一、风险预算入门：什么是风险预算？为什么它比传统的等权重或均值-方差模型更实用？核心思想与数学直觉

1.1 从一个让我头疼的项目说起

我记得刚入行那会儿，接手了一个多资产组合的配置任务。老板说：“你就按等权重来吧，简单。” 我照做了。结果呢？股票一跌，整个组合跟着跳水。债券那点收益根本填不上坑。

后来我改用均值-方差模型，觉得这下总该靠谱了吧？嗯，模型跑出来让我配了 80% 的国债。老板看了一眼说：“你这组合收益还不如存银行。” 我哑口无言。

这两个经历让我意识到一个问题：等权重只看资金分配，不管风险；均值-方差太敏感，稍微改点参数，结果就天差地别。 说白了，它们都没解决一个核心问题——你到底想让每个资产承担多少风险？

这就是风险预算要干的事。

1.2 风险预算是什么？一句话讲清楚

风险预算，英文叫 Risk Budgeting。它的核心思想很简单：你不是在分配钱，你是在分配风险。

举个例子。你有 100 万，等权重的话，股票和债券各 50 万。但股票的波动率可能是债券的 5 倍。所以实际上，股票贡献了 90% 以上的组合风险。债券那 50 万基本就是个摆设。

风险预算的做法是反过来：先定好每个资产要承担多少风险，再反推该投多少钱。

你想想看，这样一来，每个资产对组合波动的“责任”是事先约定好的。股票波动大？那就少配点钱。债券波动小？那就多配点。最终，每个资产的风险贡献是相等的——这就是著名的风险平价（Risk Parity）策略。

1.3 为什么它比等权重和均值-方差更实用？

我这些年做下来，觉得风险预算最大的优势有三个：

• 稳健性：等权重不考虑风险差异，均值-方差对输入参数极度敏感。风险预算只依赖协方差矩阵，而且对估计误差的容忍度更高。我在项目中遇到过，用过去 3 年的数据估算协方差，风险预算出来的权重，回测表现比均值-方差稳定得多。
• 可解释性：你可以跟老板说：“我们给股票分配了 20% 的风险预算，给债券分配了 80%。” 老板一听就懂。但你说“均值-方差最优权重是股票 15%、债券 85%”，他可能会问：“为什么是 15% 不是 20%？” 你很难解释清楚。
• 分散化效果更好：风险预算天然会分散风险到各个资产上。不会出现某个资产“隐形”承担了绝大部分风险的情况。

对比维度	等权重	均值-方差	风险预算
分配对象	资金	资金	风险
对参数敏感度	低	极高	中等
分散化效果	差（风险集中）	一般	好
可解释性	强	弱	强
实际落地难度	低	高	中

1.4 核心思想与数学直觉

风险预算的数学基础其实不复杂。我尽量用白话讲。

假设组合由 n 个资产构成。组合的总风险（用方差表示）是：

σ²_p = w' Σ w

其中 w 是权重向量，Σ 是协方差矩阵。

每个资产对总风险的边际贡献（Marginal Risk Contribution, MRC）是：

MRC_i = ∂σ_p / ∂w_i = (Σ w)_i / σ_p

这个公式的意思是：如果你把资产 i 的权重增加一点点，组合风险会变化多少。

然后，资产 i 的总风险贡献（Total Risk Contribution, TRC）就是：

TRC_i = w_i × MRC_i

所有资产的 TRC 加起来，正好等于组合总风险 σ_p。这个性质很重要。

风险预算的目标就是：让每个资产的 TRC 等于你事先设定的预算比例 b_i。

TRC_i = b_i × σ_p

其中 b_i 是风险预算比例，且 ∑b_i = 1。

当 b_i = 1/n 时，就是风险平价。每个资产对组合风险的贡献完全相等。

1.5 一张图看懂风险预算的核心逻辑

下面这张 SVG 图，是我自己画的知识结构图。它把风险预算的整个流程串起来了。

1.6 避坑指南：我曾经踩过的三个坑

做风险预算看起来简单，但落地时有不少细节。我把自己踩过的坑分享给你：

• 坑一：协方差矩阵估计不准。 我曾经直接用样本协方差，结果遇到极端行情，矩阵几乎奇异，解出来的权重全是负的。后来我改用收缩估计（Shrinkage），情况好多了。
• 坑二：忽略了交易成本。 风险预算的权重对波动率变化很敏感。市场一波动，权重就需要调整。如果不考虑交易成本，频繁调仓会吃掉所有收益。我建议设置一个调仓阈值，比如权重偏离超过 10% 才调。
• 坑三：风险预算比例设得太极端。 比如给某个资产设 90% 的风险预算。这其实违背了分散化的初衷。我个人习惯，单个资产的风险预算不超过 30%。

1.7 一个简单的 Python 示例

下面是我常用的风险平价求解代码。它用到了 scipy 的优化器。

import numpy as np
from scipy.optimize import minimize

def risk_parity_weights(cov):
    """
    计算风险平价权重
    cov: 协方差矩阵 (n x n)
    返回: 权重向量
    """
    n = cov.shape[0]
    
    def risk_contribution(w):
        sigma_p = np.sqrt(w @ cov @ w)
        mrc = cov @ w / sigma_p
        trc = w * mrc
        return trc
    
    def objective(w):
        trc = risk_contribution(w)
        target = np.ones(n) * np.mean(trc)
        return np.sum((trc - target) ** 2)
    
    constraints = ({'type': 'eq', 'fun': lambda w: np.sum(w) - 1})
    bounds = [(0, 1) for _ in range(n)]
    
    result = minimize(objective, 
                      x0=np.ones(n)/n,
                      bounds=bounds,
                      constraints=constraints,
                      method='SLSQP')
    return result.x

# 示例：3个资产
cov = np.array([[0.04, 0.01, 0.005],
                [0.01, 0.09, 0.01],
                [0.005, 0.01, 0.16]])
weights = risk_parity_weights(cov)
print("风险平价权重:", weights)
print("风险贡献:", weights * (cov @ weights) / np.sqrt(weights @ cov @ weights))

这段代码我用了很多年。它简单、稳定，适合作为基准。你可以在它的基础上，加入自定义的风险预算比例。

1.8 小结

风险预算的核心，就是把“分钱”的思路，换成“分风险”。它比等权重更科学，比均值-方差更稳健。虽然计算上稍微复杂一点，但换来的是更好的分散化和可解释性。

我个人觉得，这是量化投资里最实用的工具之一。你想想看，一个方法能让你的组合在大多数市场环境下都表现平稳，而且还能跟老板讲清楚逻辑，这难道不是每个量化人都想要的吗？

下一章，我会深入讲风险预算的数学推导和求解算法。到时候会涉及一些矩阵微积分，但我会尽量用白话讲明白。

---