主被动结合的大类资产配置新思路：从宏观友好度评分到BL模型观点矩阵

类资产配置专题报告证券研究报告2024.03.11类资产配置专题报告证券研究报告2024.03.11大类资产配置研究报告作者廖静池(分析师)从宏观友好度评分到BL模型观点矩阵——主被动结合的大类资产配置新思路本报告导读：本文是融合主、被动大类资产配置研究方法的一次有价值的尝试。我们以观点矩阵为.主动分析框架：宏观友好度评分指标系的本质是搭建宏观经济预期与资产收益率预期间的映射关系。基于对投资时钟和周期嵌套模型的理解，我们将某个经济体的某类短周期的环境压力大小进行量化，从而形成若干个具有鲜明周期特色的底层宏观因子。然后综合考虑相关性和经济学逻辑将多个底层宏观因子合成为针对某类资产或风格宏观友好度评分指标。即为各类资产定制了专属的宏观基本层面量化指标，将宏观经济一致预期“翻译”为资产收益率的预期，成为设置BL模型主观观点矩阵的重要依据。.被动分析框架：量化配置模型可以帮助投资者进行多资产比较和投资组合权重分配。1990年，高盛的FisherBlack和RobertLitterman对MVO进行改进，开发了Black-Litterman模型（简称BL模型并于1992年将其发表，后被业内广泛使用。BL模型采用贝叶斯理论将主观观点与量化配置模型有机结合起来，通过投资者对市场的分析预测资产收益，进而优化资产配置权重。含的对宏观周期的展望融入到BL模型中。将宏观友好度评分指标系简单加工形成主观观点，可以与量化配置中的Black-Litterman模型相结合。具体过程起始于将宏观经济指标一致预期转化为宏观友好度评分预期，再转化为各大资产预期收益率，最后融入BL观点矩阵。.结论和配置建议：探索了一条主、被动方法有机结合的大类资产配置研究新途径。在可选资产包括权益（AH美日印德）、债券（中美）、商品、美元、黄金的情况下，引入包括汇率在内的综合宏观友好度评分主观观点的BL模型策略在五年回测期内表现显著优于其他对比策略。该策略年化收益率可达23.1%，夏普比率可以达到1.52。根据模型计算，当前配置仓位集中在日本权益资产，反映了该资产阶段性风险收益比较高、与其他资产相关性较低、宏观基本层面展望稳定或向好等特征。.风险因素：模型设计的主观性，分析维度存在局限性，历史与预期数据存在偏差，市场一致预期调整；黑天鹅事件等可能导致大类资产相关性增加，资产配置组合表现不佳；量化模型基于历史数据构建，而历史规律存在失效风险。证书编号证书编号王大霁(分析师)证书编号证书编号王子翌(分析师)证书编号证书编号张雪杰(分析师)证书编号证书编号朱惠东(研究助理)证书编号证书编号相关报告相关报告高处不胜寒：近期美股减持典型案例分析2024.03.112024.02.292024.02.212024.02.052024.01.29请务必阅读正文之后的免责条款部分大类资产配置专题报告22of351.1.宏观友好度评分指标系将投资时钟与宏观因子进行融合 31.2.底层宏观因子是搭建各类资产友好度评分的原材料 42.BL配置模型回顾：通过主观观 82.1.均值-方差模型开启了量化配置时代 82.2.BL模型改善了MVO模型实践中 82.3.BL模型的主要实现步骤 9 92.3.2.第二步：投资者的主观观点 2.3.3.第三步：结合先验分布和主观观点得到后验分布 2.3.4.第四步：使用后验分布求解投资权重 3.参考宏观友好度评分指标系设置BL模型观点矩阵 3.1.大部分目标资产直接根据宏观友好度评分设定主观观点 3.2.根据美联储紧缩动力评分指标对美债预期收益进行评分 3.3.黄金相关观点结合初级黄金公式框架进行特殊处理 3.4.对于宏观友好度评分指标尚未完成的资产进行留白处理 4.宏观友好度评分观点对大类配置方案提升明显 4.3.引入汇率的宏观友好度观点可再次提升BL模型效果 7.2.宏观友好度评分对应大类资产预期收益率 7.3.宏观友好度BL模型策略资产配 7.4.引入汇率的宏观友好度观点BL模型策略资产配置权重 大类资产配置专题报告33of35层面量化指标1.1.宏观友好度评分指标系将投资时钟与宏观因子进行融合主要采用自上而下的方法；针对第四层（行业轮动）研究则主要采用自基于对投资时钟和周期嵌套模型的理解，我们将某个经济体的某类周期的环境压力程度进行量化，从而形成若干个具有鲜明周期特色的底层宏观因子进行逆序分位数处理，得到某类周期的宏观友好度评分指标（例评分指标，依据相关关系和经济学逻辑合成为针对某类资产或风格宏观形成主观观点矩阵的重要依据。大类资产配置专题报告44of351.2.底层宏观因子是搭建各类资产友好度评分的原材料底层宏观因子是我们构建各类风格专属宏观友好度因子的原材料，也是下文的分析基础。因子的构建方式并不复杂，我们已在《如何以宏观友的底层宏观因子及对应的周期友好度评分指标未来一年的运行趋势大（1）货币缺口指标震荡上行，对应CN金融周期友好度震荡下行；（7）KR滞销指标震荡走平，对应KR库存周期友40200US金融周期友好度评分US库存周期友好 大类资产配置专题报告底层宏观因子的预测数据基于市场宏观一致预期数据计算得到，具体计表1：底层宏观因子预测方法说明宏观周期宏观因子底层指标宏观因子计算方式预测方式PMI生产、PMI库存(PMI库存－50)－(PMI生产－50)使用彭博提供的GDP与工业增加值宏观一致预期数据并进行拟PMI生产、PMI库存(PMI库存－50)－(PMI生产－50)使用彭博提供的GDP与工业增加值宏观一致预期数据并进行拟印度制造业展望生产增加、印度制造业展望生产降低、印度制造业展望库存增加、印度制造业展望库存减少度制造业展望生产降低）－（印度制造业展望库存增加－印度制使用彭博提供的工业增加值宏观一致预期数据进行拟合预测。韩国库存周期BSI生产、BSI库存BSI库存－BSI生产采用库存滞销指标对韩国工业生产指数、韩国出口同比、OECD综合领先指标G7主成分的滞后项、库存滞销指标滞后项直接使用彭博与万得提供的社融与M2宏观一致预期数据。10年期TIPS收益率10年期TIPS收益率以美联储紧缩动力评分指标的领先性对未来6个月的数据进行拟合预测，而对于未来7-12个月则使用彭博提供的美债名义利率与通胀宏观一致预期数据进行拟合预测。10年期印度国债收益率10年期印度国债收益率－印度主要使用实际利率指标的领先性进行预测，其余部分使用彭博提供的名义利率与CPI通胀宏观一致预期数据进行预测。制造业PMI、CPI、PPI根据波动率调和加权的通胀－制使用彭博提供的GDP与工业增加值宏观一致预期数据并进行拟制造业PMI、CPI、PPI根据波动率调和加权的通胀－制使用彭博提供的GDP与工业增加值宏观一致预期数据并进行拟工作。参考报告宏观友好度构建方法《如何以宏观友好度评分辅助权益仓位管理》+50%×滞销指标+20%×滞胀指标币的相对力度，其逆序百分位数为CN金融周大类资产配置专题报告66of35为美林周期友好度评分。评分越高，中国经济的《择木而栖：A股和港股轮2、HK宏观友好度=67%×CN库存周期友好度评分+33%×US金融周期友好度评分《宏观友好度视角下的中滞销指标+25%×滞胀指标3、10Y美国国债实际利率反映美联储货币政策的宽松程观友好度评分指标》（2024＝（）－（－（《印度权益资产配置展望：＝（业展望生产降低）－（印度制造业展望库存增加－印度制3、IN宏观友好度评分=0.50×IN库存周期友好度评分《债市牛熊背后的周期线逆序百分位数。评分越高，中国债券资产获得正回报的概大类资产配置专题报告77of35（TIPS）《美债实际利率中期向下1、美联储紧缩动力评分=f(-4×失业率指标+5×居民通胀指个月，且解释力度较强，在中长周期维度可以较好拟合和存周期友好度评分+0.2×中国库存周期友好度评分（滞后《人民币兑美元汇率即将该评分在中长周期维度可以较好拟合和预测离岸人民币《印度卢比兑美元汇率的参数对2010年第一季度至2022年第四季度数据进行HP滤波以平滑曲线并进行标准化处理，最后对数据取逆0.5×US金融周期友好度评分上述宏观友好度评分指标仅描述了各类资产以当地货币计价的表现预期，对于使用人民币配置各类海外资产的投资者而言，如果对于海外资产进行外汇风险敞口的完全对冲，则直接使则需综合汇率宏观友好度评分，对海外资产未来表对以人民币计价的印度股票预期收益率进行判断。大类资产配置专题报告2.BL配置模型回顾：通过主观观点改进MVO模型散风险，平抑波动，往往需要进行多资产投资，而量化资产配置模型的使用可以帮助投资者进行多资产比较和投资组合权重分配。国泰君安量马科维茨（HarryMarkowitz）在19将大类资产投资带入到量化配置时代。自此，分散化配置资产以降低整于中长期资金投资，帮助机构投资者进行多资产比较和投资组合权重分2.1.均值-方差模型开启了量化配置时代组合和有效前沿等概念，以简明的方式解释了资产分散化的意义。在均在无风险资产和均值-方差模型有效资产组合中选出最适合投资者风险MVO模型是大类资产配置理论的重要基础，其突出贡献在于1）提出了“约束+最优解”的标准范式来研究资产配置问题2）采用均值风险与收益，指出最优的投资组合并非单纯追求最高收益或最小风险，而是在两者之间找到平衡。均值-方差模型Markowitz提出的均值-方差模型基于以下几个假设：4)投资者是风险厌恶的，并希望让投资组合风险最小，收益最大。5)投资者基于预期收益和收益的标准差或方差做出投资决策。2.2.BL模型改善了MVO模型实践中的不足如作为模型输入参数的资产期望收益率难以准确估计，实际应用效果大打折扣；模型计算结果对输入参数，尤其是预期收益率非常敏感，使得大类资产配置专题报告99of35贝叶斯理论将主观观点与量化配置模型有机结合起来，通过投资者对市Black-Litterman模型的基本原理是基于先验的收益率分布，结合投对收益的预期，两者结合之后，得到新的结合后的分布，然后在此分布市场均衡权重为起点，通过投资者对市场的主观观点调整预期收益，再使用MVO的优化框架得到投资组合。其基本逻辑是益等于市场均衡收益和投资者主观期望收益的加权平均，如果投资者对自己的主观观点信心很大，则主观的期望收益就会被赋予较大的权重，资产的期望收益就会向主观期望收益靠拢；反之，如果投资者对自己主的理论推导与实现细节可以参考国泰君安量化配置团队研究报告《手把2.3.BL模型的主要实现步骤；（；（观观点分布结合，使用贝叶斯方法计算得到资产预期收益的后验估计；未来实际收益率背后，我们只能通过对μ进行估计，得到收益率估计π。大类资产配置专题报告Um=wmTΠ−wmTΣwm，2其大小设定影响了主观观点对模型的影响程度，τ越大，表明投资者的则2.3.2.第二步：投资者的主观观点（1992）假设，不同投资观点之间是没有影响，不相关的。故Ω是一个对角阵，其对角线上每一个元素是观点误差的方差，反映了投资者对该说明投资者对当前市场状态已经有了一定认识，所以主观观点的分布是已知资产的先验分布下的形成的条件分布。此时的观点分布服从条件正P(B|A)~N(Q,Ω)大类资产配置专题报告P(B|A)~N(P−1Q,[PTΩ−1P]−1)2.3.3.第三步：结合先验分布和主观观点得到后验分布P(A|B)~N(,)r~N(,)图3：先验分布和主观观点结合得到后验分布的过程图（第一至三步）样本协方差矩阵样本协方差矩阵风险厌恶系数市值权重观点收益矩阵观点误差矩阵逆向优化得到市场均衡收益和主观观点结合得到后验预期收益分布数据来源：ASTEP-BY-STEPGUIDETOTHEBLACK-LITTERMANMODE(Idzorek,T.2007)大类资产配置专题报告把经过BL模型求出的后验收益率估计和协方差矩阵带入均值-方maxwTw−wTw考虑实际投资中面临限制，在上式最优化问题中常用的约束条件有卖空图4：Black-Litterman模型与MVO模型步骤对比数据来源：国泰君安证券研究大类资产配置专题报告3.参考宏观友好度评分指标系设置BL模型观点矩阵本文的目的是将国泰君安主动配置团队搭建与维护的宏观友好度评分在本文第一章中，我们介绍了国泰君安主动配置团队如何利用底层宏观因子构建各类资产、风格专属宏观友好度的研究框架。下面3.1.大部分目标资产直接根据宏观友好度评分设定主观观点关于可投资的大类资产范围，我们假设国内对于上述资产，我们直接依据宏观友好度评分指标定量设定观点矩阵。致）预期数据，这比获得历史宏观实际数据难度大很多。替代的回测方案有两种，其一是基于历史报告进行“casebycase”的案例分析，缺点是可供案例分析的时间点过于离散，且主观性过强。其二是在后视镜中将某资产的宏观友好度评分的历史实际值视同为某种100%正确的预测进行回测，缺点是即使回测效果非常好，也仅能说明正确的宏观分析具有增益效果，而我们知道宏观预测的难度是较大的。本次由于历史数据所限，我们暂时先采用第二种方案进行回测，主要考虑是数据的客观性、连贯性，以及实践中宏观预测的胜率可以通过修正一致预期和提高修正大类资产配置专题报告预期收益率(宏观友好度评分)这一设置可以较好体现主观观点的逻辑性，在后文的策略回测中也表现定形式，简化BL模型所需的输入变量。对于宏观友好度评分用者和BL模型的初学者非常便利，同时也便于投资者在宏观做法1）与资产先验协方差矩阵成正比2）使用置信区间3）使用因子模型残差的方差4）使用Idzorek（2005）方法。本篇报告我3.2.根据美联储紧缩动力评分指标对美债预期收益进行评分日发布的《美债实际利率中期向下拐点将于春季确认》研究报告中提出美联储紧缩动力评分=f(-0.5×失业率指标+0.6×居民通胀指标+0.3×景气利率往往低于美债名义利率，若需要预测美债名义利率还需加上通胀预我们使用美联储紧缩动力评分指标的逆序百分位数作为近似美债预期3.3.黄金相关观点结合初级黄金公式框架进行特殊处理黄金作为一种特殊的资产，其价格由避险需求和保值需求共同决定，其大类资产配置专题报告可以用实际金价与初级黄金公式计算出的理论基础金价之差推测，某些金价格中包含的避险需求占比处于历史高位。图5：黄金实际价格隐含风险溢价处于历史高位400.0200.00.0这为黄金收益率预测带来更大的难度，也使得宏观友好度评分指标不能险需求(风险溢价)在预测期内维持当前水平，根据黄金保值需求（基本金6个月移动平均月涨跌幅对CRB商品宏观友好度评分R指标和美联储紧缩动力评分指标进行回归，得到：COMEX黄金6M−MA收益率我们使用该线性模型对黄金收益率进行估计，为了与其他资产观点保持统一，我们使用线性回归模型预测收益率的顺序百分位数作为简化版黄3.4.对于宏观友好度评分指标尚未完成的资产进行留白处理大类资产配置专题报告宏观友好度评分及宏观友好度评分所对应的预期收益率详细数据参见4.宏观友好度评分观点对大类配置方案提升明显4.1.资产选择和模型主要参数设定主观观点构建完成后，我们开始使用BL模型构建月度资产配置策略。无风险利率设定为货币基金指数。我们每月末使用BL模型对各类资产说明：海外资产均经过人民币计价调整。代表指数构建方式万得全A由京沪深三地交易所全部A股组成，指数以万得代表印度股市的表现，包含了孟买证券交易所上市的30家主要代表了在法兰克福证券交易所上市的达到一定实力和盈利能力的该指数成份券由银行间市场、柜台以及交易所市场流通的记账式也是中债指数应用最广泛指数之一追踪以美元计价的债券的总回报表现，包括利息收入和值变动。它涵盖了多种类型的债券，包括政府债、企业债、高收益债等，是投资者评估美元计价债券市场整体表现的一个重要工一个衡量全球商品市场表现的指数，包括了能源、金属、农产品指中国人民银行公布的美元对人民币的交易中间价，反映了人民纽约商品交易所(隶属于芝加哥商业交易所集团)中的一个交易品种，经常被称为纽约金，属于美式黄金交易。大多以买卖期货及大类资产配置专题报告在这里我们沿用了国泰君安量化配置团队研究报告《手把手教你实现表4：Black-Litterman模型参数设定方法2019/01/2-2024/02/29每月月末最后一个交易日投资范围主观观点构建方法无无4.2.引入主观观点后BL模型策略效果得到提升益率，历史动量的使用可能对策略表现起到较大影响，在该策略中通过策略回测对比可以发现，引入宏观友好度主观观点的BL模大类资产配置专题报告22此外，为了保障模型策略的适用性和可对比好度观点BL模型策略年化收益可以达到29.3%，但放开做空限制后策略波动增加，夏普比率下降至0.50。图6：宏观友好度观点BL模型策略表现优于对比策略，年化收02018-12-282019-12-282020-12-282021-12-282022-12-282023-12-28表5：宏观友好度观点BL模型策略的分年表现整体优于两类对比策略策略策略名称等权参照组合BL模型-1M平均收益观点BL模型-宏观友好度观点年份年份年化最大年化夏普年化最大年化夏普年化最大年化夏普201920202021202220232024合计4.3.引入汇率的宏观友好度观点可再次提升BL模型效果上述测试结果可以说明宏观友好度评分指标大类资产配置专题报告对于美元以外的各类外币资产而言，汇率波动因素是影响最终本币计价回报率进行反映。在本节中，我们对观点矩阵进行再次调整加工，将外币资产宏观友好度与其对应的外币汇率宏观友好度进行加权组合，再次表‘：引入汇率的宏观友好度观点构建：将各类资产宏观友好度结合对应外币汇率友好度代表指数构建方式分所对应的预期收益率×0.5分所对应的预期收益率×0.5分所对应的预期收益率×0.5引入汇率的宏观友好度观点BL模型策略配置比例数据参见附录7.4表大类资产配置专题报告2020of3521210策略策略名称等权参照组合BL模型-1M观点BL模型-宏观友好度观点BL模型-引入汇率的宏观友好度观点年份年份年化收益最大回撤年化波动夏普比率年化收益最大回撤年化波动夏普比率年化收益最大回撤年化波动夏普比率年化收益最大回撤年化波动夏普比率20192.482.622.1720200.340.602.0920210.4720220.5720230.7920245.065.06合计0.570.63点是即使回测效果非常好，也仅能说明正确的宏观分析对资产配置具有增益效果。好在，宏观经济数据预测并不是配置研究团队的核心工作，投资者在实践中首先可以通过选择采信长期胜率更高的以通过持续修正观点贝叶斯式地逼近事实。作为配置研究团队，我们的大类资产配置专题报告2121of35主要工作是为投资者提供一个逻辑简单清晰又可不断优化的主客观结5.结论与配置建议本篇报告是我们将主动配置观点融合配置量化模型研究系列的第一篇报告。报告简单介绍了主动配置宏观友好度评分指标系的构建方法和底后将主动配置宏观友好度观点融入BL模型，通过策略回测的方法验证了宏观基本维度量化思想对于提升大类资产配置模型效果的一定作用。大类资产配置专题报告2222of356.参考文献Incorporatinguser-specifiedconfidencelevels.InForecastingexpectedreturnsinthefinancialmarkeportfolios.GoldmanSachsInvestmen2323of357.附录7.1.大类资产宏观友好度评分A股美股H股印股中债美债商品黄金RMB升值动力INR升值动力2012/1/312012/2/292012/3/302012/4/272012/5/312012/6/292012/7/312012/8/312012/9/282012/10/312012/11/302012/12/312013/1/312013/2/282013/3/292013/4/262013/5/312013/6/282013/7/312013/8/302013/9/302013/10/312013/11/292013/12/312014/1/302014/2/282014/3/312014/4/302014/5/302014/6/302014/7/312014/8/292014/9/302014/10/312014/11/282014/12/312015/1/302424of352015/2/272015/3/312015/4/302015/5/292015/6/302015/7/312015/8/312015/9/302015/10/302015/11/302015/12/312016/1/292016/2/292016/3/312016/4/292016/5/312016/6/302016/7/292016/8/312016/9/302016/10/312016/11/302016/12/302017/1/262017/2/282017/3/312017/4/282017/5/312017/6/302017/7/312017/8/312017/9/292017/10/312017/11/302017/12/292018/1/312018/2/282018/3/302018/4/272018/5/312018/6/292018/7/312018/8/312018/9/282018/10/312525of352018/11/302018/12/282019/1/312019/2/282019/3/292019/4/302019/5/312019/6/282019/7/312019/8/302019/9/302019/10/312019/11/292019/12/312020/1/232020/2/282020/3/312020/4/302020/5/292020/6/302020/7/312020/8/312020/9/302020/10/302020/11/302020/12/312021/1/292021/2/262021/3/312021/4/302021/5/312021/6/302021/7/302021/8/312021/9/302021/10/292021/11/302021/12/312022/1/282022/2/282022/3/312022/4/292022/5/312022/6/302022/7/29大类资产配置专题报告2626of352022/8/312022/9/302022/10/312022/11/302022/12/302023/1/312023/2/282023/3/312023/4/282023/5/312023/6/302023/7/312023/8/312023/9/282023/10/312023/11/302023/12/292024/1/312024/2/292024/3/312024/4/302024/5/312024/6/302024/7/317.2.宏观友好度评分对应大类资产预期收益率美股美债商品黄金美元2727of352828of35大类资产配置专题报告2929of35大类资产配置专题报告3030of357.3.宏观友好度BL模型策略资产配置权重表10：宏观友好度BL策略各期资产配时间A股881001.WI美股SPX.GI港股HSI.HIN225.GI印股SENSEX.BO德股GDAXI.GI中债CBA00601.CS美债IOVROV.GI商品CRB.RB美元USDCNY.EX黄金GC.CMX2018/12/280%0%0%0%0%0%0%0%0%100%0%2019/1/310%0%0%0%0%0%0%0%0%100%0%2019/2/280%0%0%0%0%0%0%100%0%0%0%2019/3/290%0%0%0%0%0%0%100%0%0%0%2019/4/300%0%0%0%0%0%0%100%0%0%0%2019/5/310%0%0%0%0%0%0%100%0%0%0%2019/6/280%0%0%0%0%0%0%100%0%0%0%2019/7/310%0%0%0%0%0%0%100%0%0%0%2019/8/300%0%0%0%0%0%0%100%0%0%0%2019/9/300%0%0%0%0%0%100%0%0%0%0%2019/10/310%0%0%0%0%0%85%15%0%0%0%2019/11/290%0%0%0%0%0%100%0%0%0%0%2019/12/310%0%0%0%0%0%100%0%0%0%0%2020/1/230%0%0%0%0%0%100%0%0%0%0%2020/2/2870%0%0%0%0%0%0%30%0%0%0%2020/3/3183%0%0%0%0%0%0%17%0%0%0%2020/4/3072%28%0%0%0%0%0%0%0%0%0%2020/5/290%100%0%0%0%0%0%0%0%0%0%2020/6/3039%61%0%0%0%0%0%0%0%0%0%2020/7/310%100%0%0%0%0%0%0%0%0%0%2020/8/310%100%0%0%0%0%0%0%0%0%0%2020/9/300%100%0%0%0%0%0%0%0%0%0%2020/10/300%100%0%0%0%0%0%0%0%0%0%2020/11/300%100%0%0%0%0%0%0%0%0%0%2020/12/310%100%0%0%0%0%0%0%0%0%0%2021/1/290%100%0%0%0%0%0%0%0%0%0%2021/2/260%100%0%0%0%0%0%0%0%0%0%2021/3/310%100%0%0%0%0%0%0%0%0%0%2021/4/300%100%0%0%0%0%0%0%0%0%0%2021/5/310%100%0%0%0%0%0%0%0%0%0%2021/6/300%100%0%0%0%0%0%0%0%0%0%2021/7/300%100%0%0%0%0%0%0%0%0%0%2021/8/310%100%0%0%0%0%0%0%0%0%0%2021/9/300%100%0%0%0%0%0%0%0%0%0%2021/10/290%100%0%0%0%0%0%0%0%0%0%2021/11/300%100%0%0%0%0%0%0%0%0%0%2021/12/310%100%0%0%0%0%0%0%0%0%0%2022/1/280%0%0%0%0%0%20%0%80%0%0%2022/2/280%0%0%0%0%0%0%0%100%0%0%3131of352022/3/310%0%0%0%0%0%100%0%0%0%0%2022/4/290%0%0%0%0%0%100%0%0%0%0%2022/5/310%0%0%0%0%0%100%0%0%0%0%2022/6/300%0%0%0%0%0%100%0%0%0%0%2022/7/290%0%0%0%0%0%100%0%0%0%0%2022/8/310%0%0%0%0%0%100%0%0%0%0%2022/9/300%0%0%0%0%0%100%0%0%0%0%2022/10/310%0%0%0%0%0%100%0%0%0%0%2022/11/300%0%0%0%0%0%100%0%0%0%0%2022/12/3021%0%0%0%0%0%79%0%0%0%0%2023/1/31100%0%0%0%0%0%0%0%0%0%0%2023/2/280%0%0%0%0%0%100%0%0%0%0%2023/3/3131%0%0%0%0%0%69%0%0%0%0%2023/4/2844%0%0%0%0%0%56%0%0%0%0%2023/5/3167%0%0%0%0%0%33%0%0%0%0%2023/6/309%0%0%0%0%0%91%0%0%0%0%2023/7/310%0%0%0%0%0%100%0%0%0%0%2023/8/310%0%0%56%0%0%44%0%0%0%0%2023/9/280%0%0%53%0%0%47%0%0%0%0%2023/10/310%0%0%56%0%0%44%0%0%0%0%2023/11/300%0%0%100%0%0%0%0%0%0%0%2023/12/290%0%0%100%0%0%0%0%0%0%0%2024/1/310%0%0%100%0%0%0%0%0%0%0%2024/2/290%0%0%100%0%0%0%0%0%0%0%7.4.引入汇率的宏观友好度观点BL模型策略资产配置权重时间A股881001.WI美股SPX.GI港股HSI.HIN225.GI印股SENSEX.BO德股GDAXI.GI中债CBA00601.CS美债IOVROV.GI商品CRB.RB美元USDCNY.EX黄金GC.CMX2018/12/280%0%0%0%0%0%0%100%0%0%0%2019/1/310%0%0%0%0%0%0%100%0%0%0%2019/2/280%0%0%0%0%0%0%100%0%0%0%2019/3/290%0%0%0%0%0%0%100%0%0%0%2019/4/300%0%0%0%0%0%0%100%0%0%0%2019/5/310%0%0%0%0%0%0%100%0%0%0%2019/6/280%0%0%0%0%0%0%100%0%0%0%2019/7/310%0%0%0%0%0%0%100%0%0%0%2019/8/300%0%0%0%0%0%0%100%0%0%0%2019/9/300%0%0%0%0%0%2%98%0%0%0%2019/10/310%0%0%0%0%0%0%100%0%0%0%2019/11/290%0%0%0%0%0%52%48%0%0%0%2019/12/310%0%0%0%0%0%100%0%0%0%0%3232of352020/1/230%0%0%0%0%0%100%0%0%0%0%2020/2/2852%0%0%0%0%0%0%48%0%0%0%2020/3/3134%0%0%0%0%0%66%0%0%0%0%2020/4/30100%0%0%0%0%0%0%0%0%0%0%2020/5/29100%0%0%0%0%0%0%0%0%0%0%2020/6/30100%0%0%0%0%0%0%0%0%0%0%2020/7/31100%0%0%0%0%0%0%0%0%0%0%2020/8/3183%17%0%0%0%0%0%0%0%0%0%2020/9/300%43%0%47%0%0%0%0%0%0%10%2020/10/300%0%0%100%0%0%0%0%0%0%0%2020/11/300%0%0%100%0%0%0%0%0%0%0%2020/12/310%40%0%60%0%0%0%0%0%0%0%2021/1/290%83%0%0%0%0%0%0%0%15%2021/2/260%56%0%44%0%0%0%0%0%0%0%2021/3/310%69%0%0%7%0%0%0%0%0%25%2021/4/300%59%0%0%0%0%0%0%0%0%41%2021/5/310%56%0%0%28%0%0%0%0%0%16%2021/6/300%100%0%0%0%0%0%0%0%0%0%2021/7/300%100%0%0%0%0%0%0%0%0%0%2021/8/310%100%0%0%0%0%0%0%0%0%0%2021/9/300%100%0%0%0%0%0%0%0%0%0%2021/10/290%100%0%0%0%0%0%0%0%0%0%2021/11/300%100%0%0%0%0%0%0%0%0%0%2021/12/310%100%0%0%0%0%0%0%0%0%0%2022/1/280%0%0%0%0%0%0%0%76%0%24%2022/2/280%0%0%0%0%0%0%0%8