大类资产配置场内基金版本：数据及市场分析

01量化投资与智能投顾

量化投资是用数量化的方式来做投资，智能投顾是用智能的方式做投资顾问。二者的异同是什么呢？

二者的相同点，都是用数量化的方式，当下而言都是希望用机器来做投资，摆脱人工或主观交易的方式。

二者的相同点，都是用数量化的方式，当下而言都是希望用机器来做投资，摆脱人工或主观交易的方式。

二者目标不同。量化投资的目标是最大化风险调整后收益，强调的是收益；而智能投顾是根据客户风险偏好，进行资产配置，强调的是风险。

当然这里并不是非黑即白，量化投资也会关注风险，有人可以接受50%的回撤，去博取200%的收益，而有人上限是30%即无法承受。智能投顾同样要求收益，理财的收益4%就有风险，而通过投顾目标会是8-12%，若是自用的模式，可以把回撤率放宽到20%的话，收益目标可以提升到15-20%。

二者面对的人群不同。做量化投资的，要么是非常专业的投资者，本身有非常丰富的主观交易经验，希望借用技术的力量把部分交易自动化和智能化；另一部分就是抱着“捡钱”的逻辑来的。本金体量稍大的，普通人肯定倾向于后者（控制着风险，努力提升收益）。而小资金总希望以小博大（逻辑上是否成立其实未知，很多人就是这样沦为韭菜）

二者满足的需求不同。量化投资就是奔着收益去了，愿意承受更高的风险为代价。而投顾的基础需求是理财，为财富保值或增值。很多人希望保本或者承受有限的风险，不愿意保太大的本金损失的风险。

前面的差异带来操作方式的差别在于，量化投资的核心逻辑就是借能机器“预测”市场，低买高卖，追涨杀跌做波段。而智能投顾的出发点是大类资产配置，做好战略配置，在这个基础上进行适当的战术资产调优，以增厚收益而不引入额外的风险。

02 我们的方式

以投顾为起点，引入量化投资的模式，做战术资产调优，提升组合的收益率，构建一个“绝对收益型”投资体系。

场外基金版本，我在星球里很早就分享过，这个组合不太需要花心思，调仓频率不高，期望长期年化8-12%。

我们将作一个场内基金版本，对加入更主动的市场，基本面甚至AI多因子择时，来增厚收益。

以大类资产（权益，债券，商品）和全球市场（A股，美股，港股，欧洲，日本 ，印度，越南等）为起点。系统构建以全球指数时间序列进行回测。

直接选用指数进行系统构建的原因：指数的历史数据全，而市场上的ETF有交易记录的历史相对短。ETF要做复权（ETF也为分红的操作）处理；很多指数有多支ETF，交易量不同也会引入偏差。

tushare可以把如下的宽基数据入库，我已经下载好了，大家前往星球专栏下载即可（当然自己下载也行，需要自己对数据进行预处理）。

index = [
    'HSI',  # 恒生
    'HKTECH',  # 恒生科技
    'SPX',  # 标普500
    'IXIC',  # 纳指
    'FCHI',  # 法国CAC40
    'GDAXI',  # 德国DAX
    'N225',  # 日经225

    # A股
    '000016.SH',  # 上证50
    '000300.SH',  # 沪深300
    '000905.SH',  # 中证500
    '000852.SH',  # 中证1000
    '399006.SZ',  # 创业板
    '399673.SZ',  # 创业板50
    '000688.SH',  # 科创50

    '399324.SZ',  # 深证红利
]

download_symbols(index, b_index=True)

with pd.HDFStore(DATA_DIR_HDF5_ALL.resolve()) as store:
    print('读数据')
    print(store['N225'])

03 数据初探

日经225指数：

其实日本市场，过去十年的表现还可以的。

标普十年长牛：

恒生指数：

德国DAX指数：

下面是我大A沪深300指数，也还好：

法国CAC40指数：

过去10年，除了恒生之外，都是明显长期增长的，其实这才符合金融的本质。

大类资产长期配置的基础逻辑就是这个。寻找长期向上的，低相关性的资产集，做成组合，就可以享受市场增长的红利，而不必承受过多的风险。

——这是战略资产配置的逻辑。

但市场有时候会明显下行，进行熊市，我们根据中短期的市场，基本面的情况，对资产进行战术性的择时操作，以增厚收益，提升收益风险比。

数据和notebook请前往星球量化专栏下载。