华泰 | 金工：全球配置ETF组合 - 策略与应用

全球配置ETF组合收益稳健，回撤相对可控，符合绝对收益型产品特征

在华泰金工海外市场产品系列研究中，我们已经对美国、印度、越南等海外金融市场做了概括性介绍，尤其是对各市场的ETF产品做了细致梳理。本文在前期海外市场产品系列研究的基础上，构建了一个全球分散投资的ETF组合，力图为投资者提供一个“一键式”全球配置的解决方案。策略核心逻辑是结合周期模型、动量模型和风险预算模型，在全球主要股、债、商、汇资产上实现动态、分散化配置。2014年1月至2024年1月，该组合年化收益率8.20%，年化波动率4.08%，夏普比2.01，最大回撤5.51%，历史净值平稳向上，波动较小，回撤相对可控，符合绝对收益型产品特征。

样本空间：立足中美、全球分散，并且针对性引入外汇资产

组合样本空间一共包含24个ETF，一键打包了全球优质的、代表性强的主流标的：1、底层资产主要来自中国和美国上市ETF，数量分别为7、14个；2、结合此前海外市场产品系列研究的成果，分别引入日本、印度、越南等地上市的代表性股票ETF；3、样本空间以股、债、商为主体，其中，股票资产均衡覆盖了发达市场和新兴市场；债券资产覆盖了中、美不同久期的国债；商品资产包含了贵金属、有色金属、能源、农产品板块的代表性品种；4、在传统股债商资产的基础上，引入美元指数ETF这一外汇资产，补全了滞胀环境下的配置缺口，提升了策略的全天候表现能力。

收益端：周期模型捕捉大类资产轮动规律，动量模型筛选强势细分资产

策略以风险预算模型为基础，结合战略配置和战术配置模块，综合确定组合权重：1、战略配置：基于华泰周期模型预测股、债、商、汇四大类资产的排序，根据经济周期轮动规律来决定超配股票和商品类风险资产，还是债券、外汇类避险资产，获取大类资产轮动的收益；2、战术配置：采用多维度、多期限的综合动量模型筛选强势细分资产，获取细分资产轮动的收益；3、组合构建：结合周期战略配置观点和动量战术配置观点，采用风险预算模型求解组合调仓目标权重。

风险端： 日度波控 机制应对黑天鹅风险，多路径 调仓降 低交易拥挤风险

策略风控端主要包含两个模块：1、日度波控模块：每天监控组合的运行情况，一旦组合实时波动率高于预警门限，则等比例调低组合仓位，避免净值大起大落，提升组合在黑天鹅风险下的稳健性；2、多路径调仓模块：策略采用月度调仓，但权重计算和调仓执行分散在多条不同的路径上。一方面，调仓执行分散在多个交易日，降低了调仓冲击成本和交易拥挤风险；另一方面，引入多条路径，意味着有更多的样本来优化参数，降低了过拟合风险。

最新持仓：周期 模型切换至防御状态， 债券 类避险资产权重较高

根据最新数据：1、周期信号大类资产预测排序相较于前期出现变化，其中，2023年10月至2025年1月周期预测排序中股票和商品类风险资产处于前两名，而2025年2月最新预测中，债券和外汇类资产处于前两名；2、综合动量模型剔除了印度NIFTY50、20+年美债、Brent原油三个资产；3、最终得到的组合权重中，股票、债券、商品、外汇类资产的占比分别为15.35%、64.81%、7.30%、6.79%。债券类避险资产占据主导，而且10年中债因为波动率较低导致目标权重超过上限值20%而触发截断，多出来的仓位平均分配给了四个现金资产。

风险提示：模型根据历史规律总结，历史规律可能失效。市场出现超预期波动，导致拥挤交易。报告中涉及到的具体资产不代表任何投资意见，请投资者谨慎、理性地看待。

本文研究导读

在华泰金工海外市场产品系列研究中，我们已经对美国、印度、越南等海外金融市场做了概括性介绍，尤其是对各市场的ETF产品做了细致梳理。本文在这些研究成果的基础上，构建了一个全球分散投资的ETF组合，力图为投资者提供一个“一键式”全球配置的解决方案。

后文内容主要分两部分展开：第一部分主要介绍全球配置ETF组合的构建逻辑，包含样本空间、周期战略配置、动量战术配置、风险预算模型、日度波控模型、多路径调仓等核心模块；第二部分主要介绍全球配置ETF组合的实证表现，包括业绩分析、归因分析、持仓分析和最新持仓情况。

全球配置ETF组合策略构建逻辑

全球配置ETF组合的核心逻辑是结合周期模型、动量模型和风险预算模型，在全球主要的股、债、商、汇资产上实现动态、分散化配置。核心模块如下：

1. 样本空间 ：组合以中国、美国上市的ETF为主，结合此前海外市场产品系列研究的成果，分别引入了日本、印度、越南等地上市的ETF。一键打包了全球优质的、代表性强的主流资产。

2. 战略配置 ：基于华泰周期模型预测股、债、商、汇四大类资产的排序，根据经济周期轮动规律来决定超配股票和商品类风险资产，还是债券、外汇类避险资产，获取大类资产轮动的收益。

3. 战术配置 ：采用多维度、多期限的综合动量模型筛选强势细分资产，未被选中的资产不配置，以此获取细分资产轮动的收益。

4. 组合构建 ：结合周期战略配置观点和动量战术配置观点，采用风险预算模型求解组合调仓目标权重。

5. 日度波控 ： 每天监控组合的运行情况，一旦组合波动率高于预警门限，则等比例调低组合仓位，提升组合在黑天鹅风险下的稳健性。

6. 多路径调仓： 策略采用月度调仓，权重计算和调仓执行分散在多条不同的路径上。一方面，调仓执行分散在多个交易日，降低了交易冲击成本；另一方面，引入多条路径，意味着有更多的样本来优化参数，降低了过拟合风险。

后文中，我们将逐个介绍上述6个核心模块的实现逻辑。

样本空间：立足中美，全球分散

组合样本空间一共包含24个ETF，一键打包了全球优质的、代表性强的主流标的：

1. 立足中美 ：组合底层资产主要来自中国和美国上市ETF，数量分别为7个、14个。

2. 全球分散 ：结合此前海外市场产品系列研究的成果，分别引入日本、印度、越南等地上市的代表性股票ETF。其中，印度NIFTY50 ETF和越南DIANMON ETF都是当地市场上规模最大、流动性最强的ETF。前者包含了印度上市的规模最大、流动性最好的50支股票；后者颇具特色，它并非传统的市值选股宽基ETF，而是基于外资持仓份额占比来构建成分股集合，换言之，该ETF代表了外资的持仓偏好，长期业绩表现较优，具体数据可参见报告《越南投资攻略：资本市场及投资工具》（2024-11-10）。

3. 股债商为主体 ：样本空间以股、债、商三类资产为主体，数量分别为8个、7个、4个，分布相对均衡。其中，股票资产均衡覆盖了发达市场（美国、欧洲、日本）和新兴市场（中国、印度、越南）；债券资产覆盖了中、美不同久期的国债ETF；商品资产包含了贵金属、有色金属、能源、农产品板块的代表性品种。

4. 针对性引入外汇资产 ：在传统股债商资产的基础上，引入美元指数ETF这一外汇资产，补全了滞胀环境下的配置缺口，提升了策略的全天候表现能力。

5. 现金类资产不主动配置，仅有当非现金资产的配置权重超过上限值，或组合波动率高于预警值而调降仓位时，才会被动配置现金资产。

对于各底层资产，后文回测中参数设置如下：

1. 数据填充 ：为了拉长回测区间，所有ETF成立之前的收益率用跟踪指数来填充。

2. 汇率口径对齐 ：交易货币非人民币的ETF，统一换算成人民币计价口径进行回测。

周期模型：战略配置模块，根据系统周期状态确定大类资产排序

本策略采用经济周期模型作为战略配置模块，通过预测股、债、商、汇四大类资产的收益排序来分配不同的风险预算，获取大类资产轮动的收益。具体做法如下：1、全球范围内优选股票、债券、商品、外汇四类资产的代表性标的，将这些标的资产的同比序列进行合成，得到表征各大类资产走势的同比序列；2、对大类资产的同比序列进行傅里叶变换、周期提取（42个月、100个月、200个月）和信号合成，构建统一的周期定价因子；3、基于周期定价因子，对大类资产同比序列进行回归拟合预测，得到四类资产未来收益的预测排序，进而分配不同的风险预算。关于周期理论的验证、起源、逻辑和应用，可参见报告《经济周期实证、理论及应用》（2024-01-10）。

为了更清晰地展示周期预测排序的规律，我们将排序1、2、3、4名的资产权重分别设定为66.6%、33.3%、0%、0%。结果显示，周期模型历史持仓基本上是以2年左右的频率在进攻资产（股票、商品）和防守资产（债券、美元）间轮动配置，也即根据经济周期轮动规律来决定超配股票和商品类风险资产，还是债券、外汇类避险资产。

为了展示周期预测的准确性，分别测试配置周期预测前两名和后两名组合的业绩表现，可以看到历史上分化较为显著，周期预测前两名的资产往往能提供更高的收益。

综合动量模型：战术配置模块，多维度、多期限动量因子筛选强势细分资产

本策略采用综合动量模型作为战术配置模块，通过多个不同窗长、不同构建方式的动量因子综合打分，来筛选强势细分资产，未被选中的资产则不配置。

为什么采用多个不同窗长的动量因子进行复合？主要是通过分散来降低过拟合风险，构建更为均衡的组合。我们测算了每一年，不同窗长的收益率动量因子表现排序（当年收益越高，排序数越靠前），可以看到每年表现靠前的因子窗长是动态变化的，并且没有清晰的规律，所以不能根据全局回测结果来确定某个特定的最优窗长参数（过拟合风险高），更合理的做法是采用多个分散的窗长综合打分。

风险预算模型：结合周期战略配置观点和动量战术配置观点，求解资产权重

结合周期战略配置观点和动量战术配置观点，采用风险预算模型求解组合调仓目标权重。风险预算模型是风险平价模型的变体：1、同样的风险预算下，波动率越高的资产权重越低，波动率越低的资产权重越高；2、同样的波动率下，风险预算越高的资产权重越高，风险预算越低的资产权重越低。

日度波控模型：实时监测组合波动，应对“黑天鹅”风险

本策略采用日度波控机制来管理风险，也即每天监控组合的波动率，当实时波动率高于预警值时，等比例调低组合仓位（多出来的资金等权配置四个现金类资产），避免净值大起大落，提升组合在黑天鹅风险下的稳健性。

多路径调仓机制：平滑调仓冲击成本，降低路径依赖和过拟合风险

策略采用月度调仓，并且将目标权重计算和调仓分散在3条相互独立的路径上，可以近似理解为将资金分为三份独立运作，每份资金的权重计算日和调仓日是相互独立的。这样一方面降低了交易拥挤风险，另一方面引入了更多样本进行参数优化，过拟合风险自然更低。

全球配置ETF组合实证分析

后文回测中，统一设定回测区间为2014年1月7日至2025年1月31日，交易费率为单边万三。我们将从业绩、归因、持仓三个维度评估全球配置ETF组合的表现。

业绩分析：收益稳健，回撤相对可控，符合绝对收益型产品特征

策略全局年化收益率8.20%，夏普比2.01，最大回撤5.51%，历史净值平稳向上，回撤相对可控，符合绝对收益型产品特征。此外，分区间对比来看，策略2020年之前和2020年之后的年化收益率分别为8.12%、8.29%，和全局年化收益相仿，业绩较为稳健。

策略历史上一共有5次幅度超过3%的回撤，其中：

1. 最大回撤发生在2020年2月20日至2020年3月18日，回撤幅度5.51%，当时的宏观背景是新冠疫情爆发，包括美股在内的风险资产均出现大幅下跌，拖累了策略表现，不过4个月后策略就再创新高。

2. 其他四次回撤的跌幅都小于5%，并且再创新高的时间都不超过100天。

3. 历次回撤发生后，策略在最低点开始反弹的上涨斜率也比较高，20天、60天涨幅折算成年化收益后都高于全局年化收益率。这意味着，当策略出现大幅回撤时，反而是性价比较高的介入时机。

从年度表现来看：

1. 过去11个完整的自然年度中，策略均获得正收益。

2. 最低年收益是2022年，策略上涨3.29%。主要是因为美联储在2022年3月开始就持续、大幅加息，海外股票、债券资产均出现不同程度的下跌，拖累了策略表现。

3. 最高年收益是2024年，策略上涨13.43%，2023年的收益也超过10%。主要是因为近两年海外股指、中国国债、黄金等资产的趋势持续性强，动量模型容易持续配置这些强势资产，而周期模型又处于扩张状态，股票和商品类进攻资产分配了更高的风险预算。

从月度表现来看，过去133个月中有94个月录得正收益，占比超70%，月均收益0.67%，最长连续上涨月份数为9，最长连续下跌月份数为5，业绩表现稳健。

从滚动收益来看，策略滚动1年收益率为正的占比为99.96%，其中，最低收益为-0.1%，发生在2018年2月9日。分别以银华日利ETF、10年中债ETF、沪深300ETF代表现金、债券、股票资产，其2014年以来的年化收益率分别为2.63%、4.69%、6.58%，而策略滚动1年收益率跑赢现金、债券、股票代表性ETF年化收益率的概率分别为95.40%、82.54%、64.02%，整体而言胜率较高。

归因分析：非现金类资产均贡献正收益，股票和债券资产是主要收益来源

计算回测期内各资产的收益贡献并归一化，核心结论如下：

1. 非现金类资产和现金资产贡献的收益分别为99.3%、0.7%，收益主要来源于非现金资产，现金类资产只会在组合目标波动、资产权重上限约束触发时才会被动配置。

2. 非现金资产中，所有标的都能贡献正收益，并且收益贡献和其回测期内年化收益率呈现出正相关关系，其中：

收益贡献最高的五个资产分别是纳斯达克、标普500、美元指数、30年中债、10年中债，收益贡献分别为15.69%、14.57%、13.37%、10.97%、9.70%，累计贡献超50%，其中，前三个标的都分配了更高的初始风险预算。

收益贡献最低的五个资产分别是Brent原油、沪深300、铜、20+年美债、7-10年美债，收益贡献分别为0.45%、0.74%、0.89%、1.27%、1.48%，均是回测期内长期业绩偏弱的品种。

3. 大类资产层面，股票和债券的贡献都超过30%，商品和外汇的贡献均低于20%。通常而言，以分散投资为核心的资产配置模型收益主要来源于股票、债券这一类有长期carry的品种，但商品和外汇在分散风险方面也大有裨益。

计算各模块的归因贡献，分为四个场景：

1. 纯风险平价，既不引入周期信号，也不引入动量信号，直接风险平价配置所有资产。

2. 仅引入周期信号调整大类资产预算，但是不引入动量信号筛选细分资产（也即全配）。

3. 仅引入动量信号筛选细分资产，但是不引入周期信号调整大类资产预算。

4. 同时引入周期信号和动量信号，也即策略的最终形态。

从多个维度都可以看出周期和动量模块均对策略业绩有提振作用：

1. 相比纯风险平价，单独引入周期信号和动量信号的年化收益率分别提升1.08%、0.97%。

2. 相比于单独引入周期和动量信号，最终策略的年化收益率分别提升0.72%、0.83%。

3. 从年度收益来看，同时引入周期和动量信号在2014、2017、2018、2021、2022、2023年都是最优的；周期信号和动量信号在2016、2020年的收益有显著分化，同时结合两个信号能获得更稳健的业绩表现。

持仓分析：大类权重呈现出进攻和防守切换的特征，细类资产充分分散

策略历史持仓中，最高仓位100%，最低仓位36.11%，平均仓位91.92%，说明大部分时间策略都是高仓位运作，只有在波动率过高（比如2020年）或底层资产超出权重上限时才会被动配置现金资产。大类资产层面，进攻资产（股票+商品）和防守资产（债券+美元）之间呈现出清晰的切换特征，在周期处于扩张状态的16-17年、20-21年、23-24年，风险资产的权重明显抬升。细分资产层面，持仓相对分散，除了1-3年美债、10年中债、30年中债、美元指数等少数波动较低的资产外，大部分资产历史上都不曾触发权重上限约束。

最新持仓：周期模型切换至防御状态，债券类避险资产权重较高

根据2025年2月最新数据：

1. 周期信号已经发生趋势性转变，其中，2023年10月至2025年1月周期预测排序中股票和商品类风险资产处于前两名，而2025年2月最新预测中，周期状态已经由进攻切换至防御状态，债券和外汇类资产处于前两名。

2. 综合动量模型剔除了印度NIFTY50、20+年美债、Brent原油三个资产。

3. 最终得到的组合权重中，股票、债券、商品、外汇类资产的占比分别为15.35%、64.81%、7.30%、6.79%。债券资产占据主导，而且10年中债因为波动率较低导致目标权重超过上限值20%而触发截断，多出来的仓位平均分配给了四个现金资产。

风险提示

模型根据历史规律总结，历史规律可能失效。市场出现超预期波动，导致拥挤交易。报告中涉及到的具体资产不代表任何投资意见，请投资者谨慎、理性地看待。