3、权重分配方法论总览：等权重、市值加权、因子倾斜加权、风险平价、均值-方差优化、Black-Litterman模型
做Smart Beta组合这些年，我最大的感触就是——权重分配才是真正的灵魂。因子选得再好，权重给错了，结果照样拉胯。今天咱们就把主流的六种权重分配方法过一遍，看看它们各自的脾气秉性。
3.1 等权重：最朴素的智慧
等权重，说白了就是一碗水端平。N只股票，每只给1/N的权重。简单到令人发指，但效果往往出人意料。
我刚开始做量化那会儿，总觉得等权重太土。后来回测了十年数据才发现，等权重组合长期跑赢市值加权的情况比比皆是。为什么？因为它天然做了两件事：低买高卖和分散风险。
- 每期再平衡，强制卖出涨多的、买入跌多的
- 天然的小盘股暴露，因为小盘股在等权重中占比远高于市值加权
- 换手率较高，交易成本不可忽视
3.2 市值加权：市场的选择
市值加权是基准，也是大多数人的起点。权重按市值比例分配，大盘股拿大头，小盘股喝点汤。
它的逻辑其实很硬：市场是有效的，市值代表了市场对公司的共识定价。你想想看，如果所有人都觉得某公司值100亿，你非要给它配5%的权重，这不是跟市场对着干吗？
但问题也很明显——它天然追涨杀跌。股价涨了，市值大了，权重自动增加；股价跌了，权重自动减少。这跟价值投资的理念是相悖的。
| 方法 | 优点 | 缺点 |
|---|---|---|
| 等权重 | 低买高卖、分散好 | 换手高、小盘暴露 |
| 市值加权 | 流动性好、容量大 | 追涨杀跌、集中度高 |
3.3 因子倾斜加权：给偏好加点料
因子倾斜加权，就是在基准权重的基础上，对某些因子做超配或低配。比如你觉得价值因子未来会表现好，那就给价值股多配一些权重。
具体做法有很多种：
- 等权因子加权：先按因子打分排序，前20%的股票等权配置
- 市值因子加权：在因子得分基础上，再按市值分配权重
- 因子强度加权：权重与因子得分成正比，得分越高权重越大
3.4 风险平价：让每个风险源都平等
风险平价是个很有意思的思路。它不关心你配多少钱，而是关心你配了多少风险。目标是让每个资产对组合总风险的贡献相等。
举个例子，股票波动率20%，债券波动率5%。如果按传统60/40配，股票的风险贡献占了95%以上。风险平价会怎么做？它会大幅降低股票权重，提高债券权重，直到两者的风险贡献差不多。
# 风险平价权重的简化计算
import numpy as np
def risk_parity_weights(cov_matrix):
n = cov_matrix.shape[0]
# 初始等权
w = np.ones(n) / n
for _ in range(100):
# 计算边际风险贡献
mrc = cov_matrix @ w
# 计算总风险
tr = np.sqrt(w @ cov_matrix @ w)
# 计算风险贡献
rc = w * mrc / tr
# 调整权重使风险贡献相等
w = w * (1 / rc)
w = w / w.sum()
return w3.5 均值-方差优化：理论上的圣杯
马科维茨的均值-方差优化，理论上能找到有效前沿上的最优组合。输入预期收益和协方差矩阵，输出最优权重。听起来完美，对吧？
但实际用起来，问题一大堆：
- 预期收益的估计误差极大，输入稍微变一点，权重就天翻地覆
- 优化结果往往极端，要么全仓某只股票，要么权重集中在少数资产上
- 对协方差矩阵的估计也很敏感，样本外表现经常拉胯
我记得有一次，我用均值-方差优化做行业配置，输入了五年的历史数据。结果优化出来的权重是：科技股80%，消费股20%，其他行业全零。你敢信？这谁敢实盘用？
- 加入权重约束，比如单只股票不超过5%
- 用收缩估计法处理协方差矩阵
- 结合Black-Litterman模型引入主观观点
3.6 Black-Litterman模型：把观点揉进市场
Black-Litterman模型解决了均值-方差优化的一个核心痛点——预期收益怎么来？它从市场均衡收益出发，然后把你对某些资产的主观观点叠加上去。
具体流程是这样的：
- 从市值加权组合反推出隐含的均衡收益
- 把你的观点（比如"科技股未来一年跑赢消费股5%"）量化成约束条件
- 用贝叶斯方法融合均衡收益和主观观点
- 得到后验收益，再做均值-方差优化
这样做的好处很明显：最终的权重不会偏离市值加权太远，而且你的观点越自信，权重偏移就越大。
3.7 方法选择：没有银弹
说了这么多，到底该用哪个？我的看法是：
- 如果你刚入门，或者资金量不大，等权重是最稳妥的选择
- 如果你管理的是被动型产品，市值加权是基准，别瞎折腾
- 如果你对某个因子有强烈信念，因子倾斜加权值得一试
- 如果你追求绝对收益且对风险控制要求高，风险平价是个好工具
- 如果你有强大的研究团队和稳定的收益预测模型，均值-方差优化可以上
- 如果你既有研究观点又不想偏离市场太远，Black-Litterman是最优雅的方案
最后说一句：没有哪个方法永远最好。市场在变，你的认知在变，权重分配的方法也该跟着变。保持开放，持续迭代，这才是做Smart Beta该有的态度。
这张图把六种方法的核心逻辑和适用场景都串起来了。你可以把它当作一个决策地图——做组合时，先想清楚自己的目标是什么，再选对应的方法。