半个世纪的历史回测带你看全球资产配置复习进程.docx
《半个世纪的历史回测带你看全球资产配置复习进程.docx》由会员分享，可在线阅读，更多相关《半个世纪的历史回测带你看全球资产配置复习进程.docx（7页珍藏版）》请在冰豆网上搜索。
半个世纪的历史回测带你看全球资产配置复习进程
半个世纪的历史回测带你看全球资产配置
作者：
徐杨前言一直以来，我都很想再写一篇关于如何做全球资产配置的长篇文章，希望能够以翔实的文字和可靠的数据，在投资的路上，为大家填坑。
所以我借着春节假期，花了5天的时间，写下了这篇2万字的【新全球资产配置白皮书】。
文中的内容，是根据我很多年资产管理的经验和实证研究得出的。
我和几个合伙人在美国为高净值客户、家族办公室和机构管理和咨询超过几十亿美元的资产，这么十多年做下来，都是以数据为基础、量化为手段、传统金融学和行为金融学为旁征，力求做到【基于事实】的资产管理。
资产配置应该是【大部分投资人】最应该要做的事：
不管你的可投资资产是10,000元，还是100,000,000元，虽然做法肯定会不一样，但是道理都是相通的。
特别是在过去的十几年间，伴随着中国经济的快速发展，投资人的财富累积效应十分明显。
随着财富的增长，合理的保值和增值，就会越来越重要。
但这是一个【信息大爆炸】的时代，每天报纸、头条、微信、电视、电台，各种渠道的信息，小到獐子岛的扇贝跑了，大到大洋彼岸的美股大跌，投资人面对着严重的信息过载。
这也是一个【信息廉价】的时代，互联网上随便一搜，各种投资秘籍、智能投顾、阿尔法狗、小道消息满天飞，投资人也无从下手。
还得挤时间吃鸡，所以各种乱七八糟的事情加起来，使得投资人做资产配置的困难增加。
其实【做好全球资产配置】这个问题，应该分为两个部分。
第一个部分是：
投资人通过学习，建立资产配置的逻辑。
第二部分是：
基于理论和逻辑，具体的执行。
我这篇文章讲述的就是第一部分，通过45年的数据、回测和图表（由于海外市场的数据比较长，所以本文中大部分的数据都来自美国和发达国家市场，有少部分是基于中国市场），在基于事实的基础上，回答以下五个核心问题：
为何需要做资产配置？
如何做资产配置？
如何提高资产配置的回报？
如何降低资产配置的风险？
为什么还是有人不相信或者无法坚持资产配置？
作为一个投资人，你有必要花时间和精力，通过学习和研究，搭建一个属于自己的资产配置理论和实践框架，做到【知己知彼，百战不殆】。
我相信，通过我的这篇文章，能够让你对全球资产配置有一个更加深入的了解，成为自己财富的掌门人。
为何需要做资产配置？
我们问：
为何需要做资产配置？
大部分投资人可能都会有一些概念：
因为资产配置能够降低风险。
但实际上，资产配置到底能降低什么风险呢？
很多投资人可能也没有具体的感受，只是道听途说的知道【配置能够降低风险】。
实际上，离我们最近的一次全市场系统性危机，已经过去了快10年了（08年美国金融危机，09年中国经济危机），很多经历过这两次事件的投资人，切肤之痛早已愈合。
对于大部分投资人而言，由于投资周期不明确，很难用较长的投资周期（20年以上）抵御投资风险。
而在较短的投资中，投资人面临的最大风险，就是【最大回撤】。
什么是最大回撤呢？
其实就是历史上这个股票或者是资产，所出现过的最大跌幅。
很多学术研究表明，一般的投资人在面临40%左右的浮亏时，心理防线基本会被击破，最后被迫割肉离场。
那么我们先来看看，历史上持有单一股票或者是单一资产，会有多大的最大回撤。
投资于单一股票的风险其实喜欢炒股，应该是件好事：
通过自己对公司的分析，买入持有（或者做空），获得回报。
对于好的公司，持有这个公司的股票也是对这个公司的认可，投资人可以跟随着公司一起成长，分享公司持续发展的红利。
理想是非常美好的，但现实却是非常骨感。
我不知道大家，反正我在十几年前炒股的时候，就基本没怎么干公司基本面分析的正经事，每天都把时间花在看新闻和K线分析上了。
抱着一夜暴富的心态，今天这个跟随主力，明天那个金叉银叉的。
反正我最后在一只股票上，亏了60%，割了肉，出了场。
是，我不是牛散，我承认我技术不行。
如果你是牛散、K线王，那么就不用浪费时间看下面的文章了。
后来一直从事量化资产管理，通过数据，我才知道了购买单一股票有多大的风险。
下面的图是基于美国市场1980年-2015年的数据，我将时间段分成了两部分：
1980-1997，1998-2015。
在每个时间段中，我选取了美国市场上市值最大的前3000只股票，然后计算了这个3000只股票在5年投资周期上的最大回撤。
也就是说我计算了这个3000只股票，历史上任意投资5年的周期，所经历过的最大回撤。
横轴为5年期最大回撤水平，从负100%到0%，纵轴为最大回撤分布。
让我们看看这些让人不寒而栗的数据：
1980年至1997年，有58%的股票，跌幅曾经超过50%。
只有6只股票，最大跌幅在10%以内。
1998年至2015年，在这个时间段里，由于美国经历了2次系统性的危机，有超过86%的股票曾经跌幅超过50%。
只有2只股票，最大跌幅在15%以内。
这，就是实实在在的持有单一股票的风险。
有的投资人说：
行，那我多选几个股票好了。
没错，【多选几个】确实是比较好的做法。
不过大部分的投资人，平心而论，很少有持仓超过10只以上的时候吧？
如果只持有10只或者10只以下的股票的时候，除非你真的每只股票都从每个不同的行业中选取，力求降低组合的相关性，要不然你这个组合面临的最大回撤风险，也很难特别有效的被降低。
而且有的时候，随意的增加和减少持仓头寸，都会导致投资风险的大幅上升。
投资于单一资产的风险如果投资于单一股票的风险大，那我可以去投资股指（整个股票市场）呀。
没错，逻辑是正确的，从纯理论的角度来说，投资于股指的风险比投资于单一股票的风险要小。
但是，像股指这类单一资产的最大回撤，也是很高的。
那么我们来看看一些主要资产历史上的最大回撤。
1972年-2017年，我选取了标普500指数、美国房地产指数和美国10年期国债指数。
根据这3个资产的期间表现，将它们出现过的最大回撤用面积图显示了出来。
看起来是不是毛骨悚然、血淋淋的样子？
越看我越觉得渗得慌。
在过去的半个世纪，标普500曾经跌超过50%，美国房地产指数跌超过60%，而就算是被誉为低风险资产的美国10年期国债，也跌超过20%。
这3大类资产的最大回撤下跌时间都超过了1年，如果投资人持有任何一种资产，在持续下跌的市场中，如何能做到镇定自若？
跌幅大、跌势长不说，跌完了涨回前高的时间也是非常的长。
特别是08年金融危机后，标普500花费了3年的时间，才涨回了前高，而房地产指数更是花费了超过40个月。
试想一下，如果有的投资人刚好在09-10年间退休，面对的资产大幅缩水的局面，还要忍受3年之久的恢复期，是何等的痛苦。
A股市场上也是如此，而且由于中国股市历来有牛短熊长的特点，加上处于经济结构发展和转型中，股市的波动幅度非常之大。
这看起来比美股还毛骨悚然，简直就是一副中国股民的血泪史，大家自行脑补。
A股最大的回撤还是在1992年的那次股灾中，经过15个月的时间，上证跌去了75%，后来花费了快3年的时间才涨回来。
而且通过上面的回撤面积图我们可以看到，在08年的那次经济危机中，上证也差不多跌了70%，而这一次，是名副其实的长熊：
上证从07年中开始下跌，跌到08的谷底后，一直到现在都没有涨回来，十年了啊。
当然了，有的投资人会说，那我要是在谷底买了不就赚翻了？
是的，你这个逻辑我无法反驳，可在系统性风险前，跌到40%的时候，你敢说那一定是底？
你真敢进场吗？
短时间内的大幅下跌上面列举的都是长时间的系统性大幅回撤，而市场还存在短时间的大幅下跌，这类事件统称为【黑天鹅事件】。
黑天鹅事件的主要影响是：
时间短、强度大，投资人根本来不及止损。
我大概找了5个事件，其实不管是A股还是美股，单日跌幅超过3%的情况，还不能说是非常不多见，只不过很多时候投资人过了一阵子就忘记了伤痛。
美股市场上的黑色星期一是人皆知晓的，29年那次2天跌了23%，87年跌了24%。
上证在15年那次黑天鹅事件中2天跌了15%，出现千股跌停的奇观。
而离我们最近的18年2月的美股黑色星期一，股指崩了4%，但基于波动率的CBOEVIX指数爆涨了116%，结果导致这个指数的反向ETN：
XIV，跌了95%，一夜间很多投资者巨亏，就连发行此ETN的瑞信，也宣布此产品会在2月底之前清盘。
看完上面的数据，你要是不觉得后背发凉，那么只有两种情况：
1）你胆子巨大，老子不怕！
2）你巨有钱，有无限的弹药。
投资单一股票和单一资产的风险是非常大的，难道我们就不投资了吗？
这绝对不可能，人有多大胆，地有多高产的革命精神还是要有滴。
作为投资人，我们肯定是希望投资风险低预期回报高，但这个目标显然是不太理性的，因为天下没有这种免费的午餐。
而如果投资人的目的是：
在控制和降低风险的情况下，取得与风险相匹配的适当的回报这种投资目标，则是完全可以达到的。
全球资产配置，就是取得这一目标的【几乎免费的午餐】。
如何做资产配置？
现代资产组合理论（均值-方差组合）的鼻祖-马科维茨教授，早在1952年就用优雅的数学公式告诉我们：
分散投资可以降低组合的整体风险，甚至增加经风险调整后组合的整体回报。
简单来说，马科维茨教授告诉我们：
通过合理的资产配置方式，可以达到11大于2的效果。
好比说我们做奶油千层饼，正确的做法是一层饼加一层奶油，你这么一层一层的加下去就能做出美味的奶油千层饼。
饼和奶油是不相关的两种食材，简单的、合理的相加，就能做出人间美味。
但如果你跟我一样二，先大饼铺个10层，再往上抹个几斤奶油，那最后你只能做出来一个奶油大煎饼。
所以说，投资是一门艺术，做资产配置，需要有匠心精神：
研究、选材、搭配，一样都不能少。
研究选材：
大师们的全球资产配置耶鲁怎么做的？
如果我一上来就告诉你我是怎么做全球资产配置的话，估计你也不信，毕竟我不是大湿嘛。
投资界中确实有很多资产配置大师，最出名的、可能也是大家最熟悉的一位大师，就是耶鲁捐赠基金的掌门人了：
大卫-斯文森。
在斯文森先生的带领下，耶鲁捐赠基金在过去的20年间，实现了12.1%的年化收益率。
斯文森先生不仅术业专精，在人才上更是培养出了像高瓴资本创始人张磊先生这样的投资家。
根据耶鲁捐赠基金2017年发布的报告，耶鲁2018年的目标组合如下。
耶鲁捐赠基金专注于投资8大类资产，其中目标头寸最大的是绝对收益（25%），第二大的是风险投资（17%），第三大的是境外股票（15.5%），这前三大头寸已经占据了整个组合的57%。
虽说耶鲁捐赠基金是资产配置的黄金标杆，但是对于大部分投资人来说，要去投绝对收益产品和风险投资产品，是非常有难度和挑战的。
这两种产品要求的专业度可不是一点两点，加上较长的锁定期和较高的管理费用，如果你没有像耶鲁捐赠基金一样的人力物力资源，其实你很难选出便宜又好的产品，最后可能会花了大量的精力却得不偿失。
在剩下的43%的组合里，有杠杆收购（14%）和自然资源（7%）这2种资产，对于大部分投资人来说，也很难实现。
就算是专业的资产管理人或者是投资顾问，也很少会碰到帮客户投资这两类资产的情况。
大部分投资人能做的，可能就是美国本土股票（4%），债券和现金（7.5%），房地产（10%）和境外股票（15.5%）了。
其他著名的资产配置模型耶鲁捐赠基金说到底只是个例，这么大的市场，其他著名的资产配置大师，他们推荐的组合是什么样的呢？
我在之前的文章中，收集了市场著名的9种资产配置模型。
其中还包括了耶鲁捐赠基金掌门人斯文森先生自己所推荐的组合。
我这里所选取的资产和权重，都是这些大师们活生生的研究成果。
从左到右，模型的复杂度依次上升。
上面9种组合的投资标的和耶鲁捐赠基金里面普通人能够投资的标的，加起来一共超过了22种。
其实按照大类资产整合一下，实际上也就是这3大类资产：
股票类：
本土股票、境外股票实物资产类：
房地产、大宗商品债券类：
短期货币、中长期债券要知道，耶鲁捐赠基金从2012年开始，其本土股票（美国股票）的头寸就平均只有4.5%，而同期标普500可是年化17%的在涨，大部分号称高收益的对冲基金都达不到这个表现。
所以你想，耶鲁捐赠基金大部分的收益，大部分都是从普通投资人很难接触到的投资标中来的。
除非你自己能力超强，或者能建立一个像耶鲁捐赠基金一样的团队，那么大部分人能投资的、能够触碰到的投资标的，才是你的首选。
说白了，世界上最好的食材，不一定适合你吃；最漂亮的车，也不一定适合你开。
而大部分投资人【能够触碰到的】、【便捷的】投资头寸，就是股票、债券和实物资产了。
这三大头寸的风险敞口也都可以从二级市场上的标准化产品中获得，比如公募基金、ETF等。
这么做，不仅省时省力，而且标准化产品有个好处就是流动性比非标准产品好，费率也较低，产品选择多，通过普通的证券、基金账户，就可以进行投资。
底层资产的历史回报那好，既然我们有了大类资产的方向，那么在做资产配置前，我们肯定要看看这些大类资产的历史回报如何吧。
在每个大类资产中，我按照大师们的推荐，选取了最有代表性的底层标的，都是二级市场中的指数。
股票类：
标普500指数，美国小盘股指数，发达国家股票指数，新兴市场股票指数实物资产类：
黄金指数，大宗商品指数，美国房地产指数债券类：
美国短期货币指数，美国通胀保护指数，美国10年期国债指数，美国30年期国债指数这些底层资产过往45年的表现如何呢？
从回报上：
股票类的年化收益在10%，债券类在7%，实物资产类在8%左右。
最高的是美国房地产，接着是新兴市场股票和小盘股。
从风险上：
债券类的风险最小，年化波动率远低于股票类和实物类。
而股票和实物类，虽然不同标的，但其实风险不相上下。
波动率最高的是黄金和大宗商品期货，然后是小盘股和新兴市场股票。
最大回撤上：
债券类资产明显具有较小的回撤。
股票类紧随其后，平均在55%。
而实物资产类则表现出了明显的较大的最大回撤：
平均在70%。
经风险调整后的夏普比率：
股票类平均在0.35，实物资产类在0.27，债券类也在0.35，大家其实都没差太多。
这就非常有意思了。
这些底层标的，你非要挨个来看的话，有的表现实在是拿不上台面。
比如这个大宗商品指数，年化才不到6%，而最大回撤有80%，波动率有20%，夏普比率全场最低只有0.15。
这种表现的标的，放在一堆资产里，正常人都不会想投它吧？
可是马科维茨教授不这么认为，根据他的理论，你把这些资产组合在一起，就有可能达到11>2的效果。
这里面有什么玄机呢？
资产间的相关性是关键在资产配置里，投资标的间的相关性，是一个非常重要的因素，也是资产配置管用的最根本原因。
我们肯定都听说过一个叫【美林投资时钟】的东西。
虽然这个框架出现在几乎每一篇的资产配置书籍中，很多人听到这名字就吐了，但是它确实能很好的总结资产配置中关于投资标的选取的精髓。
根据美林投资时钟，经济分为4个大的周期，“过热期”，“停滞期”，“衰退期”和“复苏期”，而投资人为了最大程度的避免经济周期所带来的影响，有两种做法。
第一种，是投资人去预测经济周期，然后根据周期的不同而选取在相应周期中表现较好的投资标的，也就是战略资产配置。
第二种，大部分的投资人很难去预测经济周期，那么干脆在投资的时候，从每个周期选取1、2个投资标的，这样就把所有的周期都覆盖了。
当然了，我们不能完全的直接套用美林投资时钟，因为市场总是在变化的，美林投资时钟是一个静态的表现。
其实如果我们可以动态的来看这些投资标的间的相关性的话，会有更加直接的认识。
那么我以标普500作为基础资产，分别计算其它每种资产和标普500的10年期相关性。
不同的资产标的，跟标普500有着不同的相关性，所有资产标的相关性都表现出了一定的周期性，而根据大类资产的不同，同一个类别中的标的又表现出了趋同的形态。
股票类中，美国小盘股跟标普的相关性一直较高，平均在83%；而发达国家股票和新兴市场股票，虽然都是股票类，但还是表现出了【在本土市场和非本土市场之间的风险分散】的潜在好处，在2000年之前，这2个标的和标普的相关性平均只有50%。
债券类呢，明显的表现出了其相对于股票类的【逆相关性】，或者说是【无风险资产（risk-freeasset）】的属性。
短期货币和通胀保护，基本在负5%左右。
剩下的10年和30年国债，平均在5%左右。
需要指出的是，这里的债券都是政府背书，所以被称之为相对的【无风险资产】，如果你投的是高收益公司债，那就另当别论了。
实物资产类中的各个标的，由于其属性差别很大，所以与标普的相关性也非常的不同。
黄金作为贵金属，相对于股票，有逆周期的属性。
而房地产呢，高度的顺周期。
剩下的大宗商品，也是比较逆周期，但是波动幅度很大。
我们经常打一个比方，就是鸡蛋不能放在同一个篮子中。
所以大师们做的，就是找出这些不同的篮子。
通过上面的数据和图表，我们基本可以下一个定论：
大师们推荐的资产配置组合，都是分散在不大相同的资产标的中的，而且具有一定的负相关性和逆周期性。
只有在不同的篮子中做配置，才有配置的意义。
搭配：
大道至简选好了食材，知道了为什么要选这些食材，那下一步就是要开始搭配了。
在资产配置中，关于如何组合投资标的问题，业界和学术界其实一直争论不休。
最早的时候，根据马科维茨教授的理论，不管你有多少个资产，给定一个目标（比如说夏普比率最大化），你总能在数学上找到一个搭配的最优解。
根据均值-方差组合理论，我们需要根据资产标的过去的回报，来预测其未来的表现，从而得出组合模型的输入值。
但是在实际应用中，通过模型来预测某种资产未来的收益，是极其困难和不稳定的。
所以在后来，基于均值-方差组合理论，也衍生出了像Black-litterman这样的不需要做预测的组合模型。
但是对于大部分投资人来说，还是要做一系列非常复杂的模型运算。
最近3年，由于科技的发展，市场出现了一大批【机器人投顾】，国内也叫【智能投顾】，国外叫【Robo-Advisor】。
比如像Wealthnfront，Betterment这样的公司，基本都是利用了马科维茨理论（或者其衍生和改进模型，比如B-L）来构造基础的资产配置组合，然后根据客户的风险偏好，在风险给定的条件下，选择最优配置。
这些公司通过科技的手段，为客户提供了非常便捷的解决方案，让相当一部分投资人享受到了以前只有私行客户才能拥有的待遇。
机器人投顾绝对是带来了更好的客户体验，但是从模型的角度来看，通过非常复杂运算得出来的资产配置模型，并不一定比【合理的简单搭配的】模型的结果要好。
我之前引用过一篇伦敦商学院大牛DeMiguel博士的学术论文：
《OptimalVersusNaiveDiversification:
HowInefficientisthe1/NPortfolioStrategy?
》。
在此文中，他测试了各种非常复杂的资产配置模型，然后跟平均权重模型进行了比较。
他发现不管是基于历史的数据，还是预测的数据，经风险调整后，复杂模型的表现并不比平均权重模型要好；而且在样本外测试中，复杂模型带来的额外收益往往会被其复杂的预测错误所抵消。
“Ofthe14modelsweevaluateacrosssevenempiricaldatasets,noneisconsistentlybetterthanthe1/NruleintermsofSharperatio,...,outofsample,thegainfromoptimaldiversificationismorethanoffsetbyestimationerror.”上图中划红线的结果就是将每种模型中的资产平均配比。
比方说第一列的模型，是基于标普的11个行业进行配置，1/N的意思就是平均投资于这11个行业中，而这个0.1876就是这种做法的出来的夏普比率。
最后的结果，只有mv（insample）的结果，大大好于1/N。
但这个mv（insample）是什么东西？
这个其实就是均值-方差组合，但关键是这个insample，是样本内组合的意思，也就是【纸上谈兵】，一到样本外（紧接着mv（insample）下面的的mv那行），夏普比率就急剧下跌了。
其实，马科维茨教授自己也曾经说过：
'Ishouldhavecomputedthehistoricalcovarianceoftheassetclassesanddrawnanefficientfrontier.Instead,IvisualizedmygriefifthestockmarketwentwayupandIwasn'tinit---orifitwentwaydownandIwascompletelyinit.Myintentionwastominimizemyfutureregret.SoIsplitmycontributions50/50betweenbondsandequities.'”我应该根据资产的历史回报计算协方差矩阵，然后寻找最优解。
但是我无法想象自己能够忍受市场大幅上涨我却空仓，或者是市场大幅下跌时我却满仓的状况。
我的目的是不让自己后悔，所以我就平均投资了股票和债券，每种资产各一半。
“所以，复杂的模型，不一定能带来好的结果。
大师们的历史回报我们看回这9种有名的资产配置模型，虽然都出自大师之手，但他们也没有过度的去寻求配比上的数学最优解，基本都是选了几个资产，提炼出了经典，道明哥曰：
【简约而不简单】。
那么这些基于大师们智慧和经验的模型，在历史上的表现如何呢，是否真的能够带来资产配置的好处？
我将这些模型完全复制了一遍，用1973年到2017年的数据做了历史回测（每月再平衡，毛收益，没有考虑任何费用、市场冲击和税）。
在看结果之前，我们要先明确评判资产配置模型的三个基本标准：
好的资产配置模型，必须能够降低【最大回撤】，因为单一股票和单一资产的投资，最大回撤很大，风险很高。
好的资产配置模型，必须能够在降低【最大回撤】的基础上，提高【夏普比率】，也就是经风险调整后收益；并且降低【波动率】，平滑投资收益。
在解决了风险上的问题后，如果还能提高【年化收益率】，那就是最好不过了。
回测结果-最大回撤资产配置的效果还是非常明显的，与单一投资于标普500相比，这9种资产配置模型，都降低了最大回撤。
其中永久组合由于搭配了25%的黄金，所以最大回撤只有13%左右；而风险平价组合搭配了较大比例的债券（美国10年国债和公司投资债），外加只有16%的股票类仓位，所以最大回撤也只有16%左右。
除了常青藤组合和埃利安组合的效果不是非常明显外，还停留在45%的回撤幅度，其余的模型都有较好的表现。
所以通过简约而不简单的模型，基本都能降低最大回撤，我们的第一个评判标准就达到了：
最大回撤降低。
回测结果-夏普比率从经风险调整的角度来看呢，除了埃利安组合以外，其余的8个模型，相对于标普500同期的0.43，都有较大幅度的提升，有6个组合的夏普比率都达了0.5以上。
我们的第二个评判标准也达到了：
夏普比率提升。
插一句，埃利安组合恰恰是这9个组合里面最为复杂的模型：
11个投资标的，标的的权重也比较特别。
回测结果-综合评判在最大回撤消减和夏普比率提升的基础上，我们再综合其它的各种指标看看到底这9个资产配置模型，相对于标普500的表现如何。
从年化回报上来看呢，除了斯文森组合的10.3%非常接近标普的10.52%以外（姜还是老的辣），其它的组合都有不同程度的降低，特别是埃利安组合，只有7.61%的年化收益。
但我们要理解，做资产配置的首要目的，是为了降低风险，所以从风险指标上来看，不管是最大回撤、下行风险、波动率还是最差月回报，通过【简约而不简单】的9个模型，都能被有效的降低。
通过简单的配比，虽然损失一点点的年化收益率，但却带了风险较大幅度降低的好处，这真的是近乎于【免费的午餐】了。
经过以上详细的分析，我们其实是可以较为可靠的总结出一些道理的：
投资单一股票和单一资产的风险巨大；如果你无法承担这种风险，合理的资产配置是不二之选；在选择配置的标的时，不能随意，必须选取能够平滑经济周期的多元资产；而在如何确定组合里各个资产的权重时，如果没有特别好的思路，那么平均权重绝对不会错；复杂的模型并不一定等于好的模型，简约而不简单，才是真理。
如何提高资产配置的回报？
有了上述的理论、逻辑和数据垫底，我们其实已经在全球资产配置的道路上走了一半。
人是有主观能动性的，虽然我们通过上述的测试，知道了资产配
升级会员 