投资组合优化：层次聚类算法解析与实战指南

在金融市场的复杂环境中，投资者面临着一个核心挑战：如何在众多资产中分配资金以实现风险与收益的最佳平衡。传统投资组合优化方法往往受限于协方差矩阵（衡量资产价格波动相关性的矩阵）估计误差大、计算复杂度高以及对输入参数敏感等问题。这些挑战直接影响了投资策略的稳健性和实用性，特别是在资产数量庞大或市场波动剧烈时，传统方法往往难以应对。本文将深入探讨层次聚类组合优化算法如何通过引入资产间相关性结构分析，有效解决这些痛点，为投资者提供更稳健、高效的资产配置策略。

1. 核心挑战：传统投资组合优化的局限性

传统投资组合优化方法，如均值-方差模型，虽然理论基础坚实，但在实际应用中存在诸多局限。首先，协方差矩阵的估计误差会随着资产数量的增加而显著放大，导致优化结果不稳定。其次，传统方法通常假设资产收益服从正态分布，这与实际市场情况存在偏差，可能低估极端风险。此外，当资产数量较多时，计算复杂度呈指数增长，难以满足实时决策需求。这些问题共同导致传统方法在实际投资中表现不佳，亟需更先进的优化算法来突破这些瓶颈。

核心要点

• 传统投资组合优化面临协方差矩阵估计误差大、计算复杂和参数敏感等问题
• 资产数量增加会显著放大传统方法的局限性
• 市场实际情况与理论假设的偏差降低了传统方法的实用性

2. 创新方案：层次聚类优化算法原理

层次聚类组合优化算法通过引入资产间的相关性结构分析，为解决传统方法的局限性提供了新思路。该算法的核心思想是将资产按照相关性进行聚类，形成层次化的结构，然后在不同层次上进行风险分配，从而实现更稳健的资产配置。层次聚类优化算法主要包括层次风险平价（HRP）和层次等风险贡献（HERC）两种方法，它们在聚类方式和风险分配策略上有所不同，但都旨在通过层次化结构提高投资组合的风险分散效果。

2.1 层次聚类：资产相关性的可视化与结构化

层次聚类是层次聚类优化算法的基础，它通过构建树状图（Dendrogram）来展示资产间的相关性结构。聚类过程就像整理衣橱，将相关性高的资产放在同一"抽屉"中，便于后续的风险分配。具体而言，层次聚类首先计算资产间的相关性矩阵，将其转换为距离度量（如1-相关性的平方根），然后使用特定的链接方法（如Ward链接法）构建树状图。

上图展示了基于Pearson相关性和Ward链接法的资产聚类热力图，图中不同颜色的方块代表不同程度的相关性，颜色越深表示相关性越高。通过这种可视化方式，我们可以直观地看到资产被分为多个聚类，每个聚类内部的资产具有较高的相关性，而不同聚类之间的相关性较低。

2.2 HRP算法：自顶向下的风险平价策略

层次风险平价（HRP）算法通过三步法实现风险分散的投资组合构建：首先构建资产相关性树状图，然后根据树状图的叶节点顺序对资产进行重排（准对角化），最后采用自顶向下的递归二分法分配风险。

树状图展示了资产间的层次关系，图中每个分支代表一个资产或资产聚类，分支的长度表示聚类间的距离。HRP算法通过以下核心代码实现风险分配：

# 计算距离矩阵
dist = np.sqrt(np.clip((1 - codep) / 2, a_min=0.0, a_max=1.0))
# 构建层次聚类树
clustering = hr.linkage(squareform(dist), method=linkage)
# 递归二分风险分配
weights = _recursive_bisection(clustering, cov, rm=rm)

HRP算法的关键在于递归二分过程，它将资产集不断分为两个子集群，并根据子集群的风险贡献分配权重，直至每个资产都获得相应的权重。这种方法能够有效降低协方差矩阵的维度，提高计算效率，同时增强投资组合对参数变化的鲁棒性。

2.3 HERC算法：预定义聚类的等风险贡献策略

层次等风险贡献（HERC）算法在HRP的基础上进行了改进，通过预定义聚类数量实现更均衡的风险分配。与HRP的完全二叉树递归分割不同，HERC算法首先将资产划分为预定义数量（K）的聚类，然后在集群间和集群内进行风险分配。

HERC算法的核心代码如下：

# 确定K个集群
clustering_inds = hr.fcluster(Z, k, criterion="maxclust")
# 集群间风险分配
alpha = 1 - left_risk / (left_risk + right_risk)
# 集群内风险分配
cluster_weights = _naive_risk(cluster_cov, rm=rm)

HERC算法通过控制聚类数量，可以更灵活地调整风险分配策略，实现更均衡的风险分散。在实际应用中，聚类数量K通常设置为5~10，投资者也可以通过opt_k_method参数自动确定最优聚类数。

核心要点

• 层次聚类通过构建树状图展示资产间的相关性结构
• HRP算法采用自顶向下的递归二分法分配风险
• HERC算法通过预定义聚类数量实现更均衡的风险分配
• 两种算法都能有效降低协方差矩阵估计误差和计算复杂度

3. 验证与应用：层次聚类算法的实战效果

为了验证层次聚类优化算法的实际效果，我们通过Riskfolio-Lib库实现HRP和HERC算法，并对比它们的风险贡献和性能表现。以下是实现这两种算法的核心代码：

import riskfolio as rp

# 加载资产收益数据
returns = pd.read_csv("examples/assets_data.csv", index_col=0)

# 创建层次聚类组合对象
hcp = rp.HCPortfolio(returns=returns)

# 计算HRP和HERC组合权重
w_hrp = hcp.optimization(model="HRP", rm="MV", linkage="ward")
w_herc = hcp.optimization(model="HERC", rm="MV", linkage="ward", k=5)

3.1 风险贡献对比

通过对比HRP和HERC组合的风险贡献，我们可以直观地看到HERC算法实现了更均衡的风险分配。下图展示了不同算法在不同风险度量下的资产权重分布：

从图中可以看出，HERC算法的权重分布更加分散，避免了个别资产权重过高的情况，从而降低了单一资产对整体组合风险的影响。这种更均衡的风险分配有助于提高投资组合的稳健性，特别是在市场波动较大时。

3.2 网络可视化与权重分配

层次聚类算法的另一个优势是能够通过网络可视化展示资产间的关系和权重分配。下图展示了基于HRP算法的资产网络与权重分配：

图中节点代表资产，节点大小表示资产权重，边的粗细表示资产间的相关性。通过这种可视化方式，我们可以清晰地看到资产如何聚类以及权重如何在不同集群间分配，这有助于投资者更好地理解投资组合的结构和风险来源。

3.3 约束条件的应用

Riskfolio-Lib支持多种约束条件，投资者可以根据实际需求设置权重上下限、行业暴露等约束。下图展示了HRP算法的权重约束条件设置界面：

通过设置约束条件，投资者可以进一步优化投资组合，使其符合特定的投资策略或监管要求。例如，设置单个资产最大权重不超过15%，可以避免过度集中投资于某一资产，降低非系统性风险。

核心要点

• HRP和HERC算法在实际应用中表现出良好的风险分散效果
• HERC算法通常实现更均衡的风险分配，适合风险厌恶型投资者
• 网络可视化有助于理解资产关系和权重分配
• 约束条件的应用可以进一步优化投资组合，满足特定需求

4. 算法选择决策指南

选择适合的投资组合优化算法需要考虑多种因素，包括资产数量、风险偏好、计算资源和投资目标等。以下是不同场景下的算法适用性对比：

场景	推荐算法	优势	注意事项
资产数量较少（<20）	传统均值-方差	简单直观，计算速度快	对协方差矩阵估计误差敏感
资产数量中等（20-100）	HRP	无需预定义聚类数量，鲁棒性好	风险分配可能不够均衡
资产数量较多（>100）	HERC	风险分配更均衡，可扩展性好	需要合理选择聚类数量K
风险厌恶型投资者	HERC	风险贡献更均衡，波动较小	可能牺牲部分收益
追求高收益投资者	HRP	可能获得更高收益，灵活性高	风险波动可能较大
实时决策需求	HRP	计算速度快，适合高频调整	需注意交易成本

💡 技巧：对于大多数个人投资者和中小型机构，HERC算法通常是更好的选择，因为它在风险分散和计算效率之间取得了较好的平衡。如果资产数量超过100，建议使用HERC算法并通过opt_k_method="twodiff"自动确定最优聚类数。

5. 常见问题排查表

在使用层次聚类优化算法时，投资者可能会遇到一些常见问题，以下是5个典型错误及解决方案：

问题	可能原因	解决方案
优化结果不稳定	协方差矩阵估计误差大	使用更稳健的协方差估计方法，如Ledoit-Wolf收缩估计
计算时间过长	资产数量过多或聚类方法复杂	减少聚类数量K，或使用更高效的链接方法如"average"
权重集中度过高	聚类数量K设置过大	减小K值，或设置单个资产最大权重约束
样本外表现不佳	过度拟合历史数据	增加正则化项，或使用滚动窗口优化
算法选择困难	对不同算法特点不了解	参考"算法选择决策指南"，或通过回测对比不同算法表现

⚠️ 注意：在实际应用中，建议通过回测验证算法在不同市场环境下的表现，避免过度依赖单一算法或参数设置。

6. 性能优化小贴士

为了提高层次聚类优化算法的计算效率和实用性，以下是3个实用的性能优化技巧：

1. 协方差矩阵降维：使用主成分分析（PCA）或因子分析降低协方差矩阵维度，减少计算量。例如，保留解释方差超过90%的主成分，既能减少维度，又能保留大部分信息。

2. 并行计算：Riskfolio-Lib支持并行计算，通过设置n_jobs参数利用多核CPU资源。例如，在优化函数中设置n_jobs=-1可以使用所有可用的CPU核心，显著提高计算速度。

3. 滚动窗口优化：采用滚动窗口方法动态更新协方差矩阵和聚类结构，使投资组合能够适应市场变化。例如，使用过去12个月的数据每月重新优化一次，平衡时效性和稳定性。

💡 技巧：对于大规模资产组合（>500种资产），可以结合层次聚类和风险平价算法，先通过聚类减少资产数量，再在每个聚类内应用风险平价，兼顾计算效率和风险分散效果。

7. 总结与展望

层次聚类组合优化算法通过引入资产间相关性结构分析，有效解决了传统投资组合优化方法的局限性，为投资者提供了更稳健、高效的资产配置策略。HRP和HERC算法各有特点，投资者可以根据资产数量、风险偏好和投资目标选择合适的算法。未来，随着机器学习和大数据技术的发展，层次聚类优化算法有望与深度学习模型结合，进一步提高投资组合的预测能力和风险控制水平。

通过Riskfolio-Lib库，普通投资者也能轻松应用这些先进的算法，构建兼顾风险分散和计算效率的现代投资组合。希望本文能够帮助读者深入理解层次聚类优化算法的原理和应用，在实际投资中取得更好的效果。

核心要点

• 层次聚类优化算法通过相关性结构分析提高投资组合稳健性
• HRP和HERC算法各有优势，需根据具体场景选择
• 性能优化技巧和常见问题解决方案有助于提高实际应用效果
• 未来层次聚类算法有望与机器学习结合，进一步提升性能