层次聚类组合优化技术解析与实战指南：HRP与HERC算法的差异化应用路径

概念解析：层次聚类在投资组合优化中的革命性突破

传统投资组合优化方法长期受困于三大核心挑战：协方差矩阵估计误差导致的组合不稳定、高维资产配置的计算复杂性，以及均值-方差模型对输入参数的过度敏感性。层次聚类组合优化通过引入资产相关性结构分析，构建基于树形层次的资产关系网络，从根本上改变了传统优化框架的底层逻辑。

层次聚类组合优化的技术突破主要体现在三个维度：

1. 结构化风险建模：通过聚类将资产划分为具有相似风险特征的群体，降低协方差矩阵维度，减少估计误差。如图1所示的资产聚类热力图，清晰展示了不同资产间的相关性结构，为风险分散提供可视化决策依据。

图1：HRP算法资产聚类热力图（Pearson相关系数+Ward链接法），通过颜色梯度展示资产间相关性强度，红色表示负相关，蓝色表示正相关

2. 层级化风险分配：采用自顶向下的递归风险分配机制，实现从集群到单个资产的精细化权重配置。与传统均值-方差模型的全局优化不同，层次聚类方法通过树形结构实现风险的逐层分解，显著提升组合对市场变化的适应性。

3. 计算复杂度优化：递归二分法将资产配置问题的复杂度从O(n³)降低至O(n²log n)，使高维资产组合（如包含数百只股票的指数基金）的实时优化成为可能。

技术突破：HRP与HERC算法的核心原理与差异化价值

HRP算法：基于完全二叉树的风险平价模型

层次风险平价（HRP）算法通过三步实现风险分散配置：

1. 相关性树状图构建：将资产间相关性转换为距离度量，使用Ward链接法构建层次聚类树。核心实现逻辑如下：

# HRP聚类树构建伪代码
def build_clustering_tree(returns, linkage="ward"):
    # 1. 计算相关性矩阵
    corr_matrix = calculate_correlation(returns)
    # 2. 转换为距离矩阵
    distance_matrix = np.sqrt(0.5 * (1 - corr_matrix))
    # 3. 构建层次聚类树
    clustering = linkage(distance_matrix, method=linkage)
    return clustering

图2：资产层次聚类树状图，展示资产间的层级关系和聚类结构，不同颜色代表独立集群

2. 资产顺序重排：通过叶节点顺序优化资产排列，形成准对角化协方差矩阵，降低优化问题复杂度。

3. 递归二分风险分配：自顶向下将资产集群递归分割为两个子集群，根据风险贡献分配权重，最终实现每个资产对组合风险的均等贡献。

HERC算法：基于预定义聚类的等风险贡献模型

层次等风险贡献（HERC）算法在HRP基础上引入预定义聚类数量K，实现更均衡的风险分配：

技术特性	HRP算法	HERC算法
聚类结构	完全二叉树递归分割	预定义K个集群
风险分配逻辑	仅考虑父子集群关系	全局风险预算优化
可调参数	无	聚类数量K
计算复杂度	O(n²log n)	O(n² + K³)
风险分散度	高	极高
适用场景	资产数量较少(≤50)	资产数量较多(>50)

HERC算法的核心改进在于引入聚类数量参数K，通过_hierarchical_recursive_bisection方法实现集群间和集群内的双层风险分配：

# HERC风险分配伪代码
def herc_risk_allocation(clusters, cov_matrix, risk_measure="MV"):
    # 1. 集群间风险分配
    cluster_risk = calculate_cluster_risk(clusters, cov_matrix)
    cluster_weights = risk_parity_allocation(cluster_risk)
    
    # 2. 集群内风险分配
    final_weights = {}
    for cluster in clusters:
        cluster_cov = extract_cluster_cov(cluster, cov_matrix)
        intra_weights = risk_parity_allocation(cluster_cov)
        final_weights.update(scale_weights(intra_weights, cluster_weights[cluster]))
    
    return final_weights

图3：HRP算法资产网络与权重分配可视化，节点大小表示资产权重，连线表示资产间相关性

实践指南：从数据准备到策略部署的完整流程

环境配置与数据准备

# 克隆项目仓库
git clone https://gitcode.com/gh_mirrors/ri/Riskfolio-Lib
cd Riskfolio-Lib

# 安装依赖
pip install -r requirements.txt

数据预处理关键步骤：

1. 收益率数据标准化（去除异常值、处理缺失值）
2. 协方差矩阵估计（推荐使用Ledoit-Wolf收缩估计）
3. 资产分类标签定义（用于约束条件设置）

核心API应用示例

import riskfolio as rp
import pandas as pd

# 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)

# HRP组合优化
w_hrp = hcp.optimization(
    model="HRP",          # 模型类型
    rm="MV",              # 风险度量：方差
    linkage="ward",       # 聚类方法
    codependence="pearson" # 相关性度量
)

# HERC组合优化
w_herc = hcp.optimization(
    model="HERC",         # 模型类型
    rm="CVaR",            # 风险度量：条件风险价值
    linkage="average",    # 聚类方法
    k=7,                  # 聚类数量
    opt_k_method="silhouette" # 最优K值选择方法
)

参数调优策略

1. 风险度量选择：

   • 正常市场环境："MV"(方差)或"CVaR"(条件风险价值)
   • 极端市场环境："EDaR"(熵值回撤风险)或"GMD"(基尼平均差)
   • 尾部风险关注："EVaR"(熵值风险价值)

2. 聚类参数优化：

   • 资产相关性高时：linkage="ward"
   • 资产结构复杂时：linkage="average"
   • 聚类数量K：5~10（通过轮廓系数或肘方法确定最优值）

3. 约束条件设置：

   # 设置行业约束示例
   constraints = {
       "type": "classes",
       "list_classes": ["Equity", "Bond", "Cash"],
       "max_weights": [0.6, 0.3, 0.1]  # 各行业最大权重
   }
   hcp = rp.HCPortfolio(returns=returns, constraints=constraints)
   

图4：HRP算法约束条件配置界面，支持资产级别、类别级别和全局级别的权重约束设置

进阶应用：场景化解决方案与性能评估

应用场景分析

场景1：指数基金构建

• 挑战：跟踪误差最小化与流动性约束平衡
• 解决方案：HERC算法+行业中性约束
• 关键参数：k=8，rm="MV"，w_max=0.05

场景2：养老基金配置

• 挑战：长期风险控制与收益稳定性
• 解决方案：HRP算法+最大回撤约束
• 关键参数：linkage="complete"，rm="EDaR"，drawdown=0.15

场景3：量化对冲基金

• 挑战：多策略风险分散与尾部风险管理
• 解决方案：HERC算法+CVaR约束
• 关键参数：k=10，rm="CVaR"，alpha=0.05

性能评估指标

评估维度	指标选择	HRP算法典型值	HERC算法典型值
风险分散	风险贡献标准差	0.025	0.018
收益稳定性	夏普比率	1.2-1.5	1.3-1.6
极端风险	最大回撤	15-20%	12-18%
市场适应性	滚动窗口绩效	稳定	更稳定

图5：HRP与HERC算法风险贡献对比表格，展示不同风险预算下各资产的权重分配差异

技术选型决策树

开始
│
├─资产数量 ≤50?
│ ├─是→ HRP算法
│ │  ├─风险度量选择:
│ │  │  ├─常规市场→ "MV"
│ │  │  └─波动市场→ "CVaR"
│ │  │
│ │  └─聚类方法:
│ │     ├─相关性高→ "ward"
│ │     └─相关性低→ "average"
│ │
│ └─否→ HERC算法
│    ├─确定聚类数量K:
│    │  ├─资产类别少→ 5-7
│    │  └─资产类别多→ 8-10
│    │
│    └─风险度量选择:
│       ├─收益导向→ "MV"
│       └─风险导向→ "EDaR"
│
结束

未来发展趋势

层次聚类组合优化技术正朝着三个方向发展：

1. 多因子驱动聚类：结合宏观因子与市场状态动态调整聚类结构
2. 深度学习融合：使用自编码器提取资产潜在特征，增强聚类准确性
3. 在线学习框架：开发实时更新的层次聚类算法，适应高频市场变化

Riskfolio-Lib作为该领域的领先实现，持续迭代优化算法性能，未来将支持更多风险度量指标和约束条件类型，为量化投资 practitioners 提供更强大的组合优化工具。

完整技术文档与示例代码请参见项目中的docs/source/hcportfolio.rst和examples目录，涵盖从基础应用到高级定制的全方位指导。