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]