🎯 本周回顾

这一周换了视角:从「买什么」转到「买多少」。六天下来,三个结论值得记住:

第一,权重决定风险,选股决定收益。同样 5 只票,等权组合的风险贡献从 9.9% 到 31.5% 极度不均,风险平价的 20% 一律相等。组合波动从 19.1%(市值加权)到 23.2%(等权),差 4 个点,而收益差只有 2 个点——风险维度的差异远大于收益维度的差异。

第二,分散化在 A股 是有条件的。正常期行业平均相关 0.29、分散化比 0.66;2015 年股灾期相关冲到 0.79、分散化比 0.91,等权持 6 个行业累计 -18.0%,还不如单持。跨资产(股债)才是真正有效的分散。

第三,硬约束比聪明优化更能保命。D6 的回测里,加上单票 10% / 行业 30% 上限,年化从 7.91% 提到 8.59%;而最大回撤熔断把年化打到 -0.12%。限制集中度永远有效,猜方向常常是自残。

📊 今日核心:同一批选股,三种配置对比回测

今天不做新理论,只做一次对照实验:用完全相同的一批选股结果(每月 20 只,行业与市值固定),只改权重算法,看净值差多少。这是检验「配置是否真的重要」的唯一严格方法——锁死选股,只留权重。

代码做了四件事:生成 8 年 × 96 个月、带行业/市值/波动的选股面板(收益 = 市场因子 + 行业因子 + 特质,低波动有微弱正 alpha);实现三种权重函数,风险平价用 SLSQP 最小化风险贡献偏差;逐月回测并扣 0.17% 单边成本;叠加 D6 上限约束与 D5 降频调仓。

读结果注意三件事:看夏普而不是年化(市值加权收益不差,那是暴露,不是配置技巧);看最大回撤(风险平价的价值几乎全在回撤上);看换手(风险平价每月重算协方差,成本必须计入)。

本次实测结果(8 年、96 个月)

等权年化 9.83%、波动 25.19%、夏普 0.39、最大回撤 -19.88%;市值加权年化 6.60%、波动 22.94%、夏普 0.29、最大回撤 -29.26%;风险平价年化 9.24%、波动 24.35%、夏普 0.38、最大回撤 -20.47%。三个数字值得细看:

加上 D6 的单票 10% / 行业 30% 上限之后,年化 9.00%、波动 24.00%、回撤 -20.28%——上限在这里略微牺牲了收益(0.24 个点),换来的是权重可控与可执行性。这就是真实决策:没有免费的改进,只有明确的取舍。

三种配置的本质差异(一句话版)

💻 代码示例

import numpy as np
import pandas as pd
from scipy.optimize import minimize

np.random.seed(2026)
N_MONTH, N_STOCK, N_SEC = 96, 20, 6          # 8 年 × 每月选 20 只 × 6 行业
months = pd.period_range("2018-01", periods=N_MONTH, freq="M")
sec_labels = np.array(["消费", "医药", "科技", "金融", "制造", "周期"])
VOL_BY_SEC = np.array([0.26, 0.34, 0.42, 0.22, 0.30, 0.36])

# ── 1. 构造「同一批选股」:每月 20 只,含行业标签、市值、波动、月收益 ──
rows, prev_cap, ret_prev = [], None, None
for m in months:
    sec = np.random.choice(6, N_STOCK, p=[0.25, 0.20, 0.20, 0.15, 0.12, 0.08])
    vol = VOL_BY_SEC[sec] * np.random.uniform(0.8, 1.25, N_STOCK)
    # 市值:承接上月市值并随价格变动(保证市值加权不会被"每天重建市值"污染)
    if prev_cap is None:
        cap = np.exp(np.random.normal(0, 1.1, N_STOCK))
    else:
        cap = prev_cap * (1 + ret_prev)
    cap = cap / cap.sum()
    # 收益 = 市场因子 + 行业因子 + 个股特质;低波动票有微弱正 alpha
    mkt = np.random.normal(0.005, 0.035)
    sec_f = np.random.normal(0, 0.03, 6)[sec]
    idio = np.random.randn(N_STOCK) * vol / np.sqrt(24)
    ret = mkt * 1.0 + sec_f + idio + (0.30 - vol) * 0.03
    rows.append(pd.DataFrame({"month": m, "sec": sec, "vol": vol,
                              "cap": cap, "ret": ret}))
    prev_cap, ret_prev = cap, ret
panel = pd.concat(rows, ignore_index=True)

# ── 2. 三种权重函数 ─────────────────────────────────────
def w_equal(g):
    return np.repeat(1 / len(g), len(g))

def w_cap(g):
    return (g["cap"] / g["cap"].sum()).values

def w_riskparity(g, cov):
    n = len(g)
    def rc(w):
        pv = w @ cov @ w
        return w * (cov @ w) / pv
    res = minimize(lambda w: np.sum((rc(w) - 1 / n) ** 2) * 1e4,
                   np.repeat(1 / n, n), method="SLSQP",
                   bounds=[(0, 1)] * n,
                   constraints=[{"type": "eq", "fun": lambda w: w.sum() - 1}])
    return res.x

# ── 3. 逐月回测(协方差用当月行业波动 + 0.35 行业间相关估计)──
def build_cov(g):
    sd = g["vol"].values / np.sqrt(12)
    C = np.full((len(g), len(g)), 0.35)
    C[g["sec"].values[:, None] == g["sec"].values[None, :]] = 0.65
    np.fill_diagonal(C, 1.0)
    return np.outer(sd, sd) * C

COST = 0.0017
def run(wfunc, max_stock=None, max_sec=None, rebalance_every=1):
    nav, prev_w, turnover = 1.0, None, 0.0
    curve = []
    for k, m in enumerate(months):
        g = panel[panel.month == m].reset_index(drop=True)
        if prev_w is None or k % rebalance_every == 0:
            w = wfunc(g)
            if prev_w is not None:
                turnover += np.abs(w - prev_w).sum() / 2
                nav *= 1 - np.abs(w - prev_w).sum() / 2 * COST
        else:
            w = prev_w                    # 不调仓:权重漂移靠收益实现
        # 硬约束:单票 / 行业上限(本周 D6)
        if max_stock:
            w = np.minimum(w, max_stock)
            w = w / w.sum()
        if max_sec:
            for s in range(6):
                idx = np.where(g["sec"].values == s)[0]
                if w[idx].sum() > max_sec:
                    w[idx] *= max_sec / w[idx].sum()
            w = w / w.sum()
        r = float(w @ g["ret"].values)
        nav *= 1 + r
        prev_w = w * (1 + g["ret"].values) / (1 + r)
        curve.append(nav)
    return np.array(curve), turnover

def report(name, curve, turnover):
    m = np.diff(np.concatenate([[1.0], curve]))
    ann = curve[-1] ** (12 / N_MONTH) - 1
    vol = m.std() * np.sqrt(12)
    dd = (curve / np.maximum.accumulate(curve) - 1).min()
    print(f"{name:<20}{ann:>8.2%}{vol:>8.2%}{ann/vol:>7.2f}{dd:>9.2%}"
          f"{turnover:>9.2f}")

print(f"{'配置方式':<20}{'年化':>8}{'波动':>8}{'夏普':>7}{'最大回撤':>9}{'总换手':>9}")
for name, fn in [("等权", w_equal), ("市值加权", w_cap),
                 ("风险平价", lambda g: w_riskparity(g, build_cov(g)))]:
    c, t = run(fn)
    report(name, c, t)

# ── 4. 加风控 / 降频 ───────────────────────────────────
c, t = run(lambda g: w_riskparity(g, build_cov(g)), max_stock=0.10, max_sec=0.30)
report("风险平价+上限", c, t)
c, t = run(lambda g: w_riskparity(g, build_cov(g)), rebalance_every=3)
report("风险平价(季调)", c, t)

# ── 5. 风险平价的权重长什么样 ──────────────────────────
g0 = panel[panel.month == months[0]].reset_index(drop=True)
w_rp0 = w_riskparity(g0, build_cov(g0))
print("\n首月权重(按行业汇总):")
for s in range(6):
    idx = np.where(g0["sec"].values == s)[0]
    print(f"  {sec_labels[s]}: 只数 {len(idx):>2}  风险平价 {w_rp0[idx].sum():>6.1%}"
          f"  等权 {len(idx)/N_STOCK:>6.1%}  市值 {g0['cap'].values[idx].sum():>6.1%}")

✏️ 今日动手:产出你的配置决策表

1) 用第4周的 Top20 清单按三种方式各配一次仓位,对比差异最大的 5 只。问自己:风险平价减仓的那几只,我是不是本来就没什么把握?

2) 把 D2 的波动率目标、D6 的单票/行业上限叠加到你的配置上,形成一份「最终执行权重表」:目标权重 → 波动率缩放 → 上限截断 → 取整到 100 股,一步步写清楚每一步改了什么。

3) 存成 portfolio_policy.md:三种配置结论、你的选择及理由、单票/行业上限、熔断阈值、再平衡规则、以及「什么情况下会改规则」。

4) 回测「每季调 + 偏离 3%」与「每月调」在你组合上的成本差。差不到 0.2% 就选简单的那个。

🔖 下周预告

第6周进入40 万实盘配置方案,把权重理论落到具体的钱和品种上:股债 8:2 的落地细节、核心(宽基/红利)+ 卫星(策略选股)结构、R2 及以下短持有期债基筛选、现金管理(货基/同业存单/逆回购)、分批建仓 vs 一次性、再平衡执行细则。产出是一份可直接执行的配置书。