养老金是社会养老保障体系中最重要的组成部分。近年来,由于日益严重的人口老龄化趋势,以及社会经济因素的影响,中国养老保险制度面临日益严重的养老金支付困难。面对人口年龄结构变化与财政的双重压力,国家逐渐放开养老金的投资运营,以此来维持养老金的可持续运行。我国养老金资产配置业务起步较晚,关于养老金资产配置的研究和实践仍处于初级阶段,是一项全新的事业。围绕投资策略和资产配置问题开展研究,将资产配置理论运用于养老金投资实践,不仅能丰富投资理论和资产配置理论运用于我国金融市场的研究成果,还可以为优化养老金投资运营提供有价值的投资建议。因此,对我国养老金资产配置进行研究,提高养老金投资收益水平,以实现养老金资产的保值增值和化解人口老龄化造成的养老金支付风险具有重要的理论价值和现实意义。本文在现代投资组合理论的框架下,围绕养老金最优资产配置问题展开研究,首先结合 VARMA（Vector Autoregressive Moving-Average）模型、GARCH（Generalized Autoregressive Conditional Heteroskedasticity）模型和 BL（Black-Litterman）模型建立了VARMA-GARCH-BL（简写为V-G-BL）资产配置模型,然后针对养老金资产配置投资期限长的特点,分别从V-G-BL模型的风险估计,收益预测和观点矩阵等关键环节对该模型进行改进,建立了考虑时变协方差的V-G-BL养老金资产配置模型、考虑长期收益预测的V-G-BL养老金资产配置模型、考虑宏观经济因素的V-G-BL养老金资产配置模型,并进一步在CVaR（Conditional Value at Risk）风险测度下对V-G-BL养老金资产配置模型进行了扩展和推广,最后基于我国的历史数据对改进V-G-BL模型进行了算例分析。本文的主要研究内容如下:（1）针对多期协方差矩阵具有时变特性的特点,提出了考虑时变协方差的V-G-BL养老金资产配置模型。BL模型结合资产的均衡收益和投资者观点,得到资产预期收益的新的估计,最后利用均值-方差模型得到资产投资决策。养老金资产配置决策的期限较长,但由于资产历史数据有限,直接通过历史数据计算长期协方差矩阵会面临样本数据不足的问题,从而导致协方差矩阵估计失效。目前常用的解决方法是直接对资产收益率的月度数据建模,得到月度的协方差矩阵,再通过累加月度协方差矩阵得到其他期限的协方差矩阵。然而,由于大类资产收益通常具有比较强的自相关性,资产收益的协方差矩阵往往表现出动态变化的特征。因此,直接通过累加月度协方差矩阵得到的长期协方差矩阵往往存在一定的问题。本文首先对资产收益建立了VARMA-GARCH模型,在此模型的基础上给出了一种有效的短期协方差矩阵向长期协方差矩阵转化的方法,并构建了考虑时变协方差的V-G-BL养老金资产配置模型,最后通过实际数据验证了考虑时变协方差的V-G-BL养老金资产配置模型的有效性。研究发现,使用时变协方差后,V-G-BL养老金资产配置模型在资产配置效果上优于不考虑时变协方差的养老金资产配置对比模型。（2）针对短期收益滚动预测的误差累积问题,提出了考虑长期收益预测的V-G-BL养老金资产配置模型。在均值-方差模型中,影响最终资产配置决策的主要参数是资产收益率和协方差矩阵,而已有文献的研究发现,最终的资产配置决策对资产收益率更加敏感,收益率很小的变动就可能使最终的投资决策发生巨大变化。BL模型虽然在均值-方差模型的基础上进行了改进,虽然避免了投资决策对资产收益率的敏感性问题,但当使用资产收益预测值来构造观点矩阵时,资产配置决策受资产收益预测准确度的影响较大。养老金资产配置具有投资期限长的特点,而资产收益往往通过短期数据进行建模,这就导致需要通过短期资产收益的滚动预测来得到长期资产收益的预测值。但滚动预测会造成误差累积,降低资产收益预测的准确度。为了避免滚动预测的误差累积问题,本文首先采用直接预测法来预测未来多期后的资产收盘价,通过直接预测长期收盘价来间接得到长期资产收益。进一步地,为了提高预测的准确性,本文将深度学习模型引入到资产收益预测中,在此基础上构建了考虑长期收益预测的V-G-BL养老金资产配置模型,最后通过实际数据验证了考虑长期收益预测的V-G-BL养老金资产配置模型的有效性。研究发现,加入长期收益预测的观点后,V-G-BL养老金资产配置模型在资产配置效果上优于滚动预测观点的养老金资产配置对比模型。（3）针对宏观经济环境对资产长期收益变化的驱动和影响,提出了考虑宏观经济因素的V-G-BL养老金资产配置模型。美林投资时钟将经济周期与资产轮动和行业配置策略联系起来,根据各时期通货膨胀及经济增长情况,将经济周期划分为不同阶段,并刻画了不同阶段大类资产在市场中的表现。因此,在不同经济周期阶段,所采取的资产配置政策不同,对各大类资产的投资权重不同。而养老金资产配置投资期限长,宏观经济环境对长期资产收益变化的驱动和影响会更加强烈。因此,在进行资产配置过程中,将宏观经济因素考虑进来,对于提高资产配置的效果是很有必要的。本文从宏观经济因素的建模入手,通过宏观经济指标划分了经济周期和货币周期。通过经济周期的分析,我们将经济周期状态划分为三个状态:经济稳定期,经济过渡期和经济过热期。通过货币周期的分析,我们将货币周期划分为货币宽松期和货币紧缩期。通过对经济周期和货币周期的统计分析发现,不同周期状态下,资产收益的情况具有很大的差异。基于经济周期和货币周期不同状态下,股票、债券和货币资产收益的表现,构造不同经济周期和货币周期下投资者的主观判断。基于经济周期和货币周期的分析,本文构建了考虑宏观经济因素的V-G-BL养老金资产配置模型,并通过实际数据验证了该模型的有效性。研究发现,加入经济周期和货币周期的观点后,V-G-BL养老金资产配置模型在资产配置效果上优于不考虑经济周期和货币周期的养老金资产配置对比模型。（4）针对协方差矩阵作为风险测度的不足,提出了CVaR风险测度下的V-G-BL养老金资产配置模型。在传统均值-方差资产配置模型中,以方差及协方差度量资产投资组合的风险,但有很多方面的不足。方差不能描述偏离方向,只描述了偏离程度,且方差不能衡量投资中可能遭遇的最大损失。CVaR比较有效地解决了这个问题,成为了金融领域更为常用的标准。本文从BL模型风险测度的改进入手,将CVaR风险测度引入到BL模型中,并给出了基于CVaR风险测度的BL模型的计算方法,构造了CVaR风险测度下的V-G-BL养老金资产配置模型。通过实际数据验证了CVaR风险测度下的V-G-BL养老金资产配置模型的有效性。研究发现,加入CVaR风险测度的养老金资产配置模型在资产配置效果上优于基于协方差矩阵风险测度的养老金资产配置对比模型。