5步构建抗跌投资组合：风险平价模型实战指南

2026-04-01 09:20:18作者：邵娇湘

一、你的投资组合为何在市场波动中不堪一击？

2022年A股市场剧烈震荡期间，许多投资者的资产组合出现20%以上的回撤，而采用风险平价策略的基金却能将最大回撤控制在10%以内。为什么同样的市场环境下，不同投资组合的抗风险能力会有如此大的差异？传统市值加权组合存在哪些致命缺陷？

传统投资组合构建方法通常根据资产的预期收益分配权重，这种方式容易导致风险过度集中于某一类资产。当该类资产遭遇黑天鹅事件时，整个组合将面临巨大冲击。风险平价模型通过平衡各类资产的风险贡献，从根本上解决了这一问题。项目的基金分析模块提供了丰富的历史数据和分析工具，可帮助我们深入理解不同资产的风险特性。

实战思考

检查你当前的投资组合，计算各类资产占总风险的比例。哪些资产的风险贡献明显过高？这对你的组合在极端市场环境下的表现有何影响？

二、风险平价的核心原理：如何让每类资产"风险平等"？

如何科学衡量资产对组合的风险贡献？风险平价模型的数学基础是什么？风险贡献度（Risk Contribution）是理解这一模型的关键概念，它表示某一资产对整个组合风险的贡献程度。

单个资产的风险贡献计算公式为：

RC_i = w_i * (Σ_j w_j * σ_ij) / σ_p

其中，w_i是资产i的权重，σ_ij是资产i和j的协方差，σ_p是组合的波动率。

风险平价模型的目标是使所有资产的风险贡献相等，即RC_1=RC_2=...=RC_n。这需要通过复杂的数学优化实现，项目的风险优化模块提供了完整的实现代码。

以下是计算风险贡献的核心代码实现：

def calculate_risk_contributions(weights, cov_matrix):
    """计算各资产的风险贡献"""
    port_volatility = np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights)))
    marginal_risk = np.dot(cov_matrix, weights) / port_volatility
    risk_contributions = weights * marginal_risk
    return risk_contributions

实战思考

尝试使用不同资产的历史数据（可从datahub/模块获取），计算它们在等权重组合中的风险贡献。你会发现即使权重相同，不同资产的风险贡献也可能有显著差异。

三、从零开始：构建风险平价模型的完整步骤

如何将风险平价理论转化为可执行的代码？以下是构建风险平价模型的5个关键步骤，结合项目的回测模块可快速验证策略效果。

步骤1：数据准备与预处理

首先需要获取各类资产的历史收益率数据。项目的datahub/模块提供了丰富的数据源，包括股票、债券、基金等多种资产类型。以下代码展示如何加载并预处理数据：

from datahub.daily_stock_market_info import get_historical_data

# 获取多种资产的历史数据
assets = ['000001.SH', '110030.OF', '510050.SH']  # 示例资产
returns = pd.DataFrame()
for code in assets:
    data = get_historical_data(code, start_date='2018-01-01', end_date='2023-01-01')
    returns[code] = data['close'].pct_change().dropna()

步骤2：协方差矩阵估计

协方差矩阵是计算风险贡献的基础，项目的工具包提供了多种估计方法：

from utils.statistics import calculate_cov_matrix

# 使用滚动窗口计算协方差矩阵
cov_matrix = calculate_cov_matrix(returns, window=60)  # 60个交易日窗口

步骤3：权重优化求解

通过优化算法找到使各资产风险贡献相等的权重：

from scipy.optimize import minimize

def objective(weights):
    """最小化风险贡献的方差"""
    rc = calculate_risk_contributions(weights, cov_matrix)
    return np.var(rc)

# 约束条件
constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1},
               {'type': 'ineq', 'fun': lambda x: x})  # 权重非负

# 初始权重
initial_weights = np.array([1/len(assets)] * len(assets))

# 优化求解
solution = minimize(objective, initial_weights, method='SLSQP', constraints=constraints)
optimal_weights = solution['x']

步骤4：策略回测

使用项目的回测模块验证策略效果：

from backtest.ma_line_backtest import BacktestEngine

# 初始化回测引擎
backtest = BacktestEngine()
backtest.set_weights(optimal_weights)
backtest.set_assets(assets)
backtest.run(start_date='2020-01-01', end_date='2023-01-01')

步骤5：结果评估与参数调优

分析回测结果，调整模型参数以优化表现：

# 获取回测结果
performance = backtest.get_performance_metrics()
print(f"年化收益率: {performance['annual_return']:.2%}")
print(f"最大回撤: {performance['max_drawdown']:.2%}")
print(f"夏普比率: {performance['sharpe_ratio']:.2f}")

实战思考

尝试调整协方差矩阵的计算窗口（如30天、90天），观察对权重结果和回测表现的影响。不同市场环境下，最优窗口长度是否会发生变化？

四、策略效果验证：风险平价模型的真实表现

风险平价模型在实际市场中的表现如何？让我们通过项目中的封基轮动策略回测结果来一探究竟。

图：风险平价模型在2018-2022年的封基轮动策略收益率曲线，展示了策略在不同市场周期的表现

从图中可以看出，风险平价策略在2020年3月的市场暴跌和2022年的持续调整中表现出较强的抗跌性，最大回撤明显小于市场指数。同时，在2021年的结构性行情中，策略也能捕捉市场机会，实现稳健增长。

项目的基金分析模块提供了更详细的绩效评估工具，可从多个维度对比不同策略的表现。通过fund_holding_list_gen_dynamic_flourish.py脚本，你可以生成动态调整的基金持仓列表，进一步优化策略效果。

实战思考

对比风险平价策略与等权重策略在不同市场周期（牛市、熊市、震荡市）的表现差异。在哪些市场环境下风险平价策略优势最明显？为什么？

五、进阶优化：提升风险平价模型实战效果的6个技巧

如何进一步提升风险平价模型的实战表现？以下是经过市场验证的6个优化技巧，结合项目的机器学习模块可实现更智能的策略调整。

1. 动态风险预算调整

根据市场波动率动态调整各类资产的风险预算：

from machine_learning.贝叶斯预测涨跌 import VolatilityPredictor

# 预测市场波动率
predictor = VolatilityPredictor()
market_volatility = predictor.predict(returns)

# 根据波动率调整风险预算
if market_volatility > threshold:
    # 高波动环境下降低风险资产权重
    risk_budget = {'stock': 0.3, 'bond': 0.5, 'cash': 0.2}
else:
    # 低波动环境下提高风险资产权重
    risk_budget = {'stock': 0.5, 'bond': 0.3, 'cash': 0.2}

2. 协方差矩阵优化

使用指数加权移动平均(EWMA)方法估算协方差矩阵，提高对近期数据的权重：

# 使用EWMA协方差矩阵
cov_matrix = returns.ewm(span=60).cov().iloc[-len(returns.columns):, -len(returns.columns):]

3. 加入另类资产

通过fund/reits.ipynb分析，将REITs等另类资产纳入组合，进一步分散风险：

# 加入REITs资产
assets = ['000001.SH', '110030.OF', '510050.SH', '501018.SH']  # 增加REITs代码

4. 权重约束优化

根据资产流动性和投资限制添加权重约束：

# 添加权重上下限约束
bounds = tuple((0.05, 0.4) for _ in range(len(assets)))  # 每个资产权重在5%-40%之间
solution = minimize(objective, initial_weights, method='SLSQP', constraints=constraints, bounds=bounds)

5. 多周期再平衡

结合monitor/realtime_monitor_ts.py实现多周期再平衡策略：

# 月度和季度双周期再平衡
if today.day == 1:  # 每月1日
    rebalance_strategy('monthly')
if today.month in [3,6,9,12] and today.day == 1:  # 每季度第一个月1日
    rebalance_strategy('quarterly')

6. 因子风险平价

将风险贡献分解到因子层面，实现更精细的风险控制：

from factor_analysis import get_factor_exposures

# 获取资产因子暴露度
factor_exposures = get_factor_exposures(assets)
# 在因子层面实现风险平价
factor_weights = calculate_factor_risk_parity_weights(factor_exposures)