组合构建与资金管理 on 云栖

MPT 与均值-方差优化：洞见与局限

Mon, 01 Jan 0001 00:00:00 +0000

Markowitz（1952）用一个洞察开创了现代金融：组合的风险不是成分风险的加权和，相关结构才是风险的本质——这半个公式的分量值得一个诺贝尔奖（见线性代数的协方差推导）。本篇讲 MPT 的构造、它著名的两大顽疾，以及工程界如何与它的缺陷共处。

均值-方差框架与有效前沿

问题形式化：给定期望收益向量 μ、协方差矩阵 Σ，求解

max wᵀμ − (λ/2)·wᵀΣw s.t. wᵀ1 = 1

λ 是风险厌恶系数——它就是「每承担一单位方差，要求多少期望收益补偿」的影子价格（拉格朗日的经济学含义，见优化）。对每个 λ 求解得到一条曲线：有效前沿——同等风险下期望收益最高的组合集合。前沿的两个极点值得记住：λ→0 得到全局最小方差组合（GMV）（不需要估计 μ！，后文有用），λ→∞ 得到最大收益组合（全是单一资产）。

MPT 的持久遗产不在于前沿本身，而在三个可操作的结论：分散化的价值可计算；「该持有什么」由 μ 与 Σ 共同决定；组合层决策优于标的层决策（先定组合再挑股票，而不是反过来）。

顽疾一：误差最大化（error maximization）

均值-方差优化器需要输入 μ 的估计——而 μ 恰好是金融里最难估计的量。难到什么程度，算一笔统计账：

1
2
3
4


用 10 年月度数据（120 个观测）估计某资产年化均值 μ：
样本均值的标准误 ≈ σ/√T = 20%/√10 ≈ 6.3%/年
也就是说：真实 μ = 8% 的资产，你的估计值有 68% 的概率落在 1.7%–14.3% 之间
而策略之间的真实 μ 差异，往往只有 1–3% —— 估计噪声比信号大一个数量级

更糟的是优化的数学性质：优化器会系统性地把估计误差最大的资产权重放到最大——μ 被高估最多的资产被超配（它「看起来」最好），Σ 低估的协方差被用作对冲杠杆。结果是：优化器的输出权重与「真实最优」的相关性常常是负的（Michaud 的经典批评：均值-方差优化器是「误差最大化器」）。

实证判决：全样本优化的组合在样本外普遍跑输 1/N 等权组合（DeMiguel 等人 2009 的著名研究：14 个优化模型在多项指标上无一稳定击败等权）——这是对过度优化最直接的判决。

顽疾二：权重的不稳定

μ 或 Σ 的微小扰动 → 权重剧烈翻转 → 巨额换手与交易成本。典型症状：「本月优化器说满仓 A，下月说清仓 A 买 B」——组合变成了参数噪声的放大器。权重不稳定还来自 Σ 的病态（N > T 时奇异，见线性代数），优化器在零空间方向上任意游走。一个诊断手法：把 μ 加减 10% 噪声重跑优化器 20 次，看每个资产权重的标准差——权重标准差超过权重均值一半的资产，说明优化器对它毫无把握。

工程修补：与 MPT 共处的五种方式

实务界的应对不是抛弃 MPT，而是给优化器「上枷锁」：

收缩估计：Σ 用 Ledoit-Wolf 收缩（见线性代数）；μ 同样可收缩（向 GMV 隐含收益或横截面均值收缩）——用偏差换方差，权重稳定性显著改善；
约束压制：权重上下限（单票 ≤ 5%）、换手约束（|w − w₀|₁ ≤ c）、行业偏离约束——约束本身就是正则化（见约束优化）。带约束的优化器输出更保守，但样本外更稳——这是「用最优性换稳健性」的经典交易；
重采样优化（Resampled Efficiency）：在 (μ, Σ) 的估计不确定性下多次模拟重抽、各自求前沿、取平均权重——把「单点最优」平滑成「分布平均」；
换掉 μ：风险平价思路——干脆不估计收益，只按风险贡献配置（见风险平价）。GMV 组合同理：它是前沿上唯一不需要 μ 的点，这也是其样本外表现常很稳健的原因；
观点进模型：Black-Litterman——用市场均衡作为 μ 的先验、把主观/量化观点贝叶斯式融入，得到「稳中带观点」的期望收益（见Black-Litterman ）。

个体研究者的务实建议

默认起点是等权 + 约束，把优化器当「微调器」而不是「决策者」——等权是你的敌人，也是你的陪练；
每次优化输出必附权重稳定性检查（扰动 μ±10%、Σ 用收缩/未收缩两版，看权重翻转幅度）；
换手成本进优化目标（带交易成本的均值-方差，惩罚 |w−w₀|），否则优化器会用高频换权重「买」理论最优；
记住本篇的元教训：优化器的输出质量上限 = 输入估计的质量，而金融输入的估计质量天然糟糕——所有成功的「优化」都是被约束驯化过的优化。

关联阅读：输入的估计术线性代数；不估 μ 的路线风险平价；观点的正规化Black-Litterman 。

Black-Litterman 模型：观点的贝叶斯融合

Mon, 01 Jan 0001 00:00:00 +0000

Black-Litterman（1992）解决的是一个具体而普遍的病：均值-方差优化器对期望收益的估计过敏（过敏的病理见MPT 的两大顽疾）。它的药方 elegantly 贝叶斯：不要凭空估计 μ——市场组合本身就是一个隐含的期望收益估计（大家都按市值持有，说明市场在用脚投票），把它当先验，再把你自己的观点当证据，融合出后验。

模型的直觉版：三步故事

反解均衡收益：给定市场权重 w_mkt 与风险厌恶 λ，反解出「恰好让市场组合成为最优」的隐含期望收益：π = λΣw_mkt。这是先验——不引入任何观点时，就按市场权重配置（合理、稳定、无观点风险）；
表达观点：观点是「对某些资产的期望收益的判断 + 置信度」。例：观点 1——「未来一季 A 股跑赢债券 3%」（相对观点，置信度 60%）；观点 2——「黄金年化收益 5%」（绝对观点，置信度 40%）。相对观点是对冲友好的形态（市场整体方向的判断被约掉了）；
贝叶斯融合：后验收益 μ_BL 是 π 与观点按置信度的加权调和——置信度高则后验偏向观点，置信度低则偏向市场均衡。置信度的另一面是观点的方差（Ω 矩阵）：它把「我觉得大概」与「我有充足证据」量化地区分开。

一个完整算例：观点如何拉动权重

1
2
3
4
5
6
7
8
9


资产池：A 股股票 70% / 债券 30%（简化为两资产，Σ 与 λ 已校准）
反解均衡收益：π = (股 6.2%, 债 2.8%) → 无观点时最优权重 ≈ 市值权重

观点：未来一季股跑赢债 1.2%（年化 ≈ 4.8%），置信度 50%（Ω 设为该观点
 方差的一半——置信度越高 Ω 越小）

融合结果：
 μ_BL = (股 6.9%, 债 2.6%) ← 股的预期被拉高、债被拉低（相对观点的两端）
 BL 最优权重 = 股 74% / 债 26% ← 只偏了 4 个点，而不是「看多股票就满仓股」

注意这个例子的精髓：权重变化 ≈ 观点强度 × 置信度（4.8% 的观点、50% 置信 → 4% 的权重偏移），可解释、可审计。均值-方差的老做法里，「看多股票」的直接后果常常是 90% 股票仓位 + 杠杆——BL 把这个过激反应驯化了。

输入、输出与工程要点

输入	含义	工程来源
Σ	协方差矩阵	Ledoit-Wolf 收缩估计（见线性代数）
w_mkt	市场均衡权重	市值权重；A 股可用全市场自由流通市值
λ	风险厌恶	反解：用历史数据校准（常 2–5）
观点 Q, P, Ω	观点收益/映射/方差	量化因子信号转观点（下文）

输出三个：后验期望收益 μ_BL（喂给均值-方差优化器）、后验协方差（观点的不确定性也影响风险）、以及后验最优权重——第三项是最有价值的交付物。

工程要点三则：观点数量远小于资产数（5–10 条观点对 20 个资产是常态，观点太多则 Ω 的设定主导一切，模型名存实亡）；τ 参数（先验方差的缩放，常取 1/T ~ 0.05）控制「多信市场」——它是 BL 最敏感的旋钮，要做敏感性分析；观点置信度的自动化：Ω 可由观点的历史命中率校准（回测你的观点，看其误差分布）而不是拍脑袋。

量化策略怎么用 BL

BL 常被误解为「主观投资者的工具」，其实它是量化观点的正规化出口：

因子信号 → 观点：多因子模型给出各资产的打分 zᵢ → 转化为相对观点（「Top 组跑赢 Bottom 组 x%」，置信度由因子 IC 稳定性定）——BL 把因子信号嵌入配置框架而不直接接管权重；
策略组合层（Meta-Strategy）：各子策略输出观点（各自的预期超额 + 由历史跟踪误差定的置信度）→ BL 统一融合成总组合——比净额合并更优雅的多策略架构（见策略组合）；
战术配置层：战略配置（战略权重，见资产配置）为市场均衡权重，宏观观点作为战术观点叠加——BL 生成的偏离自动带风险预算（偏离幅度与置信度成比例），治好了「战术观点一激动就大幅偏离」的老毛病。

与其他方法的坐标

vs 纯均值-方差：BL 用均衡先验驯服了 μ 的估计噪声——权重稳定性大幅改善，代价是引入 τ/Ω 两个新旋钮；
vs 风险平价：风险平价无观点（纯风险驱动），BL 是「均衡打底 + 有纪律的观点」——两者可分层组合（核心用风险平价，卫星用 BL 表达观点）；
vs 等权：BL 在「无观点」时收敛回市场权重（≠ 等权）——它的起点是「承认市场」，这与等权的「承认无知」哲学不同；两者都对优化过敏免疫。

关联阅读：先验的数学概率论基础的贝叶斯节；均衡与市场组合的源头MPT ；观点的自动化来源因子库。

风险平价与等风险贡献

Mon, 01 Jan 0001 00:00:00 +0000

风险平价（Risk Parity）的一句话定义：让每个资产对组合总风险的贡献相等，而不是让每个资产占用的资金相等。它是对 MPT「不估计 μ 也能配置」路线的极致发挥——桥水全天候（1971 年起）是其最著名的实践。

风险贡献的数学

资产 i 的风险贡献（Risk Contribution）：

RC_i = w_i × (∂σ_p/∂w_i) = w_i × (Σw)_i / σ_p

即「该资产的权重 × 它的边际风险贡献」。组合总风险 σ_p = Σ RC_i——风险贡献之和恰好等于总风险（欧拉齐次函数定理的美妙结果）。风险平价 = 求解 w 使所有 RC_i 相等：RC_1 = RC_2 = … = RC_n = σ_p / n。

两资产的直觉解：股票与债券，波动率 20% vs 5%（比值 4:1）。等风险贡献要求 w_股×20% ≈ w_债×5% → w_债 ≈ 4 × w_股 → 解得约股 20%/债 80%。「债券占 80%」在资金视角看着离谱，在风险视角是恰好平衡——这就是风险平价的第一课：资金权重与风险贡献是两套完全不同的账。

为什么这是对的方向？因为组合的亏损风险由风险贡献主导：上例中若股债各 50% 资金，股票贡献了组合风险的 ~89%——「均衡的资产配置」实际是 89% 的赌注押在股票上。2008 年「60/40 组合」的 -30% 回撤就是这笔隐性赌注的账单。

为什么需要杠杆：风险平价的第二课

全债券化的权重让组合总波动只有 5%–6%——远低于股票的 15%–20%，资金效率浪费。解法是给低波组合加杠杆到目标波动（如 10%）：杠杆化后的风险平价组合，长期夏普显著高于纯股票（历史回测约 0.8–1.0 vs 股票的 0.5）。杠杆在这里的用途是「复制无风险利率之上的风险一致」，与投机杠杆（放大方向暴露）性质不同——但杠杆成本（融资利率）直接吃掉收益，这是风险平价在加息周期最大的敌人（下文）。

2022 年的翻车：三重打击的解剖

2022 年全球股债双杀，风险平价组合录得历史上最差年度（多数 -15% 到 -25%），解剖它对理解这类策略的边界极有价值：

股债负相关假设失效：风险平价的核心分散化假设是「股债负相关（衰退时债涨对冲股跌）」——2022 年通胀驱动下同涨同跌（加息杀估值也杀债券价格），50 年一遇的 regime 翻转。教训的精确表述：风险平价不是无假设的，它押注的是「增长与通胀负相关的金发姑娘世界」；
杠杆的顺周期性：波动率上升 → 风险预算超限 → 机械减仓 → 卖压加剧波动 → 继续减仓——vol targeting 的减仓螺旋在流动性差的市场里放大跌势（与 2020 年 3 月的同类螺旋同构，见组合风险）；
杠杆成本：融资利率随加息飙升，直接侵蚀本就摊薄的收益——2022 年融资成本从 ~1% 升到 ~4%+，直接吃掉低波策略 3 个点。

教训的正确读法：不是「风险平价错了」，而是**「风险平价有自己失效的天气」**。任何配置方法都内嵌 regime 假设，差别只在假设显不显式（Regime 思维见因子失效）。

务实用法：本土化的三层落地

核心-卫星架构：核心仓位用风险平价思想做「风险均衡底盘」（股/债/商品/黄金按风险贡献配），卫星仓位做战术观点（因子轮动、宏观择时）——底盘保证生存，卫星贡献弹性；
个人无杠杆版：国内融资成本高、工具受限（个人难复制桥水的杠杆结构），务实做法是「无杠杆风险平价 + 接受低波动 + 用转债/商品期货等自带杠杆的工具补充」——或者更朴素：按风险贡献决定「股债比」（波幅 4:1 → 20/80），作为一切策略之下的资产底盘（见大类资产配置）；
风险预算的推广：等风险贡献只是特例，风险预算（Risk Budgeting）是它的推广形态——给不同资产/策略指定任意比例的风险预算（趋势 30%、多因子 40%……，见策略组合），用同一套优化反解权重。风控官与 PM 对话的语言从此统一为「风险预算表」。

工程提醒：风险平价优化的输入只需要 Σ（不需要 μ）——但 Σ 的估计质量仍然决定一切（收缩估计必配，见线性代数）；权重求解是凸优化（多数情形）或迭代（exact ERC），开源实现见 PyPortfolioOpt/riskfolio-lib（见框架概览）。

关联阅读：风险贡献的数学线性代数；加杠杆的纪律杠杆与保证金；宏观 regime 的识别经济周期。

约束优化：把投资直觉变成数学边界

Mon, 01 Jan 0001 00:00:00 +0000

未经约束的优化器是危险的（见MPT 的两大顽疾），而约束正是驯化它的缰绳。本篇把组合优化中最常用的约束整理成目录——每一类都给出数学形式、金融含义、参数怎么定，并讨论约束的隐性代价。

约束目录

① 预算与边界（必选）

1
2


Σwᵢ = 1 预算约束（满仓；含现金时 =1 即可）
lᵢ ≤ wᵢ ≤ uᵢ 单票上下限（l=0 禁做空；u 常取 3%–8%）

单票上限的依据：个股黑天鹅的容忍度——上限 5% 意味着单票腰斩对组合伤害 2.5%。流动性修正：小票的上限应更低——uᵢ = min(5%, k × ADVᵢ × 清仓天数)（保证 3 日可清仓，见流动性）。算例：某票 ADV 8000 万，按 10% 参与率 × 3 日 = 2400 万可承接；净值 5 亿时对应权重上限 4.8%——流动性给的约束比风控给的更紧。

② 行业与风格暴露（指增必选）

1
2


|Σ_{i∈行业j} wᵢ − 基准j| ≤ b_j 行业偏离上限
|wᵀF − 基准ᵀF| ≤ c_k 风格因子暴露上限（F 为风格暴露矩阵）

参数设定不是拍脑袋而是风险预算的翻译：风格暴露上限 ≈ 跟踪误差预算的分解——TE 5% 的指增，单风格暴露常限 |z| ≤ 0.5，行业偏离 ≤ ±3%。反推方法：用风险模型算每个约束顶格时的 TE 贡献，让「所有约束同时顶格」的 TE 恰好等于预算（见组合风险）。主动暴露 = 主动押注：每次放开约束都要能回答「这个押注的 alpha 来源是什么、由谁批准」。

③ 换手约束（成本卫士）

1
2


|w − w₀|₁ ≤ c L1 换手预算（买卖总额）
|w − w₀|ᵢ ≤ δᵢ 单票调仓幅度（缓冲带）

参数：月频多因子的合理换手预算约 20%–60%/期（L1 双边口径）；更精细的做法是把交易成本直接写进目标函数：max wᵀμ − (λ/2)wᵀΣw − Σ cᵢ|wᵢ − w₀ᵢ|——让优化器自己权衡「调仓收益 vs 成本」，这是约束法的连续版，通常更优。缓冲带（如「跌出 Top 50 才卖 Top 30 的持仓」）是无优化器场景的等效品，能把换手砍半而 IC 损失极小（见横截面策略）。

④ 流动性与可交易性（A 股必选）

1
2


wᵢ × 净值 ≤ α × ADVᵢ × 净值 参与率约束（α≈5%–10%）
持仓 ∈ 可交易集合（非停牌、非涨停买入、非ST...） 禁交易名单

这类约束的价值在回测里体现为诚实：不加参与率约束的回测会给你一个实盘买不进的小票权重。禁交易名单是动态集合（每日更新停牌/涨跌停状态），引擎在撮合层强制执行（见回测框架设计）。

⑤ 组合级风险约束（风险预算的落点）

1
2
3
4


wᵀΣw ≤ σ²_max 波动率上限
wᵀΣ_f w ≤ 预算 因子风险预算
CVaR(w) ≤ L_max 尾部风险约束（CVaR 优化，可线性化求解）
RC_i 均衡 风险贡献约束（风险平价的推广，见[风险平价](/quant/risk-parity/)）

约束的隐性代价：影子成本要记账

每条约束都在放弃一点理论最优——拉格朗日乘子（影子价格）告诉你放弃了多少（见优化）：行业约束的乘子 = 该约束每收紧 1% 损失多少期望收益。实务用法：

乘子常年接近零的约束 → 过度保守，可放宽（释放被无谓束缚的 alpha）；
乘子巨大且波动 → 约束在深度绑定组合，检查是约束太紧还是信号有问题（信号若与约束激烈冲突，常常是信号本身带了不想要的风险暴露）。

季度评审一次「乘子报表」，是约束体系保持健康的最简单手段。

工程实现

Python 栈的务实选择：cvxpy（凸优化建模 DSL，接口直觉、solver 可换 ECOS/OSQP/Clarabel）是学术与中小机构标配。一个最小可用的均值-方差 + 约束样例：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


import cvxpy as cp

w = cp.Variable(n)
obj = cp.Maximize(mu @ w - lam * cp.quad_form(w, Sigma)
 - cost * cp.norm1(w - w_prev)) # 含换手成本
cons = [cp.sum(w) == 1, w >= 0, w <= 0.05,
 industry_dev(w) <= 0.03, # 行业偏离（示意）
 cp.norm1(w - w_prev) <= 0.4] # 换手预算
prob = cp.Problem(obj, cons)
prob.solve(solver="CLARABEL")

线性/二次约束的组合优化是标准 QP，毫秒级可解；CVaR 约束可线性化；带整数约束（手数取整、最小手数）会失去凸性——工程上常用「连续解 + 后处理取整 + 再校验约束」的近似路线。开源参考实现见 PyPortfolioOpt/riskfolio-lib（见框架概览）。

一条元原则收尾：约束的清单其实是你投资哲学的形式化——「不押单一行业」「不做高换手」「要能随时清仓」这些价值观，写成约束才不依赖盘中的意志力。约束不是 alpha 的敌人，而是让 alpha 可长期兑现的结构。

关联阅读：约束赖以工作的数学微积分与优化；暴露的监控闭环组合风险；换手成本的科学交易成本分解。

仓位 Sizing：等权、波动率倒数、Kelly 与风险预算

Mon, 01 Jan 0001 00:00:00 +0000

信号告诉你「买什么」，仓位决定「买多少」——同一信号，不同 sizing 的长期复利差异可达数倍。本篇四种方法按数学含量递进，每种都附「它的失效方式」——sizing 方法的风险不在选哪种，而在不知道自己方法的边界。

等权：被低估的基准

每个标的固定相同权重（Top N 等权）。它的名声朴素，但表现常出人意料：DeMiguel 的经典研究里，1/N 等权击败了 14 种优化组合（见MPT ）。原因：等权不做任何估计（μ、Σ 全不需要），省下的估计误差大于优化带来的收益。

失效方式：对波动差异大的持仓（股票+期权混搭），等权让高风险资产实际承担了不成比例的风险——等权是「资金视角」的平等，不是「风险视角」的。

波动率倒数：风险的标准化

wᵢ ∝ (1/σᵢ)，有时再乘以目标波动率做总量控制：wᵢ = (目标σ/σᵢ) × (1/N)。效果：每个持仓对组合波动的贡献近似相等——组合的滚动波动率变平稳（「波动率目标」的组合内版，见时序策略）。

它内嵌了一个正确的统计学直觉：**用 σ 估计（相对可靠）替代 μ 估计（极不可靠）**来驱动仓位。CTA 与宏观策略的默认选择。

失效方式：σ 骤变时（平静期加的仓遇上突发波动）会有一次性的仓位超调——需要配合 GARCH 类前瞻波动估计与仓位调整的滞后设计；另外它完全不看预期收益——「更稳的信号该配更大仓位吗」它回答不了（那是 Kelly 的领域）。

Kelly 公式：最优与危险并存

Kelly 的直觉：最大化长期复利增长率的仓位。二项版本的公式：

f* = (bp − q) / b

p=胜率、q=1−p、b=盈亏比。完整算例：

1
2
3
4


某策略：胜率 40%，平均盈亏比 2.5（赚 2.5% 亏 1%）
f* = (2.5×0.4 − 0.6)/2.5 = (1.0 − 0.6)/2.5 = 16%
→ Kelly 说每笔下 16% 资金
半 Kelly = 8%；四分之一 Kelly = 4%

连续版本：f* = μ/σ²（超额收益/方差）。Kelly 的三个深刻性质：长期增长率最优（超过 f* 的仓位反而降低增长率——过度自信在数学上被惩罚）；永不破产（比例下注理论上不会归零）；回撤巨大（f* 全额下注时，一半概率经历 −50% 回撤——增长最优的代价是路径惨烈）。

实务标准是半 Kelly（f/2）甚至四分之一 Kelly*：因为 μ 的估计误差极大（Kelly 对 μ 过敏——μ 高估 20%，f* 就超配 20%，而 μ 恰恰是最不可靠的估计，见MPT 的同款顽疾），且半 Kelly 的增长率只损失约 25% 而回撤与方差减半——用增长换生存的教科书交易。

失效方式：Kelly 假设「参数已知 + 可无限细分 + 独立重复」——金融全不满足。连续加仓场景下相关性会击穿 Kelly（多仓同时回撤）——组合层面的 Kelly 必须用协方差版本（F = Σ⁻¹μ，向量解），且仍要叠加回撤熔断（见事前风控）。历史上把「全 Kelly」当信仰的账户没有长寿的（索普用它赢赌场时对参数一清二楚，进了市场他也只用几分之一 Kelly，见索普）。

风险预算：工程化的总纲

前三种方法的统一框架是风险预算：为每个决策单元（标的/策略/因子）指定风险贡献的配额，反解资金权重（数学见风险平价）。它的真实价值在管理语义：风控与投资的对话从「仓位多少」升级为「风险预算多少」——

1
2
3
4
5
6


预算表示例（月度）
总风险预算：组合年化波动 ≤ 12%，回撤线 -15%
├─ 多因子选股 50%（风格暴露 z ≤ 1）
├─ 趋势 CTA 25%（单市场名义 ≤ 30%）
├─ 事件驱动 15%（单事件 ≤ 0.5%）
└─ 现金缓冲 10%

预算超限的动作自动化（超配的减、欠配的可不加），与事中风控的熔断梯子衔接。

四种方法的选择树

1
2
3
4


无可靠估计（新策略/试运行）→ 等权
持仓波动差异大、求平稳 → 波动率倒数 + 总量目标
有可靠胜率盈亏比证据、单仓独立 → 小分数 Kelly（1/4 以下）
多策略/多资产、机构化 → 风险预算框架（内嵌以上任一为子策略 sizing）

三条通用纪律：①任何 sizing 参数（目标 σ、Kelly 分数、预算比例）都要经过参数敏感性检验——sizing 参数的过拟合比信号参数更隐蔽（见Walk-Forward ）；②sizing 与止损联动设计（仓位 × 止损宽度 = 单笔最大亏损额，倒推仓位——「先定亏多少，再定买多少」，完整算例见风控参数参考）；③sizing 的最高原则不是最优而是可执行——让你在 -20% 回撤时还能理性操作的仓位，才是正确的仓位。

关联阅读：Kelly 的传记级实践爱德华·索普；风险预算的数学风险平价；组合层的预算表策略组合。

再平衡、容量与资金曲线管理

Mon, 01 Jan 0001 00:00:00 +0000

策略研究完成后，资金层面的三个「慢变量」仍在塑造长期结果：再平衡的纪律、容量的边界、资金曲线的形状。它们不产生 alpha，但决定 alpha 能否完整地落进你的口袋。

再平衡：赚「回归」的慢钱

机制：把偏离目标的权重拉回目标（股 60/债 40 涨成 70/30 后卖股买债）。收益来源有二：均值回复的收割（跌的资产越买越便宜——再平衡是制度化的「低买高卖」）与风险控制的副产品（涨的资产自动止盈，防止风险预算漂移）。

节奏的三种选择：

方式	规则	优点	缺点
日历法	每季/每年固定时间	简单、纪律性最强	可能错过大波动后的修复窗口
阈值法（Band）	偏离目标 ±20%（相对）或 ±5%（绝对）触发	顺应波动，交易更少而精准	需要持续监控
混合法	日历检查 + 阈值触发	实务标准	稍复杂

带宽参数的一个算例（阈值法的量级感）：

1
2
3
4
5


目标：股 60% / 债 40%；相对带宽 ±20%（即股 48%–72%）
股年化波动 20%、债 5%、相关性 -0.2 → 组合波动 ≈ 11.6%
组合波动漂移出 5% 的偏离 ≈ 每年触发 1–2 次再平衡
每次换手 ≈ 8%–12% 组合市值 → 年换手贡献 10%–24%，成本 ≈ 3–5bp/年（股债 ETF 口径）
若带宽收紧到 ±5%（相对）：触发 6–10 次/年，成本 ×5，收益改善 < 10bp → 得不偿失

带宽与资产波动率成正比——高波资产给宽带宽、低波资产给窄带宽，否则要么频繁空转、要么风险漂移失控。

一个反直觉的提醒：再平衡对单边趋势市场是负贡献（2019–2020 美股持续上涨期间，再平衡组合持续减仓股票跑输不动的）。它赚的是「回复」的钱，付的是「趋势」的门票。理解自己在赚什么钱，才能在逆风期不动摇。

容量：三重边界与容量曲线

策略能装多少钱？三重边界由内向外（估算法见因子检验）：

信号边界：因子 alpha 随资金衰减（你的单子开始移动价格）——由持仓股的 ADV 与参与率上限决定；
执行边界：冲击成本随规模非线性上升（σ√(Q/ADV)），成本吃掉超额 50% 的规模即执行边界（冲击模型见市场冲击）；
结构边界：策略同质化者的总规模 vs 总容量（拥挤度，见因子库）——你的容量还取决于「别人装了多少」。

容量曲线（成本 vs 规模）比单点容量数字有用得多：

1
2
3
4
5
6


示例：月频多因子，多头组日均 ADV 41 亿
 3000 万 → 冲击 ≈ 4bp/次 → 年成本拖累 ≈ 0.6%
 1 亿 → 冲击 ≈ 9bp/次 → 年成本拖累 ≈ 1.3%
 3 亿 → 冲击 ≈ 21bp/次 → 年成本拖累 ≈ 3.0% ← 超额的 40%
 8 亿 → 冲击 ≈ 55bp/次 → 年成本拖累 ≈ 7.9% ← 出局
规模决策 = 在曲线上选点，而不是问「容量是多少」

个人研究者的实用结论：日频中高换手策略的舒适容量多在千万级；月频低换手基本面策略可到数亿——「策略的频率 × 换手 × 持仓流动性」基本决定容量数量级，先天注定，优化只能微调。

资金曲线管理：形状工程

同样的年均收益，不同的资金曲线形状 = 完全不同的可用性（能否上杠杆、能否留住客户、能否让自己睡得着）：

波动率目标（vol targeting）：把组合滚动波动锚在目标值——回撤深度改善、夏普小幅提升、牛市略跑输（三笔交易的得失，见时序策略）；
回撤降仓（drawdown control）：净值回撤越深、仓位越轻的分档规则（-10% 减 1/4、-15% 再减 1/4）——数学上会略微损失长期收益（低点减仓错过反弹），买到的是生存概率与心理可持续性；参数要避免「一跌就降、一涨就追」的震荡磨损；
资金注入/撤出的时机纪律：最古老的资金曲线杀手是「高点和追资金、低点割肉撤资」——个人投资的隐含策略是「钱包择时」。它的损耗可以量化：金额加权收益（IRR）− 时间加权收益（TWR）= 择时损耗。牛市顶部追加资金的个人账户，IRR 常比 TWR 低 5–15 个点/年。制度化对策：定投式的固定节奏加减仓，把情绪从资金流里剥离；
记账的诚实：用 TWR 评估策略本身，用 IRR 评估自己实际赚到的——两者之差每年看一次，教育效果胜过十篇纪律文章。

关联阅读：容量与流动性流动性分析；再平衡的对象之一多策略资金分配；回撤线的完整框架事前风控。

多策略资金分配

Mon, 01 Jan 0001 00:00:00 +0000

单策略的天花板（夏普、容量、拥挤度）最终都会到来，多策略是量化的必然进化——但它引入一层新的复杂度：你从「策略的开发者」升级为「策略组合的经营者」。本篇讲经营层的三个课题：钱怎么分、制度怎么立、策略怎么生老病死。

资金分配：数学层

分配方法在策略组合与 Meta-Strategy 已给出谱系（等权 → 波动率倒数 → 风险预算 → 优化），本篇补充多策略场景特有的三个修正：

容量的硬约束优先于任何优化：每个策略有自己的容量曲线（见再平衡与容量）——优化器给出的「最优权重」若超出某策略容量，该策略的权重就是「次优但可行的」容量上限。分配问题实为「预算偏好 ∩ 容量可行域」的交集求解。算例：优化器想让趋势 CTA 占 40%，但 CTA 在你的品种池里 1500 万以上冲击成本失控——它只能拿 1500 万，剩下的钱按比例分给其他策略；
增量资本的边际思维：新增资金的分配看边际风险贡献与边际夏普——把钱给「下一块钱能产生最多风险调整收益」的策略，而不是按历史比例等比放大。历史比例会持续超配「已老化的明星策略」（它的容量与衰减都在恶化）。诊断信号：某策略的资金占比逐年上升、边际超额逐年下降——经典的老化曲线；
相关性的时变修正：策略相关矩阵用「压力时期加权」估计（正常期 70% + 压力期样本 30% 的加权相关）——对冲掉「正常时低相关、危机时齐跌」的分散化幻觉（相关性崩溃见组合风险）。2021 年 A 股量化超额回撤给全行业的教训：多条中频策略线在报表上「低相关」，因为它们的历史样本没含过真正的拥挤出清。

分配的定期节奏：季度评审预算表（各策略的风险贡献 vs 目标、容量余量、衰减指标），年度做一次结构级复盘（策略的去留）。频率更高（月度内）的权重漂移用阈值触发再平衡，避免频繁腾挪（交易成本与归因噪音）。

制度设计：让组合可审计

多策略组合最大的敌人是归因模糊——三个月后你说不清「这个月谁赚谁亏、谁该加谁该减」。三个制度件：

虚拟子账户（Sub-portfolio）记账：每个策略独立记账（资金、持仓、PnL、风险占用），物理上可共享通道（净额下单省成本，见Meta-Strategy ），账务上严格隔离——没有子账户级的干净账本，一切后续经营决策都是盲人摸象；
统一的风险语言：所有策略用同一张风险报表汇报（波动贡献、最大回撤、杠杆、因子暴露）——趋势 CTA 与统计套利的风险才能放在同一张桌上比较（语言统一见风险度量）；
归因的分层穿透：组合收益 → 策略贡献 → 因子贡献 → 执行损耗，四层瀑布每月出一次——多策略组合的月报可读性是经营质量的直接指标（归因方法见绩效指标）。

策略生命周期管理

孵化期（影子 → 微型资金）：新策略先影子运行（与实盘并行的模拟），达标（预注册的样本期与指标，见实验设计）后给「孵化资金」（总资金的 2%–5%）实盘验证执行假设；孵化期 6–12 个月，通过后转入正式预算。

成长期（放量）：按容量曲线阶梯放量（10% → 30% → 目标权重），每级设置「实盘 vs 回测偏差」的检查门——偏差超阈值停一级（见灰度放量）。

成熟期（维持与监控）：权重稳定 + 监控三线（IC/贡献/拥挤，见因子库），年度确认容量与拥挤度。

退役期（降权与下线）：触发下线协议（因子红灯 ×2、逻辑前提消失、连续四季度贡献为负）→ 先减半观察（防「死于黎明前」）→ 确认后清零归档。退役的仪式感是必要的：写退役报告（它当初为什么成立、现在为什么不成立），这是策略库最重要的知识资产——「知道什么不工作」的复利被严重低估。

经营者的心智模型

多策略经营的元认知：你的工作重心从「让某个策略更好」转移到「让整个组合的风险收益比更好」——具体表现为三种日常权衡：

研究产能 vs 经营深度：新策略的边际价值递减后，归因与风控的完善收益更高——组合从 2 个策略到 4 个是质变（分散化），从 8 个到 10 个常常只是复杂度；
分散 vs 复杂度：策略数超过你能监控的质量阈值后，加策略是在加风险不是加分散——个人研究者的实践上限常在 3–5 个异源策略；
进攻 vs 生存：组合层的杠杆与集中度决策，比任何单一策略的选择都更决定长期结果（见杠杆）。

关联阅读：分配的数学基础Meta-Strategy 与风险平价；生命周期模板策略立项文档；个人版的极简形态见学习路径路线四。