生环境预测指标a，a取值在0到1之间，取值越大，代表当前外生环境对资产运行的利好程度越高。
►其次，计算前文介绍的趋势动量预测指标b。计算过程涉及参数M，M由外生环境预测指标a确定，a越大，说明当前外生环境对资产运行的利好程度越高，应更为积极地确认上涨趋势，即M取值越小，我们在实际建模中，令M=0.6-0.2*a。当外生环境显著利好资产运行时，如a取值接近于1，此时M接近于0.4，即多均线系统中只需要有40%的均线大于0便可确认上涨趋势；当外生环境显著利空资产运行时，如a取值接近于0，此时M接近于0.6，即多均线系统中需要有60%的均线大于0才可确认上涨趋势[1]。
►最后，计算前文介绍的内生结构预测指标c。该指标用于对趋势动量预测指标b进行修正，当c达到极小(<0.01)/ 极大(>0.95)值时，不论b信号方向如何，一律将信号修正为看涨/看跌，直到c回复至正常区间(0.25<c<0.5)内[2]。其余情况下，以b的信号方向作为最终信号方向。
下图展示了以最终融合信号进行择时的资产收益曲线。从结果看，在不涉及过多参数的情况下，融合信号可以较为有效地把握资产上行趋势并规避资产下行风险，在一些历史上重要的趋势变换节点，融合信号能够较为及时地做出反应。举例来说，对于权益资产，从2016年5月份开始，外生环境指标判断当前宏观经济状态对股市运行的利好程度较高，因此融合指标在2016年7月初提前1周确立了上涨趋势，增厚了策略收益；在2015年6月份，内生结构指标预测股市已严重处于高估与过热状态，因此融合指标在股灾前及时确立了下跌趋势，规避了策略回撤。
泛化性强，框架在各宽基指数中应用良好
当前一些收益预测框架或择时模型存在过度拟合问题，表现为相同的方法论应用在不同的宽基指数中，效果具有显著差异。为验证前述三维度预测指标以及最终融合模型在实际应用中的稳健性，我们在保持各变量和参数相同的情况下，分别将目标指数换位沪深300指数、中证500指数、以及信用/利率债比价指标(即中债企业债总财富指数相对中债总财富指数的累计超额收益)。从实际应用效果看，三维度预测指标以及最终融合模型在各指数中均有显著应用效果，证明了我们收益预测框架具有较强的泛化性。
基于收益预测的组合构建
在上一章中，我们阐释了如何从外生环境、内生结构、趋势动量三个维度来构建资产收益预测指标，并通过一个系统化的融合框架将三维度预测指标进行结合，最终得到融合后的资产方向信号。在本章中，我们将具体介绍如何利用资产方向信号来确定组合的底层资产权重。概括地说，我们根据资产方向信号来确定资产未来期望夏普，并以之作为资产风险预算带入动态风险预算模型求解得到资产配置权重。
资产方向信号的应用——确定资产风险预算
全天候[ii]和风险平价模型在21世纪以来的成功实践使很多投资者在实际组合构建中产生了一个误区：是否仅在风险维度进行分散就可以实现组合的长期稳定增值？答案是否定的。Edward Qian在介绍风险平价模型的论文《Risk parity and diversification》[iii]中指出，假定资产夏普率相同是风险平价可以有效应用于资产配置的前提，若资产的夏普率不相等，在只包含两种资产的情况下，应该以资产的夏普比平方作为风险预算，此时模型的求解结果可以使组合有最大的期望夏普率。
以上分析为我们将资产方向信号应用于资产定权提供了思路：我们借助资产方向信号对资产未来的期望夏普率进行估计，若资产确认上涨趋势，则以模型历史确认上涨趋势时期资产的平均夏普率作为未来期望夏普率，若资产确认下跌趋势，则以模型历史确认上涨趋势时期资产平均夏普率的1/√2作为未来期望夏普率。通过这种方法，我们将资产方向信号转化为对资产未来期望夏普率的估计，并将资产未来期望夏普率的平方作为资产风险预算，从而可以应用动态风险预算模型实现对资产权重的确定。
在应用动态风险模型时，为提升模型稳健性和适用性，我们同时进行以下两方面处理：第一，根据内生结构维度的左侧指标来调整股票风险预算，指标越高(回撤风险越大)，向下调整的程度越大；第二，为规避国内债券资产的“高夏普低波动”陷阱，适当为债券资产赋予波动乘子。
以股债指数为底层资产构建组合
在组合构建环节，我们首先以表征股债市场整体走势的宽基指数作为底层资产来构建组合，其中股票指数选择中证全指，债券指数选择中债综合财富指数。由于股票资产的方向变化对组合收益和风险的贡献要高于债券资产，因此我们根据模型给出的股票资产方向信号来进行再平衡操作，具体交易规则如下：
►回测区间：2009/01/01至2020/10/31。
►底层资产：中证全指、中债综合财富指数。
►再平衡规则：若模型给出的股票资产方向信号与当前相反，则在下一交易日执行再平衡操作。
►定权方式：再平衡时，根据动态风险预算模型的输出作为资产权重。
►基准组合：与组合同时再平衡的2股8债组合以及同时再平衡的常规风险平价组合。
►手续费：暂不考虑。
回测区间内，基于动态风险预算模型的股债配置策略在不显著增加回撤的情况下，在大多数年份跑赢基准，年化绝对收益6.83%，优于风险平价基准的5.35%与2股8债基准的5.25%。组合最大回撤为10.0%，出现在2009年8月份银监会严查天量信贷资金入市导致的大盘急跌时期，之后组合最大回撤控制良好，2014年至今最大回撤-3.2%，稳健性较强。调仓频率方面，组合年均调仓3.58次，接近季频调仓，在实际投资中可以避免调仓频率过高所带来的操作与净值波动问题。股债比例方面，模型给出的股票平均权重为19.32%，最高权重为46.22%，最低权重为0，整体风格均衡偏稳健。
除此之外，组合有两方面表现值得深入探究：首先，组合在2011~2013年持续跑输基准，原因在于大盘/小盘以及成长/价值风格在该段时间走出分化表现，而表征市场整体走势的中证全指并未体现出分化特征，整体震荡下行，使得模型发出较多错误看多信号，拖累组合表现。其次，组合在2015年的超额收益波动剧烈，原因在于内生结构维度的左侧指标在股灾前提前发出看空信号，使得超额收益在股灾前大幅回撤，在股灾时迅速上升，而趋势动量维度的右侧指标在股灾后的快速反弹期存在一定延迟，使得超额收益再次出现下降。
上述两方面表现让我们对策略可能的改进产生思考：一方面，大小盘风格是A股分化和轮动最为显著的风格，若将股票底层资产由反映大盘走势的中证全指替换为分别反映大小盘风格的沪深300指数和中证500指数，则可在诸如2011~2013的风格分化时段向优势风格倾斜，从而提升收益。另一方面，当前组合平均年调仓3.58次，频率略偏低，尽管可以避免调仓频率过高所带来的潜在问题，但对于战术性配置投资者而言无法及时捕捉短期收益并规避短期风险，在诸如15年10月的快速反弹期反应延迟较高，使组合收益受到影响，若能在避免调仓频率过高的前提下小幅提升调仓频率，则有助于提升策略敏感性，使策略更适用于战术资产配置。
以股债风格指数为底层资产构建组合
承接上节思路，我们以沪深300和中证500作为股市大小盘风格的代理指数，以中债企业债总财富指数和中债总财富指数作为债市信用风格的代理指数。相对而言，沪深300与中证500的收益分化度要远大于中债企业债总财富指数与中债总财富指数，因此在预算分配逻辑上，我们对股债进行不同处理。
对于股票两指数，由于收益分化度相对较大，我们处理逻辑可概括为“分别判断方向，合并分配预算”。具体来说，我们首先分别使用第一章中的融合框架给出沪深300与中证500的方向信号，进而分三种情况来分配风险预算：①若均为上涨信号，则两者预算均为单独看涨时预算的1/2，除以2的原因在于配置了两个股票指数，除以2可以使股票资产总预算基本保持不变；②若均为下跌信号，则两者预算均为正常预算的1/4；③若信号一涨一跌，则看涨指数保持单独看涨时预算，看跌资产预算为0。通过以上处理，可以实现不同股票指数预算的区别对待，同时使股票总风险预算与上一节单指数配置时看涨/看跌情景基本保持一致。
对于债券两指数，由于收益分化度相对较小，我们处理逻辑可概括为“集中判断方向，强者获得预算”。具体来说，我们首先分别使用第一章中的融合框架给出中债综合财富指数和信用/利率债比价指标(即中债企业债总财富指数相对中债总财富指数的累计超额收益)的方向信号，其次判断信用/利率债比价指标的方向，强势指数作为债券资产的代理指数，最后采用与本章第一节相同的方法确定债券资产风险预算。
以上处理将权益底层资产由反映大盘走势的中证全指替换为分别反映大小盘风格的沪深300指数和中证500指数，同时将债券底层资产由反映整体走势的中债综合财富指数替换为反映信用利差变动情况的中债企业债总财富指数和中债总财富指数，其目的为解决上节股债配置中风格混淆的问题。对于上节股债配置中提到的另一个问题——调仓频率偏低的问题，一种解决思路是从模型参数入手，提升方向信号的变化频率；另一种思路是从再平衡规则入手，增加再平衡的触发条件。涉及模型参数的操作容易破坏模型稳定性，且存在潜在的数据挖掘风险，因此我们从再平衡规则入手来解决调仓频率偏低的问题。具体来说，若沪深300或中证500的方向信号发生变化，均执行再平衡操作。相比之前仅根据中证全指方向信号变化执行再平衡，当前再平衡方式能在一定程度上提升调仓频率。策略的具体交易规则如下：
►回测区间：2009/01/01至2020/10/31.
►底层资产：沪深300、中证500、中债企业债总财富指数、中债总财富指数。
►再平衡规则：若模型给出的沪深300或中证500方向信号与当前相反，则在下一交易日执行再平衡操作。
►定权方式：再平衡时，根据动态风险预算模型的输出作为资产权重。
►基准组合：上一节中的股债配置组合、2股8债组合和常规风险平价组合。
►手续费：暂不考虑。
回测区间内，加入分化风格的股债风格配置策略在不显著增加回撤的情况下，在大多数年份跑赢基准以及未加入分化风格的股债配置策略，年化绝对收益9.78%，优于风险平价基准的5.35%、2股8债基准的5.25%以及股债配置策略的6.83%。组合最大回撤为-14.4%，同样出现在2009年8月份银监会严查天量信贷资金入市导致的大盘急跌时期，之后组合最大回撤控制良好，2014年至今最大回撤-3.8%，稳健性较强。调仓频率方面，组合年均调仓6.83次，相比未加入分化风格的股债配置策略提升近1倍，在避免调仓频率过高的前提下，提升了策略的敏感性。股债比例方面，模型给出的股票平均权重为25.78%，最高权重为51.02%，最低权重为0，与未加入分化风格的股债配置策略相比，股票资产比例略有上升，但整体仍保持了均衡偏稳健的风格。
针对上节末对股债配置策略两方面问题的讨论，首先，在风格分化较为显著的2012~2014上半年以及2017年，股债风格配置策略通过将股票资产风险预算向中证500和沪深300倾斜，一定程度上把握住了优势风格收益，从而使组合在这些年份的收益有所增强。其次，策略敏感性的提升也有效降低了组合超额收益的波动，仍以2015年股灾后的10月份的快速反弹期为例，中证500在该时段的趋势动量指标反映更为灵敏，更早的发出了上涨信号，因此从超额收益曲线看，策略在该段时间、以及回测全时段的超额收益均更为稳定。
总结与展望
组合股债比例的确定过程可分为两步：①股债期望收益的战术性预测；②基于收益预测的定权。本文重点对股债期望收益的战术性预测进行探讨，从外生环境、内生结构、趋势动量维度分别构建偏同步、偏左侧、偏右侧的预测指标，并通过一个融合框架将不同维度的预测指标进行有效结合，最终得到统一化的融合信号。作为融合信号的具体应用，本文基于融合信号构建了配置策略，其中股债风格配置策略取得了较为优异的回测表现。
在构建组合时，尽管策略相比基准在收益端有明显提升，但我们始终观测到，在回撤端策略相比基准并没有显著下降，特别地，在部分年份策略的最大回撤甚至有所上升。作为以稳健收益为特征的配置型产品，回撤控制是提升产品竞争力的重要手段，因此在后续报告中，我们将针对配置型产品的回撤控制展开研究，以期为投资者的产品稳定性提升提供帮助。
参考文献
[i] Ilmanen A. Expected returns on major asset classes[J]. CFA Institute Research Foundation, 2012, 1.
[ii] Podolsky P, Johnson R, Jennings O. The All Weather Story[J]. White paper, Bridgewater Associates, 2012.
[iii] Qian E. Risk parity and diversification[J]. The Journal of Investing, 2011, 20(1): 119-127.
------
[1] 我们在下文对参数进行了敏感性测试，从结果看，模型对参数在一定范围内的取值不敏感。
[2] 此处阈值不对称是由A股近几十年牛短熊长的特性所决定的，指标均值与中位数长期处于0.4左右的较低水平。
文章来源
本文摘自：2020年12月25日已经发布的《外生环境、内生结构、趋势动量在收益预测中的有效结合》
