来源：源达
投资要点
ETF的资产配置既要选得不同，也要配得均衡
国内ETF已经长足发展，全市场ETF数量超过1600只，覆盖权益、债券、商品和海外市场，多资产配置便利性显著提升。但标的增多不等于风险分散：同类ETF可能重复暴露于同一风险源，高波动资产也可能主导组合波动与回撤。本报告在多资产类别资产配置的指导思想下，提供一种ETF组合配置思路，兼顾风险来源差异化与风险贡献均衡化，分别解决“选什么”和“怎么配”的核心问题。
双层框架：先筛选风险来源、再均衡风险贡献
报告首先基于多资产配置框架和ETF产品属性构建初选池，并通过底层资产核验、相关性分析和风险维度诊断发现，部分资产存在风险来源重复的问题。为避免仅在原有资产范围内进行简单删减，本文进一步扩展候选资产范围，引入更多具有差异化风险特征的权益、债券、商品和海外市场ETF，在更广泛的候选池基础上筛选形成精选池，解决“选什么”的问题。
精选池共10只ETF， 覆盖四个大类：A股权益（沪深 300、科创 50、红利）、债券（10年国债、城投债）、商品（黄金、有色、豆粕）、海外 QDII（纳指、日经），各个ETF分别承担大盘基准、成长弹性、低波防御、利率信用、通胀对冲、海外分散等配置角色。相比初选池，精选池 ENB从2.93升至4.50，分散化效率从20.9%提升至45.0%，资产数量减少但有效风险信息明显增加。
精选池ERC组合配置兼顾风险均衡与防御性
精选池采用等风险贡献（ERC）作为推荐方案，等权和最小方差作为对照。ERC根据资产波动率和相关性分配资金：例如，两只债券ETF资金权重合计67.72%，但风险贡献仅约20%，波动较低的债券资产需要更高资金权重才能达到目标风险，该结果体现ERC风险分配机制，并非对债券收益方向的判断。
2021年11月至2026年7月回测显示，精选池ERC组合年化收益8.29%、年化波动率4.99%、最大回撤-3.45%；相较等权组合，ERC组合波动和回撤明显收窄；相较最小方差组合，ERC组合则保留了更多非债券风险来源并取得更高收益，在收益、防御性与风险来源多样性之间取得相对均衡。
投资建议
本策略可作为长期多资产ETF配置、FOF底仓及风险预算管理的基准框架，而非可直接复制的收益预测模型。实际应用应结合资金期限、目标波动、回撤容忍度、流动性和交易成本进行校准。
风险提示
利率上行可能导致债券ETF回撤；商品ETF存在展期损耗；极端行情下资产相关性可能同步提升；ETF流动性和交易限制可能影响执行；历史回测不代表未来表现。
一、ETF市场快速扩容，但资产数量不等于风险分散
- ETF已具备多资产配置工具箱基础
国内ETF市场近年快速扩容。截至2026年7月24日，全市场ETF数量已超过1，600只，管理规模约4.9万亿元，底层资产已覆盖A股宽基指数、行业指数、主题指数、债券、商品和海外市场（QDII）。ETF工具供给的扩展，使ETF正在由单一指数跟踪工具演变为可以进行多资产配置的标准化模块，投资者可以在证券账户内构建跨资产、跨区域的组合。
但工具丰富并未自动解决“如何选、如何配”的问题。一方面，大量同类ETF跟踪相近指数，增加标的可能只是重复同一市场Beta；另一方面，不同资产的波动率差异显著，简单等权或按资金比例配置容易使高波动资产主导组合风险。因此，多资产ETF配置应先识别资产池中真正独立的风险来源，再决定各类风险应承担多大的组合风险预算。
- 2． 传统等权配置可能形成“伪分散”
传统等权配置容易形成两层“伪分散”：第一层来自波动率差异，即相同资金权重并不对应相同风险贡献，高波动权益可能主导组合波动与回撤；第二层来自相关性重叠，即多只A股宽基或行业ETF虽然名称不同，却可能共同暴露于同一权益Beta。由此，持有更多标的并不必然意味着承担了更多独立风险。
基于上述问题，本文针对多资产配置中的两类“伪分散”构建双层风险分散框架。第一层是资产池层面的风险来源筛选：通过底层资产核验、经济角色判断、相关性分析和特征值有效风险维度诊断，减少不同ETF对同一风险来源的重复表达；第二层是组合层面的风险预算配置：在最终入选资产池上采用等风险贡献模型，使各资产对组合总体风险的贡献接近目标水平。前者关注风险来源是否足够多样，后者关注风险预算是否过度集中。
第一层风险分散以特征值有效风险维度（ENB口径）和相关性分析为主，诊断重复暴露，解决“选什么”；第二层风险分散以等风险贡献（Equal Risk Contribution， ERC）分配风险预算，解决“配多少”。这样将选品与配置分开处理，也有助于避免一个优化步骤同时承担资产筛选、收益判断和权重分配等多重任务。
二、先筛选独立风险，再均衡配置风险
- 1． 初选池诊断、候选池扩展与精选池确定
本研究首先基于大类资产配置框架，从全市场ETF中构建初选池，覆盖A股权益、债券、商品和海外QDII四类资产。初选池主要依据资产类别覆盖、同类代表性、规模与流动性、跟踪误差、上市时间和数据完整性构建；其中，优先选择同类中规模较大、成交活跃、费率和跟踪误差相对较低、历史数据较完整的ETF，以保证组合具备可交易性和可回测性。
初选池主要用于建立可执行的多资产配置基准，而非作为最终筛选结果。基础数据采用Wind日频后复权涨跌幅序列，相关性统一比较区间为2020年11月16日至2026年7月17日。考虑到科创50ETF上市较晚，但其与沪深300等大盘指数相关性较低，仍将其纳入初选池；同时，经过相关性分析与协方差估计窗口的测算对比，本文选取1年作为较合适的估计窗口，因此回测起始日相应推迟一年。
按照上述标准，初选池合计14只ETF。对初选池进行特征值有效风险维度（ENB口径）诊断后，研究发现A股宽基和行业ETF存在较多重复暴露，且510170“大宗商品ETF”底层实际为资源类股票，不能提供独立的商品风险。
为避免仅在既有名单中做减法，我们在保留14只初选池作为对照的基础上，引入同类替代标的和新增风险方向，将搜索空间扩展至更多候选ETF。候选池覆盖市值、成长、行业和红利等权益风格，贵金属、工业金属、农产品和能源化工等商品方向，主要海外市场，以及利率债、地方债和信用债等固收方向，目的在于尽量保留具有差异化驱动因素的风险来源。扩展后的候选池合计36只ETF，具体分布如下：
表1：候选池ETF资产类别与筛选边界
|
候选资产类别 |
数量 |
纳入目的 |
|
A股权益：宽基、行业、策略 |
17 |
覆盖市值、行业和红利/低波风格 |
|
商品：黄金、有色、豆粕、能化及资源股代理 |
5 |
检验不同商品实现方式的分散化价值 |
|
QDII：纳指、标普、日经、德国、恒生等 |
8 |
比较海外市场的差异化敞口 |
|
债券：国债、地方债、城投债等 |
6 |
比较利率与信用风险的对冲能力 |
|
合计 |
36 |
跨资产研究母池 |
资料来源：Wind，源达信息证券研究所
候选资产筛选并非以ENB最大化为单一目标，而是遵循分层决策原则。首先设置资产类别、底层资产真实性、规模、流动性和数据完整性等准入门槛；其次判断候选资产是否承担清晰且不重复的经济风险角色；再次通过相关性和特征值有效风险维度（ENB口径）识别统计重复暴露；仅当同类资产在配置角色和分散作用上接近时，才进一步比较历史Sharpe、最大回撤、跟踪质量和数据长度。该排序旨在避免依据样本期收益表现先行选品、再以分散度指标进行事后解释。
因此，候选池不是实际持仓组合，而是用于寻找更独立风险来源的筛选母池，精选池并没有预设数量，也不是从初选池或候选池中机械截取得到的结果。下文统一将14只初选池简称为“初选池”，36只候选ETF简称为“候选池”，最终10只ETF简称为“精选池”。
本报告ETF的筛选遵循“先覆盖、再去重、后复核”的五步流程：
1）从全市场ETF中按资产类别覆盖（如要求覆盖A股权益、债券、大宗商品和海外资产）、同类代表性、规模和流动性、跟踪误差、上市时间及数据完整性进行初筛，形成可执行的多资产研究起点，筛选后的初选池合计14只ETF。
2）诊断初选池。通过计算初选池的ENB口径指标并检查底层资产，我们识别了宽基共线性、行业Beta重复和ETF 510170“名为商品、实为资源股”的分类问题，并将其纳入行业权益而非商品敞口。
3）为拓展差异化风险来源、提高有效统计风险维度，在保留14只初选池标的作为对照的基础上，引入更多备选和替代ETF，并补充商品、海外市场和债券等新增方向，最终将搜索空间扩展至36只候选ETF。
4）相关性与ENB去冗余。以沪深300ETF为A股权益基准锚，结合两两相关性及单只ETF加入或删除后的ENB变化，识别重复暴露并筛选能够补充相对独立统计风险维度的标的。
5）复核配置角色与可投资性。参考ENB工具进行诊断，对于边际分散作用接近的同类ETF，进一步结合底层资产穿透、历史风险收益、最大回撤、数据长度、流动性及组合角色作最终选择，形成10只精选池。
从结果来看，14只初选池遵循“先覆盖、后诊断”的思路，资产类别较为齐全，但A股宽基和行业ETF占比较高，5只宽基ETF内部平均相关系数约0.80；同时，510170虽名为“大宗商品ETF”，实质仍是资源股权益暴露。ENB诊断表明，该池标的数量较多，但风险信息增量有限，由此触发了候选范围向36只ETF的扩展和重新筛选。
从初选池到精选池的调整不是简单“少买几只”，而是针对每一种重复风险作定向处理：
表2：初选池向精选池的迁移逻辑
|
调整方向 |
代表性处理 |
筛选理由 |
|
宽基权益去重 |
保留沪深300、科创50和红利；不再同时配置上证50、中证500、中证1000等高度相近宽基 |
降低同一A股Beta的重复暴露；科创50和红利保留成长与低波差异 |
|
行业权益退出核心池 |
证券、医药、消费等行业ETF不进入精选池 |
与沪深300相关性较高，ENB口径边际分散贡献有限 |
|
“伪商品”替换 |
以有色、豆粕替代资源股型大宗商品ETF |
资源股本质仍是权益风险，不能代表纯商品敞口 |
|
商品维度扩展 |
黄金单品扩展为黄金、有色、豆粕 |
三者内部平均相关性约0.18，风险驱动差异明显 |
|
海外权益优化 |
保留纳指、日经；不保留标普、德国、恒生等备选 |
在相近分散效果下，优先历史Sharpe更高、与A股相关性更低的标的 |
|
债券保留双核心 |
保留十年国债和城投债 |
分别表达利率与信用风险，内部相关性约0.33 |
资料来源：Wind，源达信息证券研究所
从14只初选池到最终10只精选池，迁移关系可概括为“保留8只、剔除6只、新增2只”：保留沪深300、科创50、红利、十年国债、城投债、黄金、纳指和日经；剔除中证500、中证1000、创业板、证券、医药及510170资源股型“大宗商品ETF”；再从候选池中新增有色和豆粕两只纯商品ETF。需要说明的是，510170已包含在14只初选池中，虽按风险实质归为行业权益，但不另行计数。该调整既保留了大盘、成长、红利、利率、信用、贵金属和海外权益的主要角色，也补足了工业金属与农产品两类独立风险来源。
表3：候选池ETF筛选与处理标准
|
处理类型 |
代表性标的 |
核心原因 |
|
保留 |
沪深300、科创50、红利 |
分别承担大盘Beta、成长弹性与低波红利风格 |
|
剔除重复权益 |
中证500、中证1000、创业板、证券、医药 |
与沪深300相关性为0.694—0.835，独立风险贡献有限 |
|
剔除“伪商品” |
大宗商品ETF |
底层为资源类股票，仍属权益风险，不能代表纯商品敞口 |
|
新增真实商品 |
有色、豆粕 |
与沪深300相关性分别为0.388和0.075，补充周期和供给冲击风险 |
全部候选标的处理结果、相关系数、同类备选比较和ENB口径边际分散贡献结果保留在配套数据底稿中；报告正文仅展示对结论具有实质影响的筛选理由。
精选池并不追求历史收益最高，而是要求每只入选标的承担清晰且不重复的风险角色。具体而言：A股权益保留沪深300、科创50和红利三种差异化风格；债券保留十年国债和城投债，分别表达利率与信用风险；商品以黄金、有色和豆粕覆盖贵金属、工业金属和农产品；QDII保留纳指和日经，提供美国科技成长与日本市场敞口。
值得说明的是：最终资产数量并未预先设定为10只，也不代表数学意义上的唯一最优解。10只是在主要风险角色完整、同类重复暴露受到控制、ETF可投资性满足要求且能够进入后续ERC配置的条件下形成的可执行结果。当继续增加同类ETF不能明显拓展有效统计风险维度，或仅增加对已有风险来源的重复表达时，不再将其纳入精选池。
表4：候选池的资产类别分布
|
大类 |
候选方向 |
最终保留数量 |
最终配置角色 |
|
A股权益 |
宽基、成长、红利、行业 |
3 |
大盘基准、成长弹性、低波防御 |
|
债券 |
利率债、信用债、地方债 |
2 |
利率对冲与信用补充 |
|
商品 |
贵金属、工业金属、 农产品、能化 |
3 |
通胀、周期与供给冲击 |
|
QDII |
美股、日股、欧股、港股 |
2 |
海外成长与区域分散 |
资料来源：Wind，源达信息证券研究所
表5：初选池向精选池的标的处理结果
|
筛选环节 |
主要判断 |
典型处理 |
|
同类代表性 |
是否跟踪相同或高度相近的指数 |
同类ETF只保留主要代表 |
|
相关性去冗余 |
是否重复沪深300或其他已入选标的的风险 |
剔除多只高度相关的A股宽基与行业ETF |
|
ENB口径边际分散贡献 |
加入该标的是否提升有效统计风险维度 |
优先保留黄金、有色、豆粕等低相关资产 |
|
底层资产核验 |
名称是否与实际风险敞口一致 |
资源股指数不作为纯商品敞口 |
|
风险收益复核 |
分散作用接近时，谁的历史风险收益及数据质量更好 |
纳指优于标普500，日经优于德国市场代表 |
资料来源：Wind，源达信息证券研究所
表6：资产池筛选的主要诊断结果
|
研究阶段 |
池内数量 |
形成方式 |
在本文中的作用 |
|
初选池 |
14 |
从全市场按资产覆盖、代表性与可交易性人工构建 |
作为研究起点，接受ENB诊断并保留为对照基准 |
|
候选池 |
36 |
在14只初选池基础上加入同类替代与新增风险方向 |
提供相关性与ENB筛选的搜索空间 |
|
精选池 |
10 |
从36只候选池中按相关性、ENB口径边际分散贡献与配置角色筛选 |
进入ERC风险平价回测 |
资料来源：Wind，源达信息证券研究所
- 2． 特征值有效风险维度（ENB口径）识别重复暴露
投资者常以“持有多少只ETF”判断分散程度，但10只高度相关的权益ETF仍可能只是反复暴露于同一A股市场风险，这是资产配置的常见问题。本文使用的ENB口径指标基于协方差矩阵特征值结构，关注资产池中有多少个能够解释波动的有效统计风险维度，而不是ETF的名义数量。
设协方差矩阵的特征值为 ，本文ENB采用如下定义：
以上定义采用协方差矩阵特征值的参与率衡量资产池的有效统计风险维度，该指标反映总方差是否集中于少数主成分方向，适合用于诊断资产池的共线性与重复暴露。需要说明的是，该指标属于资产池层面的谱有效维度，借鉴有效赌注数思想；为保持金融语境下的行文连贯，本文后续将该指标简称为ENB口径指标或ENB；但这里ENB含义应理解为资产池层面的有效统计风险维度，既非经典Meucci意义下的组合有效赌注数，也不代表可直接命名的经济因子数量。
14只初选池的ENB为2.93，分散化效率为2.93/14=20.9%，表明14只ETF在样本期内仅对应约3个有效统计风险维度。该口径按14个ETF代码计算，510170已包含其中并仅计一次；其在风险分类中归为行业权益，不作为额外商品资产重复计数。该数值并不意味着组合恰好只包含三个可命名的经济因子，而是说明风险信息高度集中。多只A股宽基ETF内部平均相关系数约0.80，是初选池冗余的主要来源。
本报告以单只ETF加入或删除后ENB的变化衡量边际分散化贡献，并结合相关性、底层资产真实性、风险收益表现和可投资性作二次复核。最终10只精选池的特征值有效风险维度（ENB口径）升至4.50，分散化效率提高至45.0%。
|
图： |
图： |
|
资料来源： |
资料来源： |
以上的效率改善主要来自减少A股宽基的重复Beta、补充有色和豆粕等商品维度，以及保留与A股联动相对较低的海外市场敞口。该结果反映的是样本期间协方差结构的优化，不构成对未来分散效果的保证，后续分散效果仍取决于协方差结构是否保持稳定。
- 3． 商品三足补充相互独立的风险维度
旧方案中的部分“大宗商品ETF”底层实际为资源类股票，本质上仍属于权益风险。最终组合改用黄金、有色和豆粕三只以现货或商品期货为底层的ETF，分别对应避险与实际利率、工业周期以及农业供给冲击。三只商品ETF内部平均相关系数约0.18，驱动因素差异较大，因此能够在商品大类内部进一步分散风险来源。
表7：商品三足的底层资产与配置角色
|
维度 |
ETF |
底层资产 |
与沪深300相关系数 |
历史Sharpe |
配置角色 |
|
贵金属 |
518880.SH 黄金ETF华安 |
Au99.99黄金现货 |
0.140 |
0.837 |
通胀对冲与危机避险 |
|
工业金属 |
159980.SZ 有色ETF大成 |
6只有色金属 期货合约组合 |
0.389 |
0.679 |
经济周期与工业需求 |
|
农产品 |
159985.SZ 豆粕ETF华夏 |
豆粕期货合约 |
0.053 |
0.700 |
农业供给冲击 |
资料来源：Wind，源达信息证券研究所
豆粕与沪深300、纳指和十年国债的相关性均较低，为精选池补充了供给冲击驱动的风险维度。需要强调的是，有色和豆粕ETF通过期货合约获得敞口，其收益不仅取决于现货价格，还受期限结构、展期收益和跟踪误差影响；历史低相关和较高Sharpe不应直接外推至未来。
- 4． 风险平价以等风险贡献替代等资金权重
筛选解决了“哪些ETF进入组合”，但没有回答“各配置多少”。直接等权会使高波动资产主导组合风险，单纯最小化方差又可能使资金过度集中于债券。ERC位于两者之间：它不要求资金权重相同，也不以波动率最低为唯一目标，而是通过均衡各资产的风险贡献建立透明的风险预算。
设权重向量为 ，协方差矩阵为 ，组合波动率为
资产 的总风险贡献为
资产的风险贡献同时取决于自身波动率、资金权重及其与其他资产的相关性。低波动债券因而需要更高资金权重，才能贡献与高波动权益相近的组合风险。ERC使10只ETF的单只风险贡献分别接近10%，并满足全额投资、仅做多和单只ETF权重不高于40%的约束；40%的上限在基准回测中未被触发。
ERC不预测哪类资产未来收益更高，也不保证收益最大化。其价值在于提供一个不依赖预期收益的中性风险分配基准，使组合表现的来源和后续主动观点的增量贡献更容易识别。组合最终表现仍取决于底层资产收益、相关性变化、协方差估计质量和实际交易条件。
- 5． 协方差估计与回测设定
本文采用Ledoit-Wolf收缩协方差估计，以降低有限样本下的估计噪声和改善矩阵数值稳定性。全样本比较中，矩阵条件数由531.8降至113.6，收缩强度为0.026。较低的收缩强度说明精选池的协方差结构相对稳定，样本协方差仍保留较强的信息有效性；同时，收缩估计进一步降低了极端相关结构对权重求解的影响，需要说明的是，收缩估计改善的是估计稳定性，而非消除参数不确定性。
表8：风险平价组合基准回测设定
|
项目 |
基准设定 |
|
ETF数量 |
10只 |
|
回测区间 |
2021-11-16至2026-07-17 |
|
训练窗口 |
243个交易日（1年） |
|
调仓频率 |
63个交易日，约季度 |
|
协方差估计 |
Ledoit-Wolf收缩估计 |
|
无风险利率 |
参考GC001，假定年化无风险利率为2.5% |
|
权重约束 |
仅做多，单只不超过40% |
|
交易成本 |
单边0.05%，正文绩效为扣费前结果 |
资料来源：Wind， 源达信息证券研究所
三、精选池ERC组合实现跨资产风险均衡
- 1． 精选池ETF覆盖四类资产
精选池组合保留3只A股权益ETF、2只债券ETF、3只商品ETF和2只QDII ETF。A股权益分别代表大盘基准、成长弹性和低波防御；债券覆盖利率与信用风险；商品覆盖贵金属、工业金属和农产品；QDII提供美国科技成长与日本市场敞口。
表9：精选池10只ETF组合构成
|
大类 |
代码 |
标的 |
配置角色 |
|
A股权益 |
510300.SH |
沪深300ETF |
大盘权益基准 |
|
A股权益 |
588000.SH |
科创50ETF |
科技成长弹性 |
|
A股权益 |
510880.SH |
红利ETF |
低波与价值防御 |
|
债券 |
511260.SH |
十年国债ETF |
利率风险对冲 |
|
债券 |
511220.SH |
城投债ETF |
信用利差补充 |
|
商品 |
518880.SH |
黄金ETF |
避险与通胀对冲 |
|
商品 |
159980.SZ |
有色ETF |
工业周期 |
|
商品 |
159985.SZ |
豆粕ETF |
农产品供给冲击 |
|
QDII |
159941.SZ |
纳指ETF |
美国科技成长 |
|
QDII |
513520.SH |
日经ETF |
区域分散 |
资料来源：Wind，源达信息证券研究所
- 2． 资金权重体现资产波动率差异
基准ERC组合的债券资金权重为67.72%，商品、A股权益和QDII分别为14.26%、11.58%和6.43%。这一结构的核心反差是“资金权重集中、风险贡献分散”：低波动债券需要更多资金才能获得与高波动权益相近的风险预算。因而，高债券资金权重不代表模型看多债券，也不能仅凭资金占比判断组合风险集中度。
表10：ERC、等权与最小方差的资金权重对比
|
大类 |
成分 |
ERC权重 |
等权组合 |
最小方差组合 |
|
债券 |
十年国债、城投债 |
67.72% |
20% |
77.1% |
|
商品 |
黄金、有色、豆粕 |
14.26% |
30% |
9.56% |
|
A股权益 |
沪深300、科创50、红利 |
11.58% |
30% |
7.93% |
|
QDII |
纳指100、日经225 |
6.43% |
20% |
2.52% |
资料来源：Wind，源达信息证券研究所
- 3． 单只资产风险贡献接近10%
图3：ERC组合资金权重分布（精选池）
资料来源：Wind，源达信息证券研究所
在基准参数下，我们构建的ERC配置权重组合中，10只ETF的单只风险贡献均接近10%。其中，两只债券虽占用约三分之二资金，合计风险贡献仍约为20%；三只商品和三只A股权益分别贡献约30%；两只QDII合计贡献约20%。我们认为，评估风险平价组合时应同时观察资金权重与风险贡献，后者更接近组合实际承担的风险预算结构。
四、回测比较资产池优化与风险平价的叠加表现
- ERC在收益、波动与回撤之间取得均衡
经过回测，我们发现，基准ERC组合年化收益8.29%，低于等权组合的10.40%，但年化波动率由9.62%降至4.99%，最大回撤由-7.28%收窄至-3.45%，Sharpe由0.817升至1.121。结果显示，ERC在样本期内以部分绝对收益为代价，大幅降低了波动和回撤；这与其控制风险集中、而非追求收益最大化的目标一致。
最小方差组合的年化波动率和最大回撤进一步降至2.55%和-1.66%，Sharpe为1.508，但债券权重达到80%，年化收益为6.51%。这说明最小方差与ERC解决的是不同问题：前者优先压低总体波动，后者在均衡单只资产风险贡献的同时保留更多商品、权益和海外风险来源。两者不存在脱离投资目标的统一优劣。
表11：不同配置方法的收益风险表现
|
指标 |
ERC |
等权 |
最小方差 |
|
累计收益 |
44.89% |
58.49% |
34.14% |
|
年化收益 |
8.29% |
10.40% |
6.51% |
|
年化波动率 |
4.99% |
9.62% |
2.55% |
|
Sharpe |
1.121 |
0.817 |
1.508 |
|
最大回撤 |
-3.45% |
-7.28% |
-1.66% |
|
债券权重 |
67.7% |
20.0% |
77.1% |
资料来源：Wind，源达信息证券研究所
注：回测采用滚动窗口动态调整权重，表中所列权重为回测期间权重的平均值。
资料来源：Wind，源达信息证券研究所；数据截至2026年7月17日
以上图表中，RP即Risk Parity的缩写，代表基于风险平价构建的ERC组合，EW是等权重（Equal Weight）组合，MV代表最小方差（Minimum Variance）组合。
图5：不同配置方法的回撤比较
资料来源：Wind，源达信息证券研究所；数据截至2026年7月17日
- 2． 资产池优化与风险配置的阶梯对照
阶梯对照为选品与配置的作用提供了方向性归因。将14只初选池等权组合优化为10只精选池等权组合后，ENB由2.93升至4.50，Sharpe由约0.72升至0.817，最大回撤由约8.1%收窄至7.28%；在10只精选池上进一步采用ERC后，Sharpe升至1.121，波动率下降48.1%，最大回撤约减半至3.45%。
需要注意的是，下述阶梯对照用于展示资产池优化与风险预算配置的叠加效果，而非对两者进行严格的因果分解。14只初选池与10只精选池在资产数量和资产结构上均存在差异，相关绩效变化还受到样本期各资产表现影响；因此，表中结果主要用于提供方向性证据，不应被解读为严格的因果分解。
表12：资产池优化与风险配置的叠加效果
|
阶段 |
组合 |
年化收益 |
年化波动率 |
Sharpe |
最大回撤 |
主要贡献 |
|
① |
14只初选池等权 |
9.8% |
10.2% |
0.72 |
-8.1% |
初始基准，大类分散配置 |
|
② |
10只精选池 等资金权重 |
10.40% |
9.62% |
0.817 |
-7.28% |
风险来源精选，资产池优化 |
|
③ |
10只精选池ERC |
8.29% |
4.99% |
1.121 |
-3.45% |
风险预算 配置 |
资料来源：Wind，源达信息证券研究所
- 3． 分年度结果显示组合具备跨周期韧性
回测覆盖2021年末至2026年7月。2022年A股显著回调，沪深300全年下跌21.6%，组合受益于国内债券和商品表现，年度收益为+1.38%；2023—2025年，黄金、QDII、A股和商品在不同阶段贡献收益，组合年度收益分别为+7.70%、+11.47%和+11.99%；2026年初组合一度出现-3.45%的回撤，约30天后修复。上述结果体现了收益来源的阶段性互补，但回测样本接近五年，尚未覆盖完整的利率与经济周期，这主要与早期ETF品类不够丰富有关；同时，纳入科创50ETF虽有助于降低权益类资产与沪深300的相关性，但其可回测历史相对较短。
表13：风险平价组合分年度收益
|
年份 |
组合收益 |
主要环境与驱动 |
|
2021* |
+0.81% |
仅约6周，债券稳定贡献 |
|
2022 |
+1.38% |
A股回调，国内债券与商品对冲 |
|
2023 |
+7.70% |
黄金走强，QDII修复 |
|
2024 |
+11.47% |
A股回暖、债市延续强势 |
|
2025 |
+11.99% |
权益、商品与QDII多类资产共振 |
|
2026* |
+5.44% |
3月回撤后较快修复，年内数据截至7月17日 |
资料来源：Wind，源达信息证券研究所；带*年份为非完整年度
图6：风险平价组合分年度收益表现
资料来源：Wind，源达信息证券研究所；带*年份为非完整年度
- 4． 参数敏感性未改变主要结论
训练窗口敏感性实验显示，61、122、243和365个交易日窗口下，组合Sharpe介于1.076—1.163之间，最大回撤介于-4.76%至-3.45%之间。短窗口收益较高，但换手与波动也更高；243日窗口在收益、回撤、换手和协方差稳定性之间相对均衡。该实验使用独立的滚动测试口径，目的在于比较参数变化方向，其绝对指标不应与表11的基准回测结果直接替代或混用。
不同训练窗口及月度、季度、半年度调仓条件下，ERC风险贡献最大偏离均在较低水平，说明优化器在测试条件下能够稳定实现等风险贡献目标。该结果仅验证数值收敛与约束实现，不等同于收益、回撤或资产相关性具有未来稳定性；组合权重仍会随协方差估计和市场结构变化。
表14：训练窗口敏感性测试
|
窗口 |
年化收益 |
年化波动率 |
Sharpe |
最大回撤 |
平均换手 |
条件数 |
|
61日 |
9.03% |
6.07% |
1.076 |
-4.76% |
25.0% |
23 |
|
122日 |
8.97% |
5.67% |
1.142 |
-4.19% |
18.7% |
30 |
|
243日 |
8.30% |
4.99% |
1.163 |
-3.45% |
12.6% |
41 |
|
365日 |
7.93% |
4.76% |
1.141 |
-3.55% |
10.8% |
50 |
资料来源：Wind，源达信息证券研究所
五、投资建议
本策略的构建方法可作为多资产ETF配置基准，但投资组合仍受利率与相关性稳定性等多种环境约束，在较为极端的市场环境下，应特别关注相关性等历史关系大幅变化、模型假设失效的风险。
- 1． 核心结论与应用场景
本文的核心结论是，多资产ETF配置的关键不在于持有更多标的，而在于识别相对独立的风险来源，并以透明方式分配风险预算。ENB口径指标将资产池选择由单纯经验判断转化为可量化的分散度诊断；ERC进一步限制高波动资产对组合风险的支配。两者结合后，10只ETF覆盖A股、债券、商品和海外市场，可作为长期多资产配置、FOF底仓及后续主动配置研究的风险预算基准。
该基准组合并非收益预测模型，也不保证在所有市场环境中优于等权或最小方差。其主要价值是提供透明、可复现、可解释的风险分配框架。实际使用时，应根据投资者的目标波动、回撤约束、资金期限、流动性和收益目标调整风险预算，而不宜机械复制本报告权重。
- 2． 模型边界与局限
利率环境：回测期国内利率整体偏下行或低位震荡；若进入持续加息或信用利差快速扩张阶段，67.72%的债券资金权重可能放大债券资产的估值回撤。
商品实现：组合中的商品ETF包括黄金、有色和豆粕ETF，需要通过期货合约获得敞口，长期升水、合约展期和跟踪误差可能持续侵蚀收益。
相关性跃升：极端流动性冲击下，权益、商品和海外资产可能同步下跌，历史相关结构和最大回撤可能低估未来尾部风险。
仅做多与执行约束：组合无法通过做空主动对冲系统性下跌，下行保护主要依赖债券与商品的相关性结构；ETF折溢价、申赎限制和流动性变化也可能使实盘结果偏离回测。
资产风险贡献不等于经济因子风险贡献：ERC实现的是入选ETF资产层面的等风险贡献，并不意味着权益、利率、信用、通胀、汇率和商品供给等经济因子也实现了完全等风险配置。ENB及相关性诊断有助于降低底层风险重复，但不能替代经济因子模型。
样本内选择偏差：资产池筛选与部分绩效评价使用了重叠历史样本，可能存在一定的样本内选择偏差。本文通过底层经济角色核验、流动性约束、数据质量复核和参数敏感性测试降低该风险，但不能完全消除；后续可采用滚动重选资产池或独立样本外区间进一步验证。
样本外推：本报告受限于回测期不足五年，未覆盖完整的利率和经济周期；历史风险收益特征可能发生结构性变化，优化组合在样本外不必然优于简单等权组合。
六、风险提示
本报告结论基于历史数据、既定参数和交易假设，模型可能因市场结构、政策环境、资产相关性或产品规则变化而失效。
极端行情下模型参数可能短期产生较大变化，比如不同资产相关性提升，导致模型失效。
历史业绩不代表未来表现，本报告不构成对任何投资者的直接投资建议，投资者应结合自身风险承受能力、资金期限和投资目标独立决策。