这是一篇发表在学术期刊《Finance Research Letters》上，于2025年4月22日在线发表的原创性研究论文。以下是根据论文内容撰写的学术报告，旨在向研究人员介绍这项研究。

论文题目： a bl-mf fusion model for portfolio optimization: incorporating the black–litterman solution into multi-factor model 主要作者与单位： 该研究由来自中国两所高校的研究人员共同完成。第一作者兼通讯作者为Feng Lan（*标注），其单位是西安建筑科技大学管理学院（School of Management, Xi’an University of Architecture and Technology）。共同作者包括Jin Yuan（同属西安建筑科技大学管理学院）和Liwei Jin（来自西安交通大学经济与金融学院）。 发表期刊与时间： 该研究于2025年发表在金融学领域的期刊《Finance Research Letters》第80卷，文章识别号为107464。

一、研究的学术背景 本研究属于金融工程与资产配置领域，核心在于优化投资组合的构建方法。现代投资组合理论（Modern Portfolio Theory）由Markowitz于1952年创立，奠定了通过权衡收益与风险（通常用协方差矩阵衡量）进行最优资产配置的基础。然而，该理论在实际应用中面临诸多挑战，例如对输入参数（预期收益率和协方差矩阵）的估计误差极为敏感，微小的输入变化可能导致投资组合权重（Portfolio Weights）剧烈波动、产生不切实际的极端配置（Corner Solutions）或过度集中等问题。

为了应对这些挑战，Black和Litterman于1991/92年提出了Black–Litterman（BL）模型。该模型通过贝叶斯方法，将市场均衡收益（先验）与投资者的主观观点（Views）相结合，生成更稳健的预期收益估计，从而得到更稳定、更合理的投资组合。BL模型已被广泛应用于资产配置实践。

然而，BL模型存在一个理论局限：其依赖的均衡收益率源自资本资产定价模型（CAPM），这是一个单一风险因子模型。这与现代资产定价理论（如套利定价理论，APT）所描述的多维风险结构相冲突。另一方面，多因子模型（Multi-Factor, MF Model）能够很好地捕捉横截面收益背后的系统性风险暴露（例如价值、动量、规模等因子），弥补了CAPM的不足。但传统的多因子模型通常基于理性预期范式，忽略了行为投资组合理论所强调的投资者主观信念，这可能导致模型在某些市场环境下表现脆弱。

因此，BL模型和MF模型各自存在信息上的盲区：BL模型融合了市场均衡和投资者观点，但风险结构单一；MF模型刻画了丰富的风险因子结构，但缺乏对投资者主观信息的整合。本研究旨在填补这一理论空白，通过构建一个融合模型，将BL模型的优势与MF模型的优势结合起来。

二、详细的研究工作流程 本研究旨在提出并验证一个新的融合模型，具体工作流程包含四个核心步骤：

第一步：概念重构与模型构建——构建BL-MF融合模型 1. 重新定义BL解为观测值： 研究的创新起点在于对BL模型输出的“贝叶斯全局最优解”进行了重新诠释。作者不再将其仅仅视为一个点估计，而是将其概念化为一个对“真实预期超额收益”的“带噪声的观测值”。这个“观测”的测量误差由其均方误差（Mean Square Error, MSE）矩阵精确描述。这类似于将一个模糊的水晶球（BL模型）视为一个测量设备，它给出了对目标值的一个有噪声但包含信息的读数。 2. 整合多因子模型： 同时，资产的实际超额收益序列被另一个模型——多因子模型——所描述。该模型将资产收益分解为因子收益的线性组合（因子载荷矩阵乘以因子收益向量）加上特质性残差。 3. 建立融合模型： 关键的一步是将上述两个信息源整合进一个统一的框架。作者将BL解（作为对预期收益的观测）的数学表达式进行变形，使其在结构上与多因子模型对齐。然后，将变形后的BL观测方程与原始的多因子模型方程拼接，形成了一个增广的线性模型，即BL-MF融合模型。在这个融合模型中，同时包含了来自BL解的“投资者观点与均衡信息”和来自MF模型的“风险因子结构信息”。 4. 推导最优估计量： 基于这个融合模型，作者运用加权最小二乘法，推导出了因子收益向量的最优估计量公式。该公式具有清晰的贝叶斯加权含义：来自BL解的信息权重与其估计误差（MSE矩阵）的逆成正比，来自历史收益数据（MF模型）的信息权重与残差协方差矩阵的逆成正比。这意味着模型能够根据各信息源的不确定性水平，自适应地调整其置信度。最后，通过估计出的因子收益，可以反推出资产预期收益和协方差矩阵的改进估计。

第二步：实证分析与数据准备 1. 研究样本： 研究使用中国A股市场超过十年的数据（2013年1月1日至2023年12月31日）进行样本外测试。样本涵盖了几乎所有中国市场的股票，但剔除了ST股（因运营风险）和上市不足12个月的股票，以确保有足够的估计期。最终用于构建投资组合的是从八个行业中选出的十只代表性股票。 2. 风险因子选择： 研究选取了38个有效的风险因子，涵盖估值、成长性、杠杆、规模、动量、波动率、换手率和流动性等八大类别。这些因子在已有文献中被广泛证明对中国股市具有解释和预测能力。 3. 投资者观点生成： 在每个投资组合再平衡时点，遵循已有文献的方法，构建一个动量为基础的投资者观点。具体而言，根据股票过去六个月的动量（经波动率调整后的收益）进行排序，对排名前一半的股票分配正权重，后一半分配负权重，以此构建一个动量投资组合，其预期收益即为投资者观点向量。

第三步：投资组合构建与比较 1. 估计方法： 研究比较了五种不同的预期收益与协方差矩阵估计方法： * BL： 传统Black-Litterman模型。 * MF： 传统多因子模型。 * S-MF： 将BL解替换为历史样本均值的变体模型。 * BLV-MF： 将BL解替换为纯投资者观点模型（不含市场先验）的变体模型。 * BL-MF： 本研究提出的融合模型。 2. 优化标准： 使用上述每种估计方法得到的输入，分别按照三种不同的优化准则构建最优投资组合： * SR（夏普比率）： 最大化经风险调整的收益（假设收益正态分布）。 * MVaR（最大收益-VaR比率）： 最大化单位在险价值（Value at Risk）下的收益，更关注尾部风险。 * MCVaR（最大收益-CVaR比率）： 最大化单位条件在险价值（Conditional VaR）下的收益，对极端损失更敏感。 3. 回测流程： 采用滚动窗口方法。在每个季度初，使用过去12个月的数据估计模型参数，计算出最优投资组合权重，然后持有该组合三个月，记录其实现收益。重复此过程直至样本期结束，得到一系列样本外收益。

第四步：绩效评估与稳健性检验 1. 绩效评估指标： 使用年化超额收益、夏普比率（SR）、收益/VaR比率（R/VaR）、收益/CVaR比率（R/CVaR）以及平均赫芬达尔指数（AHI，衡量分散化程度，值越高分散度越低）来全面评估投资组合表现。 2. 基准比较： 将所有由不同估计方法和优化准则生成的15个组合（5种方法 × 3种准则）与简单的等权重（1/N）组合进行比较。 3. 统计显著性检验： 对BL-MF组合与各基准组合的持有期收益进行t检验，以判断绩效差异是否具有统计显著性。 4. 稳健性检验： 为了验证结论的可靠性，研究进行了三项稳健性检验： * 子周期分析： 将整个样本期划分为三个具有不同市场特征的子阶段（2014-2017年上升期、2018-2020年中美贸易战与疫情振荡期、2021-2023年疫情后下行期），检验模型在不同市场环境下的表现。 * 数据频率与估计窗口长度： 检验使用日度数据与月度数据，以及不同的估计窗口长度（12个月、36个月、60个月）对结果的影响。

三、主要研究结果 1. 样本外绩效比较结果： 表格和图表（论文中的Table 5, Fig. 1）显示： * 整体优越性： 在所有三种优化准则（SR， MVaR， MCVaR）下，基于BL-MF融合模型构建的投资组合，其夏普比率、R/VaR和R/CVaR均显著高于其他所有基准模型（BL, MF, S-MF, BLV-MF）以及1/N组合。 * 分散化程度： BL-MF组合的AHI指数与BL、MF组合相近，表明其卓越的绩效并非通过牺牲投资组合的分散化（即过度集中）来实现的。 * 信息融合的有效性： S-MF和BLV-MF组合的表现也优于单纯的BL或MF组合，这从侧面证明了将不同来源信息（无论是历史样本均值还是纯投资者观点）与MF模型融合都能带来改进。而BL-MF模型融合了最全面的信息（市场均衡+投资者观点+因子结构），因此表现最佳。 * 统计显著性： t检验结果（Table 6）表明，BL-MF组合与BL、MF及1/N组合的收益差异在统计上是显著的（在5%或10%水平上）。但与S-MF和BLV-MF组合的差异不显著，这进一步说明任何有价值信息的融合都能提升表现，而本研究提出的机制是有效整合这些信息的通用框架。

2. 稳健性检验结果： * 子周期分析（Table 7）： 在三个不同的市场阶段，BL-MF组合始终表现稳健。在上升期（2014-2017），其优势非常明显；在振荡期（2018-2020），优势依然存在但相对减弱，作者归因于市场条件恶劣对预测精度的影响；在下行期（2021-2023），所有组合均录得负超额收益，传统绩效比率（如SR）失效，但BL-MF组合在绝对风险指标（标准差、VaR、CVaR）上仍表现最优。 * 数据频率与窗口长度（Table 8）： 无论使用日度数据还是月度数据，也无论估计窗口是12个月、36个月还是60个月，BL-MF组合始终一致地优于BL、MF和1/N组合。最佳结果出现在使用日度数据和12个月估计窗口时。研究还发现，绩效与窗口长度的关系取决于数据频率，这反映了样本时效性与统计准确性之间的权衡。

四、研究结论与价值 本研究的核心贡献在于提出了一个创新的Black–Litterman与多因子融合模型（BL-MF Fusion Model）。该模型通过将BL模型的贝叶斯最优解重构为一个带噪声的观测，并将其系统地嵌入多因子模型的框架中，成功地将市场均衡收益、投资者主观观点与资产收益的多维风险因子结构信息进行了统一与融合。由此推导出的最优估计量，能够自适应地根据各信息源的估计误差分配权重，从而更准确地估计预期收益和协方差矩阵。

实证结果表明，基于该融合模型构建的投资组合，在多种优化准则和不同的市场环境下，均能持续产生优异的样本外风险调整后收益，且这一结论经过严格的稳健性检验。这不仅验证了模型的有效性，也证明了通过信息融合来弥补单一模型理论缺陷这一思路的可行性。

研究的科学价值与应用价值： * 理论价值： 架起了行为金融（通过BL模型体现投资者信念）与理性资产定价（通过MF模型体现风险因子）之间的桥梁，为解决投资组合理论中输入估计敏感性问题提供了一个新的、理论严谨的框架。 * 方法论价值： 提出了一种通用的“多源信息融合”方法论。该方法不仅限于融合BL与MF，其框架可以扩展至融合其他类型的先验信息（如分析师报告、ESG评分）或数据源。 * 应用价值： 为资产管理领域的从业者提供了一个强大的实用工具。该模型能够生成更稳健、绩效更优的投资组合，且代码实现流程清晰（论文中Table 1总结了算法步骤），具有很高的可操作性。

五、研究亮点 1. 概念创新： 创造性地将Black–Litterman模型的输出重新定义为对预期收益的一个“带噪声的观测”，这是构建融合模型的关键理论突破。 2. 模型创新： 首次构建了一个将BL模型与MF模型在数学上无缝融合的统一框架（BL-MF融合模型），并推导出具有明确贝叶斯权重解释的最优估计量。 3. 全面的实证设计： 研究使用了长达十年的中国市场数据、38个风险因子，并考虑了三种不同的投资组合优化准则（SR， MVaR， MCVaR），进行了详尽的样本外测试和多重稳健性检验（子周期、数据频率、估计窗口），证据充分有力。 4. 前瞻性指引： 论文在结论部分明确指出了未来两个重要的研究方向：一是将定性信息（如文本分析、ESG评估）贝叶斯化后融入本框架；二是开发结合领域知识的深度学习架构来捕捉更复杂的非线性关系。这为后续研究开辟了道路。

六、其他有价值的内容 论文的附录提供了重要的技术细节：附录A详细回顾了Black–Litterman模型的经典推导；附录B给出了基于BL-MF模型估计资产预期收益和协方差矩阵的完整公式；附录C详细说明了投资者观点（动量组合）的生成方法；附录D阐述了三种投资组合优化问题（最大化SR、MVaR、MCVaR）的具体数学模型。这些内容使得研究具有高度的可复现性。