本篇呈文作为量化资产配置系列钻研的第一篇呈文，重点介绍最优资产配置模型的核心逻辑。论述投资组合有效前沿的方法论，并选择华泰商品计谋指数2.0停止实证钻研。资产配置模型具有十分优良的通用性和灵敏性，既能适应差异投资约束条件，有便捷交融主不雅观投资逻辑，对投资决策阐扬关键作用。

　　在方法论介绍局部，我们引出有效前沿的根本原理，并提出差分进化算法优化计算有效组合。对于有效前沿计算所需的数据，我们指出历史数据和模拟数据同等重要，缺一不成。对于数据模拟的算法，我们提出MCMC法和Resample法的同时运用，可以起到相互验证方法论正确性的关键作用；此外，我们还提出判断算法有效性的重要定性规范，包含组合配置优化收敛性判断、最优组合身分权重变革间断性和最优组合对风险变革的敏感性三个方面。

　　在数据测试环节中，我们选择了华泰商品计谋指数2.0体系下的四个格调指数作为钻研对象，且选择两段工夫区间停止比照钻研，别离是2013年1月-2022年2月和2017年4月-2019年12月。两段时期下，MCMC和Resample法的有效前沿界限根本趋同，且给出的权重散布平滑性、趋势性和间断性均强于全历史样本法，效果鲜亮改进。最后，我们发现差异历史时段的确都有本人共同的历史行情，若干独立的极端行情事件自身很难在将来复现，接纳蒙卡算法或反复采样算法可以尽量躲避这些“小概率”事件对投资组合研判的干扰，从而预设合理的投资目的，最终在真实市场环境中实现投资目的。

　　一、引言

　　马科维茨（Markowitz）在1952年的组合投资钻研（ Markowitz, H., (1952), “Portfolio Selection,” Journal of Finance, 7, 77–91）为现代资产配置奠定了（定量）实践根底。他将投资的过程抽象为两个程序：

　　（1）通过剖析历史数据，造成对交易工具的将来投资回报判断。“ ...starts with observation and experience and ends with beliefs about the future performances of available securities...”

　　（2）依据对将来投资收益判断，通过投资组合实现投资目的。“...starts with the relevant beliefs ... and ends with the selection of a portfolio”

　　只管最为人熟知的局部是上述投资过程中的第二步，出格是mean-variance有效组合剖析内容，而其体系中包孕大量关键细节在随后的钻研及金融理论领域才逐渐被投资人开掘，并投入了大量资源停止钻研和投资应用。

　　举个例子，对于历史数据的钻研，一般会有如下几种应用场景：

　　（1）对投资工具的历史收益率和相关性数据建模。波及到的问题包孕（不限于）：样本空间大小（投资工具可选性）；有无多因子模型（数据维度）；数据历史长度（Informative Priors可信赖度）；预期收益率估算误差（金融统计量不变性及敏感性）等。

　　（2）极端小概率事件特征发掘。波及到的问题：金融工具在极端状况下的最大跌幅；极端条件下，差异金融工具间的尾端相关性；估算极端事件呈现频次；以至还会因为历史数据太少而无奈间接构建风险模型等。

　　（3）市场格调演变。市场格调是资产配置的核心要素，通常也称为市场beta，beta因子等。在差异的经济循环周期，或金融市场成熟度阶段，差异的市场格调具有差别显著的预期投资回报率和风险水平。而历史上类似的经济及金融环境往往对应类似的市场格调表示；同理经济开展预期也成为了将来格调投资预期的重要按照。然而，如何精确形容市场格调，并实现有效投资却并非易事。

　　综上，我们看到抽象而简明的投资逻辑在进入投资理论阶段后，实际上必要科学的方法论领导和严谨客不雅观的数据测试来支撑，并充裕思考将来市场的不确定性。充裕的投资风险分散化，在必然约束条件下的组合优化模型是最可信赖的(定量)投资根底。然而，注定在投资的路线上，模型和投资人都不成制止的将一直见证各种新的历史行情事件，遇到新的问题。

　　但是，套用一句鄙谚，“法子总比问题多”。好比，估算投资组合有效前沿是资产配置模型中有较高难度的工作，只管其核心逻辑并不复杂，且有大量成熟代码，但是在实际应用过程中却可能存在各种详细问题，我们举例说明。

　　首先，如何担保建模使用数据的代表性？历史数据往往只是历史开展阶段的陈迹，自身并不会简略反复，那么选取哪一时段数据来建模，或能否必要全副数据建模都将是一个现实的问题。从我们钻研理论来看，完好历史数据的测试是必不成少的程序。同时在全历史数据根底上联结必然主不雅观判断筛选的历史数据段可以给出较优的样本外貌现。

标题

　　其次，有效前沿计算数据应来自历史数据还是蒙卡数据？答案是这两类数据都必要。历史数据的长处在于，客不雅观属性强，其包孕的外在政经影响和市场博弈等现象都真实发生过。但同时，对详细历史事件的特异性偏差（bias）却有可能在将来不再复现，所以一般而言，反复采样技术（resample）必要随同使用威力取得可实现的投资有效前沿。 蒙卡数据可以较好处置惩罚惩罚历史数据量不敷的问题，便于取得更完好更精确的预期收益散布，也划定了真实投资情境中“粗略率”可以实现的投资目的。同时，其灵敏度较高，随机数模型参数可以很洪流平上依据投资必要或投资预判来设定或调整。简言之，马科维茨提到的投资人具有的“relevant beliefs”，大局部都可以在这里通过模型选型和参数设置，转酿成定量成果。但是这两种数据方法的弊端也很鲜亮，反复采样和蒙卡技术都波及到大型数据测试，通常计算才华已经很难胜任这项工作。大型效劳器，或计算机集群技术（Computer Cluster）则是处置惩罚惩罚问题的标的目的。

　　此外，上述两种差异方法的成果，还起到了相互验证方法论正确性的关键作用。对于具有较长历史数据的投资工具，这两种方法应该给出趋同的成果（有效前沿外形、组合IR变革率、最优权重散布等）；出格地，最优组合的权重散布随颠簸率变革应该间断变革，且定性上保持一致，定量上趋同。进而，我们威力确定模型超参数的合理设置范围。而在模型超参数已处于合理区间的状况下，假如两种方法的测试成果却差别鲜亮，则意味着担保模型适用性的某些前置条件无奈满足，如数据量重大不敷，或历史数据特异性偏差干扰，或蒙卡模型不具备表征市场特征才华等。但无论如何，这些问题的处置惩罚惩罚将为实战化模型提供了优化标的目的。

　　从本文初步，我们将对资产配置模型做一直深刻的钻研，并将钻研成果应用赴任异的资产配置组合场景中，包含但不限于商品投资组合；商品计谋指数组合；CTA基金组合；商品&股指期货格调计谋组合；FOF组合等。从投资维续时长（Investment Horizon）的角度，随后的钻研将从恒久投资方法过度到中短期投资模型；从战略（静态）配置逐步深刻到战术（动态）投资，最终包含对冲组合钻研。我们将看到资产配置模型具有十分优良的通用性和灵敏性，不只适用于绝大大都资产配置场景，而且在适应投资约束条件, 交融主不雅观投资逻辑等方面都能阐扬重要作用。

　　二、方法论介绍

　　依据本文必要，我们介绍须要的组合投资概念，重点存眷投资理论的必要而非实践的完好性。对于非关键性概念，我们将在文中波及到的时候再做进一步说明。

　　2.1投资有效前沿（Efficient Frontier）

　　有效前沿是由一组优化投资组合形成，他们实如今风险目的确定条件下的最高预期收益率，或收益目的确定条件下的最小风险水平。

　　对于大大都真实投资场景来说，优化组合必要满足适当的约束条件。好比，商品投资领域必要思考活动性承载问题，股票配资，对于活动性较差的种类一般会设置权重上限，进而担保明现配置目的，同时有利于提升计谋投资容量。

　　从技术角度来说，前沿拟合差异于随机数散布拟合, 其拟合的对象是“界限”，所以一般必要依据界限的特征接纳合理的拟合计划。对于投资有限前沿来说，我们知道最关键的界限特征是来自实践和理论必要的间断性和凸性。为此我们接纳可变参数内核法（Kernel Estimation of Varying-Coefficient Model）。该方法具有较优的灵敏性，在数据驱动的优化形式下，得到较好的前沿拟合效果。更为重要的是，内核自身就可以平滑化入参数据，可以得到润滑（可导）的拟合界限。这一点对于后续投资配置极为关键，因为最优组合的投资目的是否实现就是要看组合权重能否具有不变性，而且投资效率对于市场风险变革保持较低的敏感性。而这些信息的主要发掘来源，就是剖析组合有效前沿的间断性及高阶导数特征。

　　2.2 优化组合算法

　　投资组合的身分大多具有较高的相关性。举例来说，一个投资组合的身分全副来自同一类资产，如股票多头组合；商品板块组合等，各身分之间就具有真实的相关性（经济学意义上）。而实际状况可能更为复杂。好比CTA基金组合投资中， 因为若干基金历史数据较短，可能彼此之间在存续期内表示出较高的相关性，但兴许只是其主要投资的差异市场格调在短期内表示趋于同步，而非真实的或恒久不变的相关性。（这类问题一般必要对基金做更深刻的格调归因剖析。）

标题

　　上述问题对于投资最优组合选取有鲜亮干扰。举例来说，投资工具A和B的预期收益率和颠簸率都比较濒临，那么最优组合分配权重为{1:0; 0.5:0.5; 0:1}简直都没有太大区别。换句话说，寻找全局最优组合是一个多值问题而非单一最优值问题。并且在这种状况下，投资人还会深刻比较投资工具A和B的其他区别，好比收益率高阶统计量（偏度和峰度）的优劣，尾端跌幅大小等。所以，通常的二次结构及优化算法并不能涵盖全副组合优化问题。此外，金融数据的噪音水平较高，也进一步限制了在二次结构问题中较为有效的梯度类最优算法的计算劣势。

　　我们将接纳差分进化算法（Differential Evolution）实现最优投资组合选取。该算法属于一类遗传算法，操作屡次迭代的方法，通过每轮次计算中代表成员的“表示”来确定下一轮优化选取的代表成员。只管该算法名字有必然误导性，但是其优化的过程并不必要目的函数可导以至间断，从而宽泛适用于各类全局最优解问题，出格是高噪音随机系统问题。弊端是，对数据量要求较高，同时算法收敛效率较低。所以，该算法的应用，将主要针对蒙卡数据或反复采样数据，核心优化局部代码停止并行化办理。

　　2.3 蒙卡算法（MCMC）和反复采样算法（Resample）

　　（1）蒙卡算法（MCMC）

　　MCMC算法是马尔可夫链蒙特卡罗方法的简称，它是由两个MC形成，别离指蒙特卡罗方法和马尔可夫链。根本原理为，建设一个以π为平稳散布的马尔科夫链，对这个链运行足够工夫后，可以到达平稳状态，此时马尔科夫链的值就相当于在散布π(x)中抽取样本，该算法的核心在于操作马尔科夫链停止随机模拟。

　　第一个“MC”是指蒙卡模拟法，它如果概率散布是已知的，通过采样取得概率散布的随机样本，得到合乎该概率散布的样本后，可用于预计总体散布、总体冀望、计算积分等。蒙特卡罗方法的核心是随机采样，蒙特卡罗方法一般有概率密度采样、蒙受回绝采样、重要性采样等。

　　第二个“MC”是指马尔科夫链，它的一个重要性质就是平稳散布，简而言之，主要统计性质不随工夫而变的马尔科夫链可以认为是平稳的，依据马尔科夫链收敛定理，当步长足够大时，一个非周期且任意状态联通的马尔科夫链可以收敛至一个平稳散布π(x)，这个定理是所有MCMC方法的实践根底。

　　之所以必要将蒙卡模拟法和马尔科夫链联结起来，是因为当随机变量是多元的、密度函数长短规范模式、随机变量各分量不独立等状况呈现时，一般的蒙特卡罗方法就难以处置惩罚惩罚，此时需借助于马尔科夫链的平稳散布来实现对复杂后验散布的抽样。

　　（2）反复采样算法（Resample）

　　反复采样法是当给定的训练集样本（包孕N个）数量较少，不能够很好地反馈数据的真实散布时，在原有的训练数据集中屡次随机选取n个样本数据（n

　　2.4 算法有效性判断

　　定量测算并不能脱离定性（以至知识）判断。而对于复杂问题，有时候状况可能更糟，往往由于模型过度简化，或约束条件不真实，定量成果似是而非，一时之间难以判断成果的有效性。同时，因为组合优化配置实践体系庞大，波及方法众多，非专业人员一般也很难片面掌握问题全貌。计谋研发或投顾建议极易呈现一叶障目，而回避其他关键问题。为此，我们提出若干简略实用的有效性判断规范，对模型测试效果和投研结论牢靠性做定性判断，并随后在我们定量测试中践行，这些规范也有助于一般投资人以更专业的目光来对待组合投资钻研成就：

　　A.组合配置优化收敛性判断。

　　B.最优组合身分权重变革间断性。

　　C.最优组合对风险变革的敏感性（投资目的实现难度）。

　　接下来，我们举例说明。

　　上图是我们针对有色金属板块剖析最优组合投资成果。自上而下，四种色条别离代表镍、铝、银、铜在对应风险目的（年化颠簸率；横轴）下的最优组合权重散布。

　　首先，摆布两图都是在其他测试条件完全雷同的状况下，只扭转风险水平的分辨率和每一个风险水平上蒙卡组合的数量（均为模型超参数），得到的最优配置组合成果。左图上，大抵可以看出差异种类权重随最大风险容忍度变革的趋势。但是，权重变革节拍难言间断，实际上权重散布上“毛刺”很多，即使在必然风险范围内做权重均值也可能带来较大估算误差。所以，我们判断左图配置优化过程并未最后收敛，于是进步分辨率并增多蒙卡数量，最终得到右图成果。 右图中，权重散布与左图表示出一致性，参数优化无疑指向收敛标的目的。而其权重变革趋势愈加明确且保持间断性；同时，在风险较低区间配置较多铜，而风险较高区间过渡到高配镍也合乎知识性判断。所以，我们认为右图对应的组合优化成果已经收敛，而左图成果并未收敛其计算成果不能领导投资应用。

标题

　　为了进一步说明上述定性判断的重要性，股票配资，我们仍然接纳上述案例，剖析有效前沿的梯度特征。

　　这里我们看到了鲜亮的差别，未收敛成果存在两个风险敏感度较低的区间：年化颠簸率14%-15%和大于17%的局部。收敛成果也存在两个风险敏感度较低区间：颠簸率15%-16%和大于17%的局部。假如，我们接纳了未收敛的成果，而且投资风险较低的那段区间（颠簸率14%-15%），则很有可能在真实场景下正好投资了风险敏感度较高的区间，也就是说权重的微小变革就有可能导致投资回报的较大风险差别，而依据上文对未收敛成果的剖析我们已知权重散布成果误差已比较大，那么投资目的将更难实现。可以说在组合优化计算未收敛的状况下，配置成果简直没有任何领导价值（更精确地说，是具有误导性），且预期投资的风险水平简直不成控，而这些本应都是投资决策必要处置惩罚惩罚的关键问题。

　　最后基于收敛成果，比较容易确定较优的投资风险目的应锁定在颠簸率15%-16%之间，且因为权重变革间断性较好，那么接纳濒临颠簸率15%附近的权重散布粗略率可以实现风险目的，且存在必然几率取得更优的投资回报。在组合优化模型的收敛成果支撑下，各项投资预期数据具有较高牢靠性，投资目的实现的可能性较高。

　　（此模拟数据测试使用 Intel(R) Xeon(R) CPU E5-2620 v4 @ 2.10GHz，30核，160GB RAM，耗时约20小时）

　　三、2013-2022年的数据测试成果

　　3.1有效前沿成果

　　2021年底，我们对外发布了华泰期货商品计谋指数2.0，作为晋级版的商品计谋指数，在指数1.0的根底上对格调因子和板块类型进一阵势优化和扩大，最终造成了由长周期动量、短周期动量、期限构造与偏度独特形成的商品格调系列指数体系。本文作为资产配置量化专题系列的第一篇，选择华泰商品计谋指数2.0体系下的这四个格调指数作为钻研对象，讨论其有效前沿。

　　钻研过程中，我们选择了两段工夫区间停止比照钻研，别离是2013年1月-2022年2月和2017年4月-2019年12月，按照在于后者所处的宏不雅观背景与2021年至今的类似度较高，对其深刻讨论或赐与当下投资者更多的启示。

　　（此模拟数据测试使用 Intel(R) Xeon(R) CPU E5-2620 v4 @ 2.10GHz， 30核，160GB RAM，耗时约15小时）

　　测试成果如下图所示，依据图5的有效前沿成果，MCMC和Resample根本拟合，可以运用。四个格调指数中，偏度指数临近MCMC和Resample的有效前沿，属于低风险低收益资产；长周期动量指数临近全历史样本法给出的有效前沿，属于高风险高收益资产。因而，偏度指数和长周期动量指数是期间内值得跟踪投资的计谋指数。相较而言，短周期动量指数和期限构造指数的投资效果相对较差，前者风险最高，后者收益最低，属于高风险低回报的计谋。

　　基于图6的收敛成果，对于华泰期货商品计谋指数2.0而言，大抵可以确定较优的投资风险目的应锁定在5%-6%的年化颠簸率上。由于权重变革的间断性较好，意味着这个风险区间内的权重散布粗略率可以实现风险目的，且存在必然几率取得更优的投资回报。相较而言，颠簸率在6%-8%的区间为不成投资区间，因为梯度鲜亮笔陡化，反映投资效果对风险变动的敏感度较高，预期投资目的实现的牢靠性较低。

　　依据图7的IR成果，MCMC和Resample根本拟合，给定雷同颠簸率的情形下，低于全历史样本法的值。三种方法给出的IR均与投资组合颠簸率保持反比关系，即实现越优秀的投资效果，难度越大。同时， 在排除了历史数据中异常值干扰后，有效的、粗略率可实现的投资目的区间显著缩短。

　　3.2 马科维茨最优权重

标题

　　图8-10别离展示了该阶段下，三种方法计算的权重散布成果，从上至下挨次是期限构造指数、偏度指数、短周期动量指数及长周期动量指数。相较全历史样本法的成果而言，MCMC和Resample得到的成果趋于一致，权重的散布平滑性、趋势性和间断性均更强，表白所得权重成果可以间策应用。权重散布图给出的资产配置标的目的为，在风险较低区间需适度增配偏度格调指数，高配期限构造指数，降低动量格调的露出比重；而在风险较高区间需适度增配动量格调露出，降低偏度和期限构造指数的配置比重。

　　四、2017-2019年的数据测试成果

　　4.1有效前沿成果

　　依据我们对有效前沿成果的有效性判断，MCMC和Resample算法成果均已收敛。

　　（此模拟数据测试使用 Intel(R) Xeon(R) CPU E5-2620 v4 @ 2.10GHz， 30核，160GB RAM，耗时约8小时）

　　四个指数中仅期限构造指数最临近全历史样本法给出的有效前沿，属于中风险高收益资产；在相近的收益程度上，长周期动量指数展示出较短周期动量表示更高的颠簸；在相近的风险程度上，短周期动量指数又表示出较长周期动量指数更低的收益。综合而言，

　　2017年-2019年期间，短周期动量指数成为了投资效果最差的指数计谋，期限构造则成为投资效果最优的指数计谋。

　　基于收敛成果，对于华泰期货商品计谋指数2.0而言，大抵可以确定较优的投资风险目的应锁定在5%摆布的颠簸率上。由于权重变革的间断性较好，意味着接纳颠簸率5%附近的权重散布粗略率可以实现风险目的，且存在必然几率取得更优的投资回报。相较而言，颠簸率在6%以上的区间为不不变的投资目的区间，因为梯度鲜亮笔陡化，反映投资效果对风险变动的敏感度较高，预期投资目的实现的牢靠性较低。

　　依据图13的IR成果，MCMC和Resample虽存在差别，但表示根本类似。给定雷同颠簸率的情形下，3%以下的颠簸率区间，MCMC和Resample的IR值高于全历史样本法；3%以上的颠簸率区间，MCMC和Resample的IR值低于全历史样本法。MCMC和Resample给出的IR均与投资组合颠簸率保持反比关系，即实现越优秀的投资效果，难度越大，同时，在排除了历史数据中异常值干扰后，有效的、粗略率可实现的投资目的区间显著缩短。全历史样本法给出的IR与更合理算法的差别较大，并不成信。所以，我们认为在真实投资条件下，想要到达全历史样本展示的最优IR简直不成能。MCMC和Resample给出的成果较为可信，它们说明，随着颠簸率的升高，投资回报IR将会迅速降低。

　　4.2 马科维茨最优权重

　　图14-16别离展示了该阶段下，三种方法计算的权重散布成果，从上至下挨次是期限构造指数、偏度指数、短周期动量指数及长周期动量指数。相较全历史样本法的成果而言，MCMC和Resample得到的成果趋于一致，权重的散布平滑性、趋势性和间断性均更强，表白所得权重成果可以领导投资应用。权重散布图给出的资产配置标的目的为，在风险较低区间需适度增配偏度格调指数，高配期限构造指数，降低动量格调的露出比重；而在风险较高区间需适度增配动量格调露出，降低偏度和期限构造指数的配置比重。

　　五、结论

标题

　　本篇呈文中，我们选择了华泰商品计谋指数2.0体系下的四个格调指数作为钻研对象，讨论其组合投资有效前沿。同时，我们选择两段工夫区间停止比照钻研，别离是2013年1月-2022年2月和2017年4月-2019年12月，以期赐与当下投资者更多的启示。

　　首先，我们留心到，假如只是用全副历史数据（Full）停止测试，这无异于简略的历史行情“复盘”。实际上，配置模型也并不能带来比人工复盘更具启发性的成果，反而有可能得到十分令人猜疑的结论。好比比照2013-2022年和2017-2019年的成果，我们看到，为了到达高风险目的区间（对应较高收益率）， “似乎”最优组合权重将集中于完全差异的格调。在2013-2022年，最优组合权重集中于长周期指数；而2017-2019年则又简直全副集中于期限构造指数。于是，投资人得到一个似是而非的结论，金融市场永远都在变革过程中且难以意料，所以没有永远有效的投资逻辑，投资获得正向回报完全靠猜度下一个风口能否能赌对。

　　事实固然并非如此。只管市场格调变革或者极端行情是大大都投资人都无奈逃避的经验，但是，正确的投资逻辑可以带来连续正向的投资回报，关键是要使用正确的方法，股票配资网，躲避已知的且明确的风险来源。专业的解释仍然必要较强的背景常识和更充裕的测试成果支撑，我们将留待后续钻研呈文探讨。但在这里我们不妨事联结现有的测试成果，比照上述两个工夫段，考查最优组合配置成果带给我们的最直不雅观启示（MCMC和Resample成果趋同，如无出格说明下文不做区分）。

　　不难发现，配置的核心逻辑是如何正确办理组合投资风险。首要程序就是要设置合理的风险目的。对于上述案例，投资的风险目的合适锁定在年化颠簸率5%摆布，这样操作格调指数停止配置的难度并不大。因为这一段风险区间在差异工夫段，都处于整个投资有效前沿的中前段，风险水平相对较低（降低投资组合整体风险）；且最优权重变革带来的风险差别不大，也都属于风险差别低敏感区域（躲避风险变革不成控）。同时，这一风险区间也对应着组合中各指数权重较为分散化的阶段，即使在差异年份，差异指数有鲜亮的最优权重差别，但是都不存在权重过度集中的情况（躲避格调赛道拥挤风险）。相反，在有效前沿两端，在差异时段必要对特定格调指数集中权重威力到达相应的投资宗旨，对投资人的行情预判才华和投资收支场工夫点选择都有较高专业门槛，投资目的实现难度鲜亮更大（躲避投资实现风险）。

　　差异历史时段的确都有本人共同的历史行情，若干独立的极端行情事件自身很难在将来复现，而尽量躲避这些“小概率”事件对投资组合研判的干扰，正是我们接纳蒙卡算法，或大量反复采样算法的初衷。通过海量模拟可能呈现的市场场景，给出最高概率重复呈现的历史（模拟）行情，进而构建最优投资组合。这就大大降低了我们仅仅依据近期行情，或极端行情而做出非理性投资的谬误决策（躲避情绪化交易风险）。同时，因为这一类算法是依据“粗略率”会呈现的市场行情停止投资组合优化，大大缩短了真实投资可实现的有效前沿范围。所以，即使在投资有效前沿两端，投资权重散布仍然有相对较好的均衡性，极大制止了因一段工夫内资金集中在若干短期热门种类，而有可能导致的极端风险事件（躲避单一种类的黑天鹅事件）。

　　而在真实投资过程中，假如叠加必然的专业投资判断，增多表示较优指数的投资权重，也可以通过较低换手率的市场交易来平稳过渡到最优配置持仓（躲避过度交易风险）。最后还必要指出，商品格调指数是通过捕捉商品市场的系统性风险敞口，操作投资恒久有效的beta类型因子，来获取风险溢价收益，其有效性并不会像alpha因子那样容易在短期内失效，自身就是值得恒久配置使用的投资产品（躲避计谋失效风险）。同时，格调指数自身笼罩全市场，仅依据商品种类合约的活动性做必然限制，组合配置的资金容量宏大，投资属性濒临权益类的指增计谋（躲避投资标的稀缺风险）。进一步，商品格调指数体例标准通明，建仓调仓过程均有明确交易领导，合适跟踪复制（躲避投资过程的黑盒子风险）；而且还可以在此商品指数的根底仓位上叠加多样化的投资计谋，在风险可控范围内，进一步提升投资收益回报。

（责任编纂：陈状 ）