大类资产轮动策略

news2024/9/28 8:54:29

 

数量技术宅团队在CSDN学院推出了量化投资系列课程

欢迎有兴趣系统学习量化投资的同学,点击下方链接报名:

量化投资速成营(入门课程)

Python股票量化投资

Python期货量化投资

Python数字货币量化投资

C++语言CTP期货交易系统开发

数字货币JavaScript语言量化交易系统开发


大类资产轮动的概念

大类资产轮动,从定义上来说, 就是债券、股票、商品的轮动。从典型的学院派理论来讲,上述资产之间的轮动顺序往往是债券先走牛,然后股票牛市,股票走牛之后商品开始火爆,等商品行情结束后,最后用现金做防守。 这是一轮典型的经济周期,也就是大家熟知的美林投资时钟。

美林投资时钟理论按照经济增长与通胀的不同搭配,将经济周期划分为四个阶段:

1、“经济上行,通胀下行”构成复苏阶段,此阶段由于股票对经济的弹性更大,其相对债券和现金具备明显超额收益;

2、“经济上行,通胀上行”构成过热阶段,在此阶段,通胀上升增加了持有现金的机会成本,可能出台的加息政策降低了债券的吸引力,股票的配置价值相对较强,而商品则将明显走牛;

3、“经济下行,通胀上行”构成滞胀阶段,在滞胀阶段,现金收益率提高,持有现金最明智,经济下行对企业盈利的冲击将对股票构成负面影响,债券相对股票的收益率提高;

4、“经济下行,通胀下行”构成衰退阶段,在衰退阶段,通胀压力下降,货币政策趋松,债券表现最突出,随着经济即将见底的预期逐步形成,股票的吸引力逐步增强。

 

大类可投资资产

但是,类似于美林时钟的大类资产轮动太过于理论化,实际中很难确切的确定当前所处经济周期以及下一个周期是什么,寻找周期对应的资产也是无从下手。因此,最佳的方式是通过历史数据,回测得到可以基于历史检验的大类资产轮动策略。

在构建策略前,我们需要解决的问题是,把能够投资的大类资产类别及投资标的列举出来,即确定我们的投资范围。我们将投资范围分为股票、大宗商品、债券,一起来看每个大类下面的细分标的:

股票:A股及全球主要股票市场

i. A股:上证50、沪深300、中证500、中小板、创业板

ii. 全球:恒生指数、台湾加权指数、巴西IBOVESPA指数、道琼斯工业指数、纳斯达克指数、标普500、英国富时100、法国CAC40、德国DAX、日经225、韩国综合指数、澳洲标普200、印度SENSEX30、俄罗斯RTS

大宗商品:

i. 农产品,包括油脂油料、饲料、谷物等

ii. 有色金属、贵金属、能源化工

iii. 煤炭、钢铁、建材、铁合金

债券(包括可转债):

i. 中证全债

ii. 上证国债、上证企债、上证转债

iii. 深圳转债、深圳企债

首先,我们对上述罗列的大类资产,统一将其历史的收益率汇总并用一张图展示出来。

平均持有各类资产的收益率统计

我们先计算一个简单的策略收益率基准,即如果我们只是平均持有上述某一类资产,例如平均持有所有股票指数、大宗商品、债券,或平均持有所有上述大类资产标的,得到的收益率情况。

从结果的统计来看,长期平均持有的收益率,股票 > 债券 > 大宗商品。而所有资产平均持有的收益率介于债券和大宗商品之间,但是波动率要显著小于持有单个类别资产。

单类资产轮动

接下来,我们在平均持有分类别资产的基础上,做一个简单的轮动策略,该轮动策略依然是在板块内部进行轮动。

股票指数轮动

按月轮动,选择过去一个月收益率最高的股票指数,持有至下一个月,重复上述判断。从结果中可以看到,轮动持有的方式,显著高于平均持有的收益率。

 

大宗商品轮动

同样的方式进行大宗商品的轮动,即选择过去一个月收益率最高的大宗商品,持有至下一个月,重复上述判断。与股票指数轮动有类似特征,大宗商品轮动的收益率,也显著高于平均持有。

 

 债券轮动

最后是债券轮动,同样的轮动方式,与股票、大宗商品资产一样,也能够得到同样的结论。

大类资产全轮动

通过单类资产轮动的测试,我们发现所有的大类资产在板块内部,都存在着强者恒强的动量效应,基于动量的轮动持有,要显著好于平均持有。那么,我们是否可以将这个结论扩展到所有的大类资产轮动?

接下来我们就按照上述逻辑进行回测,即在所有大类资产中,寻找当月动量最强的标的,持有至下一月并重复。可以看到,全资产轮动的结论与单资产轮动完全一致,而且相比较单资产轮动,全资产轮动相对于平均持有的超额收益更高。

最后,我们比较一下本文测试过的所有大类资产轮动策略,即全资产轮动、子类资产轮动、全资产平均持有、子类资产平均持有,这几种不同的方式。  

结论:

1 全资产轮动的收益率最高,且全资产轮动 > 子类资产轮动

2 子类资产轮动种,股票轮动 > 债券轮动 > 大宗商品轮动

3 任何类别的轮动 > 同类别的平均持有 ,说明轮动是一种有效的资产配置方式

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/688026.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Roop:显卡GPU版软件已就位,速度提升28倍!

我在本地的一台电脑行做了个简单的对比,同一个小视频,CPU要5分多钟,GPU只要12秒。而且,内存的需求量也大幅度降低了。 美队这个架子,给托尼用,也挺不错哦! 这次的版本,准确来说是GPU…

小程序中实现二维数组的展示

目录 1 定义变量2 外层循环3 内层循环总结 我们在小程序中有一类需求就是要显示二维数组,二维数组是指数组中的元素也是数组,比如我们以菜谱为例,菜谱有名称和用料,用料就又是一个数组,如果我们构造数据可以是这样 [ {…

纯干货:怎么样去满足客户需求,增强用户粘性?

无论是销售产品还是提供服务,最终目标是为客户提供他们想要和需要的东西。但随着竞争的加剧和客户期望的变化,了解这些需求变得越来越复杂。因此我们需要识别和满足他们可以产生重大影响的地方。 识别和了解客户需求的好处 想象一下,你在家乡…

详解volatile关键字、线程的可见性、有序性

0、引言 在juc多线程并发编程中,常常需要关注线程的“可见性”与“有序性”。本文将详细介绍这两部分内容,以及volatile关键字的使用。 阅读本文前需要一些jvm运行时内存、进程与线程、共享内存、锁等相关知识。 1、可见性 1.1 定义 定义&…

DOTA-Acrylamide,DOTA-DBCO,DOTA-MeTz,三者DOTA双功能螯合剂信息说明总结

今天小编分享DOTA螯合剂试剂:它们分别是DOTA-Acrylamide,DOTA-DBCO,DOTA-MeTz,今天整体分享一下相关的知识,一起看看吧。 (文章编辑来源于:西安凯新生物科技有限公司小编WMJ) 一、D…

【css】动画:行走的人

素材&#xff1a; 链接&#xff1a; https://img1.baidu.com/it/u3361754298,960828090&fm253&fmtauto&app138&fPNG?w1472&h325 代码&#xff1a; <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8&quo…

熊哥保佑你 数据结构复习

构造哈夫曼树&#xff1a; 先带权值最小的&#xff0c;再找有关系的&#xff08;一般是相等或相近&#xff09;&#xff0c;没关系的放一边&#xff0c;最后将有关系的和没关系的组成一个哈夫曼树。 . 最小生成树&#xff1a; 顶点数&#xff1a;n 边数&#xff1a;n-1 kru…

AI绘画:切换黑色风格,安装更棒的主题!

从Stable Diffusion 出现的第一天起&#xff0c;我就开始关注这个项目&#xff0c;后来也出过几期教程。 一直以来都是只追求功能实现&#xff0c;不管界面的问题。现在我突然想要换一个帅气的主题了…就是这么突然&#xff01; 默认的白色主题太….普通…既没有设计感啊&…

蓝桥杯专题-试题版-【FJ的字符串】【Huffuman树】【Sine之舞】【报时助手】

点击跳转专栏>Unity3D特效百例点击跳转专栏>案例项目实战源码点击跳转专栏>游戏脚本-辅助自动化点击跳转专栏>Android控件全解手册点击跳转专栏>Scratch编程案例点击跳转>软考全系列点击跳转>蓝桥系列 &#x1f449;关于作者 专注于Android/Unity和各种游…

代谢组学及网络药理学研究技术与实践

一、背景: 代谢组学是近年发展快速的一门学科&#xff0c;目前在医学、植物学、微生物学、毒理学、药物研发等多个领域中得到了广泛的应用。如何从复杂的代谢组学数据中提取出有价值的信息&#xff0c;筛选出潜在的生物标志物成为近年来代谢组学研究的热点和难点。网络药理学能…

supervisor-eventlistener

了解supervisor-eventlistener 本文主要介绍 supervisor Event 的功能。 supervisor 作为一个进程管理工具&#xff0c;在 3.0 版本之后&#xff0c;新增了 Event 的高级特性, 主要用于做(进程启动、退出、失败等)事件告警服务。 Event 特性是将监听的服务(listener)注册到su…

Axure教程—中继器筛查与排序

当工作中需要进行数据筛查排序操作时&#xff0c;我们可以如何使用Axure来进行相关操作呢&#xff1f;本篇文章里&#xff0c;作者利用中继器为我们展示了数据筛查与排序&#xff0c;让我们一起来看一下。 预览效果 预览地址&#xff1a;https://6q6ajh.axshare.com 功能介绍…

【AI模型部署】基于gradio和python的网页交互界面(web-ui)——简易使用方法

使用gradio&#xff0c;只需在原有的代码中增加几行,快速部署机器学习模型&#xff0c;就能自动化生成交互式web页面&#xff0c;并支持多种输入输出格式&#xff0c;比如图像分类中的图>>标签&#xff0c;超分辨率中的图>>图等。 同时还支持生成能外部网络访问的链…

最小二乘法的原理及实现

1.最小二乘法的原理及实现 笔记来源于《白话机器学习的数学》 1.1 最小二乘法的原理 预测一个变量 x x x与一个变量 y y y的关系 例如&#xff1a;广告费 x x x与点击量 y y y 用直线拟合数据 1.2 最小二乘法的实现 广告费x和点击量y&#xff0c;找到一条直线表达式&#x…

基于matlab多运动目标跟踪监测算法实现(附源码)

一、前言 此示例演示如何对来自固定摄像机的视频中的移动对象执行自动检测和基于运动的跟踪。 二、介绍 移动物体检测和基于运动的跟踪是许多计算机视觉应用的重要组成部分&#xff0c;包括活动识别、交通监控和汽车安全。基于运动的对象跟踪问题可以分为两部分&#xff1a; 检…

【KitBash3D Cargo插件】向UE中直接导入免费模型

步骤 1. 进入KitBash3D官网&#xff0c;点击右上角按钮来下载Cargo 2. 下载好后是个压缩包&#xff0c;需要进行解压 3. 解压后运行安装程序 4. 我就安装到默认的安装路径 5. 安装好后打开软件&#xff0c;注册账号&#xff08;如果点击创建账户按钮没反应就去KitBash3D官网注…

VS依赖注入(DI)构造函数自动生成局部私有变量

前言 依赖注入(DI)在开发中既是常见的也是必需的技术。它帮助我们优化了代码结构&#xff0c;使得应用更加灵活、易于扩展&#xff0c;同时也降低了各个模块之间的耦合度&#xff0c;更容易进行单元测试&#xff0c;提高了编码效率和质量。我们经常会先定义局部变量&#xff0…

OpenCL编程指南-6.2程序对象

创建和构建程序 要创建程序对象&#xff0c;可以传入OpenCL C源代码文本&#xff0c;或者利用程序二进制码来创建。由OpenCL C源代码创建程序对象是开发人员创建程序对象的一般做法。OpenCL C程序的源代码放在一个外部文件中&#xff08;例如&#xff0c;就像我们的示例代码中…

【网络知识面试】初识协议栈和套接字及连接阶段的三次握手

接上一篇&#xff1a;【网络面试必问】浏览器如何委托协议栈完成消息的收发 1. 协议栈 一直对操作系统系统的内核协议栈理解的模模糊糊&#xff0c;借着这一篇博客做一下简单梳理。 我觉得最直白的理解&#xff0c;内核协议栈就是操作系统中的一个网络控制软件&#xff0c;就是…

【git】git常用指令(项目一般使用流程示例)

文章目录 创建开发环境clone到本地查看分支创建自己的开发分支切换到开发分支 开发完成上传到仓库判断目前本地仓库的状态新内容提交到暂存区新内容更新到本地仓库新内容推到远端仓库dev1.0并入主分支1.切换到主分支2.合并3.推主分支上远端仓库 回退版本主分支更新了&#xff0…