量化交易模型从哪里学（手把手告诉你资产配置绕不开的BL模型是什么）

统计学表明，生日过的越多，活的就越久，我来为大家讲解一下关于量化交易模型从哪里学?跟着小编一起来看一看吧!

量化交易模型从哪里学

统计学表明，生日过的越多，活的就越久

——文：八成仓位

本文是手把手系列的第三篇文章，这一回我们来深入浅出的探讨一下，资产配置绕不开的模型：Black-litterman模型。阅读完本篇文章以后，能为你解答以下几个尴尬场面：

1. 聊资产配置时，只能喊经济下滑了买债券黄金
2. 聊行业轮动时，只能喊超配消费 科技
3. 聊投资风格时，只能分为价值和成长

写在正文前的BL模型简介：学金融的小伙伴一定对马科威茨这个名字久久不能释怀，如果没有他，金融学的发展和考试的难度至少要下降3个数量级。Black-litterman模型由高盛的两位大佬发现提出，总体上可以看作是对马可威茨模型的升华版，目前已经是国外资产管理机构主要运用的底层模型之一，在这个框架下管理着万亿资产。然而在国内的研究相对较少，仅华泰、海通、申万等几家券商研究所出过实证报告，这也与其运算的复杂性有关。总体来说：

Black-litterman模型 = 马可威茨均值方差模型 投资者的观点（情绪）

换一句更简单的话来说：

Y资产的收益 = （历史上它的均衡收益 投资者对它预期）的加权平均

BL模型特别特别强调的概念是加权，举一反三的现在也许能大概get到，如果市场飞涨，投资者狂热，自然投资者主观的预期将占有更大的权重。那么如何衡量这个权重，就是BL模型机智的地方了。

我可以计算天体运动的轨道，却无法计算人性的疯狂！——牛顿

不过，Fisher Black 和 Robert litterman告诉你，这还是多少可以计算的：就像前车突然打开了雨刷器 = 女司机，总有以小见大的标的物可以取巧的衡量人性。

（把BL模型误认成是BS模型的有多少？）

/ 工具人1号：均值方差的故事 /

工具人1号突然发现，有些资产的收益情况符合正态分布，至此他走上了小康的道路：

“只要在黄金价格处于左侧的时候买入，在右侧的时候卖出，这还不稳赚不赔！”

然而工具人1号在短暂的暴富后，又迅速的一贫如洗。他在网上诉苦时，别人告诉了他，这个正态分布的思想实际上就是均值方差模型。

笼统而言，马科维兹的均值方差模型告诉了投资者，一个投资组合应当追求更高的收益与更低的风险之间的平衡（废话...)，以及重点：怎么计算X,Y,Z等等资产在一个投资组合里的占有比例。

但是之所以实践中几乎没有任何人仅凭着均值方差就赚到了钱，主要就是因为现实里的资产很少长期符合正态分布，包括大宗商品、股票指数、乃至个股。

也许会局部符合，也许会短期符合，但是等散户买入的时候，它就不符合了。

并且还有一个更常见的现象，某某股票的标准差和历史收益率完美碾压其他备选股票，那岂不是只用这一个股票组成投资组合就可以了？

/ 所以当我们在说资产配置时，我们到底在说什么？/

回到主题，理论和现实的冲突如何平衡，首先来看看不借助金融统计工具，分析师是基于什么逻辑进行资产配置的：

上图为当前经济下行的大环境下，应当避免以及应当超配的行业。

下图为总体的经济运行周期中，各个阶段应当配置的行业。

换句话说就是经济差时回避和经济高度相关的，买入和经济不相关的。比如农林牧渔和必选消费品，经济再差，人们也得吃饭。

上面两张图是一个笼统的配置方法，那么每一个板块应当超配百分之多少的仓位，就要教给BL模型来计算了。

与古典模型相比，BL模型认可了投资者的主观情绪对于行业涨跌幅的影响，并且认为在市场达到共识的阶段里，投资者的情绪对于股价往往起到主导作用。

/ Black-litterman 模型 /

BL模型基本框架涵盖了以下几个参数：

投资者的主观观点P 初始市值权重 W 市场均衡收益 N = 投资者期望收益 E(r）

投资者期望收益E(r) 马科维兹均值方差 M = BL模型

以及：计算最优权重的公式 W1 = 风险厌恶系数 资产的协方差矩阵 期望收益率

（上面的 不是加减乘除的 ，是参数叠加，仅提供直观感受）

完整公式：

（具体各参数的含义请见下文计算例子）

公式本身看上去复杂，实际运算时最重要的核心依然是如何定义投资者的观点：

就像晴天前车打开了雨刷器 = 女司机....；

那么？？？= 投资者看多某类资产？

（看到公式就想跑路的请留步！！）

/ 一个计算的例子 /

所以人性的“狂热”怎么衡量？

这么衡量！

资金对某行业的追捧程度 = 对行业内公司发表观点的个数K / 行业的公司数N

“显而易见”，行业内的公司在T 1时相比T时吸引了更多研究员，以及研究报告，自然这个行业就会吸引更多资金的目光，所得到的数据也就越加可信。

某一年，基金经理Y对新募的50亿资金开始建仓，他主要看好以下10个板块：能源、材料、工业、可选、消费、医药、金融、信息技术、通讯、公共事业。

Step 1：导出按市值计算该投资组合的基准配置权重并且计算均衡汇报

Step 2：计算投资组合的协方差矩阵

(偷懒了，随便用了个random值）

Step 3：计算按照市场基准配置（市值加权），组合的历史回报，作为比较基准。

Step 4：形成主观观点 P。比如：

1）通讯行业未来1年的回报率被市场低估了-1%~ 2% ——绝对观点

2）材料行业未来1年的回报率被市场高估了 3%~ 5% ——绝对观点

Step 5：计算参数

K step4的观点个数 = 2个

N 资产个数 = 10个

t 观点标量 = K / N = 0.2

Σ 是Step2计算的协方差 （n*n的矩阵）

Q 观点的收益向量矩阵= [7.044% 1.70%]

P 观点矩阵 =

[ 0 0 0 0 1 0 0 0 0 0]

[ 0 0 0 0 0 0 0 0 -1 0]

也就是根据Step4形成的观点，看多计为1，看空计为-1

实际情况中，往往会遇到既有看多，也有看空的情况，则计算看多之和/看空之和

Ω 观点误差的协方差对角矩阵（表示每个观点的置信水平） =

[ 0.001% 0]

[0 2.0%]

实际情况中，可以以研究机构对于行业的研究报告份数 / 行业内公司数量作为初始的观点置信度。

Π 投资组合的隐含均衡收益率 = step2中n * 1 的矩阵

Step 6：将计算出的各参数代回BL模型，求得各资产配置比例。

/ 实盘回测 /

表面看上去BL模型牵涉的参数计算复杂，实际上将一切教给计算机后，真正复杂的地方还是对于观点矩阵P以及观点的收益向量矩阵Q的构建。

实盘回测中，建议以季度为单位，取研究机构对于行业内公司的（评级上调数量 减 下调数量的平均值 ）/ （行业内公司的数量）作为基准构建P矩阵。

以wind一致预期的净资产收益率的变化率，代替超额收益率，构建Q矩阵。

以研究机构对于行业的研究报告份数 / 行业内公司数量作为初始的观点置信度Ω 。

最后，限制最低投资仓位，避免0%权重的出现。

因为工作量较大，（比如构建P,Q矩阵时，可以给top研究机构赋予更大的值）大概海通zhe实证研究可以发一篇论文了，所以这里就放一下华泰金工团队的回测：

上图：总体收益率回测

上图：观点变化情况（P矩阵）

上图：观点的收益向量（Q矩阵）

参考资料：

[1]林晓明.王湘.华泰证券.(2016.08).BL模型行业配置实证研究

[2]海通证券量化团队(2017.09). Black-litterman模型的直观理解

[3]王帅.王建渗.招商银行资产管理(2018.11).量化资产配置模型研究报告