3、风险预算的数学公式：从风险贡献到风险预算的等式推导，目标函数与约束条件
好，咱们直接进入正题。
上一节我们聊了风险预算的直觉——说白了就是「谁的风险大，谁就少配点」。但直觉归直觉，真要落地到代码里，你得有精确的数学公式。我当年第一次在实盘里跑风险预算模型时，就栽在公式推导上——嗯，当时把边际风险贡献和绝对风险贡献搞混了，回测曲线看着挺美，一上实盘就崩。后来花了整整两天重新梳理公式，才把坑填上。
3.1 从组合风险说起
先定义清楚：我们说的「风险」，通常指组合收益率的波动率（标准差）。
假设组合有 n 个资产，权重向量为 w = [w₁, w₂, ..., wₙ]ᵀ，协方差矩阵为 Σ。那么组合方差是：
σ²_p = wᵀ Σ w组合波动率就是：
σ_p = √(wᵀ Σ w)这个大家应该都熟。但风险预算的关键，不在于组合总风险，而在于 每个资产对总风险的贡献度。
核心思想：风险预算不是直接控制权重，而是控制「每个资产承担了多少风险份额」。
3.2 边际风险贡献（Marginal Risk Contribution）
先引入一个概念：边际风险贡献。它衡量的是：如果某资产权重增加一点点，组合风险会变化多少。
数学上，资产 i 的边际风险贡献是组合波动率对权重 wᵢ 的偏导数：
MRCᵢ = ∂σ_p / ∂wᵢ = (Σ w)ᵢ / σ_p其中 (Σ w)ᵢ 表示协方差矩阵乘以权重向量后的第 i 个分量。
这个公式怎么来的？我简单推一下：
σ_p = (wᵀ Σ w)^(1/2)
∂σ_p/∂wᵢ = (1/2) * (wᵀ Σ w)^(-1/2) * 2 * (Σ w)ᵢ
= (Σ w)ᵢ / σ_p嗯，其实就是链式法则。我在项目中见过有人直接用数值差分去算，其实没必要，解析解就在这儿。
3.3 绝对风险贡献（Absolute Risk Contribution）
边际风险贡献是「微调」的概念。但实际中我们更关心：每个资产到底承担了多少风险绝对值。
资产 i 的绝对风险贡献定义为：
ARCᵢ = wᵢ * MRCᵢ = wᵢ * (Σ w)ᵢ / σ_p这里有个漂亮的性质：所有资产的绝对风险贡献之和，恰好等于组合总风险。
∑ ARCᵢ = ∑ wᵢ * (Σ w)ᵢ / σ_p
= (wᵀ Σ w) / σ_p
= σ_p你看，风险被完美分解了。这个性质是风险预算的基石。
个人习惯：我每次建模型前，都会先验证一下这个等式是否成立。如果数值对不上，八成是协方差矩阵估计出了问题——我在一个CTA策略里就吃过这个亏，协方差矩阵非正定，导致风险贡献加起来不等于总风险，排查了整整一个下午。
3.4 风险预算的等式推导
好，现在进入核心。风险预算的思想是：我们希望每个资产的风险贡献，占总风险的比例等于预设的预算比例。
设预算向量为 b = [b₁, b₂, ..., bₙ]ᵀ，其中 bᵢ > 0 且 ∑ bᵢ = 1。
那么风险预算条件就是：
ARCᵢ / σ_p = bᵢ （对每个 i 成立）代入 ARCᵢ 的表达式：
wᵢ * (Σ w)ᵢ / σ_p² = bᵢ或者写成更紧凑的形式：
wᵢ * (Σ w)ᵢ = bᵢ * wᵀ Σ w （对每个 i 成立）这就是风险预算的核心等式。它是一个关于权重 w 的非线性方程组。
注意：这个方程组没有解析解，必须用数值方法求解。我曾经试过用Excel规划求解去算5个资产，结果迭代了200次还不收敛——后来改用Python的scipy.optimize才搞定。
3.5 目标函数与约束条件
既然没有解析解，我们就把它转化成优化问题。
常见的做法是：最小化实际风险贡献比例与目标预算比例的差异。
目标函数可以写成：
min ∑ ( wᵢ * (Σ w)ᵢ / (wᵀ Σ w) - bᵢ )²或者用更稳健的形式（我推荐这种）：
min ∑ ( wᵢ * (Σ w)ᵢ - bᵢ * wᵀ Σ w )²约束条件通常包括：
- 权重和为1： ∑ wᵢ = 1
- 非负约束： wᵢ ≥ 0（不允许做空）
- 可选约束： 单个资产权重上限、行业集中度限制等
完整的优化问题就是：
目标函数：min f(w) = ∑ ( wᵢ * (Σ w)ᵢ - bᵢ * wᵀ Σ w )²
约束条件：∑ wᵢ = 1
wᵢ ≥ 0, i = 1,...,n3.6 求解方法简述
这个优化问题是非凸的，但好在维度不高（通常n≤50），用梯度类方法就能搞定。
我个人常用的求解流程：
- 初始化： 用等权重或预算比例作为初始解
- 迭代优化： 使用SLSQP或L-BFGS-B算法
- 收敛判断： 当目标函数值变化小于1e-8时停止
避坑指南：我曾经直接用随机权重初始化，结果陷入了局部最优。后来改成先用等权重算一遍，再用预算比例算一遍，取目标函数值较小的那个作为初始点——效果好很多。
3.7 一个完整的推导示例
假设只有两个资产，协方差矩阵为：
Σ = [[0.04, 0.01],
[0.01, 0.09]]预算比例设为 b = [0.6, 0.4]（资产1承担60%风险，资产2承担40%）。
那么核心等式为：
w₁ * (0.04*w₁ + 0.01*w₂) = 0.6 * (0.04*w₁² + 0.02*w₁*w₂ + 0.09*w₂²)
w₂ * (0.01*w₁ + 0.09*w₂) = 0.4 * (0.04*w₁² + 0.02*w₁*w₂ + 0.09*w₂²)加上 w₁ + w₂ = 1，解这个方程组得到：
w₁ ≈ 0.73, w₂ ≈ 0.27你看，资产1的预算风险比例是60%，但实际权重是73%——因为资产1波动率低（方差0.04），需要多配才能达到目标风险贡献。
这就是风险预算的精髓：权重和风险预算不是一回事。低波动资产需要更高的权重才能「扛起」预算的风险份额。
3.8 本章小结
来，我们捋一下核心脉络：
- 边际风险贡献： 权重微调对风险的影响，∂σ_p/∂wᵢ
- 绝对风险贡献： 每个资产实际承担的风险，wᵢ * MRCᵢ
- 风险预算等式： ARCᵢ / σ_p = bᵢ，即风险贡献比例等于预算比例
- 优化框架： 最小化实际比例与目标比例的平方差，加上权重约束
这些公式看着有点枯燥，但它们是所有风险预算模型的基石。下一章我们会把这些公式写成Python代码，到时候你就知道——嗯，原来数学推导和工程实现之间，还隔着好几个坑呢。
公众号:蓝海资料掘金营，微信deep3321