CPPIB采用“Base + Additional”双账户架构，Base CPP市场风险目标为85%股票/15%债券、限额区间80%-90%，Additional CPP因采用完全积累制对不确定性更为敏感，风险目标仅为55%、限额区间50%-60%。

在投资端，CPPIB于2006年实施TPA，2016年通过TPIF框架将其制度化，核心逻辑是穿透资产标签直击底层风险因子驱动力，允许团队跨周期进行结构性调整。

在2025财年，CPPIB再次强调了参考组合的风险基准意义，而对业绩基准进行了细化，推出了基准投资组合(Benchmark Portfolios)。参考组合的主要作用更多为体现基金目标层面的市场风险水平，2016年以后与投资组合的目标敞口之间的关联性逐渐减弱，已无法准确反映大量非公开资产的收益特征，新的基准投资组合则更加反映多元化投资带来的收益，更加适合作为主要业绩基准对业绩进行评估。

3.1.2.新西兰NZ Super Fund

NZ Super Fund的风险预算体系以两大支柱为核心：参考组合为一个80%股票/20%债券的低成本被动上市基准，其中权益进一步为75%全球股票+5%新西兰股票，代表了不进行主动管理时的风险水平，外币敞口100%对冲至新西兰元。

在参考组合之上，董事会设定4%的主动风险预算（跟踪误差），由投资经理分配到各投资机会，分配原则包括风险调整后预期收益、流动性约束和集中度限制。其独特的战略倾斜策略是一种无资金策略，通过衍生品建立头寸，利用均值回归逻辑在资产低估或高估时调整敞口。基金约半数资金被动投资，只有在高度确信主动投资能长期优于被动时才进行主动操作，实际组合与参考组合的总风险相近。

3.1.3.澳大利亚Future Fund

Future Fund采用特殊的TPA形式——不使用参考组合，而是开发了“等效股票敞口（EEE）”作为通用风险预算单位。EEE模型通过计算各类资产对公开市场股票波动的敏感性，将其转化为“股票等价百分比”，从而揭示另类投资组合的真实风险底色。基于对宏观环境的判断，董事会定期调整EEE的正常运行范围，以该单一数值指导流动性资产与非流动性资产之间的风险交换。该基金强调从整体角度管理组合，风险承担水平应根据情况动态管理，同时强调“不灵活性风险”，通过维持充足现金池确保在市场失灵时作为流动性提供者获取溢价。

3.1.4.丹麦ATP

ATP面临显性负债约束，实施负债驱动型投资。其“防火墙式”双层架构包括：对冲组合投资于欧洲主权债券及利率互换，实现对利率风险的100%对冲；投资组合运用剩余风险预算博取增值，以应对通胀和预期寿命延长带来的资金缺口。在投资组合内部，ATP实施基于底层风险因子的组合管理方法，2025年风险分配比例为：股票因子48%、利率因子31%、通胀因子14%、其他因子7%。与固定比例投资组合保险（Constant Proportion Portfolio Insurance）方法机制相似，ATP采用红利潜力（bonus potential，指 ATP 资产总额与担保养老金之间的差额）作为动态调整机制的安全垫，红利潜力增长时提升风险敞口上限，降低时强制降低暴露。ATP监事会规定：风险消耗在任何时点都必须低于风险预算，该风险预算设定为红利潜力的一半。风险度量使用99%置信度下3个月预期尾部损失。

3.1.5.美国CalPERS

CalPERS于2025年11月投票决定从SAA转向TPA，2026年7月1日起正式生效，成为美国首家采用TPA的公共养老基金。其核心转型在于废除11个子资产类别的独立基准，以单一的75%全球股票/25%债券参考组合作为决策锚点，将董事会角色从“设定各类别目标”转变为“决定承担多少市场风险”，投资团队在总风险限额内决定如何实现目标。董事会将总基金主动风险限额设定为400个基点（日常运行范围预计250-350基点）。此外，CalPERS保留其独特的融资风险缓解政策——当年度回报超过精算贴现率一定幅度时触发讨论是否下调贴现率目标，在牛市中锁定收益以增强熊市防御力。

3.2.长期配置绩效复盘

采用TPA方法进行配置的养老金机构的长期绩效表现具有说服力。NZ Super Fund自2003年成立以来年化回报10.09%；过去20年年化9.92%。过去20年绩效超出参考组合1.6%，创造了近200亿新西兰元的增值。2025财年税前回报11.84%，增值0.98%（7.45亿新西兰元）。GlobalSWF将其评为过去10年和20年全球表现最佳的主权财富基金。

与之类似，Future Fund 2025日历年回报12.4%，过去十年年均回报8.5%。Future Fund围绕AI、持续通胀及地缘政治波动等结构性主题进行配置，在管理风险的同时实现了强劲回报。ATP2025年投资组合回报19.5%，自2008年以来年均回报10.4%，过去十年总回报1240亿丹麦克朗。

CalPERS引用数据表明，26家采用TPA的大型基金在10年期内相对SAA模型基金年均超额收益为1.3%。由全球咨询机构WTW创立的Thinking Ahead Institute与Future Fund联合报告显示，TPA基金十年年化表现比SAA基金高出1.8个百分点。CFA协会的报告则显示，TPA相对于SAA带来的风险调整后收益改善超过50个基点。

不过，上述结果不能简单解释为TPA具有更强的收益特征。因为TPA采用者通常规模更大，并在治理能力、投资范围、另类资产配置、流动性条件和基准设定等方面与SAA机构存在系统性差异。

4、基于TPA原则的固收+方案模拟

4.1.将TPA原则转化为可执行的策略流程

根据2.1节的分析，TPA的核心原则包括目标导向、因子视角与动态配置。在本章，我们提出一种动态组合配置策略，该策略不直接为不同类别的底层资产预设固定权重，而是在风险因子视角下，以风险预算为约束目标，让各类资产在全组合层面进行竞争，动态调整月度资产配置偏好。

在目标导向方面，我们以15%股票和85%债券作为战略参考组合。根据2026年中报，二级债基股票市值占基金净值比中位数为15.04%，我们参考该市场情况，以15%股票和85%债券作为战略参考组合，将配置目标设定为：在不显著偏离参考组合底层宏观风险结构的前提下，通过引入具有边际配置价值的风格资产，改善全组合的风险收益表现。从应用形态看，该方案整体以固收资产打底、其他资产提供收益增强的结构，因此可以视为一种模拟TPA原则的固收+方案模拟。

在因子视角方面，我们不再按照股票、债券等资产标签分别设置权重限制，而是将全部资产统一映射到增长、通胀、利率和信用四个宏观风险维度，并以参考组合的因子风险作为全组合风险预算基准。

在动态配置方面，我们进行月度调仓，每月使用最新滚动窗口重新估计资产收益分布和因子暴露，逐一评估候选风格资产对现有组合的边际贡献，再对所有通过筛选的资产进行联合优化。最终形成“目标决定风险锚点、因子刻画底层风险、动态竞争决定配置去向”的完整链条。

4.2.策略实现步骤

4.2.1.【第一步】标的资产选取

4.2.1.1.基准资产

固定15/85基准在模型中发挥两大作用。第一，该策略无需主动判断即可低成本实施，能够作为评估后续组合配置效果的参考基准。第二。该策略提供增长、通胀、利率和信用四个维度的风险锚点。动态组合无须把名义股债权重维持在15/85附近，但其底层因子风险必须保持在参考组合风险预算允许的范围内。这一设计体现了TPA的目标导向原则。固定15/85组合代表对长期风险承担能力的一种简化表达，后续优化可以调整实现该风险目标的资产工具，但不能脱离参考组合所代表的总体风险定位。

4.2.1.2.风格资产

在基准资产基础上，我们进一步选取了融资成长、红利低波、小微盘、盈利质量、成长、价值、30年国债、8—10年国债与政金债、可转债双低九种风格资产。基准资产提供了稳健的配置回报，适合作为长期战略的配置工具，而相比之下，风格资产对于某些特定的收益和风险来源有更集中的暴露，它们可以有效补充宽基资产难以捕捉的投资机会，并在特定市场环境下改善组合收益、分散既有风险。

然而，风格资产的优势通常具有条件性，受特定宏观状态和市场结构的影响更大。例如，成长风格对盈利预期较为敏感，红利低波可能带有显著的防御属性，长久期债券对利率变化高度敏感，可转债则同时包含权益和信用风险。不同风格之间还可能具有重叠的底层因子暴露。若不加筛选地将所有风格同时纳入组合，看似扩大了资产数量，实际上可能重复承担同一种风险，未必能够形成真正的分散化。

因此，我们并不将风格资产视为长期持有的标的，而是将其以月频为基础，动态纳入组合配置。这种“基准资产长期锚定、风格资产选择性配置”的结构，与TPA的资本配置逻辑一致。TPA策略不会因资产被归入某个类别而自动为其分配权重，而是评估该资产是否能够在风险预算内，为全组合带来更高边际价值的机会。换言之，风格筛选不是简单预测哪种风格未来表现最好，而是在控制参考组合底层风险结构的前提下，判断某项风格是否值得占用有限的全组合风险预算。

4.2.2.【第二步】滚动窗口Bootstrap-MVO估计

4.2.2.1.月度滚动信息集

我们以均值—方差优化（Mean-Variance Optimization，MVO）作为流程中的权重求解工具，并辅以36个月的滚动窗口实现动态组合配置。模型在t月底根据现有信息，决策第t+1月各资产的权重，并截取最近T=36个月构成滚动窗口：

对于当月包含N项资产的集合，记窗口内月度收益矩阵为Rt∈ℝT×N。MVO需要输入资产的预期收益向量和协方差矩阵。若直接使用36个月的单一样本均值和样本协方差，少数极端市场路径可能对最优权重产生较大影响。为降低这种参数估计误差，我们采用Bootstrap抽样估计收益分布的一阶矩和二阶矩。

4.2.2.2.分块Bootstrap

普通Bootstrap逐月独立抽样，可能破坏收益序列中的短期连续性。考虑到宏观状态和资产收益可能具有一定持续性，本模型使用长度L=6个月的移动区块进行抽样。第b次抽样的过程为：在36个月窗口中随机选择一个区块起点，连续抽取6个月；重复抽取并依次拼接，直至形成至少36个月的序列，再截取前36个月作为第b个Bootstrap样本。上述过程重复B=100次。

在同一决策月内，后续进行的滚动股债MVO、风格筛选和最终联合优化使用同一套Bootstrap抽样，从而避免候选资产之间的比较受到不同随机路径干扰。

4.2.2.3.基础MVO优化目标

4.2.3.【第三步】计算因子风险预算约束

4.2.3.1.宏观指标风险因子构建

MVO回答在给定收益和协方差估计下如何分配权重，是资产配置研究中最常见的模型的求解工具。然而，MVO并未涵盖TPA策略核心的因子视角，为此，我们在模型中纳入增长、通胀、利率和信用四个维度的宏观风险。基准情形下，我们使用宏观指标构造上述风险因子，如表3所示：

4.2.3.2.估计资产因子Beta

对于标的集合中每项资产i，模型在同一36个月窗口内估计以下时间序列回归：

公式（9）把权益、债券等不同种类的资产转换到同一个风险坐标系中。此后，组合是否偏离战略定位，不再通过名义资产权重判断，而是通过四项组合Beta判断。

4.2.3.3.由基准参考策略Beta推导风险预算约束

对于15-85基准参考策略，其因子k的Beta为：

我们采用标准化因子Beta的平方作为该因子的风险强度代理。Beta平方消除了暴露方向的正负号，使风险预算关注组合对因子冲击的敏感度大小。在基准情形下，我们设定不同策略的每项风险预算（Beta²）为基准策略的80%至120%之间（相对基准策略±20%）。因此，对k=1,…,4，可以得到直接施加在资产权重上的约束为：

需要说明的是，±20%的预算约束施加在Beta²而非Beta上。在不考虑qlim的情形下，当基准策略Beta不为0时，公式（11）等价于：

因此，Beta绝对值的实际允许区间约为参考值的89.44%至109.54%。另外，由于Beta²并未考虑因子之间的协方差，因此并非严格意义上的组合方差边际贡献，而是用于统一约束四类宏观风险的预算代理指标。

4.2.4.【第四步】构建股债滚动MVO策略

完成风险预算估计后，我们首先在中证800和中债新综合财富指数两项基准资产上求解MVO估计式（6）。此时资产集合为：

股债滚动MVO有两项作用。第一，它给出仅依靠股债比例动态调整能够达到的组合表现。第二，它是下一步风格筛选的直接比较对象。如果动态TPA策略只与固定15/85组合比较，就无法判断绩效变化来自滚动参数估计和MVO本身，还是来自扩展资产的表现。股债滚动MVO策略与后续的动态TPA策略使用完全相同的36个月窗口、Bootstrap抽样、最大Sharpe目标和四因子预算。两者的区别只在于可投资产集合，从而使比较具有清晰的经济含义。

4.2.5.【第五步】筛选候选增强资产

在TPA原则下筛选风格资产，并不是简单判断该资产自身的收益或Sharpe是否足够高，而是考察它加入现有股债组合以后，能否提高整个组合的质量。对每个候选j，将其单独加入基准股债组合，形成三资产标的集合：

我们将每一风格分别加入基准股债组合，而不是将所有资产一起筛选，主要有两方面的原因：一方面，不同风格的数据起止日期不同，且风格加入的先后顺序会对决策结果产生影响；另一方面，不同风格对于相同宏观风险的暴露存在重叠，一起加入资产组合会导致无法完全分散风险。

候选风格j只有同时满足以下五项条件，才能入选下一月的标的集合：

上述条件中，Sharpe条件要求候选提高单位风险收益，最大回撤条件避免仅靠增加尾部损失换取均值改善，1%门槛则剔除虽然数学上非零、但经济意义有限的配置。这里的1%只用于判断候选是否值得进入下一月配置集，但在后续TPA联合优化截断，该风格仍需与其他资产重新竞争，最终权重可以低于1%甚至降为0。

4.2.6.【第六步】TPA联合优化获得次月权重

逐项筛选后，模型得到当月入选集合St，这一集合决定了下一月的风格资产配置。最终标的集合可表示为：

因此，第五步的通过筛选与第六步最终获得正权重属于两个不同决策层次。通过plus-one筛选只表明候选风格具有独立的边际配置价值；联合优化则进一步考察它相对于其他已入选资产是否仍有配置价值。某项风格可以通过筛选，但在最终组合中因风险暴露重叠而获得零权重。

在决策月t得到最终权重后，模型将其应用于下一个持有月t+1。动态组合的实现收益为：

公式（20）明确区分了信息形成时点和收益实现时点：t月权重只由截至t月的数据决定，t+1月收益只用于计算持有期回报，不参与t月的参数估计和资产筛选。由于当月权重只由历史信息决定，因此策略不存在回测过拟合问题。进入下一个月后，模型向前滚动一个月，重新估计Bootstrap收益矩、因子Beta、参考组合风险锚点和候选资产集合。由此得到2016年1月至2026年6月共126个持有月的连续路径。

需要说明的是，为了简化分析，我们的模型中设定无风险利率为0，且未扣除交易费用，也没有设置换手率上限。在真实市场配置时，还需进一步纳入交易成本、市场冲击、容量与换手约束。

最后，再简单总结一下动态TPA策略。其首先保留股票和债券两项基准资产作为组合核心，再将每项风格资产逐一加入股债组合，检验其能否在相同风险预算下提高全组合Sharpe、避免最大回撤恶化，并获得不低于1%的有效权重。只有证明自身具有边际配置价值的风格，才进入当月最终机会集；随后，全部入选风格还需接受一次全组合联合优化，以消除不同风格之间的风险重叠。

综合来看，我们的动态策略展示了如何把TPA框架中的参考组合、统一因子风险预算、跨资产竞争和全组合优化等相关原则，落实到现有的资产配置回测模型中。但其作为一个简单的实践展示，没有覆盖机构TPA的全部治理内容，例如负债目标、非流动性资产估值、现金与抵押品统筹、衍生品覆盖和经理选择。

5、策略结果展示与解读

本章从策略总体绩效、资产配置结构、风格资产入选情况、风险预算使用情况和分年度表现等角度，对动态TPA策略的实际效果进行分析。为区分不同环节所产生的作用，本文同时设置固定15/85组合和滚动MVO组合进行比较。其中，固定15/85组合代表不进行动态优化的传统股债配置；滚动MVO组合仅对股票和债券基准资产进行动态权重优化；动态TPA策略则进一步引入风格资产筛选和因子风险预算约束。因此，三类策略的比较可以依次识别动态权重优化以及风格资产配置对组合表现的增量贡献。

从产品应用角度看，本文以债券占比较高的15-85参考组合作为风险锚点，并将其他候选资产作为动态增强层，构成一套TPA驱动的固收+方案模拟。并且，本章将分别考察境内风格增强和跨市场、跨资产增强两类标的集下的组合表现，强化对TPA资产配置效果的理解。

5.1.基准情形策略结果

5.1.1.回测区间策略总体表现

根据表5，滚动MVO策略的年化收益率为4.243%，与15-85基准策略基本相同，但年化波动率下降至2.805%，最大回撤由3.392%下降至3.083%，夏普比率提高至1.513。这表明，仅在基准股票和债券之间进行滚动MVO优化，主要改善的是组合风险控制能力，而未带来明显的收益增量。换言之，滚动MVO的作用更多体现为提高既有股债资产的配置效率。

而相应的，动态TPA策略的年化收益率进一步提高至4.542%，年化波动率下降至2.746%，最大回撤下降至2.841%，夏普比率提高至1.654。相对于固定15/85组合，动态TPA策略的年化收益率提高0.292个百分点，夏普比率提高0.222，且波动率和最大回撤均有所下降。这表明，动态TPA策略TPA框架通过在既定风险目标下选择更具配置价值的风格资产，其策略效果的提高并不只是来自股债权重的动态调整。

5.1.2.风格资产入选情况

动态TPA策略具有显著的提升优势，我们进一步研究风格资产在其中发挥的作用。根据表6，滚动MVO组合的平均债券权重为86.070%，平均股票权重为13.930%，说明在样本期内，MVO模型整体上略微提高了债券配置比例，其风险改善主要来自对股票基准仓位的适度压缩。而动态TPA策略中，债券基准、股票基准和风格资产的平均权重分别为83.321%、8.978%和7.701%。相对于固定组合，风格资产的配置资金主要来自股票基准仓位的减少，同时也小幅替代了债券基准。这表明动态TPA并不是在原有组合之外简单叠加风格暴露，而是将部分宽基资产替换为经过筛选的风格资产，在保持组合整体风险结构可控的前提下提高资产表达的精细程度。

需要注意的是，风格资产池既包括股票风格指数，也包括长期利率债和可转债等固定收益类风格资产。因此，7.701%的风格资产权重并不等同于增加7.701%的股票风险，而是代表组合将部分宽基资产配置转化为更加细分、更具目标性的风险暴露。

不同风格资产在每月的具体入选情况，如图11所示。可以看到，没有任何一种风格资产在整个回测期内持续入选，不同资产的入选区间呈现出较为明显的阶段性和轮换特征。例如，红利低波和国证价值在部分防御性市场阶段入选较为集中，融资成长和小微盘则更多出现在成长风格占优的阶段；8—10年国债与政策性金融债则主要在部分债券配置价值较高的时期入选。这种结果说明，风格资产的加入具有明显的条件性：只有当其相对于同类基准表现出较稳定的改善，并且能够在风险预算约束下提升组合效率时，才会进入当期优化范围。

每一类风格资产入选月的具体权重信息，如表7所示。不同风格资产在入选频率和入选后的配置强度上存在明显差异。股票风格中，红利低波、国证价值虽然入选率都较高，但红利低波的入选月平均权重为6.441%，最高权重达到15.487%，而国证价值的入选月平均权重仅为1.722%。这表明红利低波承担了相对重要的组合配置作用，而国证价值多数情况下属于补充性配置。融资成长创业板、国证成长和小微盘的入选率整体低于红利低波和国证价值，说明成长与小盘风格的配置价值更依赖特定市场环境。

固定收益风格资产中，8—10年国债与政策性金融债的入选率为21.429%，但入选月平均权重达到10.319%，最高权重达到29.297%。这意味着该资产虽然并非频繁入选，但一旦被选中，往往能够对组合产生较为显著的配置影响。相比之下，30年国债的入选月平均权重仅为1.088%，更多承担边际调整作用。

盈利质量和可转债双低的可用月份较少，但从各自可用区间看，两者的入选率分别为22.034%和19.697%，说明即使在较短样本内，模型仍能够识别其阶段性配置价值。

总体来看，风格资产之间既不存在全部同时进入组合的情况，也不存在某一风格长期占据高权重的现象。Bootstrap筛选负责判断风格资产是否具有较为稳健的相对优势，MVO进一步决定其在组合中的最终权重。这种“先筛选、再配置”的机制控制了候选资产范围，也避免了将所有风格暴露无差别地加入组合。

5.1.3.风险预算使用情况

表8反映了不同策略对各项因子风险上限的平均使用程度。该指标越高，表示组合越接近相应因子风险预算的上限。但由于因子风险上限会随参考组合动态变化，因此该指标主要用于比较不同策略对风险空间的利用方式，不能直接理解为组合风险水平。

固定15/85组合、滚动MVO组合和动态TPA策略的平均使用率分别为55.179%、54.128%和59.948%。动态TPA策略的总体使用率相对较高，说明风格资产加入后，组合能够更加充分地利用风险预算所允许的配置空间。但这一变化不是各因子风险暴露的同步增加，而是风险来源的重新分配。

具体来看，动态TPA策略的增长因子使用率为59.114%，低于固定组合的68.869%；与此同时，通胀、利率和信用因子的使用率分别提高至38.798%、79.542%和62.337%。这说明TPA策略通过减少对增长风险的集中依赖，将部分风险预算重新分配至利率、信用和通胀等维度，从而形成更加多元的因子风险结构。

从各因子的平均水平看，利率因子的风险上限使用率最高，通胀因子最低。这反映了样本期内股债组合对利率变化较为敏感。综合来看，表8说明动态TPA能够在不突破既定风险边界的前提下，对有限风险预算进行重新组织和更有效的使用。

5.1.4.分年度策略表现

进一步，我们拆分了基准情形下，不同策略在每一年的具体表现，如表9所示。分年度结果表明，动态TPA策略的优势并非由个别年份的极端收益集中贡献，而是在多数年份表现为收益与风险调整后绩效的渐进改善。

在11个年度区间中，动态TPA策略有7个年度的收益率最高，由9个年度取得了更低的最大回撤。在2022年的负收益环境中，动态TPA的收益率为−0.027%，好于固定组合的−0.191%，但弱于滚动MVO的0.280%。这进一步表明，风格资产配置能够缓解部分市场冲击。

需要说明的是，2026年的数据仅覆盖年初至6月，表中收益率和波动率为年化口径，不能与完整自然年度完全等同。其结果可以作为样本末端表现的补充，但并不能直接代表完整年度表现。

5.2.稳健性检验

为了评估基准情形的结论是否受特定模型参数设定的影响，在本节，我们进行多种稳健性分析，确保TPA策略的有效性和准确性。

5.2.1.风险预算约束对策略结果的影响

首先，我们分别考察了±10%、±20%和±30%的因子风险预算区间，结果如表10所示。随着约束区间逐步放宽，动态TPA策略的年化收益率、年化波动、最大回撤和夏普比率都有稳定改善。这一结果说明，在本样本内，较宽的风险预算区间给予了模型更大的资产替换和风险再分配空间，使风格资产的配置优势得到更充分的发挥。在三种约束设定下，动态TPA相对于固定组合均保持了更高的收益率和夏普比率，同时波动率和最大回撤也低于固定组合，说明策略效果并不依赖特定风险预算参数。

5.2.2.风险因子选取对策略结果的影响

之后，我们考察不同的风险因子体系对于结果的影响。我们使用建信高金宏观模拟组合全收益指数代替原有的宏观指标因子体系，如表11所示。两种因子设定下的结果非常接近。宏观指标因子下的动态TPA具有略高的收益率和夏普比率，而全收益指数因子下的波动率略低，但差异均较小。且无论采用哪一种因子构建方式，动态TPA相对于固定15/85组合都保持了正的超额收益和超额夏普。这一结果说明，策略改善并非完全依赖某一种特定的宏观风险因子代理变量。只要风险因子能够从增长、通胀、利率和信用等维度刻画资产收益的共同风险来源，TPA框架均能够借助因子风险预算约束完成组合风险的识别和控制。

我们也进一步比较了不同设定下各策略的净值变化，如图12所示。可以看出，不同TPA设定的净值走势总体一致，均未出现由参数或因子口径导致的异常偏离。动态TPA策略与固定组合、滚动MVO之间的净值差距逐步积累，表明策略优势主要来自长期、连续的配置改善，而非少数月份的偶然跳升。不同设定之间存在一定收益差异，但共同保持了相似的走势和相对优势。这一净值比较不仅体现了动态TPA策略的增量优势，也很好补充了结果的稳健性。

5.2.3.回测区间对策略结果的影响

最后，我们考察回测区间选取是否会对结论产生影响。基准情形的回测期为2016-2026年，我们额外以2019年为起点进行一轮回测，结果如表12所示。可以看出，在2019年起的回测区间内，动态TPA策略依旧具有十分显著的优势。与2016年相比，动态TPA策略在收益方面的增量优势有所降低，但在波动方面的优势提高。这表明，新区间中TPA的优势集中在波动率下降上，但最终依然能够获得更好的策略效果。

5.3.从风格增强到跨市场、跨资产增强

5.3.1.扩展资产池

对于固收+组合而言，“+”的收益增厚来源并不局限于境内资产。海外权益能够提供不同地区和产业结构下的增长风险暴露，黄金则可能在通胀上行、实际利率变化和避险需求上升等环境中发挥差异化作用。将这些资产纳入候选范围，有助于拓展组合的收益来源，并降低增强收益对单一市场和单一风格周期的依赖。因此，本节在原有风格资产池基础上，进一步加入标普500指数、恒生指数、恒生科技指数和上海金（表13），构建包含境内风格、海外权益与另类资产的扩展资产池。

具体而言，我们保持15/85参考组合、36个月滚动窗口、分块Bootstrap估计、因子风险预算及调仓规则不变，仅对候选增强资产池进行扩展。标普500、恒生指数、恒生科技和上海金与原有风格资产一样，首先逐项加入股债组合接受边际贡献检验；通过筛选后，再与其他入选资产共同进入最终联合优化，在统一的因子风险预算下竞争次月配置权重。

由此，本节考察的并不是某项海外资产或黄金本身是否具有较高历史收益，而是扩展可选机会集以后，TPA能否从更广泛的投资工具中识别对固收+组合真正具有增量价值的资产。这一扩展体现了TPA“打破资产标签、统一风险语言、按边际贡献配置资本”的核心原则。基准组合继续承担固收+方案的战略风险锚点，而境内风格、海外权益和黄金共同构成动态增强层，从而将前文的境内风格增强进一步拓展为跨市场、跨资产增强。

5.3.2.扩展资产池的策略表现

基于扩展资产池的回测结果如表14所示。扩大候选增强资产池后，动态TPA策略的年化收益率由4.542%提高至5.118%，夏普比率由1.654提高至1.791；年化波动率由2.746%小幅上升至2.857%，最大回撤则保持在2.841%。这一结果说明，海外权益和黄金的加入主要拓展了组合的收益来源，而没有明显放大组合的整体风险。相对于仅包含境内风格资产的策略，扩展资产池策略以0.111%的波动率上升换取了0.576%的年化收益增量，最终使夏普比率进一步提高0.137。其效果并非来自长期静态持有全部新增资产，而是来自模型在不同月份对境内风格、海外权益和黄金进行动态筛选与替换。

从平均权重看，扩展资产池策略的债券基准、股票基准、原有风格资产以及海外和另类资产权重分别为77.660%、7.491%、11.076%和3.773%。海外和另类资产的平均配置比例并不高，却对组合收益和夏普比率产生了较明显的改善，说明其主要作用是提供与境内股债及风格资产不同的阶段性收益来源。TPA框架下，新增资产的价值不取决于其是否属于某一预设资产类别，而取决于其能否以有限的风险预算为全组合带来更高的边际配置效率。由于标普500和黄金在特定历史阶段本身的表现较为强劲，扩展结果可能部分受到特定历史区间影响，但这一结果依然显示扩展机会集具有潜在增量价值。

平均权重反映了各类资产在完整回测期内的总体配置规模。为进一步观察扩展资产的实际利用情况，我们统计了各项候选增强资产的月度入选状态，如图13所示。从月度入选情况看，候选资产依然呈现出明显的阶段性轮换特征。恒生指数、恒生科技指数和标普500指数的入选主要集中在回测前半段，上海金的入选则更多出现在回测中后段，尤其在2024年至2025年较为集中。这表明，海外权益和另类资产在特定时期具有显著的优势，能够为境内股债组合提供不同的增长风险暴露和收益来源。

与图11的基准入选情形相比，本节的筛选结果表明扩大资产池并不意味着模型会机械增加海外权益或黄金仓位。新增资产仍需满足提高组合夏普比率、不恶化最大回撤等条件，只有在其对现有组合确实具有边际改善作用时才会进入最终集合。新增资产的配置具有较强的条件性，从而避免将较高的历史收益简单转化为长期静态持仓。从TPA角度看，境内风格、海外权益和黄金虽然属于不同的资产类别，它们都需要在统一的因子风险预算下竞争有限资本。模型关注的不是资产所属标签，而是其在特定市场环境中能否改善全组合的风险收益结构。这种选择机制正是从传统资产类别配置向全组合边际资本竞争的转变。

5.3.3.扩展资产池的净值路径

为观察扩展资产池对组合长期表现的影响，我们进一步比较15-85基准策略、滚动MVO策略、风格资产池动态TPA策略和扩展资产池动态TPA策略的累计净值路径，如图14所示。

从净值路径看，扩展资产池策略在回测前半段与原风格资产池策略的走势较为接近，部分阶段甚至略低于原策略。2024年以后，扩展资产池策略的净值增长速度明显加快，并逐步拉开与风格资产池策略之间的差距。该阶段与上海金入选相对集中的时期大体重合，表明黄金的加入有效的分散了特定时期的宏观风险，创造了超额收益。这表明，海外与另类资产的加入为组合保留更多可选择的收益来源，而不是保证新增资产在每一个时期都优于原有资产。当境内股债和风格资产已经能够较好地满足组合目标时，新增资产未必获得配置；当部分海外市场或黄金表现出与原组合不同的收益驱动因素时，模型才会在风险预算允许的范围内将资本转移至这些资产。因此，TPA策略获得的是一种有纪律的配置选择权，而不是对海外资产或黄金的长期方向性押注。

综合来看，由境内风格资产池扩展至跨市场、跨资产机会集后，动态TPA策略的年化收益率和夏普比率进一步提高，波动率仅小幅上升，最大回撤保持不变。这表明，在参考组合和因子风险预算不变的情况下，扩大候选增强资产范围能够提高模型识别有效收益来源的能力。其核心机制并不是资产数量增加本身，而是更多资产能够在统一标准下参与边际资本竞争，使组合在不同市场环境中拥有更丰富的实现工具。

本节的方案模拟也揭示了TPA在固收+配置中的潜在应用方式：以债券占比较高的参考组合作为风险锚点，将境内股票风格、固定收益风格、可转债、海外权益和黄金作为动态增强工具，在全组合层面选择能够改善风险收益表现的资产。与预先固定各类增强资产比例的传统方法相比，这种方式允许“+”的来源随市场环境变化，同时通过因子风险预算限制组合偏离长期风险定位的幅度。需要注意，本文展示的是TPA框架下的固收+方案模拟，而非可以直接应用的投资方案。模型没有设置最低债券仓位、组合波动率目标、动态回撤控制和换手率约束，也未计入交易费用、市场冲击、跨境投资额度、汇率敞口及指数代理工具的跟踪误差。上述因素均可能影响策略的实际实施效果，在落地时需要进一步进行考虑。

6、总结

6.1.TPA重塑资产配置原则

风险定位的根本性转变。从“合规约束”转向“配置资源”。无论是CPPIB的三层架构、CalPERS的总基金主动风险限额，还是ATP的红利潜力，核心都在于将风险视为需要董事会审批的昂贵资源，打破资产类别与风险指标的割裂。

总组合视角的全面崛起。巨型驱动力跨越资产标签，要求机构必须具备穿透底层经济因子的能力。TPA通过全组合视角，使机构能真实评估分散化程度，避免在表面不同的资产中重复承担相同风险。

治理是决定成败的断层线。TPA并非简单的工具叠加，而是深刻的治理重塑。如果缺乏一致的全组合视角和透明框架，灵活性反而会沦为不一致决策的借口。成功的TPA必须将灵活性转化为纪律严明的构建，这需要清晰的决策权、集成的风险衡量和重组的激励机制。

6.2.TPA原则增强策略配置表现

应用TPA原则，我们构建了一套固收+方案，并进行量化模拟。以15%中证800全收益指数和85%中债新综合财富指数构成参考组合，将其增长、通胀、利率和信用因子风险作为组合的风险约束锚点。在此基础上，模型逐月考察各项风格资产加入现有股债组合后的边际配置价值，动态筛选符合条件的风格资产。最终，所有入选资产在统一的因子风险预算约束下重新竞争，由分块Bootstrap-MVO求得次月组合权重。这一流程将TPA的目标导向、因子视角、跨资产竞争和动态配置原则落实为可执行的量化策略。

回测结果显示，动态TPA策略在基准情形和多项稳健性检验中均改善了组合风险收益表现。2016-2026回测区间内，固定比例股债基准策略的年化收益率、年化波动率、最大回撤和夏普比率分别为4.249%、2.968%、3.392%和1.432；引入风格筛选和因子风险预算后，动态TPA策略的年化收益率提高至4.542%，年化波动率下降至2.746%，最大回撤下降至2.841%，夏普比率提高至1.654，相对基准分别增加0.292%的年化收益和0.222的夏普比率。不同风险预算区间、风险因子口径及回测样本区间内，动态TPA均保持了夏普比率优势，说明策略效果并不依赖特定参数或因子设定。

进一步扩展候选增强资产池后，TPA框架在固收+方案中的配置价值更加明显。将标普500、恒生指数、恒生科技和上海金纳入候选增强资产后，组合年化收益率由4.542%提高至5.118%，夏普比率由1.654提高至1.791，最大回撤保持在2.841%。这说明TPA能够在不改变参考组合风险锚点的情况下，将“+”的来源从境内风格扩展至海外权益和另类资产，并根据不同资产对全组合的边际贡献动态决定资本去向。

6.3.对国内长线资金配置的启示

构建“参考组合+主动风险预算”的顶层治理架构。国内长线资金可逐步探索以低成本、被动的参考组合作为影子基准，将管理重心从细碎的资产类别权重偏差，转移到总基金层面的主动风险预算分配上。董事会应聚焦设定总体投资目标和风险限额，将战术调整权下放至一体化投资团队。

开发跨资产的流动性因子模型与全组合视角。摒弃简单拼接股票与固定收益因子的传统做法，国内机构应开发或引入涵盖股票、收益率曲线、信用、波动性和通胀的跨资产流动性因子模型。利用机器学习等技术降低复杂性，精准识别组合中隐藏的集中度风险（如跨越公募与私募的特定行业暴露）。

重塑决策流程，缩短重估周期与情景规划。面对经济转型，应摒弃“设定后便遗忘”的静态SAA。建议缩短战略观点时间跨度（如采用五年期CMA），每季度重新评估宏观环境及组合影响。同时，建立明确的“B计划”组合，当新信息出现时能够迅速调整敞口。

提升衍生品应用与流动性精细化管理能力。TPA的灵活性高度依赖于在不扰动底层资产的前提下进行快速风险对冲和战术倾斜。如NZ Super的战略倾斜和GPIF的贝塔平衡器，国内机构需加强衍生品运用能力、抵押品运营及流动性错配管理，将其作为调整全组合风险的“手术刀”。

渐进式推动组织文化变革。TPA要求团队“为了整体利益协同作战”。国内机构可借鉴NZ Super的演进路径，先在现有架构上增加战术叠加层评估全资产公允价值，逐步打破部门壁垒，围绕风险因子重组团队。通过混合模式平稳过渡，最终实现将灵活性转化为全组合的长期增值。

7、风险提示

黑天鹅事件等可能导致资产相关性增加，资产配置组合表现不佳。量化模型基于历史数据构建，历史规律存在失效风险。市场情况不满足模型假设，模型存在失效风险。研究框架基于分析师主动观点，分析维度或无法完全反映市场定价因素。

注：本文来自国泰海通证券发布的《指数增强PLUS：TPA资产配置理论、实践与固收+方案模拟——多资产配置全景研究系列（三）》，报告分析师：方奕、李健