6.2 风险平价与分散度

概念详解

风险平价（Risk Parity）是一种不依赖预期收益的组合构建方法。它的核心思想是：让组合中每个资产（或每个风险来源）对总风险的贡献度相等，从而实现真正意义上的"风险分散化"。

传统等权重组合的问题在于：虽然资金分配均匀，但风险分配可能极度不均衡。一个60%股票/40%债券的组合，其90%以上的波动风险可能都来自股票部分——这根本不是真正的"分散化"。

风险平价解决了这个问题：组合中股票的风险预算被大幅削减（通过降杠杆或低配），债券的风险预算被大幅提升（通过加杠杆或超配），最终使两类资产的风险贡献相等。

名词解释：风险平价

组合中每个资产对总风险的贡献度相等，不依赖预期收益，较等权重更稳健。桥水全天候策略即基于此理念。风险平价的数学基础是边际风险贡献（MRC = Marginal Risk Contribution）：$MR{C}_i=\frac{\partial {\sigma }_p}{\partial w_i}=\frac{(\mathrm{\Sigma }w{)}_i}{{\sigma }_p}$，组合风险贡献 $R{C}_i=w_i\times MR{C}_i$。风险平价要求 $R{C}_i=R{C}_j$ 对所有 $i,j$。

名词解释：边际风险贡献（MRC）

资产权重增加1单位时组合风险的变化量。$MR{C}_i=(\mathrm{\Sigma }w{)}_i/{\sigma }_p$。在最优解中，所有资产的MRC应该相等（否则可以通过调仓降低风险）。

名词解释：桥水全天候策略

由桥水基金Ray Dalio创立的经典风险平价策略。将宏观经济环境按增长率超/低于预期、通胀超/低于预期划分为四种状态，每种状态配置不同资产（股票、债券、商品、通胀保护债券等），最终实现跨经济环境的稳健表现。

风险平价 vs 其他方法的比较

方法	需要预期收益	分散化效果	对输入的敏感度	杠杆需求
等权重(1/N)	否	资本分散，风险不分散	低	无
最小方差	否	高	中	无
MVO切线	是	中	极高	无(默认)
风险平价	否	高（风险维度）	中	通常需要
最大分散度	否	极高	中	无

数学原理

风险贡献分解

组合波动率 ${\sigma }_p=\sqrt{w^T\mathrm{\Sigma }w}$ 可以分解为各资产的风险贡献之和：

$${\sigma }_p=\sum _{i=1}^N{w}_i\cdot \frac{(\mathrm{\Sigma }w{)}_i}{{\sigma }_p}=\sum _{i=1}^{N}R{C}_i$$

其中 $R{C}_i=w_i\cdot (\mathrm{\Sigma }w{)}_i/{\sigma }_p$ 是资产 $i$ 对组合总风险的贡献。

风险平价的优化问题

风险平价可以通过求解以下最小化问题实现：

$$\underset{w}{min}\sum _{i=1}^N\sum _{j=1}^N{(w_i(\mathrm{\Sigma }w{)}_i-w_j(\mathrm{\Sigma }w{)}_j)}^2$$$$s.t.\sum w_i=1,w_i\ge 0$$

解析解（特殊情况）

在资产间相关性全部相等的假设下，风险平价的解析解为：

$$w_i=\frac{1/{\sigma }_i}{\sum _{j=1}^{N}1/{\sigma }_j}$$

这个"波动率倒数加权"是最简单的风险平价近似。注意它忽略了相关性结构，只适用于相关性较低且均匀的情况。

Python实战

📌 案例：简单风险平价迭代

PYTHON4 行 · 93 B

📄此处有展示代码4 行 · 93 B展开 ▼

cov = returns.cov()
vols = np.sqrt(np.diag(cov))
weights = 1 / vols
weights /= weights.sum()

▶ 点击展开可浏览运行结果

📘 本段为公式演示片段（伪代码占位符，无完整上下文）

📌 案例：完整风险平价优化

PYTHON67 行 · 2.0 KB

📄此处有展示代码67 行 · 2.0 KB展开 ▼

import numpy as np
from scipy.optimize import minimize

def risk_parity_weights(Sigma):
    """
    风险平价：使每个资产的风险贡献相等

    Parameters:
        Sigma: 协方差矩阵 (N, N)
    Returns:
        weights: 风险平价权重
    """
    n = Sigma.shape[0]

    def risk_contributions(w):
        """计算各资产的风险贡献"""
        port_vol = np.sqrt(w @ Sigma @ w)
        marginal_contrib = Sigma @ w  # 边际风险贡献
        risk_contrib = w * marginal_contrib / port_vol  # 风险贡献
        return risk_contrib

    def objective(w):
        """目标函数：最小化风险贡献的方差"""
        rc = risk_contributions(w)
        target_rc = 1.0 / n  # 目标：每个资产贡献相等
        return np.sum((rc - target_rc) ** 2)

    # 约束
    constraints = [{'type': 'eq', 'fun': lambda w: np.sum(w) - 1}]  # 权重和为1
    bounds = [(0, 1) for _ in range(n)]  # 不允许卖空

    w0 = np.ones(n) / n
    result = minimize(objective, w0, method='SLSQP',
                      bounds=bounds, constraints=constraints)

    return result.x

def risk_budgeting(Sigma, risk_budgets=None):
    """
    风险预算（Risk Budgeting）：广义的风险平价

    允许不同资产有不同的目标风险贡献

    Parameters:
        Sigma: 协方差矩阵
        risk_budgets: 各资产的目标风险预算（自动归一化），None时等风险贡献
    """
    n = Sigma.shape[0]
    if risk_budgets is None:
        risk_budgets = np.ones(n) / n
    else:
        risk_budgets = np.array(risk_budgets)
        risk_budgets = risk_budgets / risk_budgets.sum()

    def objective(w):
        port_vol = np.sqrt(w @ Sigma @ w)
        rc = w * (Sigma @ w) / port_vol
        return np.sum((rc - risk_budgets) ** 2)

    constraints = [{'type': 'eq', 'fun': lambda w: np.sum(w) - 1}]
    bounds = [(0, 1) for _ in range(n)]

    w0 = np.ones(n) / n
    result = minimize(objective, w0, method='SLSQP',
                      bounds=bounds, constraints=constraints)

    return result.x

▶ 点击展开可浏览运行结果

📘 本段代码定义了 2 个函数/类：函数 `risk_parity_weights`（风险平价：使每个资产的风险贡献相等）、函数 `risk_budgeting`（风险预算（Risk Budgeting）：广义的风险平价）。该片段为教学展示（未包含独立运行的输入数据），可在实战练习中结合真实数据调用。

📌 案例：风险贡献分析

PYTHON40 行 · 1.3 KB

📄此处有展示代码40 行 · 1.3 KB展开 ▼

def risk_contribution_report(weights, Sigma):
    """
    生成风险贡献报告：展示每个资产的风险来源

    Parameters:
        weights: 组合权重
        Sigma: 协方差矩阵
    """
    port_vol = np.sqrt(weights @ Sigma @ weights)
    mrc = Sigma @ weights  # 边际风险贡献
    rc = weights * mrc / port_vol  # 风险贡献（百分比）

    report = pd.DataFrame({
        '权重': weights,
        '波动率': np.sqrt(np.diag(Sigma)),
        '边际风险贡献': mrc,
        '风险贡献(%)': rc * 100,
    })

    # 按风险贡献排序
    report = report.sort_values('风险贡献(%)', ascending=False)
    report['累积风险贡献(%)'] = report['风险贡献(%)'].cumsum()

    return report

# 示例：对比等权和风险平价的风险集中度
def concentration_analysis(weights, Sigma):
    """计算风险集中度指标"""
    rc = risk_contribution_report(weights, Sigma)['风险贡献(%)'] / 100

    # 赫芬达尔-赫希曼指数(HHI): 风险贡献越集中, HHI越高
    hhi = np.sum(rc ** 2)

    # 有效风险分散度: 1/HHI
    effective_n = 1 / hhi if hhi > 0 else np.inf

    print(f"风险集中度(HHI): {hhi:.4f}")
    print(f"有效分散度: {effective_n:.1f} (相当于{effective_n:.0f}个等风险资产)")

    return hhi, effective_n

▶ 点击展开可浏览运行结果

📘 本段代码定义了 2 个函数/类：函数 `risk_contribution_report`（生成风险贡献报告：展示每个资产的风险来源）、函数 `concentration_analysis`（计算风险集中度指标）。该片段为教学展示（未包含独立运行的输入数据），可在实战练习中结合真实数据调用。

常见误区

1. 把波动率倒数当作风险平价：$w_i\propto 1/{\sigma }_i$ 是风险平价的一个特例（假设所有资产间相关性为零）。当资产间存在显著相关性时，这种方法不能实现真正的等风险贡献。

2. 忽略杠杆的必要性：风险平价组合的波动率通常远低于市场组合。要获得与市场相当的预期收益，风险平价通常需要加杠杆（如1.5-2倍）。无杠杆的风险平价通常夏普较高但收益较低。

3. 在利率极低环境中的风险：风险平价超配债券（因为债券波动率低，在风险平价中权重高）。在利率急剧上升时，债券价格大幅下跌，风险平价组合可能遭受"股债双杀"，这是2022年桥水全天候策略的重大挑战。

4. 资产类别选择至关重要：风险平价把"风险"等同于波动率，但如果选择的资产类别不够丰富（如只有股和债），那么分散效果仍然有限。好的风险平价需要在商品、通胀保护证券、REITs等多种低相关资产中分配。

5. 相关性结构的时变性：风险平价依赖协方差矩阵的估计。如果危机期间资产相关性急剧上升（"相关性趋同"），风险平价的分散效果会大幅下降。

实战练习

1. 选取股票、债券、黄金、商品4类资产（可以使用ETF的日收益率），分别计算等权组合和风险平价组合的：

   • 总波动率和各资产的风险贡献分布
   • 滚动24个月的风险贡献变化（观察风险贡献的稳定性）

2. 对风险平价组合施加杠杆：将组合波动率缩放到与股票相当的15%，对比加杠杆后风险平价组合与纯股票组合的夏普比率和最大回撤。

3. 风险预算实验：设定风险预算为[40%股票, 30%债券, 20%商品, 10%黄金]，计算对应的风险预算组合权重，并与等风险贡献的结果对比。

延伸阅读

• Qian, E. (2005). "Risk Parity Portfolios: Efficient Portfolios Through True Diversification." PanAgora. 风险平价概念的早期重要论文。
• Maillard, S., Roncalli, T., & Teiletche, J. (2010). "The Properties of Equally Weighted Risk Contribution Portfolios." Journal of Portfolio Management.
• Roncalli, T. (2013). Introduction to Risk Parity and Budgeting. Chapman and Hall. 风险平价最全面的教科书。
• Asness, C. S., Frazzini, A., & Pedersen, L. H. (2012). "Leverage Aversion and Risk Parity." Financial Analysts Journal.
• Dalio, R. (2015). "All Weather Story." Bridgewater Associates.

本章要点

• 风险平价的核心是使各资产对总风险的风险贡献相等，实现真正的风险分散化，而非简单的资金分散。
• 风险贡献的数学分解：$R{C}_i=w_i\cdot (\mathrm{\Sigma }w{)}_i/{\sigma }_p$，所有资产的RC之和等于组合总风险 ${\sigma }_p$。
• 风险平价不需要预期收益输入，因此避免了MVO最大的痛点——误差最大化问题。
• 波动率倒数加权（$w_i\propto 1/{\sigma }_i$）是最简单的风险平价近似，但忽略了资产间的相关性结构。
• 风险平价通常需要加杠杆以达到与市场可比的收益水平——这是"风险平价的代价"。
• 桥水全天候策略是风险平价理念最著名的实践案例，覆盖四种宏观经济状态和多种资产类别。