“投资宇宙包括进攻性资产（如SPY、QQQ等）、保护性资产和防御性资产（如TIP、BND等）。交易算法在每月最后一个交易日收盘时，根据动量选择相对动量最高的Top6资产，均等分配投资组合，并用BIL替换动量低于BIL的防御性资产。持有头寸至下个月最后一个交易日，并每月重新平衡。计算相对动量得分，选择防御性资产中相对和绝对动量均为正的Top3资产，若有负绝对动量则选择进攻性资产。”
资产类别：ETF | 区域：全球 | 频率：每月 | 市场：债券、大宗商品、股票、房地产投资信托基金（REITs） | 关键词：资产配置
策略概述
投资宇宙包括进攻性资产：SPY、QQQ、IWM、VGK、EWJ、VWO、VNQ、DBC、GLD、TLT、HYG、LQD；保护性资产：SPY、VWO、VEA、BND；防御性资产：TIP、DBC、BIL、IEF、TLT、LQD、BND。
<交易算法>
在每个月最后一个交易日的收盘时，根据步骤2，从进攻性或防御性宇宙中选择相对动量值最高的Top6资产，并将投资组合的1/(Top6)分配给每个资产。将“表现不佳”的防御性选择（动量低于BIL的资产）替换为BIL。持有头寸直到下个月的最后一个交易日。无论是否有头寸变化，投资组合每月重新平衡一次。
计算进攻性和防御性资产宇宙中每个资产的相对动量得分，其中在t时刻的相对动量等于pt / SMA(12) – 1。SMA(12)的慢速趋势是基于月末数据计算的，最大滞后12个月，代表最近13个月末价格的平均值，包括当日。
从防御性资产宇宙中选择相对和绝对SMA(12)动量都为正的Top3资产，如果保护性（或“预警”）宇宙中的至少一个资产显示负的绝对动量，其中t时刻的绝对动量基于快速动量13612W（即1、3、6、12个月回报的加权平均值，权重分别为12、4、2、1）。否则，选择进攻性资产宇宙。
策略合理性
Keller正在发明一种新方法，结合了他之前作品中已经使用的绝对、相对和广度动量模型以及“崩盘保护”的主题。变化包括：a) 不同的动量过滤器，b) 基于“预警”宇宙概念的非常快速的“崩盘保护”，c) 将商品（DBC）加入防御性资产宇宙，不仅限于“现金”。
论文来源
Relative and Absolute Momentum in Times of Rising/Low Yields: Bold Asset Allocation (BAA) [点击浏览原文]
- Wouter J. Keller，阿姆斯特丹自由大学
<摘要>
我们的目标是通过结合一些先前的模型，如保护性资产配置（PAA）、警戒性资产配置（VAA）和防御性资产配置（DAA），开发一种非常进攻性的战术资产配置策略。我们称这种新策略为“大胆资产配置”（BAA）。BAA结合了慢速的相对动量和快速的绝对动量与崩盘保护，基于“预警”宇宙的概念，当“预警”宇宙中的任何资产表现出负的绝对动量时，我们从进攻性资产转换为防御性资产。因此，BAA大约60%的时间都处于防御性资产中。通过增强防御性资产宇宙，使其超越现金，我们在1970年12月至2022年6月期间发现了非常可观的回报（>=20%），且月度最大回撤较低（<=15%）。
回测表现
| 年化收益率 | 14.6% |
| 波动率 | 8.5% |
| Beta | 0.126 |
| 夏普比率 | 1.72 |
| 索提诺比率 | 0.487 |
| 最大回撤 | -8.7% |
| 胜率 | 68% |
完整python代码
from AlgorithmImports import *
import pandas as pd
import numpy as np
from typing import List, Dict
from pandas.core.frame import DataFrame
# endregion
class BoldAssetAllocation(QCAlgorithm):
def Initialize(self):
self.SetCash(100000)
self.SetStartDate(2008, 1, 1)
# all assets
self.offensive:List[str] = [
"SPY", "QQQ",
"IWM", "VGK",
"EWJ", "VWO",
"VNQ", "DBC",
"GLD", "TLT",
"HYG", "LQD",
]
self.protective:List[str] = ["SPY", "VWO", "VEA", "BND"]
self.defensive:List[str] = ["TIP", "DBC", "BIL", "IEF", "TLT", "LQD", "BND"]
self.safe:str = "BIL"
# strategy parameters (our implementation)
self.prds:List[int] = [1, 3, 6, 12] # fast momentum settings
self.prdweights:np.ndarray = np.array([12, 4, 2, 1]) # momentum weights
self.LO, self.LP, self.LD, self.B, self.TO, self.TD = [
len(self.offensive),
len(self.protective),
len(self.defensive),
1,
6,
3,
] # number of offensive, protective, defensive assets, threshold for "bad" assets, select top n of offensive and defensive assets
self.hprd:int = (max(self.prds + [self.LO, self.LD]) * 21 + 50) # momentum periods calculation
# repeat safe asset so it can be selected multiple times
self.all_defensive:List[str] = self.defensive + [self.safe] * max(
0, self.TD - sum([1 * (e == self.safe) for e in self.defensive])
)
self.equities:List[str] = list(
dict.fromkeys(self.protective + self.offensive + self.all_defensive)
)
leverage:int = 3
for equity in self.equities:
data:Equity = self.AddEquity(equity, Resolution.Daily)
data.SetLeverage(leverage)
self.recent_month:int = -1
def OnData(self, data:Slice) -> None:
if self.IsWarmingUp:
return
# monthly rebalance
if self.recent_month == self.Time.month:
return
self.recent_month = self.Time.month
# get price data and trading weights
h:DataFrame = self.History(self.equities, self.hprd, Resolution.Daily)["close"].unstack(level=0)
weights:pd.Series = self.trade_weights(h)
# trade
self.SetHoldings([PortfolioTarget(x, y) for x, y in zip(weights.index, weights.values) if x in data and data[x]])
def trade_weights(self, hist:DataFrame) -> pd.Series:
# initialize weights series
weights:pd.Series = pd.Series(0, index=hist.columns)
# end of month values
h_eom:DataFrame = hist.loc[hist.groupby(hist.index.to_period("M")).apply(lambda x: x.index.max())].iloc[:-1, :]
# Check if protective universe is triggered.
# build dataframe of momentum values
mom:DataFrame = (h_eom.iloc[-1, :].div(h_eom.iloc[[-p - 1 for p in self.prds], :], axis=0) - 1)
mom = mom.loc[:, self.protective].T
# determine number of protective securities with negative weighted momentum
n_protective:float = np.sum(np.sum(mom.values * self.prdweights, axis=1) < 0)
# % equity offensive
pct_in:float = 1 - min(1, n_protective / self.B)
# Get weights for offensive and defensive universes.
# determine weights of offensive universe
if pct_in > 0:
# price / SMA
mom_in = h_eom.iloc[-1, :].div(h_eom.iloc[[-t for t in range(1, self.LO + 1)]].mean(axis=0), axis=0)
mom_in = mom_in.loc[self.offensive].sort_values(ascending=False)
# equal weightings to top relative momentum securities
in_weights = pd.Series(pct_in / self.TO, index=mom_in.index[:self.TO])
weights = pd.concat([weights, in_weights])
# determine weights of defensive universe
if pct_in < 1:
# price / SMA
mom_out = h_eom.iloc[-1, :].div(h_eom.iloc[[-t for t in range(1, self.LD + 1)]].mean(axis=0), axis=0)
mom_out = mom_out.loc[self.all_defensive].sort_values(ascending=False)
# equal weightings to top relative momentum securities
out_weights = pd.Series((1 - pct_in) / self.TD, index=mom_out.index[:self.TD])
weights = pd.concat([weights, out_weights])
weights:pd.Series = weights.groupby(weights.index).sum()
return weights
