第3章风险平价模型

3. 风险平价模型：让每份风险都“公平”分担

各位同学，咱们今天聊一个在量化圈里特别火的话题——风险平价模型。

说实话，我刚入行那会儿，大家做资产配置还停留在“60%股票+40%债券”这种老套路。后来我参与了一个FOF项目，发现这种配置方式有个致命问题：股票一跌，整个组合就崩了。为什么？因为股票的风险占了组合总风险的90%以上。你想想看，债券虽然配了40%，但它的波动率只有股票的1/3左右，风险贡献微乎其微。

所以，风险平价模型的核心思想很简单：让每种资产对组合总风险的贡献相等。说白了，就是“谁的风险大，谁就少配点；谁的风险小，谁就多配点”。

3.1 风险平价理论介绍

风险平价（Risk Parity）这个概念，最早是由桥水基金的Ray Dalio推广的。他搞了个“全天候策略”，核心就是风险平价。

我个人的理解是：传统的资产配置是在“分配资金”，而风险平价是在“分配风险”。这两者有什么区别？我给你举个例子：

传统配置 vs 风险平价

传统60/40组合：股票60%，债券40%。但股票的风险贡献可能占到95%。
风险平价组合：调整权重，让股票和债券的风险贡献各占50%。结果可能是股票20%，债券80%。

嗯，这里要注意：风险平价不是简单的“等权重”，而是“等风险贡献”。每种资产对组合总风险的边际贡献要相等。

我在项目中遇到过一位客户，他坚持认为“债券配80%太保守了”。我给他看了回测数据：2008年金融危机时，60/40组合跌了30%，而风险平价组合只跌了10%左右。他看完就沉默了。

3.2 等风险贡献计算

好，理论讲完了，咱们来点硬核的。等风险贡献（Equal Risk Contribution, ERC）怎么算？

首先，你得知道组合的总风险怎么衡量。通常我们用波动率（标准差）来表示。假设有n个资产，组合的波动率公式是：

σ_p = sqrt(w^T * Σ * w)

其中w是权重向量，Σ是协方差矩阵。

那么，第i个资产的风险贡献（Risk Contribution）定义为：

RC_i = w_i * (Σ * w)_i / σ_p

等风险贡献的条件就是：RC_1 = RC_2 = ... = RC_n

说白了，就是每个资产对组合风险的“贡献值”要一样大。

我的小技巧： 实际计算时，我们通常用数值优化方法，比如牛顿法或者梯度下降。别想着手算，那太折磨人了。

3.3 Python实现风险平价调仓

好了，终于到代码环节了。我习惯用Python的scipy.optimize来做这个优化。下面是我在实际项目中用过的代码框架：

import numpy as np
import pandas as pd
from scipy.optimize import minimize

def risk_parity_weights(cov_matrix):
    """
    计算风险平价权重
    cov_matrix: 协方差矩阵
    """
    n = cov_matrix.shape[0]
    
    # 目标函数：让各资产的风险贡献相等
    def risk_contribution(weights):
        portfolio_vol = np.sqrt(weights @ cov_matrix @ weights)
        rc = weights * (cov_matrix @ weights) / portfolio_vol
        return rc
    
    def objective(weights):
        rc = risk_contribution(weights)
        # 让所有RC的方差最小
        return np.var(rc)
    
    # 约束条件：权重和为1，且都大于0
    constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1})
    bounds = tuple((0, 1) for _ in range(n))
    
    # 初始权重：等权重
    init_weights = np.array([1/n] * n)
    
    result = minimize(objective, init_weights, 
                      method='SLSQP',
                      bounds=bounds,
                      constraints=constraints)
    
    return result.x

# 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]
])

weights = risk_parity_weights(cov)
print("风险平价权重:", weights)
print("风险贡献:", risk_contribution(weights))

我曾经踩过的坑： 协方差矩阵的估计非常敏感。如果你用过去60天的滚动窗口，遇到市场突变时，权重会剧烈跳动。我建议至少用252个交易日（一年）的数据，并且加上一些正则化处理。

实际调仓时，我一般会这样做：

每月初：获取最新协方差矩阵（用过去1年数据）
计算目标权重：用上面的风险平价函数
考虑交易成本：如果调仓幅度小于0.5%，我就跳过这次调仓
执行调仓：用限价单慢慢吃，别一下子砸盘

你想想看，如果每个月都大调特调，交易成本会吃掉你的收益。我个人的经验是：风险平价组合的换手率通常比传统组合低30%-50%，因为它的权重变化相对平滑。

3.4 风险平价的核心逻辑图

下面这张图是我自己画的，帮你理解风险平价的核心流程：

这张图展示了从数据输入到权重输出的完整流程。核心就两步：估计协方差 → 数值优化。别小看这两步，每一步都有很多细节。

我的建议： 刚开始做风险平价时，先用3-5个资产练手。别一上来就搞几十个资产，那优化会非常慢，而且容易陷入局部最优。

最后说一句：风险平价不是万能的。它在低利率环境下表现很好，但如果所有资产都同时暴跌（比如2020年3月），它也会亏钱。不过，相比传统组合，它的“抗摔打能力”确实强很多。

好了，这一章就到这里。代码部分你可以直接拿去用，但记得根据你的实际数据调整参数。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

3. 风险平价模型：让每份风险都“公平”分担

3.1 风险平价理论介绍

3.2 等风险贡献计算

3.3 Python实现风险平价调仓

3.4 风险平价的核心逻辑图