第 7 章 · 04 HRP 与风险平价:对输入稳健的配置方法

第 7 章 · 04 HRP 与风险平价:对输入稳健的配置方法

本节摘要:本节讲两种对「输入估计脆弱性」更稳健的配置方法——风险平价(Risk Parity)与层次风险平价(Hierarchical Risk Parity, HRP),并对照传统均值方差(Markowitz)的局限。均值方差对预期收益与协方差矩阵的估计极敏感,输入微小变动导致权重剧烈跳变,实务上常「不可用」。风险平价放弃预测收益,只要求每只资产对组合总风险的边际贡献相等,从而「等风险贡献」。HRP 由 López de Prado 提出,用层次聚类把资产按相关性分簇,再在簇内簇间分配风险,进一步降低对协方差估计噪声的敏感度。本节讲清两者的目标、算法、与均值方差的工程对比,并指出它们与 PyPortfolioOpt 等工具的呼应。素材结合 docs/basic/quant 与 López de Prado 的 Advances in Financial Machine Learning(第 8 章书目)。

内容来源:quant-wiki docs/basic/quant,结合 Advances in Financial Machine Learning(López de Prado)与 PyPortfolioOpt 的标准框架,知识结构化整理。

⚠️ 学习提示:HRP 与风险平价不是「更优的均值方差」,而是「放弃预测收益、只管理风险」的另一种范式。它们更适合「不想预测收益、只想要稳健配置」的场景。如果你对预期收益有强先验,均值方差仍可能更优。

学习目标

阅读完本节,你应当能够:

1. 指出均值方差对输入敏感的数学原因。
2. 描述风险平价的「等风险贡献」目标与迭代算法。
3. 说清 HRP 的三阶段流程(相关性聚类 → 准对角化 → 二分反方差分配)。
4. 对比三种方法在「输入稳健性」「收益预测依赖」「可解释性」上的差异。
5. 根据数据条件选择合适的配置方法。

一、均值方差的脆弱性

1.1 Markowitz 的数学之美

均值方差(Mean-Variance)优化由马科维茨提出,目标是「在给定期望收益下最小化方差」:

数学上优雅,但在实务中却常「不可用」。原因在于它对输入(预期收益 μ 与协方差 Σ)极度敏感。

1.2 脆弱性的数学根源

• 逆协方差放大误差:权重公式 w ∝ Σ^{-1} μ,矩阵求逆会把 Σ 估计中的小误差放大成权重上的大偏差;
• 估计不稳定:用 250 个交易日估 50 只资产的 Σ,样本不足导致估计噪声大;
• 权重跳变:μ 与 Σ 的微小变动,可能让最优权重从「重仓 A」跳到「重仓 B」,组合换手与交易成本爆炸;
• 角点解:优化器常给出极端权重(比如某资产 200% 多、另一资产 -150% 空),与直觉相悖。

💡 心法:均值方差的脆弱性本质来自「它要求精确预测未来收益与协方差」。但未来收益几乎不可预测(EMH),协方差估计噪声大,所以输入本身就脆弱,优化结果自然脆弱。

二、风险平价:等风险贡献

2.1 放弃预测收益

风险平价(Risk Parity)的核心思想是:既然预期收益预测不可靠,那就放弃它,只管理风险。它的目标是让每只资产对组合总风险的贡献相等。

2.2 边际风险贡献与等风险

回顾第 3 节的边际风险贡献(MCR):

风险平价要求所有资产的 MCR 相等:

直觉:每只资产在「风险贡献」上等权,而不是在「资金权重」上等权。波动大的资产需要更小的资金权重,波动小的资产需要更大的资金权重,才能让它们的风险贡献相等。

2.3 两资产示例

两只资产,A 年化波动 10%,B 年化波动 20%,相关性 0。等权(各 50%)不是风险平价——A 的风险贡献约为 B 的一半。风险平价要求 A 的权重约为 B 的 2 倍(因为 B 波动是 A 的 2 倍),即 A 约 67%、B 约 33%。

2.4 迭代算法

风险平价没有解析解,需迭代求解:

1. 初始化等权;
2. 计算每只资产的 MCR;
3. 调整权重:增大 MCR 偏低的、减小 MCR 偏高的;
4. 重复直到所有 MCR 收敛到相等。

实务中常用 Newton-Raphson 或凸优化器求解。PyPortfolioOpt 等库提供了现成实现。

⚠️ 陷阱:风险平价隐含「加杠杆」。低波动资产权重大,组合整体波动低;要达到目标波动(比如 10%),常需对组合加杠杆(借入无风险资产买更多风险资产)。这是 2008 年金融危机中部分风险平价基金承压的原因——杠杆 + 相关性同步上升 = 大亏。

三、HRP:层次风险平价

3.1 动机:协方差估计噪声 + 资产聚类结构

HRP(Hierarchical Risk Parity)由 López de Prado 在《Advances in Financial Machine Learning》提出,目的是进一步降低对协方差估计噪声的敏感度。它的洞察是:资产之间存在天然的聚类结构(同行业、同板块相关性高),传统协方差矩阵把这个结构「拍平」了。HRP 先用层次聚类把资产分组,再在组内组间分配风险。

3.2 三阶段流程

HRP 的算法分三阶段:

阶段 1:相关性聚类

• 计算资产间的相关性矩阵;
• 转成距离矩阵 d = √(0.5 × (1 - ρ));
• 用层次聚类(通常 single linkage)把资产分成树状结构。

阶段 2:准对角化(quasi-diagonalization)

• 把协方差矩阵按聚类树叶子顺序重排,使其近似对角化——相关性高的资产相邻;
• 这样矩阵从「乱糟糟的协方差」变成「块状对角的协方差」。

阶段 3:二分反方差分配(recursive bisection)

• 从聚类树根部开始,把组合等分到两个子簇;
• 每个子簇内按「反方差权重」分配(波动小的权重大);
• 递归向下,直到叶子节点(单只资产)。

3.3 HRP 的稳健性来源

HRP 比风险平价更稳健,原因有二:

• 不直接求逆:HRP 用反方差(1/σ²)而非逆协方差矩阵,避免了矩阵求逆的误差放大;
• 尊重聚类结构:相关性高的资产聚在一起,组内分配、组间分配分离,避免「同质资产被重复计数」。

López de Prado 的实验显示,在协方差矩阵加入噪声后,均值方差权重剧烈变化,风险平价次之,HRP 最稳定。这是 HRP 的核心卖点。

四、三种方法的工程对比

💡 决策树:有强收益预测 → 均值方差;无收益预测但相关性结构复杂 → HRP;无收益预测且相关性简单 → 风险平价。

五、与 PyPortfolioOpt 等工具的呼应

PyPortfolioOpt 是 Python 的开源组合优化库,实现了多种方法:

• 均值方差:EfficientFrontier,支持最大夏普、最小波动、目标收益等;
• 风险平价:RiskParityOptimization(后并入或可外接);
• HRP:HRPOpt,实现 López de Prado 的层次聚类分配;
• 其他:Black-Litterman、期望差(Ex-post)等。

PyPortfolioOpt 让本节的三种方法都能几行代码跑起来,便于对比。本系列另一个教程「PyPortfolioOpt」会专门讲它的用法,本节是理论铺垫。

⚠️ 陷阱:即使用 HRP,也要警惕:(1) 聚类的「树状结构」依赖 linkage 方法选择(single/complete/average),不同方法给不同树;(2) 协方差估计仍可用 EWMA 或 GARCH 改进,而非用简单等权历史;(3) HRP 不是银弹,在「资产数量极少」或「相关性矩阵接近单位矩阵」时优势不明显。

六、实务选型建议

6.1 数据条件驱动选型

• 资产数量多(N > 20)、相关性结构复杂:优先 HRP;
• 资产数量少、相关性简单:风险平价足够;
• 有可靠收益预测(比如基本面 alpha 强):均值方差可能更优,但要做稳健性检验。

6.2 与多策略组合的结合

本系列第 5 章的多个策略(动量、价值、低波)产出多个「alpha 信号」,这些信号本身可视为「资产」。用 HRP 或风险平价把这些信号组合起来,是「多策略组合」的典型应用——比均值方差更稳健,也更适合「信号之间相关性复杂」的现实。

6.3 重新审视均值方差

均值方差并非「过时」。它的问题在「输入估计」,而非「优化逻辑」。如果用更好的估计方法(比如 Black-Litterman 把先验观点与市场均衡结合、用因子模型降噪协方差),均值方差仍能给出稳健权重。López de Prado 的批评针对的是「直接用样本均值方差」的朴素版,而非经过稳健化处理的版本。

本节要点回顾

1. 均值方差脆弱性:w ∝ Σ⁻¹μ,矩阵求逆放大误差,权重对输入极敏感,常给角点解。
2. 风险平价:放弃预测收益,要求每只资产边际风险贡献 MCR 相等,隐含加杠杆需求。
3. HRP 三阶段:相关性聚类 → 准对角化 → 二分反方差分配,不直接求逆、尊重聚类结构。
4. 对比:均值方差需 μ、对输入极敏感;风险平价仅需 Σ、稳健;HRP 仅需 Σ、最稳健。
5. 选型决策树:有强 μ → 均值方差;无 μ、相关性复杂 → HRP;无 μ、相关性简单 → 风险平价。
6. 核心心法:这三种方法不是「谁更优」,而是「不同假设下的不同选择」;组合优化的核心不是「最优化」,而是「在脆弱输入下做稳健配置」。

下一章,我们离开方法理论,转向书库导读与职业发展:核心书目、行业内幕、求职面试,把所学落到职业路径上。