京智财富1号的资产配置模型是如何构建的，有什么优势

热心网友 · 2018-4-30 01:08:41

产品的基金配置模型在原理上是基于-风险平价配置+B-L风险暴露优化得到。
1）配置模型：产品的基金配置模型在风险平价的基础上融合了专家预期矫正，配置模型中，首先构建一个风险平价组合，然后通过贝叶斯加权的方式，提高预期中相对乐观资产的风险暴露，降低预期中相对悲观资产的风险暴露。这样的好处是，当我们对未来市场预期很确定时，则暴露我们希望暴露的风险敞口，当我们对未来市场预期不确定时，则会回到风险平价来提前管理风险。
2）市场预测：产品的AI预期矩阵采取了多元时间序列VAR+机器学习的方法构建。多元时间序列有一定的缺陷，包括对因子的容纳能力有限，自由度不足，对样本数量要求高，对因子本身的噪音处理较差。AI预期矩阵则采用的一系列的机器学习算法进行降维处理，将因子中有效的成分进行分离和整合，再代入多元时间序列中进行建模。通过分布式计算进行模拟路径，之后按照一定标准剔除过拟合路径，最终得到了较好的解释度，并在此基础上做出了相当有效的预测。近两年多的实盘检验，基于沪深300和中证500的多空预测准确率达到66%以上，中债准确率在80%以上，标普准确率在68%以上。
3）大数据拓展：产品的AI预期矩阵解决了因子数量容纳和过拟合的问题，所以其AI预期矩阵不仅可以将宏观层面的top-down因子纳入分析，还可以吸收大量的bottom-up因子进行分析。当前京东数据体系内已经能够涵盖上百家上市公司的数据，并且还在不断拓展更多的市场预期和情绪因子，很大程度上替代了发布较为滞后的宏观因子。在能够容纳更多因子且有效避免过拟合的AI预期模型中，体现出了更多的预测能力。
4）总的来讲，产品的资产配置模型，相较于其他模型具有以下的优势：
a) 纯量化，严格保持纪律性。
b) 通过京东独有的大数据集合，对市场的新信息和外部冲击有更好的吸收能力，并对此作出预见性的应变。
c) 能够容纳更多的因子且又能避免过拟合，模型在测试样本的实盘表现状况和训练样本一致，回测周期和实盘周期的夏普比、Calmar、Sortino等指标一致。
d) 极端情况下，当AI预期矩阵出现失效时，基于风险平价的B-L模型会识别出AI预期矩阵的隐含波动率和置信度下降，此时会回到风险平价配置，在回撤控制上具有自动稳定器的能力。

京智财富1号的资产配置模型是如何构建的，有什么优势

1 个回复

浏览过的版块