组合构建与风险建模

本章从资产定价与现代组合理论的视角讨论如何构建多资产组合，并对风险进行量化与分解。重点放在均值–方差框架、多因子风险模型和风险分解方法上，计量实现与市场微结构将在后续章节展开。

如果你已经阅读 /zh/asset-pricing/03-mean-variance/ 和 /zh/asset-pricing/05-factor-models/，会发现本章的大部分符号和设定与那两章保持一致，只是换到了一个“策略构建与实务风险管理”的语境中。

1. 均值–方差组合理论回顾

1.1 单期投资问题的形式化

在最经典的 Markowitz (1952) 框架中，投资者在时间 $0$ 选择投资组合权重向量 $w = (w_1, \dots, w_N)^\top$，在时间 $1$ 收到随机收益向量 $r = (r_1, \dots, r_N)^\top$。组合收益为：

我们记：

• $\mu = \mathbb{E}[r]$ 为资产预期收益向量；
• $\Sigma = \operatorname{Cov}(r)$ 为收益协方差矩阵。

在均值–方差框架中，投资者只关心 $r_p$ 的均值 $\mathbb{E}[r_p] = w^\top \mu$ 和方差 $\operatorname{Var}(r_p) = w^\top \Sigma w$，通常考虑如下优化问题之一：

• 给定目标收益最大化方差的对偶问题；
• 或在给定风险厌恶系数 $\lambda$ 时最大化均值–方差效用：$$\max_w \ w^\top \mu - \frac{\lambda}{2} w^\top \Sigma w.$$

在无约束（除资金约束）情况下，该问题是一个凸二次规划，其一阶条件为：

这里 $w^*$ 是所谓“切点组合”（tangency portfolio）的方向，其具体规模取决于投资者的风险厌恶程度和是否允许杠杆。在后续我们会将这一形式推广到多因子风险模型和带约束的组合优化。

1.2 有无风险资产与有效前沿

引入无风险资产（收益率 $r_f$）后，把所有收益换成相对于 $r_f$ 的超额收益：

此时，若允许借贷并且无风险资产与风险资产之间可以自由组合，则有效组合都可以表示为：

• 在风险资产空间中选择一个“市场组合”（切点组合）；
• 再与无风险资产按不同比例线性组合。

这是 CAPM 中“所有投资者都持有相同的市场组合”的核心假设之一，在实证多因子模型中会被放松（允许存在多个“定价因子”）。

2. 多因子风险模型

2.1 截面资产定价与因子结构

我们在前一章已经写出线性因子模型：

其中 $f_{t+1}$ 为 $K$ 维因子收益，$\beta_i$ 为资产 $i$ 的因子暴露。若我们关注的是协方差结构而非预期收益，可以将其写成：

对所有资产叠加，用矩阵形式写作：

其中：

• $B$ 为 $N \times K$ 的因子暴露矩阵；
• $\epsilon_{t+1}$ 为特异收益向量（常假设 $\operatorname{Cov}(\epsilon_{t+1}) = \Delta$ 为对角矩阵）。

则组合收益协方差矩阵可以写成：

其中 $F = \operatorname{Cov}(f_{t+1})$ 是因子协方差矩阵。上述结构即为多因子风险模型（Barra 风格模型的原型）。

这一表示的好处是：当 $K \ll N$ 时，我们不用直接估计一个 $N\times N$ 的协方差矩阵，而是在较低维度的因子空间中估计 $F$ 和 $B$，提高稳健性和可解释性（参见 Ross, 1976; Connor & Korajczyk, 1988）。

2.2 因子风险贡献

在多因子模型下，组合方差可以写为：

记组合的因子暴露向量为：

则因子部分的方差贡献为：

特异风险贡献为：

总风险可拆解为两部分之和：

在实务中，这种拆分用于回答诸如：“组合总风险里有多少来自风格因子（价值、动量、规模）、多少来自个股特异风险”等问题。

2.3 边际风险贡献与风险预算

风险分解的一个重要工具是边际风险贡献（Marginal Contribution to Risk, MCR）。对于任意可微风险度量 $R(w)$，资产 $i$ 的边际风险贡献定义为：

在线性–二次的方差度量下，取 $R(w) = \sigma_p = \sqrt{w^\top \Sigma w}$，可得：

进一步可定义成分风险贡献（Component Contribution to Risk, CCR）：

所有资产的 CCR 之和等于总波动率：

基于此，可以构建所谓风险平价组合（Risk Parity）：

• 要求每个资产或每类因子的风险贡献相等；
• 或者按给定比例分配不同资产/因子的风险预算。

这类思路在学术和实务中都有广泛讨论（例如 Qian, 2005; Maillard, Roncalli & Teiletche, 2010）。

3. 带约束的组合优化

真实世界中的组合构建几乎总是带有复杂约束：

• 单资产权重上下限：$w_i^{\min} \le w_i \le w_i^{\max}$；
• 行业/风格/国家敞口约束；
• 总杠杆和融资约束：$\sum_i |w_i| \le L_{\max}$；
• 成交量和流动性约束：$|w_i - w_i^{\text{prev}}| \le c \cdot \text{ADV}_i$ 等。

在资产定价风格的组合优化中，常见目标之一是：

在给定风险模型 $\Sigma$ 和预期超额收益向量 $\mu^e$ 的条件下，求解带约束的均值–方差优化。

形式上可写为：

这是一个带线性/二次约束的凸优化问题，可以用二次规划（Quadratic Programming, QP）求解。在研究层面，很多论文会讨论：

• 当约束较少时，解析解与无约束解 $\Sigma^{-1} \mu^e$ 的关系；
• 当约束较多时，如何在数值上保持稳健（例如正则化协方差矩阵、限制权重集中度）。

在最简单的“仅有资金约束”情形下，可以写出拉格朗日函数：

对 $w$ 求一阶条件得到：

配合 $\Sigma$ 的可逆性，可以显式求解 $w$ 与 $\nu$。这一推导在 /zh/asset-pricing/03-mean-variance/ 中已有更完整展开，这里更关心的是：

• 一旦引入不等式约束（如多空限制、个股上限等），KKT 条件会变得相对复杂；
• 在实务中通常交由数值优化器求解，但理解上述“无约束 + 一个资金约束”的解析解，有助于直观把握优化结果是否合理（例如方向是否接近 $\Sigma^{-1} \mu^e$）。

4. 从因子定价到“因子组合”

4.1 因子组合与“smart beta”

在 Fama–French 框架中，每个因子（如市场、规模、价值、盈利、投资）都对应一个可交易的因子组合，例如：

• SMB（Small Minus Big）：小市值减大市值组合；
• HML（High Minus Low）：高账面市值比减低账面市值比组合。

这些因子组合本身就是投资组合，其收益可以写作：

其中 $w_{k,t}$ 是构造第 $k$ 个因子的权重。若我们进一步在这些因子组合上再做一次组合优化，就得到所谓“因子层面的组合”（有时被称为 smart beta 或 style investing）。

从资产定价角度看：

• 因子组合提供了解释横截面资产收益的基底；
• 投资者的策略可以被分解为对各个因子组合的暴露叠加。

4.2 Alpha 叠加与风险控制

很多机构的实践是：

1. 用多因子模型估计“基准风险因子”的暴露和风险；
2. 将自研 alpha 策略视为在基准之上的“增量组合”；
3. 在组合优化时，约束整体组合的因子暴露不偏离基准过多，同时最大化自研 alpha 的预期收益。

形式上，可以表达为：

• 给定基准指数权重 $w^{\text{bench}}$；
• 寻找主动权重 $\Delta w$，使得 $w = w^{\text{bench}} + \Delta w$；
• 目标为最大化主动组合的信息比率：$$\max_{\Delta w} \ \frac{\mathbb{E}[r_{p} - r_{\text{bench}}]}{\sqrt{\operatorname{Var}(r_{p} - r_{\text{bench}})}}$$
• 同时控制因子暴露约束：$$|B^\top w - B^\top w^{\text{bench}}| \le \text{tol},$$
  其中 $\text{tol}$ 是容忍的因子偏离阈值。

5. 风险度量的扩展视角

虽然均值–方差框架是资产定价与组合理论的基础，但在许多情形下，方差并非最合适的风险度量。例如：

• 对尾部风险敏感的策略更关心极端损失；
• 对非对称收益分布更关心下行波动。

5.1 VaR 与 CVaR（概念层面）

设组合在下一期的损失为 $L$（损失为正，收益为负）。给定置信水平 $\alpha \in (0,1)$，在分布已知的理想情况下：

• VaR（Value at Risk）定义为 $L$ 的 $\alpha$ 分位数：$$\text{VaR}_\alpha = \inf\{\ell : \mathbb{P}(L \le \ell) \ge \alpha\}.$$
• CVaR（Conditional VaR，或 Expected Shortfall）定义为在超过 VaR 时的条件期望：$$\text{CVaR}_\alpha = \mathbb{E}[L \mid L \ge \text{VaR}_\alpha].$$

在实务中，VaR/CVaR 的估计会涉及大量计量方法（历史模拟、参数法、蒙特卡洛等），这些将在未来“计量”和“风险管理”更专门的笔记中展开。

5.2 下行风险与半方差

另一类风险度量关注“只统计坏的波动”，例如半方差：

在一定条件下，可以将下行风险度量纳入类似均值–方差的优化框架，但会导致问题变为非凸或需要近似求解。

6. 小结与资产定价视角的 Checklist

从资产定价 / 组合理论的视角看，一个“规范”的组合构建和风险建模流程至少应包含：

1. 明确预期收益向量 $\mu^e$ 的来源：
   • 来自历史估计、因子价格估计，还是主观观点（views）？
2. 使用多因子模型构建协方差矩阵 $\Sigma = B F B^\top + \Delta$：
   • 确定因子定义与暴露估计方法；
   • 确定因子协方差和特异风险估计方法（滚动窗口、指数加权等）。
3. 采用均值–方差或其扩展形式进行组合优化：
   • 明确目标函数（夏普/信息比率/风险平价等）；
   • 明确约束集合（杠杆、敞口、流动性、交易成本等）。
4. 对结果进行风险分解与归因：
   • 看清组合风险在因子与特异之间的分布；
   • 按资产/行业/风格拆解成分风险贡献。
5. 在回测与实盘监控中，持续评估：
   • 因子暴露是否符合设计；
   • 组合风险是否在预期范围内；
   • 资产定价假设（例如线性因子模型）是否出现明显失效迹象。

7. 自学手册：从 alpha 分数到风险可控组合

7.1 学习目标

学完本章后，你应当能够：

1. 解释 $\mu^e$、$\Sigma$、约束集合和目标函数在组合优化中的角色；
2. 区分收益预测、风险预测和交易约束三类输入；
3. 用多因子风险模型拆解组合的因子风险与特异风险；
4. 判断优化结果是否过度集中、暴露漂移或对估计误差过敏；
5. 为一个多因子股票策略写出组合构建和风险审查清单。

7.2 生产场景

研究团队给出每只股票的 alpha 分数，风险团队给出行业、市值、波动率等风险模型，交易团队提醒部分小盘股成交困难。你的任务是把分数转成目标权重。一个可上线的组合构建流程要同时回答：

• 预期收益向量 $\mu^e$ 从哪里来，是否稳定？
• 协方差矩阵 $\Sigma$ 是否正定、是否过度依赖短样本？
• 行业、市值、杠杆、个股上限和流动性约束是否被满足？
• 优化后组合的风险贡献是否集中在少数资产或因子？
• 若 alpha 预测误差变大，组合是否仍然稳健？

7.3 定义与工作流逻辑

典型流程是：

1. 将因子打分映射成 $\mu^e$，并做合理缩放；
2. 载入风险模型 $\Sigma = BFB^\top+\Delta$；
3. 写清目标函数，例如最大化风险调整后 alpha 或主动信息比率；
4. 加入硬约束（杠杆、个股权重、行业偏离、流动性上限）；
5. 求解并检查 KKT/数值状态；
6. 做风险分解、压力测试和换手审查；
7. 将目标权重传给执行模块。

7.4 近期扩展：可实现有效前沿

教科书有效前沿通常忽略成本，且在无风险资产存在时可沿同一夏普比率直线放大风险。Jensen et al. (2026) 把策略放到成本后的“可实现有效前沿”上评价：资金规模、换手和市场冲击会使净夏普随风险规模变化，因此不存在一个与账户规模无关的唯一前沿。

下面的两资产算例不复现论文，只展示交易成本如何把最优权重拉回现有持仓：

静态结果：忽略成本时 A 的最优权重为 38.1%；计入示意成本后降到 22.2%，更接近原持仓 20%。权重差异来自这个特定目标和成本参数，不是通用配置建议。真实问题还要估计非线性冲击、账户规模、卖空、税费和求解不确定性。

7.5 迷你案例：等权 alpha 与优化 alpha 的比较

你有 100 只股票的标准化分数。可以先做两个组合对照：

如果优化组合夏普更高但持仓集中在极少数低流动性股票，结论不是“优化有效”，而是需要加入更严格的权重、成交量和冲击成本约束。组合优化的目标不是让历史指标最好看，而是让可执行风险收益更稳健。

7.6 常见错误与研究陷阱

• 把 alpha 分数当精确收益预测：分数通常只有排序意义，直接当 $\mu^e$ 会造成极端权重。
• 协方差矩阵估计不稳：短窗口样本下 $\Sigma^{-1}\mu$ 对噪声非常敏感，常需要收缩、因子模型或权重上限。
• 约束缺失导致隐藏风险：行业、市值、流动性不约束时，优化器会把资金压到历史上最“划算”的暴露。
• 只看总波动不看归因：总风险正常但单一因子或资产贡献过高，仍然可能在特定行情中崩溃。
• 换手没有进入目标函数：每期重新优化会产生高换手，实际成本可能超过理论 alpha。

7.7 自测题与答案提示

1. 为什么无约束最优权重 $w^* \propto \Sigma^{-1}\mu$ 在实务中危险？ 答案提示：它对 $\mu$ 和 $\Sigma$ 的估计误差高度敏感，可能产生杠杆、集中和不可交易持仓。
2. 因子风险和特异风险有什么区别？ 答案提示：因子风险来自共同暴露 $Bf$，会在许多资产间联动；特异风险来自单个资产残差，分散化后可降低。
3. 主动组合为什么要控制相对基准的因子暴露？ 答案提示：否则主动收益可能主要来自无意的行业、风格或市场 beta，而不是研究团队声称的 alpha。
4. 怎样判断新增约束是否过强？ 答案提示：比较约束前后的目标值、风险暴露、换手和可交易性；若 alpha 几乎被约束完全消除，需重新审视信号和投资目标。

7.8 小结与过渡

组合构建把研究信号变成资金配置。你需要同时尊重三件事：alpha 预测很噪、风险模型不完美、真实交易有约束。下一章会继续沿着资金落地的方向，讨论目标权重如何变成订单，以及价差、冲击和成交不确定性如何改变策略表现。

参考文献（节选）：

• Markowitz, H. (1952). "Portfolio selection." The Journal of Finance.
• Sharpe, W. F. (1964). "Capital asset prices: A theory of market equilibrium under conditions of risk." The Journal of Finance.
• Ross, S. A. (1976). "The arbitrage theory of capital asset pricing." Journal of Economic Theory.
• Connor, G., & Korajczyk, R. A. (1988). "Risk and return in an equilibrium APT." Journal of Financial Economics.
• Maillard, S., Roncalli, T., & Teiletche, J. (2010). "The properties of equally weighted risk contribution portfolios." The Journal of Portfolio Management.
• Qian, E. (2005). "Risk parity portfolios: Efficient portfolios through true diversification." PanAgora Asset Management White Paper.