纪要涉及的行业或公司 * 行业：固定收益增强型（“固收+”）投资策略、量化资产配置、公募基金/资产管理行业 [1] * 公司：中金公司（CICC）及其固收团队 [2] 核心观点与论据 一、 主要固收+配置策略的回顾与展望 * **固定股债比例策略**：历史上低波动组合（如股一债九）表现稳健，得益于A债持续收益能力强及股债负相关性 [1][4] 未来需关注三点：1) 高频再平衡的有效性可能随环境变化而改变 [4] 2) 在10年期国债收益率低于2%的低利率环境下，投资重心需从票息收入转向资本利得 [4] 3) 需重新评估权益资产配置中枢以适应新环境 [4] * **目标风险组合**：历史表现不佳，因在快牛慢熊市场中，波动放大时收益增加，波动下降时市场持续下跌，主动加仓可能降低长期收益 [5] 优化方向：1) 约束向下波动而非仅控制无方向性波动率 [5] 2) 使用预测的收益率、波动率及相关性数据作为模型输入，而非历史数据，以增厚收益并提高前瞻性 [5] * **指标轮动策略**：基于股权溢价（PE倒数与10年国债收益率之差）等指标的轮动在中国市场具有超额收益 [7] 2018年至今，该策略累计年化收益5.6%，较纯债4.9%的年化收益增厚约60BP，且回撤控制良好 [7] 但该策略更像盈亏比指标，需结合其他因素综合考量 [7] * **目标日期策略**：在A股市场面临挑战，因A股长期收益能力相对较弱且尾部风险重（月度回撤可能超30%）[8] 改进措施：1) 更关注活跃度Y值（收益率预期除以阀值）[9] 2) 将约束阀值从5%降至99.5%以增强收益，使其更适应国内养老产品需求 [9] 二、 避险与宏观择时策略 * **CPPI（恒定比例投资组合保险）策略**：传统方法通过无风险资产票息形成安全垫，但对权益资产设定简单杠杆倍数缺乏精确计量 [2][10] 边缘CPPI策略通过债券和股票资本利得调配权重，使组合风险值被债券票息吸收，更能满足当前市场对回撤控制（如1%）的需求 [2][10] * **合成期权策略**：通过模拟股债配置实现类似期权效果，可调整至不完全保本（如允许1%-2%回撤）[11] 通过调整参数（如设置执行价格K低于隐含链价格），可使组合年化收益率超过CPI [12] * **宏观择时模型**：基于广义（社融同比存量）和狭义流动性指标进行股债轮动配置 [15] 通过控制股债比例及杠杆（宽松时杠杆可提至140%），提升组合收益能力 [15] 2018年至2025年国庆节前，该策略实现约5.9%的年化收益，最大回撤2.2% [15] 三、 风险平价与多元资产配置 * **风险平价策略**：在国内A股与A债组合中应用困难，因债券波动小且股债相关性不稳定（曾同涨同跌）[17] 需结合波动率测试并注意数据窗口选择（如周度/日度）[17] * **多元资产风险平价**：引入更多资产（如商品、外汇、美股）可提升整体收益，但也增加最大回撤和年化波动 [18] 需关注宏观因子的剥离，以防所有资产在系统性风险下同跌（如2022年美股美债同跌）[18] * **应对宏观因子复杂性的方法**：将资产收益率提纯到因子层面进行分析和评价，再映射回资产进行配置 [19] 使用更多维度资产（不同风格股票、不同久期债券、黄金、转债等）进行跨境混合配置并高频换仓，可进一步优化收益曲线和回撤 [20] 四、 股票与行业轮动策略 * **风格轮动策略**：通过风格偏移指数（如上证50与中证1000过去40日涨跌幅差值）判断大盘/小盘、价值/成长风格占优 [21] 2025年优化：增加横轴指标，使用半衰期衡量风格偏离长期均值的时间，仅在风格持续足够长且触发历史95%分位数时才做切换 [21] 基本面看，再融资政策放松时期（如2019年起）小盘股通常表现更佳 [21] * **行业轮动策略**：注重“看债做股”，以债券市场走势作为宏观信号指导行业轮动 [22] 采用机器学习模型（如XGBoost）预测债券资本收益能力，据此选择行业 [22] 同时采用景气度轮动（基于分析师对未来12个月净利润的预期）和低估值选择 [22] 2025年基于网络系统优化，通过板块特征值刻画行业间涨跌幅共性，以预测热点行情 [26] * **企业策略调整**：根据宏观经济环境（市场收益率变化与期限利差）调整资本开支和经营策略 [23] 当收益率下降且利差扩大时，可适度放松经营杠杆；当收益率下降且利差缩窄时，需更多获取现金并保持较强资本开支 [23] 使用时间效率和资本开支质量两个财务指标评估企业决策效果 [25] 五、 增强策略与纯债模型 * **红利增强策略**：在传统高股息基础上，增加对公司质量（分红稳定性、ROE水平）、成长性（净利润增速）的要求 [27] 通过动态调整仓位控制净值波动，并剔除动量较差股票 [28] 将A股和港股作为两类资产分别配置以实现增强 [28] * **纯债投资模型**：采用XGBoost模型预测整个收益率曲线，输入动量指标、换手指标、期限利差等简单特征值，对NS模型中的四个特征值进行预测 [29] 优势在于简化关键期限预测，提高实用性 [29] 通过预测曲线可计算各期限赔率和预期回撤，使久期选择更灵活 [30] * **多因子模型应用**：较早研究在固收领域的应用，2020-2021年通过中债指数特征值构建因子选择策略，具有初创意义 [31] * **纯债趋势判断**：借鉴利弗莫尔趋势分析方法，通过确定关键拐点来判断趋势 [32] 六、 固收加智能体构建与未来方向 * **智能体构建**：1) 根据资产池确定预期收益、波动和风险 [33] 2) 使用深度学习或大模型优化组合调整方式 [33] 3) 利用机器学习模型优化资产收益率预测，结合主观判断与历史数据 [33] 4) 应用BL模型，根据历史数据和观点准确度进行优化配置 [33][35] * **BL模型作用**：利用历史数据和观点准确度，通过贝叶斯定理优化资产预期收益率 [35] 使用GBR等简单机器学习模型输入特征值预测资产，再根据历史准确度调整权重，得到更合理的预期值用于大类资产配置 [35] * **未来发展方向**：1) 前端通过大模型确定投资者适用的固定调整范式 [36] 2) 中端利用机器学习判断各类细分资产收益率 [36] 3) 最终输出合理的资产配置比例 [36] 其他重要内容 * **中金公司研究积累**：从股债组合被动配置（恒定比例、目标风险、目标日期、风险平价等）和细分资产（股票风格/行业轮动、因子策略、纯债多因子）两个维度展开固收加量化策略研究 [2] 并探索将大模型和深度学习应用于资产组合构建 [2] * **拥挤度指标**：通过量价角度构建，股票方面使用换手率和行业收益分歧差异，债券方面采用税收利差和银行间换手率 [16] 这些月度指标具有警示作用，但受超级参数影响较大 [16] * **策略表现参考**：宏观择时模型在2018年至2025年国庆节前实现约5.9%的年化收益，最大回撤2.2% [15] 行业轮动策略能明显跑赢二级债基 [26]

纪要涉及的行业 固收+投资行业 纪要提到的核心观点和论据 - **BL 模型核心作用**：解决传统资产配置模型对输入数据敏感性过高问题，结合市场真实情况与投资者主观判断生成后验收益率，使收益率预期更平稳，涵盖历史数据与当前主观判断[3] - **BL 模型综合市场与投资者观点方式**：先根据市场真实情况计算先验收益率，加入投资者对细分资产预期，综合生成后验收益率，再与资产协方差组合实现优化处置，类似贝叶斯估计加权处理[4] - **计算市场隐含资产收益率步骤**：构建市场组合；利用 CAPM 计算细分资产预期收益率；假设无 Arrow 部分计算市场组合超额收益率，得到细分资产隐含收益率[5] - **BL 模型计算市场风险偏好及收益率补偿方式**：通过计算市场组合反映市场风险偏好，即单位风险敞口下市场要求的收益率补偿，假设资产复原排名统一，将其转化为细分资产预期收益率[6] - **投资者观点结合到 BL 模型的方式**：投资者观点分绝对和相对观点，考虑资产相关性和置信区间，调整后验收益率使其更稳定，如绝对观点预期沪深 300 未来一年收益率达 30%，相对观点中证转债未来一年相较于中债综合有 3%超额等[8] - **BL 模型在中国应用注意点**：用基准组合替代市场组合并保留市场风险厌恶系数；考虑合同对固定收益组合约束；控制换仓频率和换手率；低波动组合可通过杠杆调整使资金效用最大化，如目标波动 5%，实际 3%，可杠杆放大至 4.2%[9][10] - **BL 模型组合优化方法**：基于不同目标，通常以最大化目标波动为主，考虑用基准组合替代市场组合并保留市场风险厌恶系数、考虑合同持仓上下线约束、控制换仓频率和幅度、引入杠杆因素调节资金效用[11][12][13][14] - **固收+智能体观点实现系统性作用方式**：通过细分资产模型或量化模型替代，如用 GBR 模型，以量价数据为自变量预测未来 21 天收益率，单个资产准确率平均不到 50%，组合中波动有所衰减[15][16] - **引入置信区间提高 BL 模型预测准确性方法**：将前段时间训练集中准确率作为置信区间输入，加入细分资产指标，如转债百元溢价率、股票市场情绪、纯债 10 年国债和 2007 年利差，显著提高整体模型准确性[17] - **未来固收+策略发展观点**：对细分资产有更强、更准确观点，模型效果更好，主动固收+仍有很大运用空间，对细分资产和策略认识更全面，组合效果更好，能显著跑赢被动指数型产品[18] - **BL 模型在中国化应用措施**：介绍 BL 模型，说明中国化调整，用小示例说明对单个资产认识更全面组合效果更好，提供科学自然配置方法[19] 其他重要但是可能被忽略的内容 - **固收+智能体构成**：分为对客端和研究部分，对客端通过大模型辅助或情景模拟形象化表达投资者收益率、风险和行为预期，研究部分分筛选挖掘资产和策略、理解资产和策略表现、预测收益率及风险、选择组合方式、止损或交易增强五个部分，各部分可有智能体或小模型辅助[2] - **利用现有资源研究和应用 BL 模型方式**：网上有许多 Python 库可直接导入，也提供已成型代码供参考，可交流探讨代码及应用[20]