我们认为，均值方差模型的协方差矩阵部分主要是用来衡量资产组合的波动性，但波动性本身并不完全等同于风险，所以直接将波动作为惩罚项未必是合适的选择。本文将探讨风险怎么通过适时调整协方差矩阵，更有效地管理和控制风险，实现策略的绝对收益目标。

市场资金流向视角的状态划分要适时调整协方差矩阵，首先要对市场状态做划分。在对市场状态进行划分时，我们采用了一种简洁而有效的方法，即从资金流向的角度进行分析。

我们聚焦于两个关键维度：宏观周期和资金流向。

宏观周期的影响，我们关注方向性变化较为稳定的美债周期。具体来说，若10年期美债显示出下行趋势，我们将此现象标记为+1信号；如果不是下行趋势，则标记为-1信号。资金流向的影响，我们通过两个指标来综合评估：一是汇率的波动，二是深港通的净流入情况，这两个指标共同刻画了短期资金流动。

通过这种双维度的分析框架，长期和短期因素相结合，我们发现实证上也能起到很好效果。 

风险优化视角下的策略新思路我们根据不同的市场状态，对各类资产的协方差矩阵进行针对性调整。这一过程通过引入差异化的惩罚项来实现，这些惩罚项的系数会根据市场状态相应调整。

我们的核心理念是，在权益市场情绪谨慎时，对股票资产的波动性实施更高的惩罚，以此降低其在投资组合中的权重，从而控制风险敞口，其中成长类指数给到更大的惩罚。此外，我们也探索了减少股债之间波动率差异的策略，这在测试中有很好的效果。2012年起到2024年7月19日，我们的最终策略实现了年化6.3%的稳健收益，同时将最大回撤有效控制在4.43%。特别是在2016年之后，策略最大回撤基本维持在2%以下的较低水平。

2024年8月，我们的策略资产配置如下：7.6%的低波动红利指数，4.1%的大盘价值，以及8.3%的大盘成长。 u 风险提示本报告所有分析均基于公开信息，不构成任何投资建议；报告中采用的样本数据有限，存在样本不足以代表整体市场的风险，且数据处理统计方式可能存在误差；报告中结论均基于对历史客观数据的统计和分析，但过往数据并不代表未来表现。

因篇幅限制，仅展示部分，更多重要内容、核心观点，请下载报告。