个人量化选股（一）：大类资产配置与量化选股分层

讨论量化交易时，人们往往容易直接聚焦在微观的选股指标上：均线组合、动量斜率、波动率通道、突破信号。

在实际构建量化交易体系时，单独一个选股引擎无法独立运转。选股系统处于整个交易框架的执行层。在决定买入哪些个股之前，系统必须先知道前置的宏观输入：总资金在哪些市场之间分布、哪些资金负责承担长期的 Beta 收益、哪些资金才划拨给量化引擎做战术选股。

全球不同股票市场有各自独立的运行周期。美股经历过长时间的科技牛市，港股出现过较长时间的单边回调，日本股市受到货币政策转向驱动，A 股在特定阶段呈现窄幅结构性震荡。如果把全部资金押在单一市场的个股量化策略上，当该市场进入系统性熊市，无论底层的选股规则多么严格，组合净值都会承受难以避免的大幅回撤。

搭建量化选股体系的第一步，是建立相匹配的大类资产配置与分层结构。

目标函数抉择：夏普率优先与几何复利优先各自擅长什么

资产配置的配比不是固定不变的公式，它取决于投资者的投资期限、资金属性与风险承受能力。

在设定量化配置模型的目标函数时，通常有两种取向：夏普率优先与几何复利优先。为了看清两者的差异，我们使用相同的资产数据，设定 100 万元初始本金进行长期模拟对比：

夏普率优先衡量的是单位风险的获取效率，目标函数为 $S(w) = \frac{\mu - r_f}{\sigma}$ 。优化器为了追求高夏普率，会大幅向低波动的固收资产和现金倾斜（合计达 40% 左右）。这种方案擅长平滑净值波动，回撤浅（历史模拟最大回撤约 -13%），能够提供稳定的持仓心理体验，适合资金已进入提取期或风险承受力较低的投资者。付出的代价是牺牲了长期复利的天花板，10 年累计财富增长明显落后。

几何复利优先考虑的是扣除波动损耗后的复合增长速度。对数财富增长 $E[\log(1+r)]$ 在二阶展开下近似为均值减去二分之一方差：

$g(w) \approx w^T \mu - \frac{1}{2} w^T \Sigma w$

波动项在公式中直接充当复利损耗扣除项。优化器在控制波动损耗的前提下，会把资金充分暴露在长期能够创造生产力增长的股票权益资产上（权益类接近 80%）。这种方案擅长长周期财富积累，10 年终值高出近 44%；付出的代价是必须承受更深的回撤（模拟最大回撤约 -26%）以及熊市期间的心理磨砺。

如果在早期资产配置中保留较多的固定收益与现金理财，虽然波动小，但在扣除通胀后，长期对资产规模增长的贡献有限。如果具备稳定的外部现金流，且心理上能够承受 20% 到 25% 左右的周期性回撤，选择几何复利优先能够更好地发挥长期资本增值的效率。

构建资产配比的推导链路

构建整套资产配比，逻辑上可以拆解为五个清晰的步骤：

第一步：资产穿透

个人投资者的资金往往分布在境内外银行、跨境券商和财富管理账户中，持有混合型公募基金、美元理财、跨境产品等复合资产。

推导的第一步是摸清家底，对所有底层资产进行穿透与拆解：

剔除住房公积金等流动性受限资金，剔除融资融券等杠杆负债层。
将持有的混合型基金按实际成分拆解为美股、日股、欧洲股、中国股及境内外债券。
将理财与存款拆解为境外固收与各币种现金。
最终归集为 8 个纯净、互斥的大类风险资产桶。

第二步：代理映射与协方差矩阵

主动管理基金会更换基金经理，持仓风格也容易漂移，不能直接用历史净值做长期量化分析。需要把每个资产桶映射到低费率、高流动性的标准化市场指数代理标的：

美股：45% QQQ + 55% SPY，代表略微偏向科技成长的美国宽基指数。
日本股市：EWJ (iShares MSCI Japan ETF)，代表日本成熟股票市场。
中国资产：55% 沪深300 + 45% 恒生指数，提供 A 股与港股的混合暴露。
欧洲股市：60% VGK + 40% EWU，涵盖欧洲发达国家与英国市场。
黄金：GLD (SPDR Gold Shares)，提供抗通胀与避险对冲属性。
债券：AGG (iShares Core U.S. Aggregate Bond)，代表美元综合债券。
现金储备：年化 1.7% 固定收益，作为境内人民币货币基金的机会成本。
加密货币：65% GBTC + 35% ETHE，作为高弹性的主流加密资产代理。

为了避免特定年份单一起终点带来的端点偏差，预期收益率采用 5 年滚动窗口的中位数年化收益：

$\mu_i = \text{median}\{R_{i,t,5y}\}$

样本周期跨越 2012 年至 2026 年，包含 3,777 个有效对齐交易日。各市场休市日按前收盘价前向填充（ffill），休市日计零收益。日收益率协方差矩阵按实际交易日密度年化为 $\Sigma$ 。

从实测数据可以看到两个重要特征：

滚动中位数有效过滤了起终点扭曲（左图）：以中国资产为例，全期单一起终点 CAGR 为 3.6%，但 5 年滚动窗口中位数仅为 2.0%，更客观地反映了常态化持有的回报分布；美股的 5 年滚动中位数达到 15.8%，黄金达到 7.5%，在同等约 16%—18% 的年化波动率下展现出显著更高的长期收益补偿。
跨资产低相关性提供天然的方差损耗缓冲（右图）：美股与欧股（0.76）、日股（0.70）同属发达市场，联动较强；但中国资产与美股的相关系数仅为 0.18，黄金、债券与各大股票市场的相关系数普遍在 0.07 至 0.18 之间（中国资产与美元债甚至呈 -0.02 负相关）。这种低相关性进入协方差矩阵 $\Sigma$ 后，能够显著压低组合整体的波动损耗 $\frac{1}{2} w^T \Sigma w$ 。

第三步：参数求解

在第二步确立的预期收益与协方差基础上，设定合理的组合边界：股票总仓位限制在 75% 到 85% 之间；美股上限 50%；中国资产下限 10%、上限 30%；日股 5% 到 20%；欧洲 5% 到 25%；黄金上限 10%；债券 5% 到 15%；现金 3% 到 10%；不做空。

使用 SLSQP 算法对二次规划问题求解，得到的全样本最优解（上图左侧）呈现出清晰的结构分化：

触及上限的主力引擎：美股（50.0%）与黄金（10.0%）直接顶满预设上限，分别承担组合的核心增长与异质性风险对冲。
唯一的内点平衡解：日本股市（17.0%）落在 [5%, 20%] 的区间内部，作为发达市场中的独立区域因子发挥分散作用。
触及下限的底座与缓冲：中国资产（10.0%）、欧洲股市（5.0%）、债券（5.0%）与现金（3.0%）停留在各自的下限边界，保留基础敞口与再平衡流动性。

第四步：回测与回撤检验

全样本求解的参数容易受到单一历史区间的支配。2012 年到 2026 年美股科技处于长期大牛市，而黄金在 2012 到 2016 年处于大幅下行期。

为了检验参数在不同宏观环境下的稳健性，把历史数据切分为三个宏观子周期分别回测（见上图右侧）：

2012 年至 2016 年：大宗商品熊市、美股初登牛途。
2017 年至 2021 年：全球科技繁荣与低利率环境。
2022 年至 2026 年：全球通胀与激进加息周期。

分段回测显示：美股在三个子区间全部触及 50% 上限；中国资产与债券稳定在下限；日本股市在各分段均高于欧洲股市。波动较大的是黄金（早期权重为 0%，近期回升至 10%）以及日欧权重的相对差额。为了防止过拟合，对全样本与三个子区间的参数进行等权平均，得到跨周期平滑核心权重（美股 50.0%、日股 15.0%、黄金 7.5%、中国资产 10.0%、欧洲股市 7.5%、债券 5.0%、现金 5.0%）。

将平滑后的核心组合放回 2012 年至 2026 年的完整历史行情中，进行累计净值与水下回撤（Underwater Drawdown）压力检验：

15 年的实证检验验证了两个核心结论：

长期复利显著跑赢单一市场与等权基准（上图）：几何复利目标核心组合在 2012—2026 年间实现了 11.69% 的历史年化收益与 0.78 的夏普比率，累计净值增长至 4.98 倍；同期七大资产等权基准年化为 6.80%（累计 2.60 倍），单一中国宽基指数代理年化仅为 3.60%（累计 1.67 倍）。
极端行情下的最大回撤严格受控于风险红线（下图）：
- 在 2015 年 A 股异常波动期间，单一中国宽基回撤超过 -40%，而全球多资产核心组合回撤仅 -13.8%；
- 在 2020 年 3 月全球疫情熔断期间，组合回撤 -22.1%，随后迅速修复并创出新高；
- 在 2022 年美联储激进加息引发的股债双杀期间，组合录得 15 年最大历史回撤 -24.34%，依然严格控制在预设的 -25.0% 个人风险承受红线以内。

第五步：结合风险承受能力与偏好，得出最终持仓配比

纯数学优化器在处理高弹性资产时会给出极端的配置建议。例如在测试加密资产时，未经限制的几何增长模型会直接推高到 15% 的上限。

现实投资需要结合自身的风险边界施加纪律约束：出于对代理数据代表性、集中度风险以及监管环境的考虑，人为给加密资产设定 5.0% 的风险上限；同时将核心组合按 95% 等比例缩放，限制单一国家股票敞口不超过 50%。

平滑并叠加约束后，最终收敛出指导实际操作的八大持仓比例与战略定位：

大类资产比例确定之后，选股系统的边界就清晰了：在分配给各个市场的预算范围内挑选标的，不需要在不同市场间盲目切换。

为什么不同市场必须物理隔离打分

做多市场选股时，一种直觉做法是把美股、日股、港股和 A 股的标的混入同一个数据表，用同一个动量指标拉通排序。

这种做法在回测和实盘中都不可行。不同市场必须进行物理隔离，各自独立建池、独立打分。原因包含三个方面：

汇率波动扭曲相对收益。日元近年经历了大幅贬值，美元持续走强。如果不做汇率折算，日股以日元计价的名义涨幅看起来很大，折算后是另一回事；如果做了汇率折算，汇率波动带来的折算差会主导选股结果，掩盖个股自身的价格动量。
波动率体系存在结构差异。美股科技股的年化波动率常常在 40% 到 60% 以上，港股和 A 股的高股息红利标的年化波动率通常在 15% 到 20% 左右。混在一起排名，高波动资产在单边上涨行情中会把低波动资产挤出排名列表，导致整个组合的下行风险敞口在震荡市失控。
资金账户存在物理结算边界。美股账户、港币账户、境内人民币银行账户分属不同的托管机构。跨境出金入金需要结算时间，还受外汇额度限制，无法实现分钟级的跨市场实时调度。

因此系统的执行原则是：美股在美股池打分，日股在日股池打分，港股和 A 股也分别独立计算，各自产生各自市场的优选名单。

核心底仓与卫星个股的分工

在分配给股票市场的整体预算内，资金进一步划分为核心底仓与卫星个股两层：

核心底仓（约 70%）：配置 QQQM、VGK、TOPIX ETF、宽基红利等指数产品，负责获取市场大盘贝塔收益。长期持有，不参与短期换股，仅在价格跌破 200 日均线 1.5% 满 3 天时执行灾难止损。
卫星个股（约 30%）：由量化选股系统负责，获取截面超额收益。美股 6 只、日股 4 只、港股 3 只、A 股 3 只，由量化引擎定期打分、在缓冲区内平滑轮动。

核心底仓构成了组合大部分长期收益的底座。卫星个股的任务是在限定的仓位和数量内，用量化规则跟踪市场阶段性的强势行业与龙头标的。

衔接与后续流程

当大类资产配置比例确定、市场物理隔离确立、核心与卫星分工划清后，留给量化选股引擎的任务就聚焦在卫星仓位上。

面对美股、日股、港股和 A 股数以万计的股票，如何不凭记忆调取标的、如何通过多路渠道召回兼具流动性与可交易性的候选股票池，我们在下一篇《个人量化选股（二）：标的池怎么选，以及多路召回与双轨粗排》中展开拆解。