本文围绕固收+策略中的大类资产配置问题，构建由机器学习生成相对观点、由Black-Litterman框架完成组合优化的动态资产配置模型。报告重点不在于复制某一只固收+基金的全部持仓，而是检验在债券、权益、可转债和现金四类代理资产之间，机器学习观点能否改善固收+组合的风险收益表现。
　　实证结果显示，推荐参数下ML-BL策略年化收益为6.26%，高于固定配置策略的5.98%；夏普比率由固定配置的2.09提升至2.25。与真实固收+产品对比时，ML-BL年化收益高于真实产品等权平均和中位数，风险调整收益接近真实产品等权平均。
　　关键词：固收+；Black-Litterman；机器学习；资产配置；观点置信度；真实产品对比
　　核心结论：
　　(1) ML-BL策略在样本外回测区间取得收益端改善，年化收益为6.26%，高于固定配置的5.98%，夏普比率提升至2.25。
　　(2)权益相对债券模型具有一定样本外排序能力，ROCAUC为0.624；转债相对债券模型ROCAUC为0.472，暂未显示稳定预测能力。
　　(3)无观点BL与固定配置在本次参数设定下基本重合，说明策略超额表现主要来自机器学习观点，而不是BL框架本身自动产生的收益。
　　(4)观点消融显示，权益观点是当前样本中更主要的信息来源；转债观点贡献较弱，后续需要更长样本和更多特征验证。
　　(5)真实产品对比显示，模型仅覆盖大类资产配置层，但收益和回撤特征已经接近真实固收+产品可比区间，具有一定配置研究参考价值。