第4章风险预算核心原理

第4章：风险预算核心原理：等风险贡献（ERC）模型

风险预算这个概念，说白了就是回答一个问题：我的组合里，每个资产到底承担了多少风险？

很多新手做资产配置，只看资金权重。比如股票配60%，债券配40%。但实际运行起来，股票一波动，组合里90%的风险都来自股票。那这个配置还有什么意义？

我个人习惯把风险预算看作「风险层面的公平分配」。今天我们就从最经典的等风险贡献模型（ERC）入手，把数学推导和直觉都讲透。

4.1 从「资金权重」到「风险权重」

先看一个简单例子。

假设组合里只有两个资产：

资产A：年化波动率 20%
资产B：年化波动率 5%
两者相关系数 0.3

如果按50/50的资金权重配置，组合波动率大概在11%左右。但风险贡献呢？

我算给你看：

A对组合风险的贡献：约 82%
B对组合风险的贡献：约 18%

看到了吗？资金各一半，风险却严重失衡。这就是为什么我们需要风险预算。

核心观点：风险预算不是看「你投了多少钱」，而是看「你承担了多少风险」。等风险贡献（ERC）就是让每个资产对组合总风险的贡献完全相等。

4.2 等风险贡献（ERC）的数学定义

先定义几个符号：

组合有 n 个资产，权重向量 w = (w₁, w₂, ..., wₙ)ᵀ
协方差矩阵 Σ，其中 σᵢⱼ 是资产 i 和 j 的协方差
组合方差：σ²_p = wᵀ Σ w
组合波动率：σ_p = √(wᵀ Σ w)

资产 i 的边际风险贡献（Marginal Risk Contribution, MRC）定义为：

MRC_i = ∂σ_p / ∂w_i = (Σ w)_i / σ_p

这个公式的含义是：权重每增加一点点，组合波动率变化多少。

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

TRC_i = w_i × MRC_i = w_i × (Σ w)_i / σ_p

等风险贡献（ERC）要求：

TRC_1 = TRC_2 = ... = TRC_n

并且所有权重之和为1，且通常不允许做空（w_i ≥ 0）。

直觉理解：ERC 就像切蛋糕。每块蛋糕（风险贡献）必须一样大。如果某个资产波动太大，就少给它一点权重；如果某个资产很稳定，就多给它一点权重。最终让每块「风险蛋糕」大小相同。

4.3 数学推导：如何求解 ERC 权重？

求解 ERC 权重没有解析解，需要数值优化。我常用的方法是：

把问题转化为一个最小化问题：

min  Σᵢ (TRC_i - TRC_j)²  对于所有 i ≠ j
s.t. Σ w_i = 1,  w_i ≥ 0

或者更优雅的形式：

min  Σᵢ (TRC_i - 1/n)²

因为所有 TRC 之和等于组合方差 σ²_p，所以平均风险贡献就是 σ²_p / n。

在实际项目中，我习惯用 Python 的 scipy.optimize 来求解。下面是一个完整的代码示例：

import numpy as np
from scipy.optimize import minimize

def erc_weights(cov_matrix):
    """
    求解等风险贡献（ERC）权重
    cov_matrix: 协方差矩阵 (n x n)
    返回: 最优权重向量
    """
    n = cov_matrix.shape[0]
    
    # 目标函数：各资产风险贡献与平均值的差的平方和
    def objective(w):
        w = w / np.sum(w)  # 归一化
        port_var = w @ cov_matrix @ w
        port_vol = np.sqrt(port_var)
        # 计算每个资产的风险贡献
        mrc = cov_matrix @ w / port_vol
        trc = w * mrc
        target = port_var / n
        return np.sum((trc - target) ** 2)
    
    # 初始权重：等权重
    w0 = np.ones(n) / n
    
    # 约束条件：权重和为1，且非负
    constraints = ({'type': 'eq', 'fun': lambda w: np.sum(w) - 1})
    bounds = [(0, 1) for _ in range(n)]
    
    result = minimize(objective, w0, method='SLSQP',
                      bounds=bounds, constraints=constraints)
    
    # 归一化确保精度
    w_opt = result.x / np.sum(result.x)
    return w_opt

# 示例：3个资产
cov = np.array([
    [0.04, 0.01, 0.005],
    [0.01, 0.09, 0.02],
    [0.005, 0.02, 0.16]
])

w_erc = erc_weights(cov)
print("ERC权重:", w_erc)
print("权重和:", np.sum(w_erc))

避坑指南：我曾经在求解 ERC 时遇到过收敛到局部最优的问题。建议多试几个初始点，或者用等权重作为初始值。另外，如果协方差矩阵是奇异的（比如资产数量多于时间窗口），需要先做正则化处理。

4.4 ERC 的直觉：为什么它有效？

你可能会问：为什么非要让风险贡献相等？

原因有三：

分散化最大化：ERC 在数学上等价于最大化组合的「有效分散化程度」。它让组合不会过度依赖某一个资产。
稳健性：相比最小方差组合（GMV），ERC 对参数估计误差不那么敏感。我在回测中发现，ERC 的样本外表现通常比 GMV 更稳定。
直观可解释：你可以跟客户说：「我们让每个资产承担相同的风险份额。」这比「我们优化了夏普比率」更容易被理解。

举个例子。假设你有三个资产：

资产	波动率	等权重	ERC权重	等权重风险贡献	ERC风险贡献
股票	20%	33.3%	18.5%	62%	33.3%
债券	5%	33.3%	52.1%	12%	33.3%
商品	15%	33.3%	29.4%	26%	33.3%

看到没？等权重下，股票承担了62%的风险。ERC 通过降低股票权重、提高债券权重，让每个资产的风险贡献都变成33.3%。

关键洞察：ERC 本质上是在「风险层面做平均分配」。它不追求收益最大化，而是追求风险分散化。对于长期投资者来说，这种「风险平价」思路往往能带来更平滑的净值曲线。

4.5 ERC 与风险预算的关系

ERC 是风险预算的一个特例。更一般地，风险预算允许你自定义每个资产的目标风险贡献比例。

比如，你可以设定：

股票承担 40% 的风险
债券承担 30% 的风险
商品承担 30% 的风险

然后求解权重，使得 TRC_i / σ²_p = 目标比例。

数学上，风险预算的约束条件是：

TRC_i = b_i × σ²_p

其中 b_i 是目标风险预算比例，且 Σ b_i = 1。

当 b_i = 1/n 时，就是 ERC。

我的经验：在实际工作中，我很少用严格的 ERC。因为不同资产的风险收益特征差异很大。我更倾向于给股票设定 30-40% 的风险预算，债券 40-50%，商品 10-20%。这样既保留了 ERC 的分散化思想，又加入了主观判断。

4.6 本章知识体系图

下面我用一张 SVG 图来总结本章的核心逻辑：

这张图展示了从「发现问题」到「数学定义」再到「求解方法」和「实际应用」的完整链路。你可以把它当作本章的思维导图。

4.7 小结

等风险贡献（ERC）是风险预算的基石。它告诉我们：真正的分散化不是资金层面的平均，而是风险层面的平均。

我个人认为，理解 ERC 的关键在于三点：

边际风险贡献衡量的是「权重变化对风险的影响」
总风险贡献是「权重乘以边际风险」
ERC 让所有资产的总风险贡献相等

嗯，这里要注意：ERC 不是万能的。当资产间相关性很高时，ERC 的效果会打折扣。另外，协方差矩阵的估计质量直接影响结果。我建议至少用 2-3 年的日度数据来估计，并且定期再平衡。

下一章我们会深入讨论风险预算的扩展形式——如何加入主观观点、如何处理约束条件。但今天先把 ERC 吃透，后面的内容就水到渠成了。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录