定制化财富配置方案设计

定制化财富配置方案设计
1. 财富管理大时代，配置需求多元化
1.1 国内私人财富市场稳健发展
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。

1.2 配置需求日益多元化
配置需求日益多元化，资产配置依赖个性化、定制化的方案设计。

需求：进取、多元配置、大类配置、定制化服务。

难点：降低波动、标的选择、组合优化、流动性管理。

核心诉求：定制化的配置方案设计，提供更加智能、更有温度的投资体验。

2. 定制化配置：迎合投资者的“五层次需求”
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（TimeHorizon）：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（SpecialDemand）：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。

3. 传统量化配置模型的痛点
3.1 传统量化配置模型：侧重资产端
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。

3.2 传统配置模型的三大痛点
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2：未考虑资金的流动性需求。

例如周期性地投入/提取。

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。

4. 定制化配置方案的设计：五大模块的有机结合
4.1 五大模块的有机结合
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。

4.2 基于蒙特卡洛模拟的量化配置模型的优势
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1：从“以产品为中心”到“以客户为中心”。

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。

5. 案例展示：养老场景下的定制化配置方案设计
5.1 老龄化压力催生定制化养老配置需求
2020年中国人口老龄化比重达13.5%，老年赡养比逐年攀升。

中国养老金规模占GDP比重较低，养老体系较为依赖第一支柱。

政策+产品+策略：发展个人养老。

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。

5.2 代表性个人养老产品：目标日期基金
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%。

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。

检验：MC模拟的配置方法在养老场景下能否得到下滑轨道？
5.3 测算流程及配置结果
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%。

5.4 清晰直观展示效果
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%。

5.5 可以直接应用于多资产配置
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。