第3章风险预算模型

3. 风险预算模型：等风险贡献模型、风险平价模型、Black-Litterman模型

说到指数增强策略的风险管理，我不得不提风险预算模型。这玩意儿说白了，就是给组合里每个资产分配一个「风险额度」。你想想看，传统做法是盯着资金权重，但资金权重一样不代表风险贡献一样。我在早期做策略时吃过这个亏——明明50%资金买了债券，50%买了股票，结果回撤一来，90%的波动都来自股票那头。

嗯，今天我们就来拆解三个主流模型：等风险贡献、风险平价、还有带主观观点的Black-Litterman。

3.1 等风险贡献模型

等风险贡献，英文叫Equal Risk Contribution，简称ERC。它的核心思想很简单：让每个资产对组合总风险的贡献度相等。

怎么理解？假设你有两个资产A和B。传统等权重是各投50%资金，但ERC模型会算一下：A的风险贡献是多少？B的风险贡献是多少？然后调整权重，直到两者相等。

数学表达：

资产i的边际风险贡献：MRC_i = (Σw_jσ_ij) / σ_p

资产i的总风险贡献：TRC_i = w_i × MRC_i

优化目标：TRC₁ = TRC₂ = ... = TRC_n

我在项目中遇到过这样一个案例：一个沪深300指数增强组合，包含银行、消费、科技三个行业。如果按市值权重配，科技股波动大，风险贡献占了60%以上。用ERC模型重新算一遍后，科技股的权重被压下来，银行股提上去。结果呢？回撤控制明显改善。

实操建议：ERC模型适合资产间相关性不太高的场景。如果资产高度相关，那ERC和等权重差别不大。

3.2 风险平价模型

风险平价，Risk Parity，是桥水基金达里奥带火的概念。它和ERC很像，但有一个关键区别：风险平价更强调资产类别间的风险均衡，而不是单个资产。

说白了，风险平价模型认为：你应该让股票、债券、商品这些大类资产的风险贡献相等。而不是让每只股票的风险贡献相等。

我习惯用以下步骤实现风险平价：

确定资产大类（股票、债券、商品、黄金等）
计算每个大类的波动率和相关性
用优化器求解权重，使得各大类风险贡献相等
在各大类内部再用市值加权或等权重分配

举个例子，一个简单的股债风险平价组合：

资产	年化波动率	传统60/40权重	风险平价权重
股票	20%	60%	28.6%
债券	5%	40%	71.4%

你看，债券的权重被大幅提高了。为什么？因为债券波动小，要让它和股票贡献等量的风险，就得给它更多资金。我曾经用这个模型跑过回测，在2018年那种熊市里，风险平价组合的最大回撤只有传统60/40组合的一半不到。

注意：风险平价模型在低利率环境下可能表现不佳。因为债券收益率太低，配太多债券会拖累收益。我建议在模型中加入收益约束，或者用杠杆调整。

3.3 Black-Litterman模型

Black-Litterman模型，简称BL模型，是高盛两位大佬搞出来的。它解决了一个实际问题：如何把主观观点和市场均衡结合起来。

你想想看，纯量化模型只认历史数据，但基金经理往往有自己的判断——比如「我觉得新能源板块未来三个月会跑赢大盘」。BL模型就是干这个的：它把主观观点作为先验信息，和市场均衡收益做贝叶斯融合。

模型的核心步骤：

从市场均衡出发，得到隐含收益率（逆向优化）
输入主观观点（比如：资产A将跑赢资产B 5%）
设定观点的不确定性（信心水平）
用贝叶斯公式融合，得到后验收益率
用后验收益率做均值-方差优化

代码实现的核心部分大概长这样：

# 逆向优化：从市值权重反推隐含收益率
def reverse_optimization(cov_matrix, market_weights, risk_aversion):
    implied_returns = risk_aversion * cov_matrix @ market_weights
    return implied_returns

# BL融合
def black_litterman(prior_returns, cov_matrix, P, Q, Omega, tau=0.05):
    # P: 观点矩阵, Q: 观点收益, Omega: 观点协方差
    posterior_mean = prior_returns + tau * cov_matrix @ P.T @ \
                     np.linalg.inv(P @ tau * cov_matrix @ P.T + Omega) @ \
                     (Q - P @ prior_returns)
    posterior_cov = (1 + tau) * cov_matrix - tau * cov_matrix @ P.T @ \
                    np.linalg.inv(P @ tau * cov_matrix @ P.T + Omega) @ \
                    P @ tau * cov_matrix
    return posterior_mean, posterior_cov

避坑指南：我曾经在BL模型里犯过一个错——观点给得太激进，结果后验收益完全被观点主导，失去了均衡的稳定性。后来我学乖了，观点的不确定性参数Omega一定要设得合理。一般来说，观点越主观，Omega越大。

3.4 三个模型的对比与选择

这三个模型各有各的脾气。我整理了一张对比表：

模型	核心思想	适用场景	缺点
等风险贡献(ERC)	单个资产风险贡献相等	资产数量少、相关性低	对相关性敏感
风险平价	大类资产风险贡献相等	多资产配置、长期投资	低利率环境收益低
Black-Litterman	融合主观观点与市场均衡	有明确观点、需要灵活调整	观点设定主观性强

我个人习惯这样选：如果只是做纯量化、不想加主观判断，用风险平价就够了。如果我有明确的行业或风格观点，那就上BL模型。至于ERC，我更多用在行业内部选股上——比如在消费行业里让每只股票的风险贡献相等。

核心要点：无论用哪个模型，记住一点——风险预算不是一成不变的。市场在变，波动率在变，相关性也在变。我建议至少每季度重新计算一次风险预算，遇到重大市场事件时更要及时调整。

最后说一句，风险预算模型不是万能的。它假设历史波动率和相关性会延续，但黑天鹅事件一来，所有模型都会失效。所以我的建议是：模型给你框架，但风控的底线要靠纪律。设定好最大回撤阈值，到了就减仓，别犹豫。

📚 课程目录

3. 风险预算模型：等风险贡献模型、风险平价模型、Black-Litterman模型

3.1 等风险贡献模型

3.2 风险平价模型

3.3 Black-Litterman模型

3.4 三个模型的对比与选择