多資產策略與資產配置

今天看AQR

Jordan Brooks和

Frank J. Fabozzi的對話譯文

Frank J. Fabozzi：您如何確定投資組合中適當的戰略資產配置（SAA）？在錨定長期配置時，哪些輸入變量或假設最為關鍵？

Jordan Brooks：我在相隔二十多年的時間里領悟到的兩個教訓，構成了我對投資組合構建的思考基礎。 第一個教訓來自大一經濟學的第一天——將經濟問題轉化為目標、備選方案和約束條件，這是一個非常強大的組織框架。 第二個教訓來自我整個職業生涯在AQR與客戶合作的親身經歷——投資者通?？梢酝ㄟ^簡化目標、擴大潛在備選方案的范圍以及放寬或消除不必要且過度捆綁的約束條件來做出更好的決策。 這些教訓非常具有普適性，應用范圍從經濟學研究到人力資源管理。 然而，在考慮多資產投資組合中的戰略資產配置（SAA）時，它們尤為切題。

讓我們從目標開始。在設計戰略配置時，我們從“投資者偏好收益并厭惡波動”這一前提開始。 如果你進行數學推演，結果表明這句話等同于投資者尋求最大化其風險調整后收益或夏普比率。誠然，投資者除了關心夏普比率和絕對收益水平之外，還關心其他事情。例如，投資者往往厭惡尾部風險。普通投資者愿意為傾向于對沖股市崩盤的資產支付比傾向于與股市一同崩盤的資產更高的價格。這就是為什么向市場出售保險（例如，通過虛值股票指數看跌期權）能獲得如此豐厚回報的原因。但除非你對尾部風險的厭惡程度明顯低于普通投資者，否則我不建議賣出看跌期權。在不同宏觀經濟機制下保持平衡的表現，對投資者也可能很重要，特別是對于那些負債與通脹掛鉤的投資者。相對于政策投資組合基準的跟蹤誤差是可能進入投資者目標的另一個考量因素。然而，借鑒整個職業生涯的學習曲線，讓我們從簡單的開始：SAA的目標是最大化風險調整后的預期收益。

接下來，我們轉向合格資產的范圍。通常越多越好。我敦促投資者擁抱地域和資產類別的多元化。美國股票和債券通常包含在任何 SAA 中。但正由于 Clifford Asness、Roni Israelov 和 John Liew 在 2011 年《金融分析師雜志》文章“International Diversification Works (Eventually).”中所指出的，包含更廣泛的全球股票和債券的 SAA 可能具有卓越的長期收益，并在曠日持久的熊市中表現出更強的韌性。在 SAA 中納入大宗商品、通脹保值債券、信用債和其他資產類別，可以通過幫助 SAA 抵御各種市場和宏觀經濟環境，進一步提高長期表現。除了多元化之外，另一個主要考慮因素是流動性。投資者構建戰略資產配置是為了產生回報以撥付當前或未來的負債，無論是養老金義務還是個人退休愿望。投資者必須設計一個能夠在需要時提供流動性的 SAA。理想情況下，對高流動性工具具有充足敞口的 SAA，將為投資者提供豐富的選擇，以決定從何處獲取流動性，并根據各自的機會集和市場環境調整敞口。

這就引出了約束條件。在這里，少即是多（less is typically more）。 例如，許多投資者限制自己持有無杠桿投資組合。 強制投資組合精確地進行 100% 投資，可能會導致更多追求回報的投資者在股票上過度投資。 消除這一約束并允許使用杠桿，使得投資者能夠持有股票、債券和其他資產的最佳（即夏普比率最大化）混合，并根據所需的風險承受能力或為了實現其期望的回報目標，向上或向下杠桿化這個“切點投資組合”。

所有這些加起來意味著什么？我們的目標是通過在全球跨資產類別投資，構建一個具有吸引力的風險調整后收益的流動性 SAA。 在這個程式化的例子中，剩余的輸入變量是不同資產類別的預期風險調整后收益，以及跨資產類別的預期相關性。為了估計這些輸入變量，我們深入研究數據。我們在 SAA 構建中使用無條件預期收益的估計（時變的預期收益，無論是基于估值的較慢移動，還是基于動量的較高頻率，都是戰術資產配置中的潛在輸入變量）。雖然在長達十年的時間里，任何單一資產類別都可能顯著跑贏大盤，但在更長的樣本中，不同資產類別（例如，股票、債券、大宗商品）的風險調整后收益是相似的。過去 10 年對美國股票來說是極好的。2000-2009 年則沒那么好，但對債券來說是個好時期。長期數據還顯示，不同資產類別之間的平均相關性較低。資產類別夏普比率的相似性大于差異性，再加上跨資產類別的低相關性，這意味著最佳 SAA 應該有很大一部分風險來自不同的資產類別。這種簡單的實踐產生的 SAA 與大多數傳統資產配置有著本質的不同。機構和散戶投資者典型的政策基準通常是 60% 股票加 40% 債券（60/40）的投資組合。因為股票比債券波動大得多，所以這個政策組合主要由股票風險主導。相比之下，最佳 SAA 的風險會更加均衡。你可以調整預期收益假設，并加入我上面概述的一些其他考慮因素。然而，你最終得到的仍然是比 60/40 投資組合風險更加均衡（且實際更加多元化）的組合。

Frank J. Fabozzi：相對于戰略配置，戰術資產配置發揮什么作用？ 戰術決策在多大頻率上會實質性地改變投資組合的結果？

Jordan Brooks：經過深思熟慮的實施和適當的規模，戰術資產配置（TAA）可以很好地補充 SAA。如果說 SAA 的一個關鍵輸入變量是跨資產類別的長期、無條件預期收益，那么 TAA 的關鍵輸入變量則是 SAA 中每項獨立資產（以及潛在的 SAA 之外的資產）的短期、有條件預期收益。

趨勢跟蹤是一種強大且透明的 TAA 方法。趨勢跟蹤策略做多近期贏家，做空近期輸家。 因為資產價格往往對新信息的反應不足，所以做多價格上漲的市場（好消息）和做空價格下跌的市場（壞消息）的策略通常平均而言是盈利的。 趨勢跟蹤策略之所以能夠很好地補充 SAA，有兩個原因。 首先，由于趨勢程序同時采取做多和做空頭寸（通常頻率接近相等），因此它們與 SAA 的相關性非常低。 其次，因為最大的股票市場回撤往往是持久的——想想科技泡沫破裂、全球金融危機（GFC）和 2022 年的通脹飆升——從歷史上看，當股票表現不佳時，趨勢跟蹤的表現異常出色。 用行業術語來說，趨勢跟蹤對股票具有“凸性”。這是一個很好的特性。

趨勢跟蹤策略總體上兌現了其承諾。自 2000 年以來，法興銀行趨勢指數（SG Trend，10 家最大的趨勢跟蹤管理人的等權重平均值）提供的回報與全球 60/40 投資組合大致相當，并且在股市三次最大回撤期間表現異常出色。 通常，人們需要為類似保險的特征付費。而趨勢跟蹤恰好在投資者最需要的時候提供了卓越的多元化，并且實現了正的平均回報。 你不需要回顧太遠就能看到趨勢跟蹤實質性地改善了投資組合的結果。在 2022 年，全球 60/40 投資組合回報率為 -15%；而 SG 趨勢指數回報率為 27%。

關于趨勢跟蹤一個常被提及的抱怨是，在回撤之間，業績可能會長期低迷。 雖然 SG 趨勢指數在 2022 年回報率為 27%，但從 2023 年 1 月到 2025 年 12 月，它實際上是平緩的。我對此的建議有兩點。 首先，要有耐心！在好時期表現平平，對于一項在你最需要的時候能帶來豐厚回報的投資來說，是一個值得付出的代價。 其次，這就是管理人選擇發揮作用的地方。在 AQR，趨勢跟蹤在過去幾年一直是我們最具創新性的研究領域之一。 遺憾的是，我無法在這里深入探討細節。 但我們使用了一個更復雜的模型，除了價格趨勢外，還結合了基本面趨勢的衡量標準（這在應對轉折點和劇烈波動的市場時特別有幫助），并且我們交易的是一個龐大且高度獨特的投資范圍。 這些創新幫助我們實現了趨勢跟蹤的“雙重使命”：強勁的平均表現和在熊市環境下的卓越表現。

在 TAA 領域，趨勢跟蹤并不是唯一的選擇，但它是最容易摘取的果實之一。 相比于許多其他策略，它更容易進行承保，且其對股票的凸性使其特別具吸引力。 但一個更復雜的 TAA 計劃，基于價格和基本面趨勢、相對估值、通過替代數據提取的投資者情緒等眾多輸入變量，在資產類別內部的市場之間（例如，超配美國國債，低配德國國債）或指數內的不同股票之間采取相對價值觀點，可以有效地補充 SAA 和趨勢程序。

Frank J. Fabozzi：宏觀經濟條件和機制轉換如何進入您的配置過程？ 機制是明確建模的，還是通過情景和判斷來反映的？

Jordan Brooks：同樣，我認為從基礎開始會有所幫助。 在我們的 SAA 中，目標是最大化風險調整后收益。投資組合構建的一個關鍵輸入變量是資產類別相關性。 但資產類別相關性深深依賴于宏觀經濟機制。 例如，在我與 AQR 同事合著并發表在 2023 年《投資組合管理雜志》（JPM）特刊上的一篇研究文章（《不斷變化的股債相關性：驅動因素及影響》）中，我們討論了股債相關性的低頻變化傾向于由增長與通脹沖擊的相對波動性驅動。當增長波動較大時（想想 1990 年代末到 2020 年），債券和股票傾向于負相關。當通脹波動較大時（想想 1970 年代到 1980 年代，以及更近的時期），債券和股票傾向于正相關。

假設你的 SAA 在股票和名義債券之間實現了風險均衡。 如果你處在 2020 年末或 2021 年初，并且你使用某個滯后窗口來估計相關性，你的 SAA 看起來非常分散。股票和債券一直呈現負相關，你期望如果股市下跌，你的債券配置將抵消部分損失。但隨后你遭受了巨大的通脹沖擊，股票和債券同時大幅回撤。你所承受的風險遠遠超出了你的想象。如果你能確定地預測相關性，這就不會讓你擔心了。如果你知道未來一年股債相關性會更高，你就會減少兩者的持有量，并增加其他分散風險的資產。但以高度準確性預測相關性具有挑戰性，因為相關性依賴于本身就難以預測的宏觀經濟沖擊。因此，我們采取了一種更謙遜的方法。

我們設計的戰略配置能夠使其在不同的宏觀經濟機制下表現得相對均衡。 繼續上面的例子，風險均衡的股債投資組合對通脹沖擊具有高度負面的敏感性。增加大宗商品或用通脹保值債券替代部分名義債券，可以控制這種負面的通脹敞口。你可以對增長和貨幣政策（利率）敏感度進行類似的操作；我們就是這么做的。 簡而言之，我們并不試圖預測宏觀經濟機制的變化。 指望任何投資者可靠地做到這一點都是徒勞的。 但我們試圖構建一個對不斷變化的機制具有魯棒性的 SAA。

在我們基于趨勢跟蹤的 TAA 策略中，我們明確旨在從宏觀經濟沖擊和機制轉換中獲利。 資產價格對新信息的反應不足，因此我們做多具有有利宏觀經濟沖擊的市場，做空具有不利宏觀經濟沖擊的市場，押注沖擊將對價格產生持久影響。 事實上，我們觀察到宏觀經濟波動性較高時，業績往往更好。

Frank J. Fabozzi：您如何在多資產投資組合中納入通脹風險？ 哪些資產或策略在應對通脹不確定性方面被證明是最有效的？

Jordan Brooks：通貨膨脹是我們希望將敏感度降至最低的主要宏觀經濟風險因素之一。說起來容易做起來難，因為股票和債券都傾向于對通脹沖擊有負面敞口。因此，多資產類別 SAA 可能會做空通脹。 問題在于做空多少，以及在 SAA 和 TAA 計劃中可以做些什么來降低通脹風險？

衡量不同資產類別的通脹敏感度并非易事。 與學術文獻相一致，我們發現將通脹分為兩部分非常重要：核心通脹與食品和能源通脹（兩者相加即為整體通脹）。 事實證明，資產類別對核心通脹沖擊與食品/能源通脹沖擊的敏感度可能有很大差異。 名義債券對兩者都有負面敞口。股票對核心通脹有負面敞口，但在食品/能源通脹中表現良好。大宗商品通常被認為是通脹對沖工具，但有一個前提條件。歷史上，它們是食品/能源通脹的極佳對沖工具，但對核心通脹并非如此。

考慮一個在股票、名義債券和大宗商品之間大致風險均衡的 SAA。 該 SAA對食品/能源通脹的敏感度應該很?。涸谕涳j升時債券表現不佳，但大宗商品表現良好。 然而，該投資組合對核心通脹具有負面敞口。在核心通脹沖擊中，股票和債券遭到拋售，而大宗商品無濟于事。在流動性資產類別中，通脹盈虧平衡工具（做多通脹保值債券，做空具有同等久期的名義債券）在對沖核心通脹沖擊方面具有獨特性。 因此，為了降低 SAA 對核心通脹的敏感度，我們加入了通脹盈虧平衡工具。 由于我們一開始的配置包含名義債券，這相當于用通脹保值債券替代部分名義債券敞口。

基于趨勢跟蹤的 TAA 計劃也可以提供對抗通脹風險的多元化。 通常，當經濟基本面受到嚴重沖擊時，趨勢跟蹤策略表現良好，因為這種變化往往會引起跨多個資產類別的大幅資產價格調整。隨著市場參與者對新的基本面現實反應不足，這些價格調整通常是漸進且持久的，這反映了趨勢跟蹤者旨在利用的核心低效性之一。換句話說，趨勢跟蹤傾向于在宏觀經濟沖擊和基本面波動的時期找到一些最佳機會。通脹環境就是其中一個具體例子，事實上，我們確實看到趨勢跟蹤策略在這些時期表現得非常好。JPM 2017 年的一篇論文《趨勢跟蹤的一個世紀》發現，趨勢跟蹤最好的十年（回報和夏普比率）是 1970 年代，那是一個商品價格、通貨膨脹和利率急劇上升（伴隨嚴重經濟衰退）的時期。更近一點看，2022 年核心通脹的快速上升是 SG 趨勢指數有史以來最好的一年。總體而言，我們發現趨勢跟蹤可以成為構建能夠成功駕馭核心和整體通脹環境的投資組合的關鍵輸入變量。

Frank J. Fabozzi：在您的多資產框架中，另類投資扮演什么角色？ 您如何平衡其潛在的多元化優勢與對流動性和估值的擔憂？

Jordan Brooks：并非所有的另類投資生來平等——就其多元化屬性、流動性和透明度而言。 我們傾向于關注流動性強、公開交易的工具，以創造真正能對股票和債券等傳統投資起到分散作用的風險敞口。 商品期貨是一個典型的例子，并在我們的 SAA 中發揮著至關重要的作用。 它們具有流動性，歷史上支付了正的風險溢價，并且相對于股票和債券具有分散作用，特別是在通脹時期。分散的信用利差敞口是另一個例子。雖然信用利差和股票正相關，但它們并非完全相關。而且在利率上升的環境中，信用風險往往跑贏股票（經 Beta 調整后）。 在 SAA 中納入大宗商品和信用利差敞口，有助于提供更好的宏觀經濟平衡和卓越的長期風險調整后收益。

多空流動性另類投資（即趨勢跟蹤、市場中性選股和相對價值全球資產配置）在多資產類別 SAA 之上可以非常有附加值。 它們往往與傳統資產類別相關性較低，包含這些投資的投資組合有可能實現更好的風險調整后收益，并在跨宏觀經濟機制中表現得更加均衡。鑒于當前極其昂貴的股市估值和市場集中度背景，多空流動性另類投資在投資組合中的重要性可以說是前所未有。

然而，許多廣受歡迎的“另類投資”其實并不那么另類。例如，私募股權（PE）與公開市場股票受到相同的回報驅動因素的影響——即公司增長現金流的能力以及投資者對這些現金流給出的估值。對股票市場來說糟糕的十年，對 PE 來說也會是糟糕的十年。其缺乏盯市計價可能讓它看起來像是一種分散投資工具，但這層分散化很大程度上是短暫虛幻的。這是否意味著 PE 在 SAA 中沒有立足之地？ 并非必然如此，至少對于那些習慣于缺乏流動性（這可能是一個特性而不是缺陷，并因此壓低了長期預期收益）的投資者來說，前提是他們考慮了其與公共股票的相關性。

Frank J. Fabozzi：您如何將定量模型與定性判斷相結合？ 模型在哪些領域占主導地位，哪些領域必須保留自由裁量權？

Jordan Brooks：AQR 代表“應用量化研究”——我們是一家量化公司。 這意味著我們遵循我們的模型：我們的頭寸和交易是由經過大量研究和回測的算法決定的。然而，這并不意味著我們的投資過程缺乏主觀自由裁量權。我們的主觀裁量權體現在模型的設計上。對于 SAA，我們的目標、備選方案和約束條件是什么？我們在多大程度上權衡基于歷史相關性的最佳經驗夏普比率與在跨宏觀經濟機制中具有均衡表現？我們使用什么方法來估計資產類別的預期收益？對于 TAA，決定我們是做多還是做空每種資產的不同信號是什么？我們圍坐在桌旁的辯論，不是關于做多還是做空原油，而是關于決定我們對原油最終看法的模型輸入變量。

量化分析師在模型設計中行使主觀裁量權，這對于任何系統化公司都是正確的，但在 AQR 尤其如此，因為我們使用的大多數定量信號都與基本面驅動的市場低效有關。我們識別持久且普遍的現象，比如資產價格對新信息的反應不足。 然后，我們使用各種數據源（傳統數據、替代數據和專有數據）構建大量量化信號，以利用這種反應不足。 我們不斷尋找并識別新的市場低效性，構建新信號以利用這些低效性，并將新資產添加到我們的可投資范圍內。 我們在執行上是量化的，但定性判斷在研究過程中至關重要。

Frank J. Fabozzi：新數據和人工智能驅動的工具的出現，如何影響資產配置決策？ 這些工具在哪里增加了最大的價值，又在哪里未達到預期？

Jordan Brooks：在 SAA 中，新數據和 ML/AI 驅動工具的影響是適度的。 正如我們所討論的，SAA 的主要輸入變量是對長期預期風險調整后收益、相關性和宏觀經濟敏感度的估計。 替代數據集和自然語言處理并不直接解決這些輸入變量。

然而，在 TAA 中，新數據和工具已經增加了顯著的價值。 在我們的投資方法中，新數據、機器學習和 AI 增加價值的潛在途徑有三個：（1）識別新的市場低效性，（2）通過新信號提高我們利用以前識別的市場低效性的能力，以及（3）更好的投資組合構建。我認為（1）通常是人們在投資公司聽到大數據和 ML/AI 時所想到的。你把一大堆數據扔進一個花哨的統計算法中，它就能“破解”市場并吐出有利可圖的頭寸。也許在統計套利的高頻世界里有這樣做的空間，但在我們交易流動性市場、持有期從幾周到幾個月的投資策略中，這種空間較小。樣本太短，而市場太有效。我們在 TAA 中（尤其是在數據更豐富的選股中）在（2）和（3）方面發現了很大價值。新數據集和 AI 工具（如自然語言處理）推動了新信號和補充性信號的發展。在一個擁有豐富資產和信號的環境中，基于 ML 的預估技術改善了戰略和戰術信號的權重分配。在這里，我同樣需要有所保留。但可以肯定地說，我認為一種旨在利用一系列可識別的市場低效現象的由基本面驅動的投資過程，與新數據及 ML/AI 驅動的工具相結合，是一種非常強大的聯盟。

Frank J. Fabozzi：您如何評估多資產策略的成功？ 除了回報之外，哪些績效維度最能提供信息？

Jordan Brooks：好的，我需要從回報開始——畢竟那是我們最終的口糧。 我們設計多資產類別投資組合的明確目標是最大化風險調整后收益。 檢查不同資產類別的歷史長期表現及其兩兩之間的相關性，希望風險均衡的 SAA 能夠長期實現 0.5 的夏普比率——假設 SAA 的目標波動率為 10%，則回報率為現金加上 5%。

自 2003 年 HFR 風險平價指數成立以來，其歷史夏普比率為 0.55。 絕對表現如預期般出色。但單獨的絕對表現并非最終定論。很多時候，投資者在多資產 SAA 與更傳統的投資組合（如 60/40 或全股票組合）之間進行直接比較。他們會問哪個投資組合具有更高的回報或更好的夏普比率。但只有當投資者的選擇僅限于將所有資金投入其中一種投資組合時，這才具有相關性。投資組合的選擇并非非此即彼！相關的問題是，多資產類別策略在投資者現有投資組合（通常非常偏重股票投資）的基礎上是否具有附加值。在決定是否（以及投入多少）相對于傳統全股票或 60/40 投資組合投資于多資產類別投資組合時，多資產類別投資組合的獨立夏普比率很重要，其相關性也很重要。關鍵的實證問題是，多資產 SAA 相對于傳統投資組合是否具有 Alpha（即它是否具有互補性）？這是一個較低的標準，但卻是必須要越過的更重要的一關。通過這個視角來看，在戰略配置中包含風險均衡的多資產策略的實證依據得到了加強。

此外，也許最關鍵的是，當你考慮 SAA 的最終目的（即增長和保護資本以履行未來的義務）時，一個風險均衡的 SAA 應該能在各種市場和宏觀經濟環境中提供更具韌性的表現。 而且，與幾乎完全受股市命運支配的傳統 60/40 組合等更為集中的投資組合相比，風險均衡的 SAA 的回撤往往更為溫和。雖然風險均衡 SAA 在牛市期間的適度表現落后可能會令人沮喪，但在傳統投資組合中遭遇大規模股市回撤（如全球金融危機或科技泡沫破裂）帶來的多年資本損失卻可能是災難性的。 風險均衡 SAA 的以下組合應該有助于投資者取得更好的長期成功：在不同的宏觀經濟和市場機制下往往更加穩健的有吸引力的絕對回報、更溫和的回撤以及高流動性的持倉。

Frank J. Fabozzi：您如何看待多資產背景下的尾部風險？ 在管理極端但合理的結果方面，您發現哪些方法最有效？

Jordan Brooks：多資產背景下的尾部風險通常來自兩個來源之一。 第一個來源是單個市場或資產類別經歷巨大、離散的不利事件并遭到拋售。 第二個來源是“千刀萬剮”，即原本似乎可以互補分散風險的資產變得高度相關并一起表現不佳。

為了應對第一個來源，我們必須不再將波動率作為衡量頭寸規模的唯一風險指標。 波動率或標準差衡量的是圍繞均值的離散程度，它對稱地對待正面和負面的結果。 但并非所有的波動率生來都是平等的。這就是將 SAA 和 TAA 結合起來發揮作用的地方。通過將 SAA 與具有凸性的 TAA 計劃（如趨勢跟蹤）配對，你可以區分“壞”的波動（例如，2022 年的名義債券）和“好”的波動（例如，2025 年的股票市場），從而在保留上行參與度的同時減少下行參與度。

第二個來源更具挑戰性。資產相關性具有高度流動性，罕見或新穎的事件可能會引發以前未曾觀察到的協同波動。 這需要你保持謙遜。正如我之前所說，你無法可靠地預測相關性的巨大變化，因為它們依賴于宏觀經濟新聞。然而，穩健的投資組合設計和投資過程可以幫助你降低投資組合對相關性誤估的敏感度。 在實踐中，這意味著要在較長的時間范圍內估計相關性，以避免過度依賴不穩定的跨資產關系，并施加審慎的杠桿限制，這樣一來，相關性的突然飆升就不會轉化為超出常規的損失。

Frank J. Fabozzi：在壓力時期相關性上升時，您如何看待分散投資？ 在這種環境下，哪些形式的分散投資最為可靠？

Jordan Brooks：我已經花了很多筆墨強調地理和資產類別多元化的重要性。 但到目前為止我忽略討論的一個多元化維度是時間序列多元化。 在相關性上升和市場壓力的時期，SAA 的波動性可能會增加。 然而，除非 SAA 前瞻性的預期夏普比率同步上升（幾乎沒有理由認為通常應該如此），否則投資者的風險承受能力可能并沒有上升。 如果你保持恒定的敞口，你可能會被迫在糟糕的時候出售你的部分投資組合（這是許多投資者在全球金融危機期間所經歷的命運）。 我認為這一點已被普遍認識到，并推動了各種回撤控制機制的發展。

然而，一個較少被認識到的點是，即使你能夠長期持有一個具有隨時間變化風險的投資組合，這也并非最佳選擇。 時變的波動率會降低風險調整后的收益，因此你的長期收益將不成比例地來自充滿壓力的環境。 審慎的 SAA 將致力于隨時間推移將目標波動率保持在一個相對恒定的水平。 其好處不僅在于這種投資組合更容易在壓力環境中持有，還在于長期回報不會受制于市場波動率很高的那幾個少數時期。 當然，波動率和相關性預測模型并不完美。它們可能比回報更容易預測準確，但你仍然需要保持謙遜并設置護欄。 在投資組合構建過程中嵌入對資產類別和整體杠桿的審慎限制，可以成為進一步在時間跨度上強制執行多元化的有用約束條件。

最后，基于趨勢跟蹤的 TAA 計劃可能有助于渡過市場壓力和相關性上升的時期。 通常，長期的市場壓力和相關性轉變具有基本面的催化劑（例如，通脹上升或貨幣政策轉向鷹派）。 如果對市場的影響是逐漸展開的，基于趨勢的 TAA 計劃傾向于減少對受影響資產的敞口，直到看跌的催化劑消退。 這再次證明了為什么趨勢跟蹤 TAA 計劃可以成為 SAA 的一個強大補充。

??歡迎加入譯者的星球??

左手多資產、右手AI

便宜、輕量化

現有智堡會員/AI用戶無需再購買星球，如果非要再購買，您吉祥

星球提供每天公眾號的提及內容鏈接及文件，和智堡會員/智堡AI引擎內的部分內容預覽（不超過3%）

重度用戶

認購我們的AI投研系統。