第2章全球资产配置框架

2、全球资产配置框架：战略资产配置(SAA)与战术资产配置(TAA)、因子视角下的资产配置

2.1 战略资产配置：你的投资“宪法”

战略资产配置，说白了就是你的长期“宪法”。它决定了你80%以上的收益来源。我个人习惯把SAA看作是一艘船的龙骨——平时看不见，但风浪来了全靠它撑着。

SAA的核心逻辑很简单：根据投资者的风险偏好、投资期限和收益目标，确定各大类资产的长期目标权重。比如“60%股票+40%债券”这种经典组合。但这里有个坑——很多人以为SAA就是拍脑袋定个比例，然后就不管了。

⚠️ 我曾经犯过的错： 刚入行时，我给一个养老金客户定了“70%股票+30%债券”的SAA，结果没考虑通胀挂钩债券和另类资产。2008年危机一来，股票跌了40%，债券虽然涨了，但整体回撤还是超出了客户的心理承受范围。后来我学乖了——SAA必须包含多维度资产，尤其是那些跟传统股债低相关的品种。

一个完整的SAA流程通常包括这几步：

确定投资目标：收益率、波动率、最大回撤等
资产类别选择：股票、债券、商品、REITs、私募等
长期假设设定：预期收益、风险、相关性
优化求解：均值-方差、Black-Litterman、风险平价等
约束条件：流动性、监管、税收等
压力测试：极端情景下的表现

你想想看，如果连SAA都没定好，后面做再多TAA也是白搭。就像盖房子，地基没打好，装修再漂亮也没用。

2.2 战术资产配置：在噪音中寻找信号

TAA跟SAA不同，它更“短视”。我一般把TAA定义为：在SAA的基础上，根据中短期市场判断，主动偏离目标权重。说白了就是“择时”——但这里的择时不是天天交易，而是季度或月度级别的调整。

举个例子：假设你的SAA是60%股票+40%债券。如果你判断未来3个月股票会跌，你可以把股票降到55%，债券升到45%。这就是一次TAA操作。

💡 我的实战经验： TAA最忌讳的就是“过度交易”。我曾经见过一个团队，每周都调TAA，结果交易成本吃掉了一半的超额收益。我个人建议：TAA的调仓频率不要超过月度，而且每次偏离幅度控制在±5%以内。

TAA的信号来源五花八门，但靠谱的其实就这几类：

估值信号：市盈率、市净率、信用利差等
动量信号：趋势跟踪、相对强弱
宏观信号：PMI、就业数据、央行政策
情绪信号：VIX、投资者调查、资金流

嗯，这里要注意：TAA不是万能药。它只能捕捉那些“可预测”的短期波动。如果市场是随机游走的，那TAA就是白费力气。但现实是——市场确实存在一些规律，比如“估值回归”和“趋势延续”。

2.3 因子视角下的资产配置：从“买什么”到“买什么风险”

传统资产配置问的是“买股票还是买债券”，因子视角问的是“买价值因子还是买动量因子”。这个转变，我个人觉得是过去20年资产配置领域最重要的进步。

为什么会这样？因为资产收益本质上是由因子驱动的。你买一只股票，其实是在买它暴露的多个因子：市场因子、规模因子、价值因子、动量因子……如果你只盯着资产类别，很容易忽略因子层面的重复暴露。

举个例子：你买了“沪深300指数基金”和“中证500指数基金”，表面上看是分散了，但因子层面呢？两者都高度暴露于“市场因子”和“规模因子”（虽然方向不同）。一旦市场大跌，两个一起跌。

  🔑 核心观点： 因子暴露控制，比资产类别分散更重要。你的目标是让组合的因子暴露“干净”——只保留你想要的，剔除你不想要的。

常见的因子包括：

因子名称	描述	典型代表
市场因子	整体市场涨跌	沪深300、标普500
规模因子	小盘股 vs 大盘股	中证500 vs 沪深300
价值因子	低估值 vs 高估值	低市盈率股票组合
动量因子	过去涨得好的 vs 跌得多的	过去12个月涨幅前30%
质量因子	高ROE、低负债	高质量股票指数
低波动因子	波动率低的股票	最小方差组合

那怎么把因子视角用到资产配置里？我一般分三步走：

因子分解：把现有组合的收益拆解到各个因子上，看看你到底暴露了什么
目标设定：确定你想要的因子暴露（比如“我要超配价值因子，低配动量因子”）
组合构建：通过调整资产权重或使用因子ETF，让组合的因子暴露接近目标

这里有个工具我经常用——因子暴露矩阵。它能把你的组合“翻译”成因子语言。

# 伪代码示例：计算组合的因子暴露
def factor_exposure(portfolio_weights, asset_factor_betas):
    """
    portfolio_weights: 各资产的权重向量
    asset_factor_betas: 各资产对因子的暴露矩阵
    返回: 组合的因子暴露向量
    """
    import numpy as np
    weights = np.array(portfolio_weights)
    betas = np.array(asset_factor_betas)
    exposure = weights @ betas.T
    return exposure

# 示例：假设有3个资产，2个因子
weights = [0.5, 0.3, 0.2]  # 股票、债券、商品
betas = [
    [1.0, 0.2],  # 股票对市场因子暴露1.0，对价值因子暴露0.2
    [0.1, 0.0],  # 债券对市场因子暴露0.1，对价值因子暴露0.0
    [0.3, 0.1]   # 商品对市场因子暴露0.3，对价值因子暴露0.1
]
print(factor_exposure(weights, betas))
# 输出: [0.59, 0.12]  # 组合对市场因子暴露0.59，对价值因子暴露0.12

你看，通过这个矩阵，你就能清楚地知道：你的组合到底在赌什么。如果市场因子暴露太高，说明你本质上还是在赌大盘涨跌。如果价值因子暴露为负，说明你买的全是“成长股”。

⚠️ 避坑指南： 我曾经帮一个客户做因子分析，发现他的“全球分散组合”其实90%的收益都来自美国科技股（市场因子+动量因子）。所谓的“分散”只是表面功夫。后来我帮他重新调整，加入了新兴市场价值股和商品CTA策略，才真正实现了因子层面的分散。

2.4 三者的关系：SAA是骨架，TAA是肌肉，因子是血液

最后，我想用一个图来总结这三者的关系。SAA决定了你的长期方向，TAA在短期做微调，而因子视角则贯穿始终——它帮你理解收益的来源，控制不必要的风险。

嗯，这张图我画了好几次才满意。你看，SAA和TAA之间是双向关系——SAA约束TAA的偏离范围，TAA的反馈又可能促使SAA的微调。而因子视角就像血液一样，贯穿两者，确保每一层决策都有据可依。

我个人觉得，真正成熟的资产配置框架，一定是三者融合的。你不可能只做SAA不管TAA，也不可能只看资产类别不看因子。只有把这三者打通，你的组合才能真正做到“涨的时候跟得上，跌的时候扛得住”。

💡 一个小建议： 刚开始实践因子视角时，别贪多。先盯住市场因子和价值因子这两个最核心的，把它们的暴露控制好。等熟练了，再慢慢加入动量、质量等因子。我曾经见过有人一上来就搞8个因子，结果自己都搞不清楚到底在暴露什么。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

2、全球资产配置框架：战略资产配置(SAA)与战术资产配置(TAA)、因子视角下的资产配置

2.1 战略资产配置：你的投资“宪法”

2.2 战术资产配置：在噪音中寻找信号

2.3 因子视角下的资产配置：从“买什么”到“买什么风险”

2.4 三者的关系：SAA是骨架，TAA是肌肉，因子是血液