2018，动量思想与大宗商品的战术配置价值——基于Black-Litterman模型，《经济理论与经济管理》第10期。

2018，资产配置模型的选择:回报、风险抑或二者兼具，《统计研究》第07期。

2017，股票回报与经济增长的相关性之谜——基于跨国数据的分析，《投资研究》第11期。

2017，大类资产配置中各类资产最优代表选择的研究，《金融理论与实践》第9期。

一、对股票回报与经济增长的相关性的研究

      在《股票回报与经济增长的相关性之谜——基于跨国数据的分析》（2017）一文中，黄先生通过使用全球30个主要经济体的GDP增速和股票市场回报数据,讨论了不同时间长度下的GDP增速和股票回报之间的相关性。研究表明,该比例可以解释GDP增速与股票回报的相关性随着时间区间拉长而变大并且更加显著的现象。具体来说,随着时间区间拉长,相应时间区间的GDP增速中的预期外增速比例越来越高,因此,从经济学意义上讲,这意味着,未被预期到的经济活动越来越多,这使得相应区间的股票回报和GDP增速的相关性变得更大而且更加显著。

      他通过构建预期外增速比例（Surprise Ratio）来衡量一个经济体GDP增速中预期外的比例。研究表明，通过对该比例的理解，可以解释GDP增速与股票回报的相关性随着时间区间拉长而变大并且更加显著的现象。他发现，随着时间区间拉长，比如时间区间是 1 年，2 年，3 年和 5 年，则相应区间的GDP增速中的预期外增速比例越来越高，因此，从经济学意义上讲，这意味着，未被预期到的经济活动的变化越来越多，这使得股票回报的相关性和相应区间的GDP增速的相关性变得更大而且更加显著。而且他的面板数据分析发现，股票回报和预期外GDP增速的确具有显著正相关关系。

      黄先生认为应当用上一期的GDP增速作为下一期GDP增速的预期值检验研究假说。如果换做其他预期形成方式，不管该预期形成方式是更加接近真实的GDP增速，还是更加偏离真实的GDP增速，都会出现这种情况：给定任意预期形成方式，对于时间区间越长的GDP增速，其偏离度应该是越大的。因为从技术上来讲，准确预期五年期的GDP增速的难度要大于一年期的GDP增速。所以，换做其他预期形成方式，，时间区间越长的GDP增速的预期外GDP增速占比越大，进而时间越长的GDP增速与股票回报的相关性越大。

      他的研究进一步告诉投资者，GDP增速本身不重要，重要的要将GDP增速和预期GDP增速进行比较。股票回报只会对预期外的GDP增速有反应。黄先生的研究难点在于如何选择GDP增速的预期值，考虑到数据的可得性，他选择了上一期GDP增速作为当期GDP增速的预期。而且通过面板数据回归分析表明，在所选时间区间内，预期外增速和股票回报表现为显著正相关关系。从实际投资实践的来说，直接用上一期GDP增速作为当期GDP增速的预期具有很强的实践可操作性。

      来源：2017，股票回报与经济增长的相关性之谜——基于跨国数据的分析，《投资研究》第11期

二、对大类资产配置的研究分析

      在论文《动量思想与大宗商品的战术配置价值——基于BLack-Litterman模型》（2017）中，黄先生讨论了大宗商品的战术资产配置价值。通过利用1973-2016年的季度数据，他同研究伙伴共同提出了基于动量思想的BLack-Litterman配置模型。该配置模型表明，在传统股票债券组合中加入GSCI大宗商品指数会明显改善组合的回报。在适当的策略周期下，加入大宗商品指数还能够提高组合的夏普比。这表明，大宗商品指数的战术配置价值明显。与其他常见的配置模型相比，基于动量思想的BLack-Litterman模型表现相对较好。上述发现在经过交易成本调整后仍然成立。

      他强调，随着跟踪大宗商品走势的金融产品不断丰富，投资大宗商品已经成为众多机构投资者扩展投资机会、提高组合回报的选择之一。在传统股票和债券的配置组合中，加入大宗商品是否会提高组合的回报以及夏普比是投资者关心的问题。但是考虑到大宗商品价格走势的特征，这个答案并不显而易见。大宗商品的价格不仅波动率大，另一个显著特征是大周期和小趋势。以ＧＳＣＩ大宗商品指数为例，从很长的历史经验来看，大宗商品的风险回报很低。这为长期配置大宗商品提出了挑战。

      他同时指出，大宗商品长期均衡的风险回报很低并不妨碍其具有很强的战术资产配置价值。观察到大宗商品指数和股票指数一样，表现出明显的周期波动，而且大宗商品的周期和股票、债券的周期的相关性很低。黄先生认为上述特点为在大类资产配置中使用动量策略带来两点优势：

      （一）能够捕捉单一资产的短期价格上涨周期的超额收益；

      （二）利用资产价格周期之间的低相关性大幅改善动量策略在面临资产牛熊切换时候的表现。

      他将动量思想嵌入ＢＬ模型中，以动量策略的思想形成ＢＬ模型的主观观点：过去一定策略周期内表现好的资产在未来一定时期内相对表现依旧领先。配置结果表明，加入大宗商品指数能够显著改善传统股债组合的回报，而且在特定策略周期下还能够提高夏普比。可以说，通过选择合适的策略周期，基于动量思想的ＢＬ模型下，大宗商品指数的加入能够改善投资组合的回报。而且对于风险偏好较高的投资者，也就是对组合波动容忍度高的投资者，以该方式配置大宗商品不失为一个比较好的选择。

      在论文《大类资产配置中各类资产最优代表选择的研究》（2017）中，黄先生指出，目前有关资产配置的理论和实践研究中，对资产类代表的研究并不清楚。大部分研究都是采用常用的和被普遍认可的指数来代表某类资产，但是同一个资产类有很多类似的指数，选取哪个指数作为该类资产的代表缺乏理论依据和实证分析。可以使得投资组合结果最优的指数是资产的最优代表，所以通过分析各类资产的常用指数所可能构成的投资组合的收益和夏普比率来确定代表每类资产的指数。在中国市场、美国市场和全球市场分别找到了权益类资产、固定收益类资产和大宗商品类资产的最优代表指数。对资产配置理论的资产类别分析有一定的贡献，也给投资者提供了资产配置中各类资产的追踪标的的理论依据。

      他围绕这个方面得出了如下研究结论：

      （一）选出的最优组合的代表指数的净值表现较好；

      （二）用收益率指标筛选代表指数会比夏普比率指标更加稳健；

      （三）风险平价方法的配置结果比均值-方差方法的配置结果更加稳健；

      （四）增加资产的持有期限（减少换仓频率）会明显地使得结果更加稳健，在持有三年的资产配置中能够找到大概率下最优的组合。

      在论文《资产配置模型的选择:回报、风险抑或二者兼具》（2017）中，黄先生从资产回报的可预测性出发，认为基于回报的均值方差模型和近些年广为流行的基于风险的配置模型都有一定程度的改进空间。以均值方差模型为代表的基于回报的配置模型忽略了预测误差，并且表现出对输入参数比较敏感的缺点。而基于风险的配置模型完全放弃回报的做法，把得到大量研究支持的回报可预测性视而不见。

      他指出，一个很自然的问题是，资产的回报是否重要以及如何使用回报信息成为资产配置研究中的重大问题。为此，黄先生提出了经过贝叶斯 VAR 回报预测改进的 BLack-Litterman( 贝叶斯 BL) 模型来应对上述问题。利用最长时间序列的美国股票和债券指数数据，本文研究发现，相比传统的均值方差模型，贝叶斯 BL 模型表现出更好的风险控制能力; 而相比以风险平价为代表的基于风险的配置模型，贝叶斯 BL 模型表现出增强回报的特征。因此，该模型表现出增强回报和控制风险兼具的优点，可以作为未来资产配置研究的新方向。

      他同时指出，贝叶斯 BL 模型具有这些特点的内在原因在于两点: 首先，相对于传统的均值方差模型，贝叶斯 VAR 回报预测模型比传统的 OLSVAR 预测模型更好地考虑了预测误差，一定程度上提高了预测精度; 另一方面，借助组合波动率控制能力优秀的风险平价模型作为组合配置基准显著降低了组合极端权重的频率。其次，相比以风险平价为代表的基于风险的配置模型，贝叶斯 BL 模型没有放弃回报这一维度，而是利用了贝叶斯 VAR 模型的回报预测信息进而取得了比风险平价模型更高的回报。

      总体来说，通过将贝叶斯 BL 模型与常见配置模型的比较分析，黄先生的研究不仅重建了回报这一维度在资产配置的重要性，而且还告诉投资者应该如何使用回报这一维度。结合实证结果，他认为，以风险平价为基准，借助贝叶 VAR 模型的回报预测构建主观观点的 BL 模型能够将风险平价的风险控制以及贝叶斯预测模型的回报增强相结合，是一条具有潜力的资产配置新方案。

      来源：

      [1]2018，动量思想与大宗商品的战术配置价值——基于BLack-Litterman模型，《经济理论与 经济管理》第10期

      [2]2018，资产配置模型的选择:回报、风险抑或二者兼具，《统计研究》第07期

      [3]2017，大类资产配置中各类资产最优代表选择的研究，《金融理论与实践》第9期