资产组合管理——一个全新框架和策略

相广平 中国人民大学国际学院金融风险管理学科教授

 

一、研究提出的背景

      资产投资管理需要多样化的组合构建、组合管理和风险管理方法。比如我所知道的一个大型资产管理公司，其多少年前就有3000多种投资策略，即便随后进行削减，也有1000多种策略。而现在一般的机构也有几百个策略，这些机构需要多样化的策略以及方法以进行投资管理。

      如今，大部分策略和方法已经不能完全适用。金融市场，尤其美国市场发展变化很大。同时，技术的发展变化也很大。比如在上世纪70年代，金融机构可能只用一个回归分析方法就能管理它的投资组合。而现在，一般的量化管理方法如典型的多因子模型，在近年的美国金融市场大盘上基本上无法发挥作用，很多都是亏钱的。

      因此，现在需要新的方法去进行投资组合管理，企业投资组合管理方法（EPM）就是一个全新的框架。它是围绕投资组合决策来建立的，其主要包括一些新的组合构组合管理和风险管理方法，以及改进后的现有方法。这些方法可以解决行业的一些主要问题，使得投资决策和分析结果更精确和一致。

 

二、投资管理现状

（一）行业存在的主要问题

      1.投资中的阿尔法与贝塔无法分离

      从管理费用来看，管理阿尔法策略与贝塔策略所收取的费用可能相差很大。从公司管理人员来看，对于管理阿尔法策略的人员，其所需要的经验以及技能技巧很高，而管理贝塔策略的人员，其可能只需要一些运营经验。当然，两者的收入必然也不一样。从投资管理来看，为什么要将阿尔法与贝塔分开呢？如果两者不分开，则金融机构最后所做的决策就无法区分是针对贝塔还是阿尔法的。因为针对贝塔的决策基本是进行控制风险的，而针对阿尔法的决策更多是择时、主动管理的。后者需要的技能技巧高一些，而前者只需要知道将风险控制住。不将阿尔法与贝塔分开，就无法清晰地阐述很多关于投资组合管理的问题。不管是私募公司、资管公司，还是量化投资公司，都需要将这两者分开。

      2.回报源在分析中不全，与风险源不一致

      投资决策时一般会构建一个投资标的的池子，若要进行投资，则可以在这个池子里挑选标的（如股票）。因为这种投资标的池是动态变化的，所以它的回报源也在变，不是固定的。这不像一个物理系统是封闭的，可用若干个参数控制。假设现在机构有20个回报源，过了一年或下个月可能变成21个，或者其他方法的回报源变了，则在进行回报源分析时就难以将其全面考虑。回报源与投资决策不一致，则表明机构的系统管理就存在问题。此外，在运用分析软件或工具进行回报分析时，很多分析员会抱怨回报源与风险源好多是不一致的。而回报源与风险源一定要是一致的，有回报就有风险，这也是目前存在的问题。

      3.组合投资决策欠缺正确的评估方法

      比如，我作为基金经理，我做了10个投资决策，但提供的分析软件可能只能分析其中几个决策。此外，可能我没有做某个投资决策，但也将其纳入分析范围，这种分析评估的方法就存在问题。

      4.投资管理工具零散化

      在目前行业内，投资管理工具基本上因部门或团队而异，不同部门或团队进行投资管理都有自己的目标和责任。那么，如果某个团队的管理工具跟另外团队的工具产生不同结果，就可能造成许多问题。因此，提供给所有的投资管理工具的数据应该是一致的，不能有差异、零散化的现象。

      5.风险管理人员不能有效地协助组合管理

      在公司内部，我们经常说风险管理人员主要是在事前、事中、事后管理过程中提供一些信息差。但作为投资组合管理中的风险管理则稍有不同，其需有效地协助组合管理。因此，若有一个好的投资管理工具，能精准地识别和测量一些风险，风险管理就可能更好地参与到组合管理中。

      6.组合分析结果与组织机构未有机结合

      一般而言，作为资产管理公司的部门高管，他可能要时刻地监视其管理的组合，关注其组合的风险暴露。现在有好多公司（主要指买方机构），它不能时刻地监视其管理的大资产组合的情况，比如对小股盘的风险暴露是多少。很多公司不能时刻获取这些数据。那么，有时就会发现，如果高管想要有关这方面的信息，他可能并不能及时地拿到。但在现在的市场，发生危机的速度、频次是很快的，一天之内股价就可能出现暴涨暴跌的现象。除了前述的从下往上的数据问题，还存在从上往下的预算问题。比如，从部门来看，想要针对某一个特定的风险制定风险预算是难以做到的。因此，组合分析结果应该与公司的组织结构要有机结合起来。

（二）典型的多因子投资管理

      以量化投资流程中典型的多因子投资管理为例进行说明（见图1）。

 

图1 典型多因子投资管理

      1.基本流程

      首先有阿尔法因子测试和阿尔法模型构造。在这个步骤中，进行测试的人员大部分都有博士学位，他们通过阅读前沿论文，进行因子测试。然后，构建能够应用的阿尔法因子。最后，再将该因子添加至现有的阿尔法模型中，检测所构建的阿尔法因子是否还能表现。

      其次还有风险模型与组合约束。风险模型的主要作用是提供证券的风险预测与业绩归因，一般由外部机构提供或自我开发。组合约束一般分成两种，一种是与客户订立合同时，对客户要求的一些组合约束，比如某个行业不能超配多少或不能购买哪些股票（比如军火相关企业）。还有一种是在基金经理构造其组合时或优化其组合数时设置的约束。

      最后有组合优化与组合分析。有了风险模型以及阿尔法模型的构造和约束，实际上就可以构造组合，也即是组合优化。由此，产生股票交易清单，然后可将该清单交给交易团队以进行市场交易。交易完成后，要进行组合分析，如回报与风险归因分析。

      2.优缺点

      这种典型多因子投资管理的优点是其与公司的组织结构匹配。比如，阿尔法因子测试基本上是量化研究部门的工作，风险模型则一般都是外购的。另外，有人写过文章论述，因为其假设太强，阿尔法模型目前还没有商用的。一般而言，公司实施组合优化，或由一个单独团队进行，或与基金经理一起进行。然后，组合优化以后交给交易团队去市场操作。最后，再由分析部门的团队进行回报与风险分析。每个流程都很清楚，不论单个团队或者合作的团队进行投资管理，他们对各自的责任是明确的。

      这种方法的缺点则是阿尔法跟贝塔不能有效地分离。比如，进行阿尔法因子测试得到一个因子，它可能与一些风险因子具有相关性。因此，即便阿尔法因子测试的结果很好，将其放入阿尔法模型后的表现也挺好，但最后到组合优化，可能就会发现这个消失了或者减少了。最早是Barra公司的Jyh-Huei Lee与Dan Stefek在《Journal of Portfolio Management》发表的一篇文章《Do Risk Factors Eat Alphas?》，他们通过这个例子来描述阿尔法被风险因子“吃掉”的问题。当然，如Barra这些公司都想解决这个问题，他们的解决方法或基于优化的角度，或基于风险模型，但是都不太成功。

（三）改进的投资管理

      因此，需要一个新的框架与策略，去改进现有的投资管理流程（见图2）。首先，在进行阿尔法因子测试时，就应涉及风险管理。同样，在阿尔法模型构造时，也要考虑风险管理。当然，最后的组合优化与分析也是这样。比如，在归因分析时，不能只是看回报的来源与多少而不考虑风险，因为收益的来源有可能是基于较大的风险。因此，改进后的投资管理要考虑到风险与约束，将风险管理融合到流程的各个环节，以使得整个流程一体化。

 

图2 改进的投资管理流程

 

三、企业投资组合管理（EPM）

（一）投资决策模型

      企业投资组合管理实际上是基于对投资决策的研究。一般而言，组合投资决策由效用函数进行建模。假设每个投资者有自己的投资效用函数，但并没有要求非得达到平衡点，其目的是在投资组合的约束下达到效用最大化。数学化的表达方式则是效用函数在一定的约束条件下达到最大化，如下所示：

      通过数学建模，可以推导出投资组合风险调整后的回报度量。比如，不论是使用夏普比率，还是信息比率，或是用Ω表示，这种度量都可以推导出来。然后，根据调整后的回报度量，可以构造一个优化的投资组合。

（二）EPM的基本框架

      阐述完上述最基本的问题后，就可以围绕研究理论来构建企业投资组合管理（EPM）的基本框架（见图3）。

 

图3 改进投资管理中的EPM方法

      1.阿尔法测试阶段

      在阿尔法因子测试中主要是解决阿尔法因子提纯的问题。如前所述，如Barra这些提供风险模型的公司，它们针对风险因子“吃掉”阿尔法问题的解决方案存在缺陷。而EPM框架中的阿尔法因子提纯方法基本上是彻底解决了这个问题，即在一开始就应把风险敞口以及约束条件从阿尔法因子中剔除干净。如此一来，所构造的阿尔法模型进入到组合优化阶段时，就不会出现阿尔法因子消失或减少的情况。

      2.阿尔法模型构造阶段

      在阿尔法模型构造阶段，基于阿尔法因子提纯方法，就可以构造阿尔法模型优化器。以前构造阿尔法模型的假设如行业之间的相关性、股票之间的相关性等，相对而言很严格，难以实际应用。而基于前述的投资决策模型，EPM方法在构造模型时的假设是每个投资者各自的效用函数。因此，只需求解投资组合在约束条件下的效用最大化。相比之下，后者更能应用于实际市场中。

      此外，还有隐含阿尔法模型。比如，基于沪深300市场指数，通过风险模型、约束条件以及提纯的阿尔法因子，就可以推导出来这些阿尔法因子的权重。这样做的好处在于两个方面的应用，一个方面是可用阿尔法模型可以去构造新的产品。比如已经从沪深300市场指数中将隐含阿尔法模型构造出来，因为已经知道阿尔法因子的构成，就可以根据实际情况调整权重。如可能与股票回报正相关，则调高它的权重；与股票回报负相关，则将其权重调低。另外一个方面则是有利于研究工作的开展，如可以观察历史上阿尔法模型里的一些权重变化，即观察在每一个时间段阿尔法因子权重的增减。比如，其中一个有趣的现象是在低风险、低利率时，有关股息率（Dividend Yield）的因子权重一般在增加。在2000年美国股市疯狂的时候，与销售业务（Sales）有关的因子权重在增加，因为销售业务与增长（Growth）相关。这些历史分析对研究宏观的一些现象很有帮助。实际上，隐含阿尔法模型是在进行降维（Dimension Reduction）的工作。比如沪深300指数有300个维度，模型可能将这300个维度压缩到只有10个维度，然后用10个阿尔法因子表达，这样就便于研究问题。

      3.组合优化阶段

      首先，确定隐含回报率和风险厌恶参数。比如基于沪深300指数，给定一个风险模型，那么可以推导出隐含回报率和风险厌恶参数。因为每个股票有不同的回报率，所以投资组合的隐含回报率是一个向量。据此，不仅可以构建一个新的产品，还可以进行一些风险预测，比如初步观察风险厌恶参数在市场的变化。此外，还有其他方面的应用。比如使用Barra等机构提供的风险模型时，一般其模型也有各自的组合优化器，使用者在优化组合时，需要输入一个风险厌恶参数。风险模型或分析软件一般会内置参数的选择区间，需要使用者根据实际情况具体设置和调整，但有可能出现优化中断的情况。相对而言，EPM框架下的组合优化不会出现参数设置回撤调整后运算程序中断的情况。通过EPM框架对沪深300指数进行分析，如前所述可以直接得到其风险厌恶参数，然后作为输入进入组合优化的运算过程。当然，可以根据具体情境对参数进行调整。

      其次，组合稳健性分析。运算的优化系统对参数变化的敏感度应较小。不能因为参数的微小变化而使得系统里的组合权重整体变化很大，这样的系统是不稳定的。组合的权重对参数变化的灵敏度越小越好，如此可以保障组合优化过程的稳健性。

      再次，组合约束分析。组合投资里的策略要进行回撤时，一般通过调整组合约束，然后将其放入优化系统进行运算，最后观察分析结果以进行抉择调整。EPM框架可以实现“一运一次”，即通过每次运算以指明组合约束应该调整的方向，使得组合优化的效率提高。

      最后，阿尔法因子倾斜。给定一个投资组合，可以将其权重按照阿尔法因子分解，分解之后按照实际情况及偏好进行权重的调整。这样的方法可以构造一些换手率低、跟踪风险较低的伪优化组合。

4.组合分析阶段

      EPM方法中的回报与风险归因分析是在同一框架下，不像现在市面上的商用软件一般只是进行回报分析而不考虑风险。具体案例可详见后文。

（三）EPM的功能

      企业投资组合管理（EPM）框架改进了现有投资管理，进一步解决了行业存在的主要问题。一是将阿尔法与贝塔有效分离。两者的分离是解决后续问题的基础。二是回报源和风险源保持一致。三是归因分析中，每个投资决策都对应一个因子组合，以进行更充分一致的分析。如果进行10个投资决策，在归因分析中只分析9个，而后续再添加缺失的决策，这样的分析是存在缺陷的。四是分析结果是可聚合和分解的。即通过EPM框架进行的组合分析结果可以从下往上汇总，也可以从上往下分解。五是风险分析被植入到投资管理的各个环节。六是使得组合管理和风险管理一体化，在同一框架下。

 

四、归因案例分析

（一）传统回报归因

      回报归因分析是指按照一定方法分解投资组合收益或超额收益，并通过分解后收益的大小来解释组合收益的来源。传统回报分析一般主要采用两种方法。一是布林森（Brinson）归因，主要关注行业配置和选股能力。二是基于风险因子分解的归因分析。因为布林森方法简单流行，几乎人人都知道。因此，有些商用软件提供商构建了这种方法。它除了能分析行业配置和选股能力，还关注了风格收益。即通过该种归因分析可以得出所构造投资组合的收益是来自大盘股还是小盘股，来自价值股还是成长股等方面的信息。

      传统回报归因存在一些问题。第一，无法真实地确定选股能力。比如基于风险分子分解的归因方法，实际上它是先把行业配置与风格收益方面的收益影响确定以后，剩下不能解释的就归类为选股能力，这完全是误导。第二，缺乏灵活性。比如在基金公司，对两个基金经理的投资组合进行归因分析，即使两个基金经理管理的投资策略都一样，那么仍有可能得到不同的评价。一个可能被称赞管理得当、投资有方，另一个可能会被责骂，这是为什么？因为虽然他们的管理策略一样，但他们的关注点可能不一样，比如对风险因子的态度不同。此外，不同人使用传统回报归因方法的效果可能也大相径庭。比如高管使用基于风险因子分解的归因方法的效果可能不错，因为从高管的角度，他就可能关注部门的行业配置、风格收益等方面。但如果交由基金经理使用，将该方法应用于分析他们自己的投资组合，则难以判断分析结果的优劣。第三，不能反映投资组合构建时所做的所有投资决策。投资组合构造是一件很复杂的事情，投资策略可能几十种，只靠简单的分解成行业配置、风格收益、选股能力等因素，难以涵盖所有的投资决策。

（二）EPM回报和风险归因

      EPM框架下的归因方法是根据投资决策来分解投资组合权重。有多少种投资决策，就能对应多少种组合分解。这种分解也是多方面的，除了前述的行业配置、风格收益及选股能力等因素，还包括一些其他的因素。比如，EPM归因可以分析出投资组合对行业的选择，是选风险高的还是风险低的。

      EPM归因方法的主要好处在于三个方面。一是每个回报源都由有效因子模拟组合唯一确定。二是投资决策与有效因子模拟组合的风险敞口是一一对应的。什么是有效因子模拟组合？这种组合对目标投资决策的风险暴露是0，而对其他投资决策的风险暴露是0。三是回报源与风险源是相同的，阿尔法和贝塔能有效地分离。构造投资组合时一般先建立池子，然后在池中进行选股，而后决定股票的权重，最后与标的行业进行对比（低配、中性、超配）。实际上，有效因子模拟组合是与所构建的池子有关，与池中的股票及其权重无关。因此，只要给定池子，就能构造出回报源的有效因子模拟组合。在构造投资组合时，实际上也在构造这个组合对于有效因子模拟组合的敞口。

      这个组合的权重该如何分解？组合权重首先是分解成贝塔权重、阿尔法权重以及剩余部分。如果所构造的组合是最优化的组合，则剩余部分应是0。贝塔部分的权重又分解为政策权重（Policy Weights）和管理者超配权重（Manager Excess Weights），然后向下的分解可以再具体。而阿尔法部分的权重则根据投资决策进行一一分解。实际上，传统的组合权重分解是一个4层的塔状，下图只显示了3层（见图4），上面一层是通过下面一层汇总而来。

 

图4 组合权重分解

（三）罗素1000指数案例

      以基于罗素1000指数所构建的投资组合为例，进行EPM归因分析。罗素1000指数主要追踪1000个在美国交易市场中市值最大的公司，并通过股票价格加权平均数而编定。这个组合也是实际在应用的组合。通过商用分析软件进行运算分析，可得以下信息表格（见图5）。首先是投资决策，针对不同行业部门有不同权重的决策（Sector Weight），一共是10个。其次是关于风险因子（Risk Factor）的模型，共有14个风险因子，对应14个决策。总共24个投资决策。再次是阿尔法因子（Alpha Factor），该组合应用了十几个阿尔法因子来进行选股。最后是剩余部分，如前所述，若是最优化的组合，则剩余部分为0。

      从下图可以得知，总的超额收益（Excess Return）是后四个部分的总和。具体而言，投资决策中市场风险因子（Risk Factor-MKT）的收益是-0.42%，所构造组合的敞口减去标的的敞口的收益是2.39%，而组合的超额收益是-1%（即前两者相乘）。再如信息比率贡献（Information Rate Contribution）的分解。独立的信息比率（Information Rate）=超额收益（Excess Return）/跟踪误差（Tracking Error）。信息比率贡献=独立的信息比率×跟踪误差贡献（Tracking Error Contribution）×风险分散（Diversification）。

 

图5 组合归因分析案例

 

      根据上述运算结果，可对投资组合进行归因分析（见表1）。总体而言，2020年7月，该投资组合总回报率为6.27%，罗素1000回报率为5.99%，超额收益为0.28%（见表1）。EPM归因分析显示，行业配置和风格超额收益分别是0.04%与0.42%，选股和剩余超额收益分别是0.22%与-0.39%。EPM归因分析显示基金经理确实具有一定的选股能力。然而，在基于风险因子分解的归因分析中，得出的结论是选股能力带来的超额收益是-0.17%，原因在于这种分析方法将选股能力与其他因素带来的超额收益混为一谈了。此示例说明传统回报归因方法有可能提供不正确的结果，这是因为它们的分析没有包含所有的投资决策，也不能如EPM归因分析一般将阿尔法决策与贝塔决策有效地分离。

表1 回报归因

	Total	Sector Weight	Risk Factor	Alpha Factor	Residual
Portfolio	6.27	5.75	0.61	0.63	-0.71
Benchmark	5.99	5.71	0.19	0.41	-0.32
Excess Return	0.28	0.04	0.42	0.22	-0.39

（四）EPM归因特点

      总结一下EPM归因方法的特点。一是能准确地识别选股能力。二是回报源与风险源相同。从前文的表中也可以看出，不管是信息比率，还是风险因子，回报与风险分析都在同一框架下。三是阿尔法与贝塔可以分离。四是可以支持事前和事后分析。

      基于组合权重分解的归因，如果选择外部经理来操作，由于其不知道组合权重的细节，有可能无法进行。但实际上这个问题也可以解决，EPM归因分析可以选择基于回报归因，其还可以用于基本面的分析。此外，不仅是基金经理可以使用EPM归因方法，还可扩展至整个企业组织。就如之前的结论一样，这样就可以将最底层的分析结果汇总以进行总体分析。

五、结论

      企业投资管理是在解决行业问题的基础上建立的。首先发现问题，即观察到整个行业多年前就存在一些主要问题。其次夯实理论，即基于投资管理的研究去注重如何解决实际问题。最后落地实践，以建立一个全新的投资组合管理框架和策略。应用EPM框架，企业可以达到以下目标：

      一是自下而上地将组合构建、组合管理以及风险管理集成一体，不像过去那么分散化，以至于不能将分析结果汇总。

      二是使得基金经理、分析员、咨询顾问和客户之间的沟通更清晰、更精确。我有过亲身经历，提供给客户的软件中一些关键参数不正确，以至于客户提出异议。另外，我也经历过分析系统出现问题而向客户赔钱的情况。

      三是可增加公司的竞争力。根据我的观察，一般而言，系统构建完善、管理制度完备、沟通机制通畅的企业，其收益率是较为稳定的。反之则可能不太稳定。

      四是结合大数据中心能增加额外的价值。现在好多公司在建设大数据中心，如果同时搭建企业投资组合管理框架，则可以带来更多的收益。以我以前的工作经历来看，某公司的固定收益投资部门从2001年就开始搭建自身的系统，并在发展中不断完善。可以说，在固定收益投资领域，他们是从底部一步步向上积累的，整个系统和流程的建设十分投入。如果公司的CEO想关注某种投资策略在特定的宏观条件下产生的风险，他们可以马上去搭建、测试、构造模型并分析结果，效率与业绩齐头并进。

      当然，建立企业投资组合框架并不需要企业更改原有的组织结构，因为EPM框架完全是建立在旧的框架之上的。

责任编辑：冉鑫

来源：TGES2020周末在线前沿讲座