🎯 今日核心问题
- 同样 5 只票,为什么换一种配比,波动率能差一倍,而收益几乎不变?
- 市值加权到底在「加权」什么——是收益,还是风险?
- 风险平价组合里,低波动票权重明显偏大,这是 bug 还是特性?
📖 精读提纲
【一】选股选出的是「哪些」,配置决定的是「多少」
前四周我们一直在解决「买什么」。但真实的净值曲线是权重和收益的乘积,一只年化 30% 的票只给你 2% 仓位,对组合贡献不到 0.6 个点;反过来,一只年化 5% 的票给你 40% 仓位,它就成了你风险的主要来源。这就是为什么同样的选股清单,两个人能做出完全不同的净值曲线——差异全在权重上。
配置方法千变万化,本质只有三件事:给谁多一些、怎么定义「多」、是否允许杠杆。
【二】等权:最笨,但最难被打败
等权就是每只 1/N。它的优点不是收益最高,而是不需要任何输入——不需要预测收益、不需要估计协方差,因此不会因为输入估错而崩掉。它对「小市值效应」和「均值回归」天然友好:涨多了权重被动升高,再平衡时自动减仓,等于内置了一个低买高卖。DeMiguel 等人在 2009 年对比了 14 种最优化方法,发现样本外很少有方法能稳定打赢 1/N——估计误差吃掉了优化的全部收益。
等权的代价是风险高度不均:如果你等权持有 5 只票,波动率从 18% 到 45%,高波动那只贡献的风险可能超过 30%,组合波动率就被它绑住了。上面代码的实测结果正是如此:等权下第五只票只占 20% 的权重,却贡献了 31.5% 的风险。
【三】市值加权:风险的「自然分布」
市值加权的逻辑是「市场平均持仓」,好处是容量大、换手低、不用调仓。但它加权的是市值,不是风险。历史上高市值往往对应高估值、高拥挤——2021 年初的「茅指数」就是典型:市值加权下这几只票占了宽基指数极高的权重,随后抱团瓦解,指数回撤被这几只票放大。
更深一层的问题是:市值加权从不「卖出」。一只票涨到泡沫,它的权重自动变大,你在泡沫里被动加仓;一只票跌到低估,它的权重自动变小,你在底部被动减仓。这和「低买高卖」正好相反。代码里市值加权把 30% 的风险集中在第一只票上,同时它的预期收益还低于均值——这是最典型的「风险与收益不匹配」。
【四】风险平价:让每只票的「风险贡献」相等
风险平价不问「谁涨得多」,只问「谁在贡献波动」。定义边际风险贡献 MRC = (Σw)ᵢ / σₚ,风险贡献 RCᵢ = wᵢ·MRCᵢ,风险平价要求 RCᵢ = 1/N。由于低波动资产的 MRC 小,必须给它更大的权重才能凑够 1/N——所以风险平价组合里,低波动票的权重会高于等权,高波动票被压到很小。
解析上有个很好用的近似:如果忽略相关性、只看波动率,最优解就是逆波动率加权 wᵢ ∝ 1/σᵢ。它不需要任何优化器,两行代码就能算,和完整风险平价的权重差异通常在几个百分点以内,是实盘最实用的版本。代码里的对比很清楚:风险平价 31.1% / 24.5% / 17.1% / 14.9% / 12.4%,逆波动率 30.0% / 24.6% / 18.0% / 15.4% / 12.0%,几乎一样。
【五】常见误区
- ❌ 以为风险平价能提高收益。它降低的是波动和回撤,收益提升是副作用(低波动票长期风险调整后收益更高,且组合可以用更低杠杆达到同等波动)。
- ❌ 用日频协方差直接做优化。日频噪声极大,估出来的矩阵常常是病态的,权重会跳到极端值;至少用 60 日以上、并做收缩估计(Ledoit-Wolf)。
- ❌ 把风险平价用在「同质化」的股票池上。如果 10 只票波动率都在 30% 附近、相关性 0.7,风险平价退化成等权,白折腾。
💻 代码示例
import numpy as np
from scipy.optimize import minimize
np.random.seed(42)
# 5 只票:年化波动率 18%~45%,相关性 0.3~0.6(模拟A股同一市场环境)
vol = np.array([0.18, 0.22, 0.30, 0.35, 0.45])
corr = np.array([
[1.00, 0.55, 0.45, 0.40, 0.35],
[0.55, 1.00, 0.50, 0.45, 0.38],
[0.45, 0.50, 1.00, 0.60, 0.50],
[0.40, 0.45, 0.60, 1.00, 0.55],
[0.35, 0.38, 0.50, 0.55, 1.00]])
cov = np.outer(vol, vol) * corr # 协方差矩阵 = 波动 × 相关
mu = np.array([0.10, 0.12, 0.15, 0.18, 0.22]) # 年化预期收益
cap = np.array([0.40, 0.25, 0.15, 0.12, 0.08]) # 自由流通市值占比
def stats(w):
w = np.asarray(w)
return float(w @ mu), float(np.sqrt(w @ cov @ w))
# ── 方式一:等权 ──────────────────────────────────────
w_eq = np.repeat(1 / len(mu), len(mu))
# ── 方式二:市值加权(A股宽基指数默认就是这个)──────────
w_mv = cap / cap.sum()
# ── 方式三:风险平价(数值优化)────────────────────────
def risk_contrib(w, c=cov):
port_var = w @ c @ w
mrc = c @ w / np.sqrt(port_var) # 边际风险贡献
return w * mrc / np.sqrt(port_var) # 各资产占总风险的比例
def rp_obj(w):
return np.sum((risk_contrib(w) - 1 / len(w)) ** 2) * 1e4
cons = [{"type": "eq", "fun": lambda w: w.sum() - 1}]
res = minimize(rp_obj, x0=np.repeat(1 / len(mu), len(mu)), method="SLSQP",
bounds=[(0, 1)] * len(mu), constraints=cons,
options={"maxiter": 1000, "ftol": 1e-12})
w_rp = res.x
# ── 风险平价的解析近似:逆波动率 ────────────────────────
w_iv = (1 / vol) / (1 / vol).sum()
print(f"{'方式':<12}{'年化收益':>10}{'年化波动':>10}{'收益/波动':>10}")
for name, w in [("等权", w_eq), ("市值加权", w_mv),
("风险平价", w_rp), ("逆波动率", w_iv)]:
r, s = stats(w)
print(f"{name:<12}{r:>9.2%}{s:>10.2%}{r/s:>10.2f}")
print(" 权重 " + " ".join(f"{x:6.1%}" for x in w))
print(" 风险占比 " + " ".join(f"{x:6.1%}" for x in risk_contrib(w)))
print("\n风险平价最大风险偏离:", f"{np.abs(risk_contrib(w_rp) - 0.2).max():.2%}")
✏️ 今日动手
1) 把上面 5 只票换成你上周 Top20 清单里的 5 只,用它们的真实日收益算协方差矩阵(returns.cov() * 252),再跑一遍三种配置,把权重表打印出来对比。
2) 算一下你的等权组合里「风险贡献最大的那一只」占了多少比例。如果超过 30%,说明你的组合其实是「一只票 + 四个陪衬」。
3) 把逆波动率权重和完整风险平价权重放在一起看差异。如果差异小于 3 个百分点,以后实盘直接用逆波动率,省掉优化器。
🔖 明日预告
今天三种方法都是「静态」的——权重算完就不动了。但市场波动是时变的:牛市底部波动 15%,崩盘时瞬间冲到 50%。明天讲波动率目标:如何用「目标波动 ÷ 当前波动」动态缩放仓位,让组合的风险暴露保持恒定。