Quant

组合构建与风险建模(资产定价视角)

在估计误差、风险暴露、换手、流动性和容量约束下把 alpha 分数转化为组合。

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 00 选择投资组合权重向量 w=(w1,…,wN)⊤w = (w_1, \dots, w_N)^\top,在时间 11 收到随机收益向量 r=(r1,…,rN)⊤r = (r_1, \dots, r_N)^\top。组合收益为:

rp=w⊤r. r_p = w^\top r.

我们记:

  • μ=E[r]\mu = \mathbb{E}[r] 为资产预期收益向量;
  • Σ=Cov⁡(r)\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 rpr_p 的均值 E[rp]=w⊤μ\mathbb{E}[r_p] = w^\top \mu 和方差 Var⁡(rp)=w⊤Σw\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,在资金约束下最小化方差;
  • 或在给定风险厌恶系数 λ>0\lambda>0 时最大化均值–方差效用:max⁡w w⊤μ−λ2w⊤Σws.t. 1⊤w=1.\max_w \ w^\top \mu - \frac{\lambda}{2} w^\top \Sigma w \quad \text{s.t. } 1^\top w = 1.

若允许卖空、只保留资金约束,且 Σ\Sigma 正定,该问题有唯一最优解。引入资金约束的乘子 ν\nu,一阶条件为:

μ−λΣw+ν1=0,1⊤w=1. \mu - \lambda \Sigma w + \nu 1 = 0, \qquad 1^\top w = 1.

因此 w∗=λ−1Σ−1(μ+ν1)w^*=\lambda^{-1}\Sigma^{-1}(\mu+\nu 1),其中 ν\nu 由权重和为 1 的条件确定。不能省略乘子后直接使用 λ−1Σ−1μ\lambda^{-1}\Sigma^{-1}\mu:那是完全无约束的解,一般不满足资金约束。第 3 节会继续讨论这组条件和更一般的组合约束。

1.2 有无风险资产与有效前沿

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

rie=ri−rf. r_i^{e} = r_i - r_f.

如果 ww 只表示风险资产的持仓权重,其余资金投入或借入无风险资产,就不再要求风险资产权重之和等于 1。在相同的正定性假设下,无其他约束时:

w∗=1λΣ−1μe,μe=μ−rf1. w^* = \frac{1}{\lambda}\Sigma^{-1}\mu^e, \qquad \mu^e = \mu-r_f1.

这里的方向由超额收益决定,规模随风险厌恶系数变化。当 1⊤Σ−1μe>01^\top\Sigma^{-1}\mu^e>0 时,将这一方向归一化为权重和为 1 的风险组合,就得到正风险溢价的切点组合。

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:

ri,t+1=αi+βi⊤ft+1+ϵi,t+1, r_{i,t+1} = \alpha_i + \beta_i^\top f_{t+1} + \epsilon_{i,t+1},

其中 ft+1f_{t+1} 为 KK 维因子收益,βi\beta_i 为资产 ii 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:

ri,t+1=βi⊤ft+1+ϵi,t+1,E[ϵi,t+1∣ft+1]=0. r_{i,t+1} = \beta_i^\top f_{t+1} + \epsilon_{i,t+1}, \quad \mathbb{E}[\epsilon_{i,t+1} | f_{t+1}] = 0.

对所有资产叠加,用矩阵形式写作:

rt+1=Bft+1+ϵt+1, r_{t+1} = B f_{t+1} + \epsilon_{t+1},

其中:

  • BB 为 N×KN \times K 的因子暴露矩阵;
  • ϵt+1\epsilon_{t+1} 为特异收益向量(常假设 Cov⁡(ϵt+1)=Δ\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:

Σ=Cov⁡(rt+1)=BFB⊤+Δ, \Sigma = \operatorname{Cov}(r_{t+1}) = B F B^\top + \Delta,

其中 F=Cov⁡(ft+1)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≪NK \ll N 时,我们不用直接估计一个 N×NN\times N 的协方差矩阵,而是在较低维度的因子空间中估计 FF 和 BB,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:

Var⁡(rp)=w⊤Σw=w⊤(BFB⊤+Δ)w. \operatorname{Var}(r_p) = w^\top \Sigma w = w^\top (B F B^\top + \Delta) w.

记组合的因子暴露向量为:

bp=B⊤w,(K 维) b_p = B^\top w, \quad \text{(K 维)}

则因子部分的方差贡献为:

σfactor2=bp⊤Fbp. \sigma_{\text{factor}}^2 = b_p^\top F b_p.

特异风险贡献为:

σspecific2=w⊤Δw. \sigma_{\text{specific}}^2 = w^\top \Delta w.

总风险可拆解为两部分之和:

σp2=σfactor2+σspecific2. \sigma_p^2 = \sigma_{\text{factor}}^2 + \sigma_{\text{specific}}^2.

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)R(w),资产 ii 的边际风险贡献定义为:

MCRi=∂R(w)∂wi. \text{MCR}_i = \frac{\partial R(w)}{\partial w_i}.

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

MCRi=(Σw)iσp. \text{MCR}_i = \frac{(\Sigma w)_i}{\sigma_p}.

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

CCRi=wi⋅MCRi=wi⋅(Σw)iσp. \text{CCR}_i = w_i \cdot \text{MCR}_i = w_i \cdot \frac{(\Sigma w)_i}{\sigma_p}.

所有资产的 CCR 之和等于总波动率:

∑i=1NCCRi=σp. \sum_{i=1}^N \text{CCR}_i = \sigma_p.

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:wimin⁡≤wi≤wimax⁡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:∑i∣wi∣≤Lmax⁡\sum_i |w_i| \le L_{\max};
  • 成交量和流动性约束:∣wi−wiprev∣≤c⋅ADVi|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 Σ\Sigma 和预期超额收益向量 μe\mu^e 的条件下,求解带约束的均值–方差优化。

形式上可写为:

max⁡w w⊤μe−λ2w⊤Σws.t. 约束集合 C(w)≤0. \max_w \ w^\top \mu^e - \frac{\lambda}{2} w^\top \Sigma w \quad \text{s.t. 约束集合 } \mathcal{C}(w) \le 0.

当 λ>0\lambda>0、Σ\Sigma 半正定且约束集合为凸集时,这是凸优化问题。线性约束下可用二次规划(Quadratic Programming, QP)求解;加入凸二次约束后,则需要支持这类约束的求解器。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 Σ−1μe\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:

L(w,ν)=w⊤μe−λ2w⊤Σw+ν (1⊤w−1),\mathcal{L}(w,\nu) = w^\top \mu^e - \frac{\lambda}{2} w^\top \Sigma w + \nu\,(1^\top w - 1),

对 ww 求一阶条件得到:

μe−λΣw+ν1=0,1⊤w=1.\mu^e - \lambda \Sigma w + \nu 1 = 0, \quad 1^\top w = 1.

配合 Σ\Sigma 的可逆性,可以显式求解 ww 与 ν\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 Σ−1μe\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:

rfactor,k,t+1=wk,t⊤rt+1, r_{\text{factor},k,t+1} = w_{k,t}^\top r_{t+1},

其中 wk,tw_{k,t} 是构造第 kk 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 wbenchw^{\text{bench}};
  • 寻找主动权重 Δw\Delta w,使得 w=wbench+Δww = w^{\text{bench}} + \Delta w;
  • 目标为最大化主动组合的信息比率:max⁡Δw E[rp−rbench]Var⁡(rp−rbench)\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⊤w−B⊤wbench∣≤tol,|B^\top w - B^\top w^{\text{bench}}| \le \text{tol},
    其中 tol\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 LL(损失为正,收益为负)。给定置信水平 α∈(0,1)\alpha \in (0,1),在分布已知的理想情况下:

  • VaR(Value at Risk)定义为 LL 的 α\alpha 分位数:VaRα=inf⁡{ℓ:P(L≤ℓ)≥α}.\text{VaR}_\alpha = \inf\{\ell : \mathbb{P}(L \le \ell) \ge \alpha\}.
  • CVaR(Conditional VaR,也称 Expected Shortfall,ES)衡量最坏的 1−α1-\alpha 部分损失的平均值。对期望绝对值有限的损失,一般定义为:ESα=11−α∫α1VaRu du.\text{ES}_\alpha = \frac{1}{1-\alpha} \int_\alpha^1 \text{VaR}_u\,du.

当损失分布连续时,可以写成 E[L∣L≥VaRα]\mathbb{E}[L\mid L\ge\text{VaR}_\alpha]。离散分布在 VaR 处可能有一整块概率,不能把这部分全部纳入尾部。比如损失以 96% 的概率为 0、4% 的概率为 100,95% VaR 为 0。最坏 5% 的情景包含全部 4% 的高损失情景和 1% 的零损失情景,所以 ES 为 (0.04×100+0.01×0)/0.05=80(0.04\times100+0.01\times0)/0.05=80;直接计算上述条件期望却只会得到 4。

这一区别在历史模拟中尤其重要,因为有限样本本身就是离散分布。更完整的处理见 Rockafellar 与 Uryasev 关于一般损失分布的 CVaR 定义。

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

另一类风险度量只统计低于目标收益的偏离。例如,以零收益为目标的下行二阶矩(也常称目标半方差)为:

SemiVar=E[min⁡(rp,0)2]. \text{SemiVar} = \mathbb{E}[\min(r_p, 0)^2].

这里的目标是零收益;若以平均收益为基准,得到的则是围绕均值的下行半方差,需要明确区分两种口径。

对固定的收益分布,min⁡(w⊤r,0)2=max⁡(−w⊤r,0)2\min(w^\top r,0)^2=\max(-w^\top r,0)^2 是权重 ww 的凸函数,取期望后仍然凸。因此,在凸约束下使用这一风险度量并不会使问题自动变成非凸。历史情景可以用辅助变量表示下行偏离,再求解凸二次规划;非凸性可能来自持仓数量限制、整数约束或其他非凸目标。

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 μe\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 Σ=BFB⊤+Δ\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 μe\mu^e、Σ\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 μe\mu^e 从哪里来,是否稳定?
  • 协方差矩阵 Σ\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

输入/输出含义审查问题
μe\mu^e预期超额收益或 alpha 分数是否经过缩放、去噪和样本外验证
Σ\Sigma收益协方差或风险模型是否稳定、正定、可解释
BB因子暴露矩阵行业、风格、国家暴露是否完整
C\mathcal{C}约束集合是否反映账户、监管、流动性和交易限制
w∗w^*优化后的目标权重是否集中、是否可交易、是否符合风险预算
风险归因总风险的来源分解alpha 收益是否伴随不可接受暴露

典型流程是:

  1. 将因子打分映射成 μe\mu^e,并做合理缩放;
  2. 载入风险模型 Σ=BFB⊤+Δ\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:

Py

成本如何改变最优组合

未加载

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:

组合构造方式你应观察什么
等权多空多头 top 20%,空头 bottom 20%,组内等权信号毛收益和换手的基线
风险约束优化最大化 w⊤μe−λ2w⊤Σww^\top\mu^e-\frac{\lambda}{2}w^\top\Sigma w,加行业/市值/个股约束风险暴露是否改善,收益是否被约束过度削弱

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 μe\mu^e 会造成极端权重。
  • 协方差矩阵估计不稳:短窗口样本下 Σ−1μ\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∗∝Σ−1μw^* \propto \Sigma^{-1}\mu 在实务中危险? 答案提示:它对 μ\mu 和 Σ\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 BfBf,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.
Copyright © 2026