金年会体育定制化财富配置方案设计：以养老场景为例

　　金年会体育金年会体育金年会体育国内私人财富市场稳健发展，高净值人群数量及可投资资产规模持续增长：2020年国内个人持有的可投资资产总体规模达241万亿元。2020年国内高净值人群的数量达262万人，持有的可投资资产规模达84万亿元。

　　传统量化配置模型仅仅考虑了基础维度上的收益与风险的优化，而现实中投资者的需求 更加多元化、个性化。

　　收益（Return）：1）年化收益在6%~8%。2）年收益率有80%的概率超过6%。

　　风险（Risk）：1）年化波动在8%以内。2）每年损失超过-10%的概率在5%以内 （VaR）。3）全局最大回撤在-15%以内、区间动态回撤在-5%以内。

　　时间（Time Horizon）：普通中期投资（3~5年）、养老场景（约40年）、教育场景 （约18年）。

　　流动性（Liquidity）：1）至少配置5%的货基以应对流动性需求。2）按月定投/按年提 取。

　　特性需求（Special Demand）：范围很广、精细化、个性化，例如养老场景可能要求最 终的账户积累值能够以较高的概率满足退休后的养老缺口等等。

　　均值-方差模型（MVT）是所有量化资产配置模型的开端，资产配置问题转化为最优化问 题，优化模型输入包括收益和风险。MVT模型的配置比例对于收益变动极为敏感，而恰恰收益预测又十分困难。后续的量化模型主要沿着主动收益预测、进行风险配置这两个方向演化。

　　传统量化配置模型侧重资产端的分析，在定制化配置方案设计方面存在较大不足，主要 体现在以下三个方面：

　　痛点1：无法加入形式复杂的收益、风险需求。1）例如VaR约束或ES约束仅在正态分 布下可解。2）一些强“路径依赖”的约束，例如组合的最大回撤。

　　痛点3：难以加入特性需求。财富管理大背景下，资产配置方案千人千面，特性化需求 不一而足，传统模型很多情况下将陷入无法求解的窘境。

　　模块1：生成随机配置方案。每次生成的配置方案可以用一个N*T维的矩阵表示，使用自 上而下的随机生成方式，考虑到投资者的特性需求后，仅保留合格的配置方案。

　　模块2：生成随机收益率。每次生成资产收益率可以用一个N*T维的矩阵表示，可以使用 三种随机生成方式：分布模拟法、历史抽样法、主观调整法。

　　模块3：加入资金流调整。资产配置计划账户可能会存在定期/不定期的资金流入/流出。

　　模块4：约束条件检验。任意配置方案+任意随机收益+资金流调整=模拟得到各个时点上 的账户资产净值。对于任意配置方案，考察账户资产净值的路径及分布，剔除不满足约 束条件（如收益、波动、回撤等）的配置方案。

　　模块5：投资者评价。对于符合约束条件的、最终保留下来的配置方案，需要根据其期末 账户资产净值的分布对应的效用值来评价配置方案的优劣。效用函数可以使用EU/PT/ST。（报告来源：未来智库）

　　不同于传统量化配置模型侧重资产端的分析，基于蒙特卡洛模拟的量化配置模型从投资 者需求端出发，在充分考虑到投资者“五层次需求”的条件下定制化配置方案，具有三 大突出优势：

　　优势2：清晰直观地展现不同情境下的策略表现。遍历的方式能够清晰地展现不同情境 下的策略表现，使投资者对配置模型能够实现的效果有更加生动直观的认识。

　　优势3：降低对分布假设的依赖性，便于引入新的资产类别。正态分布假设下的配置结 论可能存在一定问题，而蒙特卡洛模拟方法可以直接采用抽样方式得到收益预测，在 可投资产类别不断增加的背景下更具实用价值。

　　2020年我国人口老龄化比重 达13.5%，老年赡养比逐年攀 升。我国养老金规模占GDP比重较 低，养老体系较为依赖第一支 柱。

　　工作年限、工资收入、投资目 标等存在较大的异质性，养老 场景下的资产配置方案千人千 面，基于蒙特卡洛模拟的量化 配置方法更能发挥其优势。

　　海外经验来看，目标日期基金 （TDF）是近年来最为成功的 个人养老金融产品。2010年以来，TDF整体规模从 3400亿美元增长至1.59万亿美 元，年均复合增长率约16.7%金年会体育。TDF中一站式的全生命周期的 资产配置方案，核心部分为下 滑轨道设计，即确定不同时间 节点上的战略资产配置比例。通常来讲，随着所设定目标日 期的临近，逐步降低权益类资 产的配置比例，增加非权益类 资产的配置比例。

　　利用Monte-Carlo模拟的方式 生成10万个配置方案以及4万 组股债收益率序列，之后综合 考虑投资组合的风险收益情况 和退休后消费目标，筛选出最 优的配置方案。基于Monte-Carlo模拟法计算 得到的养老场景下的最优配置 方案，与目标日期基金的下滑 轨道形状非常接近：随着年龄 的增长（投资的逐步推移）， 最优的权益配置比例不断降低。 期初约74%，期末约16%。（报告来源：未来智库）

　　基于蒙特卡洛模拟的量化配置 模型能够清晰直观地展现不同 情境下的策略表现。以最优配置方案为例，考虑期 初投入和工资收入的周期性投 入后，最优情境下的 IRR约 11.5%，最差情境下的IRR约 0.9%，中性情境下的IRR约 5.5%。

　　我们在此前的外发报告《资产 配置专题系列之十—目标日期 基金：养老型基金产品的开路 先锋》（2020.1.6）中，给出 了先根据理论模型计算下滑轨 道（大类的股债配置比例）， 再借助风险平价模型计算细分 资产配置比例的方法。在多资产配置中，也可以直接 使用本篇报告提出的MonteCarlo模拟的方法实现穿透的 细分资产配置：依然可以实现 类似“下滑轨道”的结果金年会体育。

　　（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）