硕 士 学 位 论 文
多元战略性资产配置模型
在中国的实证研究
Empirical Study on Multivariate Model of Strategic
Asset Allocation in China
王 晶
指导教师姓名：魏巍贤 教授 专 业 名 称：金融工程 论文提交日期： 论文答辩时间： 学位授予日期：
答辩委员会主席： 评 阅 人：
2009年 4 月
厦门大学学位论文原创性声明
本人呈交的学位论文是本人在导师指导下,独立完成的研究成果。本人在论文写作中参考其他个人或集体已经发表的研究成果，均在文中以适当方式明确标明，并符合法律规范和《厦门大学研究生学术活动规范（试行）》。
声明人（签名）：
年 月 日
厦门大学学位论文著作权使用声明
本人同意厦门大学根据《中华人民共和国学位条例暂行实施办法》等规定保留和使用此学位论文，并向主管部门或其指定机构送交学位论文（包括纸质版和电子版），允许学位论文进入厦门大学图书馆及其数据库被查阅、借阅。本人同意厦门大学将学位论文加入全国博士、硕士学位论文共建单位数据库进行检索，将学位论文的标题和摘要汇编出版，采用影印、缩印或者其它方式合理复制学位论文。
本学位论文属于：
（ ）1.经厦门大学保密委员会审查核定的保密学位论文，于 年 月 日解密，解密后适用上述授权。
（ ）2.不保密，适用上述授权。
（请在以上相应括号内打“√”或填上相应内容。保密学位论文应是已经厦门大学保密委员会审定过的学位论文，未经厦门大学保密委员会审定的学位论文均为公开学位论文。此声明栏不填写的，默认为公开学位论文，均适用上述授权。）
声明人（签名）：
年 月 日
摘 要
投资者对投资收益的预测行为会给最优资产配置组合的构建和动态调整带来巨大影响，这一结论在不同的预测模型，不同的样本数据以及不同的资产配置框架下都得到了有效的验证。如何寻找一种有效的资产配置模型，这一问题在我国金融市场快速发展的今天有着重要意义。随着债券市场、股票市场相关做空机制的完善，我们的投资决策机制也理应得到相应的完善。Campbell，Chan和Viceira在2003年创立的“Multivariate Model of Strategic Asset Allocation”，即“多元战略性资产配置模型”，在简洁有效的刻画资产价格动态变化特征的基础上，给投资者提供了一个标准化的决策模式。更重要的是，该模型提供了一个可以纳入多个市场的投资决策范式，这在目前可投资领域不断扩大和深化的现实情况下更具现实意义。随着我国各个市场做空机制的不断健全，该模型在我国的实用性不断提高，本文首先对比了该模型在多个投资领域的效果，并在允许做空的条件下对比分析了不同投资组合的风险收益，筛选出在做空机制下更合理的投资组合。然后，进一步结合我国近些年房地产金融投资属性不断强化的特点，对投资领域进行了扩展，分析了该模型在目前条件下对我国投资实践的指导意义。
关键词：资产配置；动态调整；向量自回归
ABSTRACT
Investors’ expected return has strong effect on the construction of the optimal investment portfolio as well as its dynamic adjustment. This has been confirmed under different prediction models, samples data and asset allocation framework. In our rapidly developing financial markets, how to find an effective asset allocation model is very important. As soon as the short selling appears in the bond market and stock market in the future, our investment method should also be improved. Campbell, Chan and Viceira put forward the \"Multivariate Model of Strategic Asset Allocation\" in 2003.The model effectively captured the characteristics of the dynamic of asset prices, which provide a standardized approach for investors to predict return as well as to make investment decisions. More importantly, the model provides a format that can be applied to a number of different markets. So we use it in our rapidly developing financial markets. Firstly，I Compared the risk and return of different portfolios，in order to find the appropriate portfolios in the future. Secondly, as soon as the real estate finance develops in recent years, I expand the investment range in the model，in order to test the forecast function of the model in the current circumstances.
Key Words: Asset allocation; Dynamic adjustment; VAR
目 录
第一章 序言 .......................................................................................... 1
1.1 研究背景及意义 ................................................................................................. 1
1.2 资产配置理论研究现状 ..................................................................................... 2 1.3 多元战略性资产配置模型阐述 ......................................................................... 7 1.4 分析方法与创新之处 ....................................................................................... 11 1.5 数据来源 ......................................................................................................... 155
第二章 2006年—2008年中国资产市场运行概况 .......................... 16
2.1 股票市场运行概况 ........................................................................................... 16
2.2 债券及资金市场运行概况 ............................................................................... 18 2.3 房地产市场运行概况 ..................................................................................... 211
第三章 实证检验与分析 .................................................................... 24
3.1不同投资组合的风险收益比较 ........................................................................ 24
3.2加入房地产市场的整体动态描述和资产配置变化 ...... 错误！未定义书签。9 3.3加入房地产市场的资产配置决策分析 ............................................................ 32
第四章 结论 .......................................................................................... 466 参考文献： ............................................................................................ 477 致 谢 ....................................................................................................... 49
CONTENTS
Chapter 1 Introduction ............................................................................. 1
1.1 Background and Significance ............................................................................ 1 1.2 Literatures Review ............................................................................................. 2 1.3 Summaries of Multivariate Model of Strategic Asset Allocation ................... 7 1.4 Research Methods and Innovation ................................................................. 11 1.5 Datas .................................................................................................................. 15
Chapter 2 Market Overview(2006—2008) ................................................... 16
2.1 Stock Market ..................................................................................................... 16 2.2 Bond Market and Money Market ................................................................... 18 2.3 Real Estate Market ......................................................................................... 211
Chapter 3 Empirical testing and Analysis ............................................ 24
3.1 Comparing the Risk and Return of Different Portfolios .............................. 24
3.2 Strategic Asset Allocation Taking Real Estate into Account 错误！未定义书签。9 3.3 Analysis of Asset Allocation Taking Real Estate into Account ..................... 32
Chapter 4 Conclusion ........................................................................... 467 Reference................................................................................................ 478 Acknowlegment ....................................................................................... 50
多元战略性资产配置模型在中国的实证研究
第一章 序言
1.1 研究背景及意义
针对投资收益的预测行为会给最优资产配置组合的构建和动态调整带来巨大影响，这一结论在不同的预测模型，不同的样本数据以及不同的资产配置框架下都得到了有效的验证（Brennan，Schwartz，Lagnado(1997)[1]，Campbell，Chan，Viceira(2003)[2]）。近些年，国内资产市场乃至世界经济发生了巨大的变化，在经济由热转冷的大背景下，资产价格大幅波动并发生了结构性剧变，这使得投资者的投资收益预测难度大大增加，市场整体投资行为的有效性得到质疑。即便如此，我国金融市场的快速发展是难以回避的事实，随着债券市场、股票市场相关做空机制的完善，我们的投资决策机制也应得到相应的完善。此时如何寻找一种有效的决策模型，本文希望对这一问题进行一些尝试性的探索。
Campbell，Chan，Viceira(2003)[2]创立的“Multivariate Model of Strategic Asset Allocation”，即“多元战略性资产配置模型”，在简洁有效的捕捉资产价格动态变化特征的基础上，从理论上给投资者提供了一个标准化的决策模式。该模型中的变量包括各个资产的收益率，还有关于基础利率、真实利率、长短期利差等经济变量，在充分挖掘了多个资产收益率所包含的信息后，运用有限的几个变量构造了一个有效实用的预期收益率生成系统，为跨市场有效配置提供了参考依据。
对于我国的最优资产配置组合的构建和动态调整问题，本文希望通过借鉴上述前沿的研究成果，得到优化我国市场投资行为的有益方法。在债券市场远期交易推出之后，我国股票市场的做空机制——融资融券、股指期货也即将破题，因此本文的实证结果是对未来我国资产配置问题的一个方面有益的探索——即在将来完备的做空机制下，如何选择大类资产配置。
又考虑到我国房地产市场金融投资属性不断加强的特点，本文最后一部分在模型中引入了房地产投资，并分别对各市场的资产配置决策与市场真实发展做出比较，简要考察该模型的资产配置在实践中把握方向的能力和指导意义。
1
多元战略性资产配置模型在中国的实证研究
1.2 资产配置理论研究现状
在金融投资领域中，风险是个永恒存在并备受关注的主题。现代资产配置理论(Modern Portfolio Theory，简称MPT) 所要解决的问题是建立这样一个法则（即资产组合投资决策方法），使得投资者可以依据这一法则将一定量的资本在各种可能的资产形式之间作一分配，建立这个法则应该遵循的原则是：尽可能降低资产组合的非系统风险。
然而，由于风险在很大程度上是一个取决于个体心理感受后进行主观价值判断的概念，因此直到Markowitz(1952)[3]提出投资组合理论之前的很长一段时间里，风险的度量方法始终停留在非定量的主观判断阶段。Markowitz(1952)[3]假定投资风险可视为投资收益的不确定性，这种不确定性可用统计学中的方差或标准差来度量。在以方差为风险度量的基础上，理性的投资者在进行投资决策时追求的是收益和风险之间的最佳平衡，即一定风险下获取最大收益或一定收益下承受最小风险，因此通过均值—方差分析进行单目标下的二次规划，就可以实现投资组合中资产的最佳配置。
nMarkowitz(1952)[3]的模型为：目标函数为min σ2 P = ni=1 j=1cov ri,rj ，n约束条件为1、E Rp = n，或i=1E Ri ；2、 i=1xi=1，xi≥0（不允许卖空）[3] nx=1（允许卖空）。Markowitz(1952)资产配置模型是以方差作为度量风险ii=1
的方法，方差方法的优劣决定着资产配置模型的有效性。方差具有良好的数学特性，在用方差度量资产组合的总风险时，组合的方差可以分解为组合中单个资产收益的方差和各个资产收益之间的协方差，这是Markowitz(1952)[3]资产配置模型在技术上可行的重要基础。
Markowitz(1952)[3]的均值—方差分析方法给最优资产配置理论的研究提供了一个基本的范式，并对以后有关风险分散的相关研究产生了重大影响。在此基础上，后续的研究可以分为两类：第一类研究集中在对风险度量方法的改进上，即对均值—方差分析方法的改进，出现了一系列基于不同风险描述方法的资产定价模型，典型的代表包括Downside-Risk方法，Value-at-Risk方法；第二类研究集中在对静态资产配置的改进上，进而产生了一系列动态资产配置模型，典型的代表是Merton(1969)[4]的跨期资产配置模型，Campbell，Chan，Viceira(2003)[2]
2
多元战略性资产配置模型在中国的实证研究
的“Multivariate Model of Strategic Asset Allocation”，即“多元战略性资产配置模型”。
第一类理论研究的工作是为了找到替代方差的更好的风险度量新方法，使其既能具备理论的完善性、计量的便利性，又能符合风险度量对现实状况和真实心理感受的满足度，理论研究者和实际操作者为此做了大量的研究和尝试。这些研究的出发点基本上是为了解决损失的真实风险感受对投资行为的影响，以及解决方差方法的收益正态分布假设等问题，希望能得到更符合现实状况的风险度量方法和能更高效地获得投资回报的资产配置模型。就风险的度量问题而言，引入了风险基准或参照水平（Risk Benchmark or Reference Level）来代替方差方法中的均值μ，以着重考察收益分布的左边，即损失边，在风险构成中的作用。因此，总的说，可把这些方法归结为Downside-Risk 度量法。其中最具代表性并形成较成熟理论体系的是Harlow(1991)[5]创立的LPM方法。LPM 是“Lower Partial Moments”的缩写，即只有收益分布的左尾部分才被用做风险衡量的计算因子。一般地，在某个目标值T(Target Rate)下，用LPM 衡量一个经验（或离散）分布的投资收益的风险可表示为：LPMn= T其中，Pp是收益Rp的Rp=−∞Pp T−Rp ，概率，n = 0 、1 、2 ，n 取值的不同，反映在LPM 的不同含义上。当n= 0 ，LPM0为低于目标收益值的概率；当n = 1 ，LPM1为单边离差的均值，称做目标不足（Target Shortfall）；当n = 2 ，LPM2为目标半方差（Target Semivariance）。根据Downside-Risk的风险度量思想，Harlow提出了基于LPM的资产配置新模型。该模型的目标函数为min LPMn ( n = 1,2) ，约束条件为1、E Rp =
n n，或 n。i=1E Ri ；2、 i=1xi=1，xi≥0（不允许卖空）i=1xi=1（允许卖空）
n
应用这一模型，Harlow以美、英、日等11 国证券市场的有关月度数据为对象，研究了它与Markowitz模型在配置股票与债券两种资产时的决策效率差异。实证结果表明：在经过变量替换处理的可比较的两种模型的有效前提上，Harlow模型明显处于左上位置，表明其资产配置的效率更高。
二十世纪九十年代后，J．P．Morgen在实务界提出了一种新型的风险管理方法——Value-at-Risk方法。Value-at-Risk的含义是：风险资产或组合在一个给定的置信区间(Confidence Level) 和持有期间(Holding Horizon)时，在正常的市场条件下的最大期望损失。例如，在给定的持有期间为一星期，给定的置信水平
3
多元战略性资产配置模型在中国的实证研究
99% ，即损失概率为1%时，某投资组合的Value-at-Risk等于1000万美元，这意味着：在下一个星期中有99%的置信度该组合的最大期望损失为1000万美元，或者说有1%的可能性该组合的期望损失将超过1000 万美元。如果从数学的角度来精确定义Value-at-Risk，可令W0为风险资产的初值，R为目标时间区间H上的收益率，W∗为给定置信水平c上的资产最低价值，则有Value at Risk=E W −W∗，其中，W=W0 1+R H ，c= W∗f W dW。
Value-at-Risk计算方法主要有四种：正态方法、历史方法、历史模拟方法和随机模拟方法(又称Monte Carlo Simulation) 。风险的Value-at-Risk度量方法的最明显优点是Value-at-Risk简洁的含义和直观的价值判断方法。这一优点使得资产组合的风险能够具体化为一个可以与收益相配比的数字，从而有利于经营管理目标的实现。同时，这一优点提供了不同于收益概率的新的风险表现方式，从而有利于从多角度、多层面出发进行风险综合管理。更重要的是，从概念的内涵可以看出，Value-at-Risk也是一种建立在Downside-Risk思想上的风险衡量方法，它更侧重对影响投资绩效的消极收益边(Negative Return Side)的管理，因此与方差、标准差方法对比,它更接近于投资者对风险的真实心理感受，更适合于在收益一般分布情况下的风险精确计量及管理。最后，Value-at-Risk方法对风险的表现形式和以模拟分析为主的计算方法特别适合于管理包含有衍生金融产品交易的风险,这本身也是Value-at-Risk方法产生的最初动因。建立在风险的Value-at-Risk度量方法基础上的Value-at-Risk资产配置模型的目标函数为 nmin Value−at−Risk ，约束条件为1、E Rp = n2、xi≥0i=1E Ri ；i=1xi=1，（不允许卖空），或 n。应该指出的是，随着Value-at-Riski=1xi=1（允许卖空）计算方法的不同，Value-at-Risk资产配置模型的目标函数将有很大的变化。
第二类资产配置理论的研究关注跨期资产组合选择问题，相关研究始于Merton(1969)[4]和Samuelaon(1969)[6]。他们的研究发现，如果投资机会是时变的，那么投资者将关注长期的投资机会以及财富的实时波动，并试图对冲这种波动的风险敞口。Brennan(1997)[7]称投资者这种对时变投资机会的反应为“Strategic Asset Allocation”，即“战略性资产配置”。
美中不足的是，Merton(1969)[4]的跨期模型无法得到最优资产配置组合的解析解，这大大限制了该模型的实用性。所以，Merton(1969)[4]模型后来没有成为
4
∞
多元战略性资产配置模型在中国的实证研究
主流的研究范式，更无法取代Markowitz模型的学术地位。
2000年左右，跨期资产配置理论的研究取得了长足的进步。一方面原因是计算能力的巨大进步以及数值方法的快速发展，这使得跨期资产配置组合有了离散化的近似解。其中的代表有，Brennan(1999)[8]假设投资者有限生命，不允许市场买空卖空，利用数值方法求解随机最优化问题，Lynch(2001)[9]假设指数效用函数，允许市场买空卖空，同样利用数值方法求解随机最优化问题，类似的工作还有Balduzzi和Lynch(1999)[10]，Barberis(2000)[11]；另一方面，一些学者发现了Merton模型在某些特殊情况下的解析解。Kim和Omber(1996)[12]发现，在一个连续时间模型中，当存在一个不变的无风险利率和一个风险资产时，且此风险资产的预期收益率服从均值回复过程，如果投资者满足财富的指数效用函数，则Merton模型存在解析解。Wachter(2002)[13]发现，如果投资者满足消费的指数效用函数，且预期收益的变化和未来预期收益的变化完全相关，满足完全市场假设，则Merton模型存在解析解。Campbell，Viceira(1999)[14]和Schroder，Skiadas(1999)[15]发现，当投资者满足Epstein—Zin效用函数，且跨期替代弹性为1时，Merton模型存在解析解。同一阶段，Brennan，Xia(2002)[17]，Campbell，Viceira(2001)[18]，Liu(1998)[19]，Wachter(2000)[20]均在仿射模型中得到了类似的解析解。
尽管跨期资产配置理论有了一定程度的发展，但想在现实的复杂环境中运用Merton模型仍很困难。一方面，离散化的数值解在多资产和多状态变量的情况下运算十分缓慢，且精度大幅下降；另一方面，近似的解析解其代数运算量太过巨大。
这一问题在Campbell，Chan，Viceira(2003)[2]创立的“Multivariate Model of Strategic Asset Allocation”，即“多元战略性资产配置模型”中得到了有效的解决。 Campbell，Chan，Viceira(2003)[2]发现，VAR模型可以比较好地描述资产收益率的实时变动。同时，他们进一步证明了，如果资产收益率的变动可以用VAR模型来刻画(Kandel，Stambaugh(1987)[21]，Campbell(1991)[22]，Hodrick(1992)[23]，Barberis(2000)[24])，且投资者永续生存，满足Epstein—Zin效用函数，市场允许买空卖空，那么最优资产配置组合的权重可以表示成状态变量的二次线性函数。虽然模型得到的也是近似解析解，但计算量得到了极大的简化，且在时间间隔不
5
多元战略性资产配置模型在中国的实证研究
断缩小，跨期替代弹性接近1时，模型趋向精确。
目前国内有关资产配置理论的研究同样可以分为上述两大类。第一类中具有代表性的包括，吴世农，陈斌(1999)[25]，他们对不同的衡量风险的资产配置模型在我国证券市场的应用效率展开比较研究，结果发现，各种资产配置模型的差异归根到底是对风险度量方法的认识差异，这种差异一方面是对风险感受的心理真实性的追求，另一方面是对现实收益一般分布情况的遵从。当投资收益确实服从于对称的正态分布假设时，从理论上看，各个模型必将殊途同归，从而得出一致的资产配置决策结论。因此，结合各种模型应用效率的实证分析结果看，一个必然的推论是：我国证券市场的投资收益属非正态分布。因此，应用柯莫格罗夫—斯米尔诺夫方法( K - S检验) 进行投资收益分布的检验，结果表明：在95%的置信水平下，股票收益率不服从于正态分布；而在99%的置信水平下，国债收益率也不服从于正态分布。这一事实强有力地说明了在应用各种资产配置模型时应注意它们的差异性，才能正确选择合适的资产配置模型，提高模型的应用效率。姚京，李仲飞（2004）[26]基于Value-at-Risk的金融资产配置模型研究，系统阐述了使用Value-at-Risk 代替标准差作为风险指标的“均值-Value-at-Risk 模型”。他们得出的结论是，均值-Value-at-Risk模型与均值-方差模型有许多相似之处；但即使是在正态分布的假设下，均值-Value-at-Risk模型和均值-方差模型也是不尽相同的，均值-Value-at-Risk模型组合边界的位置受所选择置信度的影响，特别是在选择了过于小的置信度水平时，得不出组合边界的解。引入无风险资产后，Value-at-Risk的有效边界和标准差的有效边界代表同样的组合，且有相同的市场组合，这意味着两种模型在一定条件下是兼容的。此时资本资产定价模型(CAPM) 仍然成立，其应用范围得到了拓宽。引入负债后，组合边界发生了变化，但渐近线的斜率仍然保持不变。赵睿、赵陵（2002）[27]针对Value-at-Risk度量方法对投资收益正态分布假设的缺陷，引入了考察投资绩效对资产组合影响的Value-at-Risk方法，在探讨Value-at-Risk定义以及计算方法的基础上，求解了Value-at-Risk约束下的资产组合问题。在Value-at-Risk框架下，建立了形同于Sharp指数的单位风险超额收益指数, 并提出了类似于均值—方差分析中存在无风险资产的两基金分离定理, 从而弥补了方差度量方法的不足, 提高了资产配置模型的应用效率。
6
多元战略性资产配置模型在中国的实证研究
国内第二类资产配置研究绝大部分都以实证为主，比如金秀、马丽丽，黄小原（2005）[28]对多阶段资产配置模型及其在投资基金中的应用的相关研究，在多阶段资产配置模型的基础上，以国内基金为对象进行了实证研究，并与基金实际资产配置进行了比较，可以看出模型的最优期初资产持有结构与基金的实际持有结构不同，期望损失成本不同，由多阶段资产配置模型确定的基金的存款、国债和股票的初始比例与实际情况差别较大。由于模型中考虑了未来各项资产收益的不确定性，尽管股票的平均收益较高，但其风险也远远高于存款和债券，所以模型比基金实际的存款比例增加而股票比例减少。与基金实际资产配置相比，多阶段资产配置模型的期望资产价值更高，而期望损失成本更小，承担更小的风险。研究结果证明了此模型在我国基金资产配置应用中是有效的。其他研究大致属于同一类实证工作，故在此不予赘述。
1.3 多元战略性资产配置模型阐述
1.3.1 预期收益率动态
Campbell，Chan，Viceira创立的“Multivariate Model of Strategic Asset Allocation”模型中，资产组合的收益率为：
Rp,t+1= n（1） i=2αi,t(Ri,t+1−R1,t+1)+R1,t+1 ----------------------------------其中，αi,t是资产i在组合中的权重。R1,t+1是真实无风险收益率。
假定模型中资产价格相关变量的动态过程可以通过VAR(1)来刻画(Kandel，Stambaugh(1987)[21]，Campbell(1991)[22]，Hodrick(1992)[23]，Barberis(2000)[24])。
r2,t+1−r1,t+1
r3,t+1−r1,t+1 .
，------------------------------------------------------（2） = . .
rn,t+1−r1,t+1
Xt+1
其中，ri,t+1=ln(Ri,t+1)，Xt+1代表各资产的超额收益率，r1,t+1是月度无风险收益率，r2,t+1是股票市场月度收益率，r3,t+1是债券市场月度收益率，根据我
7
多元战略性资产配置模型在中国的实证研究
国今年来的实际情况，本文引入了r4,t+1，代表房地产市场月度收益率。
同时，模型中还包括外部状态变量，对应状态变量的矩阵为，
sdt+1 r t+1
= . ，----------------------------------------------------------------（3） . .
St+1
其中，sdt+1代表10年期国债和1年期国债的利差，rt+1代表月度真实无风险利率。最终的变量向量表示为，
Zt+1
r1,t+1
= Xt+1 ，----------------------------------------------------------------（4）
St+1
进一步构造VAR(1)模型来描述资产价格动态：
Zt+1=∅0+∅1Zt+vt+1-------------------------------------------------------（5） 其中，
vt+1~N(0，Var(vt+1))
2σ1
Var vt+1 = σ1x
σ1s
′σ1xVarxxVarxs
′σ1s
′ ------------------------------------------（6） VarxsVarss
模型对于外部冲击序列vt+1的规定包括两个方面：一是有限同方差；二是无序列相关。Kandel，Stambaugh(1987)[21]，Campbell(1991)[22]，Hodrick(1992)[23]，Barberis(2000)[24]的研究表明，该VAR(1)模型可以比较有效的刻画预期收益率的形成机制和外部状态变量的随机运动过程。有限同方差的假定排出了预测风险变化的可能，这就将影响资产配置的途径完全集中于对资产收益率的预测上。 1.3.2 效用函数
自从Von·Neumann和Morganstein (1944)[29]提出预期效用理论以来，由于其公理表达简单而且规范，效用函数容量计算并且形式上较好地体现了人们的风险行为类型（比如对风险的态度和程度可用效用函数的凸凹性反映等特征），所以，不确定经济学的理论和应用研究一直是在此基本框架下进行的。然而，就理论模型本身而言，传统的效用方程的参数一般包括跨期替代弹性和风险厌恶系数。但是通过研究，人们发现传统的效用函数并不能将这两个参数的作用分开，在可
8
多元战略性资产配置模型在中国的实证研究
加的时间可分离的相对风险厌恶系数为常数的期望效用函数假设下，代表性投资者跨期替代弹性系数υ等于相对风险厌恶系数γ的倒数。传统的效用函数中设定的跨期替代弹性系数υ与相对风险厌恶系数γ二者之间的这种固定关系是不适当的，因为跨期替代弹性系数涉及投资者平滑其不同时期投资消费的意愿，即使不存在不确定性，跨期替代弹性系数也富有一定经济含义，而常数相对风险厌恶系数关系到投资者平滑自然状态之间投资消费的意愿，甚至在静态模型中常数相对风险厌恶系数也富有一定经济含义。因此，在“Multivariate Model of Strategic Asset Allocation”模型中，Campbell，Chan，Viceira（2003）引进了Epstein和Zin(1989)分析框架下新的效用函数形式，即Epstein—Zin效用函数，该效用函数成功实现了时间偏好和风险厌恶系数二者之间作用的相互分离。
Epstein与Zin(1989)提出的效用函数比可加的时间可分离的常数相对风险厌恶系数的期望效用函数更灵活，这是一种递归的非期望效用函数（或广义效用函数）。Epstein—Zin效用函数不仅保留了可加的时间可分离的常数相对风险厌恶系数的期望效用函数的规模不变性，还打破了跨期替代弹性系数υ与相对风险厌恶系数γ二者之间互为倒数的关系。
Epstein—Zin效用函数的具体形式如下：
1−γ θ
U(Ct，Et(Ut+1))= Ct
+
1−γ1 θ
δ Et(Ut+1)
θ 1−γ
---------------------（7）
其中，Ct是t时刻的消费，γ是相对风险厌恶系数，且γ>0，θ= 1−γ 1−υ−1 ，υ是跨期替代弹性，且υ>0，δ是贴现因子，且0<𝛿<1。
在t时刻，投资者将使用所有相关信息做出最优的投资消费决定。跨期预算约束为Wt+1= Wt−Ct Rp，t+1，（Epstein和Zin，1989）。
对应的消费的欧拉方程为： Et δ
θ
Ct+1−1 υCt
Rp，t+1Ri，t+1 =1 ---------------------------------------（8）
− 1−θ
此式亦为资产定价模型中的基础模型，投资者的最优投资消费策略必须满足此式。 1.3.3 模型求解
由于在（1）式中资产收益率的表达形式是普通复利，首先要将该式中的组
9
多元战略性资产配置模型在中国的实证研究
合收益率作连续复利的近似，
rp，t+1≈r1，t+1+α′tXt+1+2α′t σ2x−Varxxαt --------------------------（9） 其中，σ2x=diag(Varxx)，当时间间隔趋近于0时，该近似结果趋于精确。 模型设定的跨期预算约束Wt+1= Wt−Ct Rp，t+1为非线性表达式，需要将其在lnwt= ct−wt 的无条件均值附近对数线性化，得
t
1
c
∆wt+1≈rp，t+1+ 1−ρ ct−wt +k ----------------------------------（10） 其中，∆是差分运算符，ρ=1−exp E ct−wt ，k=log ρ + −1 log 1−
ρ1
1
ρ 。当跨期替代弹性υ=1时，这种近似将完全精确，此时ct−wt将恒定不变，且ρ=δ。
将（8）式在∆ct+1，rp，t+1和ri，t+1的条件均值附近进行泰勒展开， θlnδ−υEt∆ct+1− 1−θ Etrp，t+1+Etri，t+1+2Vart −υ∆ct+1− 1−θ rp，t+1+ri，t+1 =0 ---------------------------------------------------------（11）
当跨期替代弹性υ=1时，这种近似将完全精确。 通过联立（10）、（11）式，得
Et ri，t+1−r1，t+1 +2Vart ri，t+1−r1，t+1 =υ σi,c−w,t−σ1,c−w,t +γ σi,p,t−σ1,p,t − σi,1,t−σ1,1,t ，--------------------------------------------------（12）
其中，σi,c−w,t=Covt ri，t+1，ct+1−wt+1 ，σ1,c−w,t=Covt r1，t+1，ct+1−wt+1 ，σi,p,t=Covt ri，t+1，rp，t+1 ，σ1,p,t=Covt r1，t+1，rp，t+1 ，σi,1,t=Covt ri，t+1，r1，t+1 ，σ1,1,t=Vart r1，t+1 。等式左边是经过方差调整的资产i的风险溢筹。
将（12）式左边重新表示成如下矩阵形式：
Et Xt+1 +2Vart Xt+1 =Hx∅0+Hx∅1Zt+2σ2 x ------------------------------（13）其中，Hx是选择矩阵，可以从向量中选出资产超额收益率元素。 将（12）式右边重新表示成如下矩阵形式：
1
1
1
θ
θ
1
θ
10
多元战略性资产配置模型在中国的实证研究
σi,c−w,t−σ1,c−w,t i=2…n=σc−w,t−σ1,c−w,tτ=∃0+∃1Zt−−−−−−−（14）
σi,p,t−σ1,p,t =σp,t−σ1,p,tτ=Varxxαt+σ1x−−−−−−−−− 15
i=2…n
σi,1,t−σ1,1,t i=2…n=σ1,t−σ1,1,tτ=σ1x−−−−−−−−−−−−−− 16
其中，τ为单位向量。
代入（12）解得， 11−1
αt=Varxx Et Xt+1 +Vart Xt+1 + 1−γ σ1x
γ21θ−1
+Varxx − σc−w,t−σ1,c−w,tτ −−−−−−−−−−− 17 γυ
合并整理得最终投资者的资产配置组合权重，如下，
αt=A0+A1Zt ----------------------------------------------------（18） 其中，
11−∃1−1−1
A1=γVarxxHx∅1+ 1−γ Varxx 1−υ −−−−−−−−−−−−−−−− 20
由上式知，在模型的假设条件下，最优资产配置组合的权重可以表示成各个变量的二次线性函数。虽然模型过程中运用了一些近似处理，得到的也是近似解析解，但相比之前的相关模型，该模型时计算量得到了极大的简化，且在时间间隔不断缩小，跨期替代弹性接近1时，模型趋于精确。
0−1−1A0=γVarxx Hx∅0+2σ2x+ 1−γ σ1x + 1−γ Varxx 1−υ −−−−−− 19
111−∃
1.4 分析方法与创新之处
1.4.1 分析方法
在未来做空机制健全的投资环境中如何选择大类资产配置，本文以该模型为基础，借助Sharpe Ratio对收益与风险加以综合考虑。夏普比率计算公式：Sharpe Ratio= Rp−Rf σp 其中Rp表示投资组合平均收益率，Rf表示无风险利率，σp投资组合收益率的标准差。Sharpe Ratio是计算投资组合每承受一单位总风险，会产生多少的超额风险报酬。
在研究该模型对市场的影响和对市场方向性的把握能力时，本文主要采用方差分解和协整分析的方法。
11
多元战略性资产配置模型在中国的实证研究
在研究资产配置变化对市场的影响时，本文沿用娄峰（2007）[30]在研究中国股票市场时使用的VAR分析框架。VAR模型，即向量自回归模型，该模型采用多方程自回归模型的联立形式，实质上是一种非结构化的多方程模型，即它不以经济理论为基础，而用数据本身来确定模型的动态结构。正是基于以上优点，VAR模型常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响，从而揭示各种经济冲击对经济变量形成的影响。VAR模型通过把系统中每个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而避开了结构化模型对变量的内生性和外生性进行假定。一个VAR(p)模型的数学形式是：
yt=A0+A1yt−1+A2yt−2+⋯+Apyt−p+εt
其中，yt是一个k维的内生变量向量，A0，A1，A2，…，Ap是要被估计的系数向量。εt是扰动向量，其协方差矩阵为Ω，且E εt =0，E εtε′t =Ω。在实际应用中，通常希望滞后期p足够大，从而能够完整的反映所构造模型的动态特征；但是滞后期越长，模型中待估计的参数就越多，从而自由度就越少。因此，为了在滞后期与自由度之间寻求一种均衡状态，一般根据AIC和SC信息量取值最小的原则或LR法确定模型的滞后阶数。
另一方面，由于VAR模型的参数估计量具有一致性，单个参数估计值的经济意义并不明确，因此要对VAR模型作出具体的结论，必须借助脉冲响应函数或方差分解，脉冲响应函数是追踪系统对一个内生变量的冲击效果；而方差分解则是将系统的均方误差（Mean Square Error）分解成各变量冲击作出的贡献。出于文章实证的需要，因而采用方差分解的方法。
方差分解提供了一种判断经济序列变量间动态相关性的重要方法。方差分解实质上是一个新息计算（Innovation Accounting）过程，是将系统在不同预测期限的预测均方误差（Mean Square Error，MSE）分解为系统中各个变量冲击所作出的贡献。方差分解的主要思想是将系统中每个内生变量的波动（N步预测均方误差）按其成因分解为与各方程新息相关联的若干个组成部分，从而了解各新息对模型内生变量的相对重要性。方差分解不仅是样本期间以外的因果关系检验，而且可以将每个变量的单位增量分解为一定比例的自身原因和其他变量的贡献。
对应一个VAR(p)过程，假设yt是一个平稳随机过程，则可将其表示为无穷
12
多元战略性资产配置模型在中国的实证研究
向量移动平均过程：
yt=εt+B1εt−1+B2εt−2+B3εt−3+⋯
利用Choleshy分解法，将上式变换成：
yt=PP−1εt+B1PP−1εt−1+B2PP−1εt−2+B3PP−1εt−3+⋯
=Θ0ξt+Θ1ξt−1+Θ2ξt−2+Θ3ξt−3+⋯
其中，P为非奇异下三角矩阵，PP′=Ω，Θi=BiP，表示系统yt对单位冲击（新息）ξt的反应；ξt=P−1εt，E ξtξt′t =I。则yt的N步预测均差误差为： Var yt+N−E yt+N|yt，yt−1，yt−2，⋯ =Θ0Θ0′+Θ1Θ1′+⋯+ΘN−1ΘN−1′ 第j个变量的新息对第i个变量的N步预测均差误差的贡献为：
−12 Ns=0Θs，ij
RVCij N = mN−12
j=1 s=0Θs，ij
其中，Θ2是矩阵Θs的第ij个元素。上式可以测算VAR模型系统中任意一s，ij个内生变量的预测均方误差分解成系统中各变量的新息所作的贡献，估算该变量贡献占总贡献比例随时间变化而变化的特征，研究变量在系统中的作用及其变化对系统内其他变量的影响。因此，方差分解给出对VAR中的变量产生影响的每个随机扰动的相对重要性的信息。
首先，通过方差分解分析当期实际投资操作变化（即成交量变化）对未来市场实际收益率的影响。进一步，假设市场主体的投资决策过程遵循多元战略性资产配置模型，通过方差分解分析当期模型给出的资产配置调整策略对未来市场实际收益率的影响。
在研究该模型对市场方向性的把握能力时，由于市场收益率序列不平稳，但其和模型配置比例序列的单整阶数一致，为了考察模型资产配置比例和市场运行情况的长期均衡关系，本文借鉴秦宛顺（2001）[31]在研究中国股票市场协整现象与价格动态调整过程中所用到的协整理论分析框架。协整理论指出，两个或多个非平稳时间序列的线性组合可能是平稳的。假如所考虑的时间序列具有相同的单整阶数，且某种线性组合（协整向量）使得组合时间序列的单整阶数降低，则称这些时间序列之间存在显著的协整关系。这种平稳的线性组合被称为协整方程且可被解释为变量之间的长期均衡关系。
13
多元战略性资产配置模型在中国的实证研究
本文通过Johansen协整检验考察一组非稳定序列是否协整。其基本原理是，考虑阶数为p的VAR模型：
yt=A1yt−1+A2yt−2+⋯+Apyt−p+εt
其中，yt是一个含有非平稳的d阶差分I (d)平稳变量的k维向量，εt是扰动向量。我们可把VAR重写为以下形式：
p−1
△yt=Πyt−1+ Γi△yt−i+εt
i=1
其中：Π= i=1Ai−I，Γj=− i+1Aj，Granger定理指出：如果系数矩阵Π的秩r<𝑘，那么存在k×r阶矩阵α和β，它们的秩都是r，使得Π=α×β′，并且β′yt是稳定的。其中r是协整关系的数量（协整秩）并且的β每列是协整向量。α中的元素是向量误差修正模型中的调整参数。Johansen方法是在无约束VAR的形式下估计Π矩阵，然后求出β，从而检验出协整秩，秩(Π)=r<𝑘，得出协整向量，从而证明协整关系的存在。 1.4.2 创新之处
本文的创新之处有两点：
第一点，我国金融市场的快速发展是难以回避的事实，随着债券市场、股票市场相关做空机制的完善，我们的投资决策机制也应得到相应的完善。此时如何寻找适应未来发展变化的有效的投资决策模型，本文希望对这一问题进行一些尝试性的探索。
第二点，在房地产投资日渐兴盛的形势下，地产越来越多的体现出金融资产属性，根据Carolina Fugazza，Massimo Guidolin和Giovanna Nicodano(2006)[32]针对欧美市场的研究发现，我们有必要把房地产也纳入国民的最优资产配置框架中来。本文选择将中国的房地产和股票、债券、短期资金四个市场一同纳入到Multivariate Model of Strategic Asset Allocation框架下来研究。
pp
14
多元战略性资产配置模型在中国的实证研究
1.5 数据来源
考虑到我国债券市场指数的发布时间——2002年12月31日，为了保证所有数据的可得性和时间上的一致性，故所有月度数据的选择范围是从2003年1月至2008年12月，具体包括，代表全国房地产价格的城市居住价格指数月度涨幅（realestate，视为投资收益率，在按揭首付比例为30%的杠杆效应前提下放大至3.33倍），代表股票市场的上证综合指数月度收益率（stock），代表债券市场的中证全债指数月度收益率（bond），代表月度无风险利率的银行间1个月质押式回购利率月度均值（rf，需要在原始数据的基础上除以12，即月度化），代表月度真实无风险利率（realrf，等于rf减去CPI月度环比幅度）以及10年期与1年期国债利差月度均值（spread），所有数据均经过对数化处理。相应地，在模型中出现的超额收益率依次表示为exrealestate，exstock，exbond。
15
多元战略性资产配置模型在中国的实证研究
第二章 2006年—2008年中国资产市场运行概况
2.1 股票市场运行概况
2006年至2008年的中国股市引起了全球投资者的广泛关注。市场整体呈现出暴涨暴跌的格局。同时，由于市场缺乏做空机制，投资者整体损失惨重，财富大幅缩水。下面将从时间维度对我国股市运行情况做一个简单的梳理，以便对得到的资产配置决策有更加深刻的理解。
2006年，在中国股票市场上，股权分置改革等基础制度建设获得了成功推进，内在运行机制逐步完善，市场环境得到进一步优化，市场发展出现了转折性的变化，广大投资者分享到了资本市场改革、发展的成果，市场信心得以恢复。从走势上看，股市运行价涨量增，赚钱效应吸引投资者踊跃入市。上证综指全年上涨130%，成交量放大近3倍，各类投资者积极入市，全年投资者新开帐户数同比增幅333%。沪深两市总市值增加176%，接近9万亿，占当年GDP的比重从2005年的17.63%提高到42.69%，总市值规模全球第十，亚洲第三。
在股市规模扩大的同时，上市公司结构也逐步改善，随着中国银行、工商银行、中国人寿等大盘蓝筹股的境内上市，股市在国民经济中的代表性显著增强，市场深度和可投资性得到极大改善。股权分置改革的基本完成，结束了两类股份，两种股价的历史，股东之间共同利益基础显著增强。股票市场投资环境得到极大改善，市场融资大幅增加。全年A股市场共发行筹资2463.7亿元，是2005年的7.3倍，创历史新高。在大型蓝筹公司不断上市的情况下，市场依然保持稳定，显示了市场承受能力的增强。
2006年，机构投资者队伍迅速壮大，与此同时，各类机构的结构进一步优化，多极化的稳定市场力量开始形成。证券投资基金快速增长，全年新募集基金4028亿，接近以往8年新募集基金总和。基金资产净值达到8565亿，同比增长83%。此外，QFII、社保和企业年金的入市力度也在不断加大。截至2006年底，上述各类机构投资者持有市值合计占流通市值的比重已超过30%。
16
多元战略性资产配置模型在中国的实证研究
2007年，我国股市出现了不断加速上涨的趋势。1月4日，上证综合指数以2728.19点开盘，经过10个月的连续攀升，到10月16日，上证综合指数最高涨至6124点。在短短的10个月内，上证综合指数上涨了3395.85点，增幅达124.47%。当年年中，国内某些著名经济学家高调表态，中国将迎来前所未有的“黄金十年”，中国的资产价值需要重估，中国股市将是牛市下半场。但是，从10月16日以后，股市开始连续下挫，至11月26日，沪市最低跌至4778.73点，落差达1345.31点，下跌幅度达到21.97%。进入12月，股市开始企稳反弹，一个月内反弹幅度为8%，最终报收5255点，全年涨幅仍然高达97%。沪深两市A股总市值已达30万亿的规模，占全球股票市场总市值的比例超过6%，我国证券市场成为市值最大的新兴市场和全球第四大市值市场。
2007年的新股IPO家数为120只，合计募集资金高达4469.96亿元，是2006年新股IPO募集资金量的2.7倍。11月15日，中国石油在A股发行上市，募集资金668亿元，创造了单个公司募集资金数的历史第一。中铁集团上市过程中，共冻结资金3.38万亿，创造了申购单支股票冻结资金量的历史第一。
2007年，我国宏观政策不断收紧，央行连续6次提高存款利率和贷款利率（每次幅度27bp）、10次提高存款准备金率（除12月25日提高1%以外，每次提高0.5%），政策收紧的频率很高，力度也很大。但是，就在这种大背景下，股市却依然连创新高。在每一次央行公布加息或公布提高存款准备金率之后，股市均是低开高走，这种现象在历史上鲜有发生。
2008年的A股市场出现了历史罕见的大幅下挫。这期间有大小非减持，全球金融危机，国内经济放缓等多重因素的共同作用，A股市场由此发生了历史性的剧变。在2007年的10月16日，上证指数历史性地站上了6124点的高度。一年后，2008年10月底，上证综指盘中最低探至1664点的低位。从本轮股指高峰6124点到谷底1664点的暴跌，市场蒸发了12 万亿以上的总市值，相当于中国1年国内生产总值的一半。
在2008年，一系列重大事件使得政府的关注点一时偏离了经济工作。直到奥运会后，“救经济，救股市”被提到战略高度，救市政策也由以前的证监会一个部门“维稳”和个别措施，转变为各部门协作和连续不断的组合拳。 4月23日，财政部宣布将印花税从3‰下调至1‰。9月19，证券交易印花税改为单边征收，
17
多元战略性资产配置模型在中国的实证研究
即只向出让方征收。同时，国资委支持央企增持或回购上市公司股份，汇金公司也在二级市场上自主购入工、中、建三行股票。但这些利好政策当时都没有停止股市下跌的步伐。10月底，股市便创出了本轮调整新低1664点。11月9日，国务院公布保增长十条措施，投资规模达4万亿元，由此，市场做多热情再次迸发，股市开始止跌企稳。
2.2 债券及资金市场运行概况
2006年至2008年的中国债券市场和货币市场同样富有戏剧化的转变。市场的剧变让大多数投资者都始料未及。
2006年，中国的债券市场继承了2005年的牛市格局，债券指数不断创出历史新高，市场波动频繁、成交量明显放大、收益率曲线扁平化特征明显。期间，人民币持续升值，外汇占款大量增加，流动性过剩成为影响2006年全年利率走势和债券市场运行的最重要和最直接的因素。与此同时，随着股市的上涨，下半年新股发行开闸导致货币市场利率开始大幅波动，7天回购利率在巨幅波动中不断上升。
2006年，国内货币政策在经济存在过热的内部矛盾与人民币升值压力不减所形成的外部矛盾之间不断变化，导致市场利率波动性加强，难以形成较为稳定的趋势。4月28日，央行上调金融机构贷款基准利率。其中一年期贷款基准利率上调0.27个百分点，由5.58%提高到5.85%。其他各档次贷款利率也相应调整。金融机构存款利率保持不变。7月5日，央行上调存款类金融机构人民币存款准备金率0.5个百分点，执行8%存款准备金率。8月15日，央行提高存款类金融机构人民币存款准备金率0.5个百分点，执行8.5%的存款准备金率。9月15日，央行提高外汇存款准备金率1个百分点，执行4%的外汇存款准备金率。8月19日，央行上调金融机构人民币存贷款基准利率。金融机构一年期存款基准利率上调0.27个百分点，由2.25%提高到2.52%；一年期贷款基准利率上调0.27个百分点，由5.85%提高到6.12%；其他各档次存贷款基准利率也相应调整，长期利率上调幅度大于短期利率上调幅度。同时，商业性个人住房贷款利率的下限由贷款基准利率的0.9倍扩大为0.85倍，其他商业性贷款利率下
18
多元战略性资产配置模型在中国的实证研究
限保持0.9倍不变。11月15日，央行提高存款类金融机构人民币存款准备金率0.5个百分点，执行9%存款准备金率。
从央行的一系列政策看，经济过热所形成的内部矛盾成为影响利率的重要原因，但同时人民币升值压力所造成的外部矛盾也在制约着国内利率的上行空间。
2007年，中国宏观经济\"两高一低\"（高增长、高效率、低通胀）的形势发生转变，经济增长出现由偏快转向过热的迹象，通货膨胀压力不断增强，紧缩性政策措施连续出台，包括高频上调存款准备金率、提高存贷款利率；发行特别国债、调整股票印花税、调整储蓄存款利息所得税、出口退税政策等，配套运用多种政策工具。
存款准备金率的调控手段在2007年被央行动用了10次，几乎平均是一个月一次，而最后一次上调存款准备金利率则调整了一个百分点，紧缩力度世所罕见。央行上调存款准备金利率本意是要防止银行间过多的流动性流向实体经济，造成经济运行过热。另外，也要确保银行体系不因过度放贷而发生清偿危机。2007年央行共加息6次。3月至9月，加息5次，这5次加息的频率却很有特点，从3月开始，前3次是隔月加息一次，但随着6、7、8月份猪肉价格迅速推高CPI，通货膨胀苗头渐渐显露后，央行从7月份明显地加快了加息步伐，于是6、7、8月份连续加息。但是从9月份之后，尽管CPI仍在继续走高，央行加息步伐却戛然而止。原因是9月18日——就在央行第5次加息后不久,美联储宣布降息。一场次贷危机让美国金融市场陷入了流动性困境，市场预计美国将可能由此进入减息周期。随着美联储的降息，各国央行都在调整自己的货币政策，中国也概莫能外。局势的复杂多变让央行的利率工具陷入了腹背受敌的困境，所以，直到12月21日预计美联储连续降息的可能性下降，央行才采用不对称加息的方式第6次加息，将贷款利率小幅上调了18个基点。2007年央行货币政策，不能忽视的一件事就是1.55万亿元特别国债的发行，这也是财政政策和货币政策首次联手来对抗流动性过剩的局面，此举意味着切断了外汇储备增加和央行基础货币供给之间的关系。
债券市场在这种严峻的环境下，市场走势一波三折，三次触底反弹，整体呈现弱势格局。全年投资回报率有所下降，收益率水平大幅上涨, 收益率曲线
19
多元战略性资产配置模型在中国的实证研究
抬高、变平的趋势逐渐形成。2007年中债指数全年表现为：上半年加速下行，下半年筑底反弹，年末收于118.04点，与上年同期相比（118.99点）下跌0.95点。全年最高达119.32点（1月29日），最低达116.85点（7月24日），振幅区间2.47点，全年投资回报率为-0.81％。自2006年8月开始形成的单边加速上涨行情已经向市场揭示出经济增速过快、流动性过度泛滥的信号，2007年债券市场在一系列紧缩措施下的加速下行，以及年底企稳回调，表明宏观调控措施效应在一定程度上已基本显现。2007年的货币市场在新股发行的冲击下，回购利率的振幅不断加大，7天回购利率最高一度超过10%，资金价格的整体运行趋势继续向上，显示银行间流动性并不十分宽裕。同时，2007年首个交易日，上海银行间同业拆放利率（Shibor）公开发布，这意味着我国在打造新的货币市场基准利率方面迈出了有实质意义的一步。 Shibor由位于上海的全国银行间同业拆借中心为技术平台计算、发布并命名。Shibor是由１６家信用等级较高的商业银行组成报价团，自主报出人民币同业拆出利率计算确定的算术平均利率，是单利、无担保、批发性利率，每日上午11时30分公布。
2008年，随着我国经济政策的大转向，债券市场出现了历史罕见的牛市行情。上半年，在国际油价、大宗商品价格、粮食价格的大幅飙升下，通胀压力越发明显，货币政策全面围绕通胀展开，实行十年未见的从紧政策。基于2007年底中央工作确定的“双防”目标，信贷限额和季度管控被严厉执行；而雪灾和地震打乱了货币政策调控的步伐，货币政策在灾区的差异化为灾区重建注入了活力，但需要货币政策“松绑”的地区远不止灾区，中小企业危机在这时已经逐步出现；自三季度起，从紧的政策已经开始实质性转向；7月25日，由胡锦涛总书记主持的政治局会议正式将宏观调控首要任务由“双防”调整为“一保一控”；9月15日，央行正式启动降息周期。四季度，货币政策“从紧”被“适度宽松”取代，宣告货币政策彻底逆转。10月至12月连续4次降息、3次调降存款准备金率。降息幅度之大，历史罕见。通过5次下调基准利率和4次调低存款准备金率，央行已将法定存款准备金率从17.5%降至14.5%的水平，累计走低3个百分点，存、贷款基准利率也分别累计走低了1.89个和2.16个百分点，降息幅度之大，历史罕见。基准利率的持续下降牵引债券收益率下行，且央行通过调低存款准备金率不断向市场注入充裕流动性也支持债券市场延续上涨态势。
20
多元战略性资产配置模型在中国的实证研究
总体概括，2008年债券市场可以分为三个阶段：第一阶段（年初至4月末），虽然债市处在紧缩政策氛围下，但市场宽裕的资金面推动了债市在波动中不断上行。第二阶段（4月末至8月初），由于通胀压力上升、美联储减息预期弱化，国内市场加息预期再起，同时央行连续提高存款准备金率，使得资金面异常紧张，机构超储率持续下降，最终导致市场5至7月出现一波调整，其中国债调整幅度最大，基本回到年初水平。第三阶段（8月初至年末），债券市场在经济快速下滑、货币政策全面宽松以及资金面迅速膨胀的支持下强劲上涨，债券收益率巨幅下降。2008年前3季度的货币市场利率水平继续围绕新股申购大幅波动，同时整体水平也在不断上移，显示流动性开始有所收敛。但随着金融危机的冲击加剧，4季度新股发行暂停，货币市场利率的波动性随之消失，在央行大幅减息的过程中资金价格急转直下，7天回购利率历史性的跌至1%一下的水平，货币市场流动性出现了极度宽松的局面，有效的缓解了金融危机对我国融资环境的不良冲击。
2.3 房地产市场运行概况
2006年，中国的房地产市场，中央政府调控房地产市场的主要目标是“稳定房价，调整住房结构”，为了达到这一目标，国家从金融、信贷、土地、税收等方面出台了多项政策，其中包括加息、“国六条”、“90平方米70％”、“限外”等一系列政策，调控已然从宏观延伸到微观。3月5日，国务院总理温家宝所作的政府工作报告明确提出，要继续解决部分城市房地产投资规模过大和房价上涨过快的问题，表明了中央政府对2006年房地产宏观调控的一个主要政策指向。4月28日，央行全面上调各档次贷款利率0.27 个百分点，其中，5年期以上的银行房贷基准利率由6.12％上调至6.39％。这是央行在加息后短短一年多时间里再次上调利率，此次加息主要是为了抑制投资需求，进一步稳定房地产价格。5月17日，国务院总理温家宝主持召开国务院常务会议，会上提出了促进房地产业健康发展的六项措施（“国六条”），包括住房供应结构、税收、信贷、土地、廉租房和经济适用房建设等方面，这六条措施拉开了2006 年房地产调控序幕。5月29日，国务院办公厅出台《关于调整住房供应结构稳定住房价格的意见》，即九部委“十五条”，对“国六条”进一步细化，而且在套型面积、小户型所占比率、新房首付款等方面作出了量化规定，提出90平方米、双70％的标准。5月
21
多元战略性资产配置模型在中国的实证研究
31日，国税总局下发《关于加强住房营业税征收管理有关问题的通知》，对“国六条”中二手房营业税新政策的具体执行问题予以明确。要求各级地方税务部门要严格执行调整后的个人住房营业税税收政策。6月1日后，个人将购买不足5年的住房对外销售全额征收营业税。7月24日，建设部联合其他5部委下发171号文件《关于规范房地产市场外资准入和管理的意见》，被业内称为“外资限炒令”，加强了对外商投资企业房地产开发经营和境外机构和个人购房的管理。7月26日，国税总局发布《关于住房转让所得征收个人所得税有关问题的通知》，宣布从8月1日起，各地税局将在全国范围内统一强制性征收二手房转让个人所得税。 然而，2006年的中国楼市房价却且调且涨，尤其是某些城市上涨仍然较快，全国城市居住价格指数全年涨幅16.89%。
2007年，全国房地产市场发展总体呈现两个特点：一是在国家经济建设快速发展和住房需求的强力推动下，房地产市场继续保持了较快的发展速度，市场总体呈现供需两旺格局。在人民币升值、流动性过剩、房地产市场预期看好的背景下，资金通过各种途径进入房地产开发领域，以住宅为主的房地产开发投资明显加快。 2007年，房地产开发投资同比增长比2006年提高8.4个百分点，超过固定资产投资增速5.4个百分点。其中，商品住宅投资同比增长比2006年提高6.8个百分点；二是由于流动性过剩、土地购买价格和开发建设成本上涨较快、对房价上涨的预期和房地产投资性比例提高及住房有效供应不足等原因，前3季度房价上涨依然过快。全年央行6次加息，10次提高存款准备金率。于此同时，9月27日,人民银行和银监会联合发布了《关于加强商业性房地产信贷管理的通知》，二套房首付比例提高到40%，12月份又确定了二套房以家庭为单位的认定标准，已利用公积金贷款购房的家庭，再次申请房贷，将视为第二套房，这层层从严的背后是要防止炒楼者推高房价。四季度后，部分城市房价有所下降，全国商品房屋交易量和房价环比涨幅有所回落，部分地区出现了有价无市的情况，甚至出现土地流拍。这一市场变化，使得人们对房价普遍上涨的预期发生了变化，观望气氛浓厚。11月后，一些城市地价也大幅回落，甚至出现土地流拍。这一市场变化，使得人们对房价普遍上涨的预期发生了变化，观望气氛浓厚。
2008年，中国房地产市场上半年在国家调控政策主导下，逐渐转向理性回归，各项指标高位调整，过度需求泡沫得到有效的抑制。但从2008年第三季度
22
多元战略性资产配置模型在中国的实证研究
起，市场开始快速下行，并显现出加速下滑的趋势。在国家“保增长”政策以及各方面努力下，第四季度房地产市场进一步恶化的趋势得到遏制，整体市场基本保持了理性回归并稳定发展的态势。2007年的投资过热，导致2008年整体市场供给压力大，房地产开发投资增幅上半年在30%的水平高位运行，下半年涨幅出现回调。2007年商品房的投机热大幅提升了市场需求，同时也形成了较大的经济泡沫，在国家宏观调控政策主导下，同时也不排除国际国内多种因素的影响，2008年商品房销售量理性回归，商品房销售面积同比涨幅由08年上半年的-7.2%，下降到全年的-20%。从价格来看，环比指数指标显示，房屋销售价格实际上已经从8月份开始下降，连续四个月房屋销售价格环比指数持续低于100。
在全面了解了各市场的运行状况后，进一步通过各资产市场的价格指数走势图对研究数据样本内的我国近六年的各资产市场变化过程有一个整体的认识。为了便于直观上的比较，现将房地产价格指数、上证指数以及中证全债指数在2002年12月31日的取值定为100（基期），走势如图1。
图1：股票、房地产、债券市场走势图
500.00 450.00 400.00 350.00 300.00 250.00 200.00 150.00 100.00 50.00 0.00 2003/052006/012003/012003/092004/012004/052004/092005/012005/052005/092006/052006/092007/012007/052007/092008/012008/05股票房地产债券2008/09
23
多元战略性资产配置模型在中国的实证研究
第三章 实证检验与分析
3.1 不同投资组合的风险收益比较
包含股票、债券和现金的投资组合现在是我国市场上绝对的主流品种，但是随着债券市场做空交易的日渐活跃，以及未来股票市场做空机制的推出，这种投资组合的绝对优势是否会被撼动或是仍然保持其绝对优势，这是本章节运用该模型所希望回答的问题。
Campbell，Chan和Viceira(2003) [2]创立的“Multivariate Model of Strategic Asset Allocation”模型中将预期收益率的动态用VAR(1)模型进行描述，首先要对各资产组合的超额收益率序列的全样本数据进行拟合回归（所有超额收益率序列在5%水平下平稳），考察中国市场的VAR(1)过程。参数结果如表1、表2、表3，括号中为t值。其中，表1包含股票、债券、货币三个市场，表2包含股票、货币市场，表3包含债券、货币市场，所有组合都包括货币市场是因为每个投资组合都需要货币市场来管理其流动性。模型中的状态变量包括，10年期与1年期国债利差月度均值（spread），月度无风险利率（银行间1个月质押式回购利率月度均值）（rf），月度真实无风险利率（realrf）。
表1 股票、债券、资金市场全样本VAR（1）模型参数估计
RF(-1) EXSTOCK(-1) EXBOND(-1) SPREAD(-1)
RF 0.822986 [ 11.4684] 0.000229 [ 0.49378] -0.004405 [-1.04979] -0.010949 EXSTOCK -27.23048 [-1.34685] 0.066516 [ 0.50810] -2.103157 [-1.77912] 0.679247 24
EXBOND 2.010075 [ 0.85664] -0.020230 [-1.33147] 0.369502 [ 2.69320] 0.238913 SPREAD -0.138483 [-0.21576] 0.003099 [ 0.74569] 0.062810 [ 1.67366] 0.809763 REALRF -1.576369 [-1.12658] 0.002099 [ 0.23169] 0.106549 [ 1.30233] -0.164168 多元战略性资产配置模型在中国的实证研究
REALRF(-1)
C R2 调整后的 R2
[-1.31800] -0.003638 [-0.47383] 0.053372 [ 2.30674] 0.756804 0.738096
[ 0.29020] -1.630654 [-0.75392] 5.959923 [ 0.91429] 0.089380 0.019333
[ 0.87950] 0.035924 [ 0.14311] -0.502605 [-0.66433] 0.164779 0.100531
[ 10.8978] 0.090696 [ 1.32086] 0.272528 [ 1.31690] 0.714576 0.692620
[-1.01346] 0.372653 [ 2.48949] 0.514856 [ 1.14121] 0.135213 0.068691
从拟合优度的角度分析，3种组合的表现相差无几，都是现金（rf）拟合优度最高、其次是债券（exbond）市场，股票市场（exstock）的拟合效果最差，这反映了三个市场不确定性的大小，符合现实情况。另外，模型中的状态变量spread方程拟合优度较高，从系数的显著程度可以发现，两个状态变量的动态变化都遵循AR(1)过程，这与Campbell等人的研究结果相一致。
表2 股票、资金市场全样本VAR（1）模型参数估计 RF(-1) EXSTOCK(-1) SPREAD(-1) REALRF(-1) C R2 调整后的 R2
RF 0.835193 [ 11.7852] 0.000324 [ 0.71035] -0.011027 [-1.32636] 0.000811 [ 0.12659] 0.049320 [ 2.16025] 0.752680 0.737691 EXSTOCK -21.40226 [-1.05558] 0.111692 [ 0.85577] 0.642234 [ 0.27001] 0.493403 [ 0.26920] 4.025431 [ 0.61627] 0.045037 -0.012840 SPREAD -0.312541 [-0.48686] 0.001750 [ 0.42347] 0.810869 [ 10.7671] 0.027262 [ 0.46977] 0.330301 [ 1.59711] 0.702276 0.684232 REALRF -1.871634 [-1.34842] -0.000189 [-0.02121] -0.162293 [-0.99668] 0.265045 [ 2.11231] 0.612860 [ 1.37054] 0.112648 0.058869 从回归系数的角度分析，3个模型呈现的特点基本一致。首先，RF方程中
25
多元战略性资产配置模型在中国的实证研究
滞后1阶系数显著为正，这说明其短期内存在动量效应。其次，不存在对股票超额收益有显著预测作用的滞后变量，这与Campbell等人的研究结果相符，再次说明股票市场的不可预测性。最后，对债券市场超额收益有明显预测作用的变量只有exbond (-1)，且系数为正值，这说明银行间债券市场短期内也存在动量效应。
表3 债券、资金市场全样本VAR（1）模型参数估计 RF(-1) EXBOND(-1) SPREAD(-1) REALRF(-1) C R2 调整后的 R2
RF 0.816768 [ 11.6279] -0.004807 [-1.17448] -0.010762 [-1.30431] -0.005221 [-0.75280] 0.054676 [ 2.39241] 0.755891 0.741097 EXBOND 2.558293 [ 1.10103] 0.404933 [ 2.99112] 0.222411 [ 0.81485] 0.175521 [ 0.76509] -0.617611 [-0.81695] 0.141999 0.089999 SPREAD -0.222467 [-0.35326] 0.057382 [ 1.56389] 0.812291 [ 10.9802] 0.069311 [ 1.11471] 0.290146 [ 1.41604] 0.712134 0.694688 REALRF -1.633255 [-1.19423] 0.102872 [ 1.29102] -0.162456 [-1.01121] 0.358167 [ 2.65250] 0.526789 [ 1.18387] 0.134499 0.082044 上述对比发现，在我国，资产市场超额收益率的动态变化规律与Campbell，Chan & Viceira(2003)对美国数据的实证结果基本一致，两个国家内的几个资产市场的动态变化符合大致相同的运行规律。
在计算资产配置比例地时间序列时，为了获得2006年1月至2008年12月的36个月的资产配置，需要采取rolling的方法，即每一次通过最近36个月的样本数据回归得到当期的预测参数∅0，∅1，Var vt ，再代入滞后一期的各个变量的值，Zt−1，进而计算出下个月的资产配置比例，初始资产为1，模型允许卖空。
考虑到我国居民的投资性资产大部分是股票资产，且股票市场高换手率的特点（沪深两市交易所统计数据显示，1993年到2007年中国股市15年平均年换
26
多元战略性资产配置模型在中国的实证研究
手率为484%）以及各市场数据发布的一致频率（每月公布一次统计数据），本文假设投资者每月调整一次资产配置，即调整周期为1个月。由于我国投资者构建投资组合的短期获利意图明显，根据Giovannini & Weil (1989) [33] 的研究表明，此时模型中的投资者风险厌恶系数取值应为γ=1。同时因为资产配置的调整周期较短（1个月），故短期内可以近似认为投资者的投资消费比例（consumption-wealth ratio）保持不变，即υ=1。
图2 股票+债券+现金组合资产配置比例
2.00 1.50 1.00 0.50 0.00 -0.50 -1.00 -1.50 2006/012006/032006/052006/072006/092006/11股票2007/012007/032007/052007/07债券2007/092007/112008/01现金2008/032008/052008/072008/092008/11
图3 股票+现金组合资产配置比例
0.60 0.55 0.50 0.45 0.40 2006/012006/032006/052006/072006/092006/112007/012007/032007/052007/072007/092007/112008/012008/032008/052008/072008/092008/11股票现金
27
多元战略性资产配置模型在中国的实证研究
图4 债券+现金组合资产配置比例
2.00 1.50 1.00 0.50 0.00 -0.50 -1.00 2006/012006/032006/052006/072006/092006/112007/012007/03债券2007/052007/072007/09现金2007/112008/012008/032008/052008/072008/092008/11
从三年的模型配置变化趋势看（如图2、3、4），3种组合大体呈现出一致的特点：第一、股票资产的比率大致围绕0.5波动；第二、在经济向好的时间段内（2006年和2007年）低配债券；在经济下滑的时间段内（2008年）高配债券资产；第三、参与货币市场的比例没有显示出获利的能力，这说明投资者从短期收益最大化的角度出发将货币市场视为融资场所而不是投资场所。
表4 三个组合风险收益衡量 平均月度风险收益 0.35% 0.60% 1.05% 月度波动率σp 1.44% 6.03% 5.54% Sharpe Ratio 0.24 0.10 0.19 纯债券型 纯股票型 混合型
通过Sharpe Ratio来比较3个投资组合的风险和收益可以发现，随着未来我国逐步推出股票市场的做空机制，以及我国债券市场债券远期、利率互换等交易逐渐活跃后，我国的金融投资可能将出现一些微妙的变化——纯债券型的投资基金将可能站有一席之地，因为按照该模型的模拟计算，纯债券型的投资组合Sharpe Ratio最高，其次是债券和股票混合型的组合，最次是纯股票型的组合。这也给我们的证券监管部门在审批新的基金产品时提供了一个新的选择。
28
多元战略性资产配置模型在中国的实证研究
3.2 加入房地产市场的整体动态描述和资产配置变化
通过上述3各投资组合的资产配置变化，从中可以发现该模型在个别市场确实具有一定的捕捉交易机会的能力。考虑到我国房地产市场金融投资属性不断加强的特点，本文在模型中引入了房地产投资，并分别对各市场的资产配置决策与市场真实发展做出比较，简要考察该模型的资产配置在实践中把握方向的能力和指导意义。
首先对加入房地产市场后的我国各市场超额收益率序列全样本数据进行拟合回归（所有超额收益率序列在5%水平下平稳），考察中国市场的VAR(1)过程，参数结果如表5，括号中为t值。
表5：4个市场全样本VAR（1）模型参数估计
RF
EXREAL EXSTOCK EXBOND ESTATE
RF(-1) EXREAL ESTATE(-1)
0.801101 (11.0089) 0.003999 (1.44331)
5.044892
-28.30173 2.146139
-0.022477 -1.246284 (-0.03418) (-0.87267) -0.021198 -0.060318 (-0.84645) (-1.10919) 0.002867 0.001438 (0.68681) (0.15868) 0.053650 0.080483 (1.37082) (0.94705) 0.836224 -0.088876 (10.3540) (-0.50679) 0.046640 0.247295 (0.54056) (1.31994) SPREAD
REALRF
(1.45929) (-1.35918) (0.88814) 0.583319
0.195753
-0.024863
(4.43122) (0.24689) (-0.27022) 0.008561 0.068661 -0.020502 (0.39017) (0.51955) (-1.33684) -0.653912 -2.018563 0.358757 (-3.17866) (-1.62908) (2.49494) 1.168118 0.434897 0.269949 (2.75159) (0.17008) (0.90973) -0.252127 -1.223820 -0.015750 (-0.55592) (-0.44801) (-0.04968)
29
EXSTOCK(-1) 0.000273
(0.59168)
EXBOND(-1) -0.002677
(-0.61811)
SPREAD(-1) -0.015942
(-1.78400)
REALRF(-1) 0.004674
(0.48961)
多元战略性资产配置模型在中国的实证研究
C R2 0.059946 (2.56238) 0.764470 -2.148038 6.281726 -0.543478 (-1.93266) (0.93836) (-0.69957) 0.538358 0.090247 0.165730 0.495079 0.004958 0.087518 0.237680 0.415698 (1.12407) (0.90539) 0.717736 0.151524 0.691274 0.071979 调整后的 R2 0.742389
结果显示，在现金（rf）、房地产（exrealestate）、股票（exstock）和债券（exbond）四个市场中，拟合优度最高的是现金市场0.76，其次是房地产市场0.54，再次是债券市场0.17，最小的是股票市场0.09。
模型中，对房地产超额收益有明显预测作用的变量数目最多，包括realestate(-1)，系数0.58，exbond (-1)，系数-0.65，spread(-1)，系数1.17。这表明，在我国，滞后的房地产超额收益对当期水平有显著的正向推动作用，房地产市场短期可能存在动量效应；滞后的债券市场超额收益对房地产市场有明显的负向作用；spread(-1)的系数为1.17，说明投资者倾向于在长短期利差扩大，即利率期限结构陡峭化的趋势中投资房产。利率期限结构的陡峭化说明市场对经济的长期走势预期不明朗，房地产因此成为投资者在这种环境下的一个重要资产配置。在VAR模型中，不存在对股票超额收益有显著预测作用的滞后变量，这与Campbell等人的研究结果相符，再次说明股票市场的不可预测性。VAR模型中对债券市场超额收益有明显预测作用的变量只有exbond (-1)，系数0.36，这说明，银行间债券市场短期内也有存在动量效应的可能。
模型中的状态变量spread方程，拟合优度高达到72%，从系数的显著程度可以发现，状态变量的动态变化遵循AR(1)过程，这与Campbell等人的研究结果相符。
上述对比发现，在我国，资产市场超额收益率的动态变化规律与Campbell，Chan & Viceira(2003)对美国数据的实证结果基本一致，两个国家内的几个资产市场的动态变化符合大致相同的运行规律。
在计算资产配置比例地时间序列时，为了获得2006年1月至2008年12月的36个月的资产配置，需要采取rolling的方法，即每一次通过最近36个月的样本数据回归得到当期的预测参数∅0，∅1，Var vt ，再代入滞后一期的各个变
30
多元战略性资产配置模型在中国的实证研究
量的值，Zt−1，进而计算出下个月的资产配置比例，组合包括股票、债券、房地产和现金的配置比例，初始资产为1，模型允许卖空。
考虑到我国居民的投资性资产大部分是股票资产，且股票市场高换手率的特点（沪深两市交易所统计数据显示，1993年到2007年中国股市15年平均年换手率为484%）以及各市场数据发布的一致频率（每月公布一次统计数据），本文假设投资者每月调整一次资产配置，即调整周期为1个月。由于我国投资者构建投资组合的短期获利意图明显，根据Giovannini & Weil (1989) [33] 的研究表明，此时模型中的投资者风险厌恶系数取值应为γ=1。同时因为资产配置的调整周期较短（1个月），故短期内可以近似认为投资者的投资消费比例（consumption-wealth ratio）保持不变，即υ=1。
图5：长短期利差spread、无风险利率rf、真实无风险利率realrf走势图
6.00%5.00%4.00%3.00%2.00%1.00%0.00%-1.00%-2.00%-3.00%2003/012003/042003/072003/102004/012004/042004/072004/102005/012005/042005/072005/102006/012006/042006/072006/102007/012007/042007/072007/102008/012008/042008/072008/10spreadrfrealrf
整体而言，在2006年至2008年的三年间，上述三个状态变量的变化都十分剧烈。名义无风险利率和真实无风险利率都经历了明显的上涨和下跌过程，长短期利差更是波幅巨大。从三年的模型配置变化趋势看，在经济向好的时间段内（2006年和2007年），债券和现金资产整体为负，股票和房地产资产整体为正，说明此时投资者从短期收益最大化的角度出发应将债券和短期资金两个市场视为融资市场，融入资金后配置股票和房地产资产。但在经济下滑的时间段内（2008
31
多元战略性资产配置模型在中国的实证研究
年），这种情况发生了一些变化，房地产资产配置迅速下滑，最终变为负值，债券和现金资产迅速攀升并变为正值，股票资产配置基本保持不变。
结合我国2006年至2008年三个市场的运行情况，多元战略性资产配置模型的资产配置方案大体符合短期收益最大化的投资意图。下面将按市场划分，从各个市场内部用数量方法分析多元战略性资产配置模型在中国的表现。
图6：2006年1月至2008年12月股票、债券、房地产和现金的配置比例
3.00 2.00 1.00 0.00 2006/012008/032006/032006/052006/072006/092006/112007/012007/032007/052007/072007/092007/112008/012008/052008/072008/09-1.00 -2.00 -3.00 房地产股票债券现金2008/11
3.3 加入房地产市场的资产配置决策分析
3.3.1 股票市场动态分析
2006年至2008年的中国股市整体呈现出暴涨暴跌的格局。由于市场自身缺乏做空机制，因此投资者整体损失惨重，财富大幅缩水。但从多元战略性资产配置模型的配置比例看，如图6，尽管市场在2006年至2007年经历了历史罕见的牛市行情，但模型的配置比例并没有显著上升，相反却在缓慢下移；而在2007年四季度股市开始下跌后，模型的配置比例也并没有大幅滑落，而是稳定在0.4的水平。股票投资的配置比例长期稳定在0.45左右，考虑到模型没有卖空限制，因此股票资产在总体资产组合中的比例可能小于0.45。但配置比例长期为正值，
32
多元战略性资产配置模型在中国的实证研究
说明，模型认为从短期利益最大化的角度出发，通过模型的风险收益权衡，在中国，股票市场长期内都是投资者获取短期利益的重要场所。
同期的相关系数矩阵，如表6，模型中当期股票资产配置比例SA和当期股票市场收益率SY的相关系数为0.42略大于当期股票市场成交金额的变动幅度SV与当期股票市场收益率SY的相关系数0.39。这说明，就当月的投资而言，该模型仅根据历史信息在月前做出的投资决策和股票市场当月的实际收益率的相关性略大于根据实时信息做出的当月实际股票操作变化和市场实际收益率的相关性。由此可以初步判断，该模型在我国股票市场上具有一定的实用性。
图6：2006年至2008年股票市场配置比例
0.80 0.60 0.40 0.20 0.00 2006/012006/042006/072006/102007/01600.00%500.00%400.00%300.00%200.00%100.00%0.00%股票配置实际成交金额变动上证指数2007/042007/072007/102008/012008/042008/072008/10-0.20 -0.40 -0.60 -0.80 -1.00 *注：左轴为股票配置及实际成交金额变动，右轴为指数
同时，该模型的股票资产配置调整同市场真实的操作变动的相关系数仅为0.16，这说明市场的真实交易决策和多元战略性资产配置模型的配置决策存在较大差异。尽管模型根据我国股票市场换手率高，短线操作特征明显的特点进行了参数设定，但是该模型的股票配置理念仍然有别于我国的实际情况。这一点从图4中也可以直观的看出，我国股市的成交量变化呈现出大起大落的特点，而模型中的配置则相对稳定。
表6：股票市场同期相关系数矩阵 SY
SY SV SA 1.000000 0.392698 0.416651 33
多元战略性资产配置模型在中国的实证研究
SV SA
0.392698 1.000000 0.162973 0.416651 0.162973 1.000000
从平稳性检验的结果看（表7），在5%的显著性水平下，序列SY和序列SA的单整阶数相同，均为1阶单整过程。根据协整理论，如果所考虑的时间序列具有相同的单整阶数，且某种线性组合（协整向量）使得组合时间序列的单整阶数降低，那么可以认定这些序列间存在显著的协整关系。
表7：股票市场平稳性检验
SY △SY SA △SA SV 表8：股票市场Johansen检验
原假设 无协整关系 至多1个协整关系
Johansen检验显示，表8，序列SY和序列SA二者在在5%的水平下没有协整关系，这说明该模型从长期来看也不能把握股票市场的运行方向。
进一步，为了分析资产配置调整给市场带来的长期作用，先假设市场同时存在两种资产配置模式——多元战略性资产配置模型和实际投资操作策略。又因为，三个序列SY、SV和△SA在10%的水平下都平稳，可以通过VAR模型分析和方差分解分析资产配置调整对市场的跨期影响。
运用AIC信息准则，AIC统计量取最小值时的滞后阶数就是VAR模型合适的滞后阶数，筛选出适合SV的滞后阶数为4，适合△SA的滞后阶数为3，VAR的参数估计如表9，括号内为t值。
34
T值 -2.741182 -5.540063 -2.521744 -6.900401 -3.763297 显著性 0.0817 0.0001 0.1109 0.0000 0.0009 特征根 0.176100 0.000130 LR似然比 6.590432 0.004420 5%临界值 12.53 3.84 多元战略性资产配置模型在中国的实证研究
表9：股票市场VAR模型参数估计
SY(-1) SY(-2) SY(-3) SY(-4) SV(-1) SV(-2) SV(-3) SV(-4) C R-squared SY SV
SY(-1) SY(-2) SY(-3) △SA(-1) △SA(-2) △SA(-3) C R-squared SY △SA -0.049070 0.919042 (-0.24703) (1.25887) 0.208107 -0.817122 (1.04896) (-1.12064) 0.128491 0.259969 (0.54082) (0.29772) 0.188109 0.071376 (0.81746) (0.08439) 0.089073 -0.148076 (1.42288) (-0.64360) 0.007195 0.047193 (0.10351) (0.18474) -0.053904 -0.144905 (-0.80785) (-0.59088) 0.158058 0.230048 (2.51521) (0.99605) -1.173396 2.893208 (-0.61556) (0.41296) 0.532997 0.276444 -0.066557 0.001261 (-0.37634) (2.97333) 0.106131 -0.000890 (0.53503) (-1.87181) 0.104722 0.000114 (0.51570) (0.23481) 107.5804 0.907685 (1.39319) (4.90373) -182.1079 -0.667153 (-1.88220) (-2.87658) 243.1236 0.503870 (3.14743) (2.72121) -81.10250 0.119255 (-2.15112) (1.31954) 0.412850 0.723765 Adj.R-squared 0.277354 0.660018
Adj. R-squared 0.370562 0.024772
两个模型对比，SV对SY的拟合优度更高，达到53%，△SA对SY的拟合优度为0.41。在两个SY方程中，各有一个系数显著，SV(-4)的系数和△SA(-3)的系数都显著为正，说明在市场中存在“量增价涨”的现象。
表10：SV模型中SY的方差分解
35
多元战略性资产配置模型在中国的实证研究
预测期 1 2 3 4 5 6 7 8 9 10
标准误 SY SV 8.679863 100.0000 0.000000 9.077924 92.55826 7.441739 9.388045 92.94756 7.052435 9.410245 92.53986 7.460138 11.32742 80.44096 19.55904 11.43434 80.80031 19.19969 11.63719 78.51321 21.48679 11.74862 77.50290 22.49710 12.08031 74.14947 25.85053 12.22818 74.76952 25.23048 但由于VAR模型的参数估计量具有一致性，单个参数估计值的经济意义并不明确，因此要对VAR模型作出具体的结论，还需要借助方差分解来实现。SV对收益率序列SY的方差分解如表10，△SA对收益率序列SY的方差分解如表11。
表11：△SA模型中SY的方差分解 预测期 1 2 3 4 5 6 7 8 9 10
36
标准误 9.667207 9.975274 10.38543 10.80458 11.85941 12.24676 12.25407 12.32187 12.67981 12.94338 SY 100.0000 93.95676 90.38099 83.95752 77.76003 73.80758 73.83588 73.12180 70.36459 68.47730 △SA 0.000000 6.043238 9.619009 16.04248 22.23997 26.19242 26.16412 26.87820 29.63541 31.52270 多元战略性资产配置模型在中国的实证研究
从影响程度的变化看，SV和△SA具有高度的一致性，都是随着预测期的延长（相对滞后期延长），资产配置的调整对市场的影响力逐步显现。从影响程度的大小看，两者也极为相似，都是从0经过10期增长到25%和31%，△SA的影响力略大于SV。这说明，无论从当期还是长期看，多元战略性资产配置模型的资产配置调整和目前实际的投资操作变化对市场的影响过程和影响程度是大体相当的，二者难分优劣，但二者具体的配置变化差异巨大，整体呈现殊途同归的特点。
3.3.2 债券市场动态分析
2006年至2008年的债券市场跌宕起伏，政策环境不断变化。结合市场的运行情况观察多元战略性资产配置模型的配置变化，如图5，模型从短期利益最大化的角度出发，在2006年至2007年的小幅上涨和下跌行情中，认为债券资产应是以卖空为主，只有在遇到了2008年这样的历史罕见的大幅上涨行情时，该模型才会发出做多的信号，同时放大杠杆，博取最大收益。但如果忽略资产配置比例的正负符号变化，单从配置的调整比例看，模型的调整与市场实际的调整比较吻合。
图7：2006年至2008年债券市场配置比例
2.50 2.00 1.50 1.00 105.00%0.50 0.00 -0.50 -1.00 债券配置实际成交金额变动100.00%95.00%90.00%中证全债指数120.00%115.00%110.00% *注：左轴为债券配置及实际成交金额变动，右轴为指数
研究同期的相关系数矩阵，如表12，结果发现，模型中当期债券资产配置
37
多元战略性资产配置模型在中国的实证研究
比例BA和当期债券市场收益率BY的相关系数高达0.61；而当期债券市场的实际成交金额的变动幅度BV与当期市场收益BY的相关度仅为-0.02，这说明该模型短期内的投资获利能力明显高于市场中的实际操作。模型当期债券资产配置同当期市场真实成交金额的相关系数为0.22。
表12：债券市场同期相关系数矩阵 BY BV BA
虽然模型的配置调整和实际的操作变化存在一定的相关性，但实际上，在我国银行间债券市场，金融机构的投资行为并不是严格遵循债券市场短期收益的最大化，而是综合考虑了其他的因素所做出的买卖决策，对固定收益类资产的配置往往着眼于长期，而非短期获利。
从平稳性检验的结果看（表13），在5%的显著性水平下，序列BY和序列BA的单整阶数相同，均为1阶单整过程。根据协整理论，如果所考虑的时间序列具有相同的单整阶数，且某种线性组合（协整向量）使得组合时间序列的单整阶数降低，那么可以认定这些序列间存在显著的协整关系。
表13：债券市场平稳性检验
BY △BY BA △BA BV 表14：债券市场Johansen检验
38
BY 1.000000 -0.017026 0.609750 BV -0.017026 1.000000 0.222429 BA 0.609750 0.222429 1.000000 T值 -2.684366 -6.254901 -2.480011 -6.708541 -6.150293 显著性 0.0889 0.0000 0.1270 0.0000 0.0000 多元战略性资产配置模型在中国的实证研究
原假设 无协整关系 至多1个协整关系
特征根 0.379832 0.094546 LR似然比 19.62086 3.376855 5%临界值 12.53 3.84 协整向量系数（标准误）
BY 1.000000
Johansen检验显示，表14，二者在在5%的水平下存在一个协整关系，协整向量为BY−2.157BA。协整检验再次印证了模型的短期配置调整与债券市场走势的长期相关性。利用该模型在债券市场上进行短期价差交易具有长期的获利能力。 进一步，为了分析资产配置调整给市场带来的长期影响作用。先假设市场同时存在两种资产配置模式——多元战略性资产配置模型和实际投资操作策略。又因为，三个序列BY、BV和△BA在10%的水平下都平稳，所以可以通过VAR模型分析和方差分解分析资产配置调整对市场的跨期影响。
运用AIC信息准则，AIC统计量取最小值时的滞后阶数就是VAR模型合适的滞后阶数，筛选出适合BV的滞后阶数为2，适合△BA的滞后阶数为1，VAR的参数估计如表15，括号内为t值。
表15：债券市场VAR模型参数估计
BY(-1) BY(-2) BV(-1) BV(-2) BY 0.748437 (3.95434) -0.174140 (-0.92091) -0.000452 BV -6.301152 (-1.12028) 15.33221 (2.72841) -0.608280 BY(-1) △BA(-1) C R2 调整后的R2 39
BA
-2.157064 (0.35557)
BY 0.612991 (3.35021) 0.017094 (0.05275) 0.168368 (1.01233) 0.359982 0.319981 △BA 0.434766 (7.58424) 0.189982 (1.87131) -0.043597 (-0.83668) 0.793501 0.780595 (-0.08047) (-3.64276) 0.003184 (0.60091) -0.298977 (-1.89878) 多元战略性资产配置模型在中国的实证研究
C R2 调整后的R2
0.200772 (1.15114) 0.400545 0.317862 3.911109 (0.75459) 0.390185 0.306072
由于VAR模型的参数估计量具有一致性，单个参数估计值的经济意义并不明确，因此要对VAR模型作出具体的结论，还需要借助方差分解来实现。BV对收益率序列BY的方差分解如表16，△BA对BY的方差分解如表17。
表16：BV模型中BY的方差分解 预测期 1 2 3 4 5 6 7 8 9 10 标准误 BY BV 0.000000 0.011557 0.510413 0.515129 0.513377 0.516666 0.516834 0.516815 0.516839 0.516841 0.873880 100.0000 1.091814 99.98844 1.145595 99.48959 1.151595 99.48487 1.153597 99.48662 1.154190 99.48333 1.154271 99.48317 1.154293 99.48319 1.154300 99.48316 1.154301 99.48316
表17：△BA模型中BY的方差分解 预测期 1 2 3 4 5
标准误 0.890139 1.044672 1.099235 1.120068 1.128218 BY 100.0000 99.99804 99.99708 99.99670 99.99655 40
△BA 0.000000 0.001965 0.002919 0.003302 0.003452 多元战略性资产配置模型在中国的实证研究
6 7 8 9 10
1.131435 1.132708 1.133213 1.133413 1.133493
99.99649 99.99647 99.99646 99.99645 99.99645
0.003511 0.003534 0.003544 0.003547 0.003549
从方差分解的结果看，两种资产配置策略的影响效果基本相同，对BY的影响都始终维持在0附近的水平。这说明，债券市场的收益率水平基本不受参与者行为的影响，而主要反映经济基本面的状况。 3.3.3 房地产市场动态分析
图8：2006年至2008年房地产市场配置比例
2.00 1.50 1.00 0.50 0.00 -0.50 -1.00 -1.50 -2.00 -2.50 房地产配置房地产价格指数160.00%140.00%120.00%100.00%80.00%60.00%40.00%20.00%0.00% *注：左轴为房地产配置，右轴为指数
2006年至2007年，虽然国家出台了一系列调控房价的政策措施，但事后看，房价依然稳步攀升，如果基于人们的主观判断，在国家一系列抑制措施的影响下，投资者理应看空房地产市场。多元战略性资产配置模型的决策决策依据是一系列市场价格，不受到人们主观预期的影响，从短期利益最大化的角度出发，该模型在2006年至2007年间给出的房地产配置比例在绝大多数情况下都大于0，这符合市场的实际。如图8，在2007年中期以前，房地产投资比例稳定在0.5附近，在07年下半年该模型建议加大配置。但从2008年初开始，随着房地产价格涨幅
41
多元战略性资产配置模型在中国的实证研究
回落，该比例迅速下降，直到08年4季度开始大量卖空。
对于房地产市场的分析，由于没有全国房地产月度成交金额的公开信息，故本文的研究没有加入描述实际成交金额的变量，只研究当期房地产资产配置RA和当期房地产市场收益率RY的相互关系。其现实意义在于检验该模型在获取房地产市场短期收益最大化方面的实用性。
研究同期的相关系数矩阵，如表18，结果发现，当期房地产资产配置比例RA和当期房地产市场收益率RY的相关系数高达0.84，表明通过该模型指导房地产投资有很强的实际意义。
表18：房地产市场同期相关系数矩阵
RY RA
进一步分析，由于房地产市场月度收益率RY不是平稳序列（在10%水平下不平稳），故VAR的研究方法不再适用，我们仅考虑协整的分析方法。从平稳性检验的结果看（表19），序列RY和序列RA的单整阶数相同，均为1阶单整过程。根据协整理论，如果所考虑的时间序列具有相同的单整阶数，且某种线性组合（协整向量）使得组合时间序列的单整阶数降低，那么可以认定这些序列间存在显著的协整关系。
表19：房地产市场平稳性检验
RY △RY RA △RA
表20：房地产市场Johansen协整检验
42
RY 1.000000 0.843991 RA 0.843991 1.000000 T值 -0.218325 -5.460185 -0.553936 -5.191444 显著性 0.9269 0.0001 0.8682 0.0002 多元战略性资产配置模型在中国的实证研究
原假设 无协整关系 至多1个协整关系
特征根 0.396407 0.098130
LR似然比 20.67675 3.511697
5%临界值 15.49471 3.841466
协整向量系数（标准误）
RA 1.000000
Johansen检验显示，表20，二者在在5%的水平下有一个协整关系，协整向量为RA−0.378RY。协整过程再次印证了模型的短期配置调整与市场走势的长期同向关系，说明多元战略性资产配置模型对指导当前我国房地产投资具有一定的借鉴意义。
3.3.4 短期资金市场动态分析
2006年至2008年，银行间货币市场的利率水平变化同样非常剧烈。先是在经济快速发展，人民币持续升值的背景下，流动性不断增加，市场利率低位运行，而后又在一系列紧缩政策的影响下利率迭创新高，但是，随着金融危机的爆发和深化，政策面不断宽松，短期利率快速下滑。不过总体而言，银行间资金市场并不是大多数金融机构（货币市场基金除外）短期套利的投机场所，而是参与者进行流动性管理的场所。正因为如此，如图9，在四个市场中，唯有短期资金市场的模型配置比例与该市场资产价格（短期利率）呈现出负相关的走势。由于短期资金的价格（利率）较低，因此模型对它的配置完全取决于其他资产市场的投资需要，而主要借助其进行流动性管理，忽略了其短期的获利机会，这与市场的整体状况基本吻合。如图7，现实中随着存款增速的提高，短期利率显著走低，随着存款增速下降，短期利率开始上升，呈现负相关的态势。
研究同期的相关系数矩阵，如表16，结果发现，模型当期现金配置决策CA和当期银行间市场1M回购利率均值RF的相关系数为-0.54，这印证了由图形得出的直观判断，当做出短期融入资金的策略调整时，随即拉高了资金市场的借款
43
RY
-0.377721 (0.05909)
多元战略性资产配置模型在中国的实证研究
成本，当做出融出现金的调整时，随即压低了资金市场的借款成本。当月人民币存款环比增长率CV与当期RF的相关系数为-0.24，再次印证了上述负相关的判断。
图9：2006年至2008年短期资金市场配置比例
2.50 2.00 1.50 1.00 0.50 0.00 -0.50 -1.00 -1.50 -2.00 现金配置R01M存款变动 *注：左轴为现金配置，右轴为存款变动和R01M
6.00%5.00%4.00%3.00%2.00%2006/012006/032006/052006/072006/092006/112007/012007/032007/052007/072007/092007/112008/012008/032008/052008/072008/092008/111.00%0.00%-1.00%-2.00%模型当期现金配置决策同当月人民币存款环比增长率的相关系数为-0.03，这说明现金储蓄市场的实际变动和多元战略性资产配置模型的配置调整不相关。其中的原因是多方面的，主要原因是我国的实际存款利率和银行间回购利率差别较大，无论是从价格水平上，还是从定价体制上，都存在巨大差异。前者是政策利率，变动频率非常低，后者是市场化利率，波动频繁。当月人民币存款环比增长受实际存款利率影响较大，而模型当期现金配置决策受银行间市场1M回购利率影响较大，因此表现出巨大的差异。
表21：短期资金市场同期相关系数矩阵 RF CV CA
进一步分析，由于银行间市场1M回购利率RF不是平稳序列（在10%水平
44
RF 1.000000 -0.237256 -0.540181 CV -0.237256 1.000000 -0.034585 CA -0.540181 -0.034585 1.000000 多元战略性资产配置模型在中国的实证研究
下不平稳），故VAR的研究方法不再适用，我们同样仅考虑协整的分析方法，据此研究多元战略性资产配置模型在长期内和市场的动态联系。从平稳性检验的结果看（表22），序列RF和序列CA的单整阶数相同，均为1阶单整过程。根据协整理论，如果所考虑的时间序列具有相同的单整阶数，且某种线性组合（协整向量）使得组合时间序列的单整阶数降低，那么可以认定这些序列间存在显著的协整关系。
表22：短期资金市场平稳性检验
RF △RF CA △CA CV 表23：短期资金市场Johansen检验
原假设 无协整关系 至多1个协整关系
协整向量系数（标准误）
CA
1.000000
Johansen检验显示，表23，二者在在5%的水平下存在一个协整关系，协整向量为CA+0.751RF。协整过程再次印证了模型的短期配置调整与市场走势的长期负向关系。这说明资金市场在我国确实单一充当流动性管理的角色，机构投资者在该市场不存在明显的短期获利行为。
RF
0.751009 (0.13607)
特征根 0.387055 0.028769 LR似然比 17.63481 0.992491 5%临界值 15.49471 3.841466 T值 -1.971898 -5.478917 -1.740161 -6.169240 -5.739816 显著性 0.2937 0.0001 0.4030 0.0000 0.0000 45
多元战略性资产配置模型在中国的实证研究
第四章 结论
综上所述，在我国短期投资行为占主导的环境下，本文结合我国2003年至2008年的市场运行情况，从多个角度分析了2006年至2008年的多元战略性资产配置模型的月度资产配置比例，结果表明：
首先，通过Sharpe Ratio来比较3个投资组合的风险和收益可以发现，随着未来我国逐步推出股票市场的做空机制，以及我国债券市场债券远期、利率互换等交易逐渐活跃后，我国市场上主流的金融投资组合可能将出现一些微妙的变化——纯债券型的投资基金将可能站有一席之地，因为按照该模型的模拟计算，纯债券型的投资组合Sharpe Ratio最高，其次是债券和股票混合型的组合，最次是纯股票型的组合。
其次，多元战略性资产配置模型的资产配置比例和目前我国实际的投资行为存在较大差异，反映出该模型的决策机制与我国市场主流的投资理念存在本质上的差异。该模型认为其所筛选的经济变量已经可以总体描述经济的运行情况，资产配置决策依据仅限于对多个经济变量历史信息的分析，并没有考虑政策面的相关影响，这显然与我国主流投资机构的决策机制不相符。
最后，就模型对目前市场的指导性而言，在股票市场上，模型与实际的决策行为有效性基本相当；在债券市场上，该模型具有更强的短期获利能力；在房地产市场上，该模型表现出了较强的短期投资获利能力；在短期资金市场，该模型的获利能力较差，原因是因为其将短期资金市场视为一个获取廉价资金的融资市场，更多的投资决策依赖于其他市场的投资需要。
46
多元战略性资产配置模型在中国的实证研究
参考文献：
[1] Brennan.M.J.，Schwartz.E.S.，Lagnado.R. Strategic asset allocation[J]. Journal of Economic Dynamics and Control，1997，(21)：1377–1403.
[2] Campbell，Chan，Viceira. A Multivariate Model of Strategic Asset Allocation[J]. Journal of Financial Economics，2003，(67)：41–80.
[3] Markowitz.H. Portfolio selection[J]. Journal of Finance，1952，(7)：77–91.
[4] Merton.R.C. Lifetime portfolio selection under uncertainty: the continuous time case[J]. Review of Economics and Statistics，1969，(51)：247–257.
[5] Harlow.W. V. Asset Allocation in a Downside Risk Framework[M]，New York ，Salomon Brothers， 1991.
[6] Samuelson.P.A. Lifetime portfolio selection by dynamic stochastic programming[J]. Review of Economics and Statistics，1969，(51)：239–246.
[7] Brennan.M.J.，Schwartz.E.S.，Lagnado.R. Strategic asset allocation[J]. Journal of Economic Dynamics and Control，1997，(21)：1377–1403.
[8] Brennan. M.J.，Schwartz. E.S.，Lagnado.R. The use of treasury bill futures in strategic asset allocation
programs[M]. Cambridge，Cambridge University Press，1999.
[9] Lynch. A.W. Portfolio choice and equity characteristics: characterizing the hedging demands induced by
return predictability[J]. Journal of Financial Economics 2001，(62)：67–130.
[10] Balduzzi.P，Lynch.A. Transaction costs and predictability: some utility cost calculations[J]. Journal of Financial Economics，1999，(52)：47–78.
[11] Barberis.N.C. Investing for the long run when returns are predictable[J]. Journal of Finance，2000，(55)：225–264.
[12] Kim.T.S，Omberg.E. Dynamic nonmyopic portfolio behavior[J]. Review of Financial Studies，1996，(9)：141–161.
[13] Wachter.J. Portfolio and consumption decisions under mean-reverting returns: an exact solution for complete markets[J]. Journal of Financial and Quantitative Analysis，2002，(37)：63–91.
[14] Campbell.J.Y，Viceira.L.M..Consumption and portfolio decisions when expected returns are time varying[J]. Quarterly Journal of Economics，1999，(114)：433–495.
[15] Schroder.M.，Skiadas.C. Optimal consumption and portfolio selection with stochastic differential utility[J]. Journal of Economic Theory，1999，(89)：68–126.
[16] Epstein.L，Zin.S. Substitution, risk aversion, and the temporal behavior of consumption and asset returns: a theoretical framework[J]. Econometrica，1989，(57)：937–969.
47
多元战略性资产配置模型在中国的实证研究
[17] Brennan.M.J.，Xia.Y. Dynamic asset allocation under inflation[J]. Journal of Finance，2002，(57)：1201–1238.
[18] Campbell.J.Y，Viceira.L.M. Who should buy long-term bonds? [J].American Economic Review，2001，(91)： 99–127.
[19] Liu.J. Portfolio choice in stochastic environments[Z]. Working Paper，1998.
[20] Wachter.J. Risk aversion and allocation to long-term bonds[D]. Ph.D. dissertation，Harvard University，2000.
[21] Kandel.S.，Stambaugh.R. Long horizon returns and short horizon models[Z]. Working Paper，1987. [22] Campbell.J.Y. A variance decomposition for stock returns[J]. Economic Journal，1991，(101)：157–179. [23] Hodrick.R.J. Dividend yields and expected stock returns: alternative procedures for inference and measurement[J]. Review of Financial Studies，1992，(5)：357–386.
[24] Barberis.N.C. Investing for the long run when returns are predictable[J]. Journal of Finance，2000，(55)：225–264.
[25] 吴世农，陈斌. 风险度量方法与金融资产配置模型的理论和实证研究[J]，经济研究，1999，(9). [26] 姚京，李仲飞. 基于Var的金融资产配置模型[J]，中国管理科学，2004，(1) [27] 赵睿、赵陵. Var方法与资产组合分析[J]，数量经济技术经济研究，2002，(11).
[28] 金秀，马丽丽，黄小原. 多阶段资产配置模型及其在投资基金中的应用[J]，东北大学学报，2005，(10). [29] Von Neumann，O Morgenstein. Theory of Games and Economic Behavior[M]. Princeton，Princeton Unviersity Press, 1944
[30] 娄峰. 计量经济模型在中国股票市场的应用[M]，北京，经济管理出版社，2007. [31] 秦宛顺. 中国股票市场协整现象与价格动态调整过程研究[J]，金融研究，2001，(4).
[32] Carolina Fugazza，Massimo Guidolin，Giovanna Nicodano. Investing for the Long-Run in European Real Estate[Z].Working Paper，2006a.
[33] Giovannini.A，Weil.P. Risk aversion and intertemporal substitution in the capital asset pricing model[Z]. Working Paper，1989.
48
多元战略性资产配置模型在中国的实证研究
致 谢
从选题到搜集资料，从论文写作到最终定稿，前后经过了六个月左右的时间。如今，毕业论文的完成标志着我三年的研究生学习也要画上一个完满的句号。
三年的时间在人生旅途中是短暂的，但是这段时间我所收获的精神财富自己将一生受用。在此，我首先要衷心感谢自己的导师魏巍贤教授！从师三年，魏老师正直的作风、渊博的学识、以及在对学生严格要求的同时又给与的关爱都使我在学习和生活中获益良多。魏老师治学严谨，对金融学的前沿研究领域有很深刻的理解和研究，正是他的严格要求，使我在研究生三年中学到了更多的专业知识和技能。
其次，我要感谢所有厦门大学经济学院的老师们！厦门大学经济学院为我们营造了浓厚的学术氛围，各种高水平的学术讲座拓展了我的视野。同时，感谢厦门大学经济学院各位领导和老师的辛勤劳动，是你们为我营造了轻松快乐的学习和生活环境。感谢老师们在我研究生学习期间所给与的谆谆教导和热心帮助！
再次，感谢2006级金融工程专业的所有同学们，好朋友们！龚继海，刘杨树，杨邵君等等，三年来大家相互关心，相互帮助，相互学习，共同进步所建立的真挚友谊是我的又一宝贵财富。每当我遇到困难的时候，是你们伸出了友谊之手，我从你们身上理解到友谊的真谛！
此外，本文在写作的过程中，直接或间接地吸收借鉴了部分文献的资料和观点，在此对这些学者致以由衷地谢意！
最后，感谢我最亲最近的人！我的父母，他们给与我生命，哺育我成长，辛勤劳作供我读书，孜孜不倦教我做人，当我无助的时候，是我的父母给与我无微不至的关怀。同时，也感谢我的女友，一直以来，她默默给与我理解、关心和支持，她是我不懈努力，锐意进取的精神动力！
由于时间和水平有限，本文难免存在不足和疏漏，敬请各位老师和同学不吝批评指正。
王 晶 2009年3月31日
49
因篇幅问题不能全部显示，请点此查看更多更全内容