🎯 今日核心问题

  1. 设定 40/30/25/5 的权重后,涨了半年变成 50/35/13/2,要不要调回去?
  2. 定期调仓和阈值调仓,哪个在A股更省成本、更有效?
  3. 为什么「调得越勤」在某些情形下反而收益更低?

📖 精读提纲

【一】漂移是必然的,问题是调不调

只要各资产收益不同,权重就必然漂移。你设 40% 大盘、30% 成长,一年后成长涨了 50%、大盘涨了 10%,实际权重可能变成 33% / 42%——风险敞口已经偏离了你的设计。漂移不只是「比例变了」,而是组合的波动率、最大回撤特征全变了:高波动资产涨上去之后权重变大,下一次下跌时它对你的伤害也放大。

再平衡的作用有两层:控制风险(把权重拉回设计值)、获取再平衡溢价(自动高卖低买,即波动率收割)。后者会被交易成本吃掉一部分。

【二】三种主流规则

规则 A:日历再平衡(定期)。固定时点调回目标。优点是简单、可预期、不依赖盯盘;缺点是不看市场——可能在毫无偏离的月份白交手续费,也可能在偏离 15% 时硬扛不动。

规则 B:阈值再平衡。任一资产偏离超过 X%(常见 3%、5%、10%)就调。优点是把交易花在真正需要的时候;缺点是阈值太窄会被成本磨死,而且触发往往发生在急涨急跌时,你正好在追高或割肉。

规则 C:混合规则(推荐)。按季度检查,只有偏离也超过阈值时才真正交易。既不在无意义时调仓,也不会被阈值频繁触发磨死,机构最常用。

【三】成本是决定性的变量

A股一次完整的买卖成本:佣金万 2.5(双边,最低 5 元)、卖出印花税千 0.5、过户费万 0.1、滑点千 1 起,合计单边约 0.17%。如果每月调仓,即使每次只有 3% 的换手,一年 12 次就是 36% 换手 × 0.17% ≈ 0.6% 的年化成本;而实际震荡市里每次换手往往超过 10%,年化成本能到 2% 以上,超过很多策略的全部 alpha。

反过来说,如果零成本,调得越勤越好:高频再平衡能最大程度收割波动率溢价。所以「多久调一次」的答案不是固定的,而是取决于成本 / 波动率的比值:成本高、波动小 → 少调;成本低、波动大 → 多调。

代码实测(8 年、四个资产 40/30/25/5)给出了很典型的排序:不调仓年化 3.97%;每月调 4.85% 但总换手 1.46、交了 0.25% 的成本;每季调 4.87%、总换手只有 0.75;阈值 5% 调仓次数只有 7 次、年化 4.70%;季度 + 阈值 3% 用 8 次交易拿到 4.78%,是「交易次数 / 收益」性价比最高的一档。零成本对照下结论更清楚:每月调 4.89%,仍然只比每季调高一点点——再平衡的频率收益是递减的,成本却是线性的。

【四】A股实盘的三个特殊性

第一,T+1 与整手限制。买入必须 100 股整数倍,小资金很难精确调到目标权重,实际有 0.5~1 个点的误差,别为这 1 个点反复交易。

第二,分红与送转会让权重被动变化。除权日价格下跌但股数增加,用「红利再投资」能自动修正一部分。

第三,赎回到账时间。场外基金赎回 T+1 到 T+3 才到账,再平衡有 1~3 天资金空窗,这段波动就是成本。

【五】常见误区

💻 代码示例

import numpy as np
import pandas as pd

np.random.seed(2024)
N = 252 * 8                                   # 8 年日频
days = pd.bdate_range("2017-01-03", periods=N)

# 4 个资产:A股大盘 / 中盘成长 / 债券 / 货币
vol = np.array([0.22, 0.32, 0.06, 0.01])
mu  = np.array([0.08, 0.10, 0.035, 0.02])
corr = np.array([[1.0, 0.80, -0.05, 0.0],
                 [0.80, 1.0, -0.10, 0.0],
                 [-0.05, -0.10, 1.0, 0.3],
                 [0.0, 0.0, 0.3, 1.0]])
cov_d = np.outer(vol, vol) * corr / 252
rets = pd.DataFrame(np.random.multivariate_normal(mu / 252, cov_d, N),
                    index=days, columns=["大盘", "成长", "债券", "现金"])

TARGET = np.array([0.40, 0.30, 0.25, 0.05])
COST = 0.0017                                 # 单边 0.17%(佣金+印花税+滑点)

def run(rebalance, cost=COST):
    """rebalance(i, w) 返回是否调仓;返回(终值, 总换手, 调仓次数)"""
    w, equity, turnover, n_reb = TARGET.copy(), 1.0, 0.0, 0
    for i, (_, r) in enumerate(rets.iterrows()):
        rv = r.values
        equity *= 1 + float(w @ rv)
        w = w * (1 + rv) / (1 + float(w @ rv))       # 权重随价格漂移
        if rebalance(i, w):
            trade = np.abs(w - TARGET).sum() / 2     # 单边换手率
            equity *= (1 - trade * cost)
            turnover += trade
            n_reb += 1
            w = TARGET.copy()
    return equity, turnover, n_reb

def perf(name, fn):
    e, t, n = run(fn)
    print(f"{name:<14}{(e**(252/N)-1):>8.2%}{e-1:>9.2%}{t:>9.2f}{n:>6d}"
          f"{t*COST:>9.2%}")

print(f"{'规则':<14}{'年化':>8}{'累计':>9}{'总换手':>9}{'次数':>6}{'成本':>9}")
perf("不调仓",   lambda i, w: False)
perf("每月调",   lambda i, w: i % 21 == 0)
perf("每季调",   lambda i, w: i % 63 == 0)
perf("阈值5%",   lambda i, w: np.abs(w - TARGET).max() > 0.05)
perf("阈值3%",   lambda i, w: np.abs(w - TARGET).max() > 0.03)

# 混合规则:季度才检查,且偏离也超阈值才真的交易
perf("季度+阈值3%", lambda i, w: i % 63 == 0 and np.abs(w - TARGET).max() > 0.03)

# ── 零成本对照:调得越勤是不是越好?─────────────────────
print("\n【零成本对照】COST = 0")
for name, fn in [("不调仓", lambda i, w: False),
                 ("每月调", lambda i, w: i % 21 == 0),
                 ("阈值5%", lambda i, w: np.abs(w - TARGET).max() > 0.05)]:
    e, _, _ = run(fn, cost=0.0)
    print(f"  {name:<8}年化 {(e**(252/N)-1):>7.2%}")

✏️ 今日动手

1) 用你自己的目标权重,跑上面六种规则的对比,把年化、总换手、调仓次数记成一张表。重点看「阈值 3%」和「季度 + 阈值 3%」的差异。

2) 把 COST 改成 0 再跑一遍。如果零成本下「每月调」明显更优,说明你的组合确实有可收割的波动率溢价;如果零成本下也没优势,说明你的资产之间波动差异不够大,再平衡收益本就微薄。

3) 找出过去 8 年里阈值触发最密集的 3 个时段,看看它们是不是都在急涨急跌里。如果是,考虑给阈值规则加一条「单月最多调一次」的限制。

🔖 明日预告

今天所有讨论都假设「组合里每只票都合法地待着」。但如果某只票涨到占你 35%、某个行业占你 60%,再平衡规则救不了你。明天讲组合层面的硬风控:单票上限、行业上限、最大回撤熔断——那些不参与优化、直接砍仓的规则。