- 熵风险平价：用最小交叉熵把相关性树变成权重
风险平价听起来很美——每个资产贡献相等风险。但纯风险平价把你的「观点」也清零了：你明明觉得股票该多配，它偏给你等风险暴露。熵风险平价换一个思路：把权重选择变成「在尊重先验观点的前提下，尽量贴近风险平价」，用最小交叉熵当桥梁——交叉熵衡量「新权重偏离你先验多远」，风险平价当约束。本文用 5 资产真实风格协方差从零实现熵风险平价的 scipy 求解，对照等权/传统风险平价/最小方差/最大熵/先验，量化它如何把「市值偏重先验(股票 40%)」拉成风险贡献 25%/25%/25%/25%/25% 的折中组合，附完整 Python 与五类真实陷阱（中阶）。
12 min Chinese - 因子动量：当因子本身也有趋势，用因子收益做二阶择时
因子不是常量，而是有时强有时弱、且强弱会持续的状态。本文用 5 个合成风格因子的月度收益证明：用因子过去 12 个月收益做信号、做多走强的因子，能把组合 Sharpe 从 0.94 拉到 2.27，且对市场几乎中性（相关仅 0.18），并在文末给出六类真实陷阱（高阶）。
13 min Chinese - 反演优化隐含风险：从组合的边际风险反推各大类资产的真实暴露
基金经理告诉你「股票 50%、国债 25%、商品 5%」,你以为自己分散了——但权重只告诉你投了多少钱,没告诉你扛了多少风险。本文先用风险贡献分解证明:这个 6 大类组合里股票仅占 50% 权重却贡献了 84.1% 的风险、国债还是负的。再用反演优化(reverse optimization)从已知组合权重与协方差反推基金经理「隐含假设」的预期收益(μ = γΣw),并对照等风险贡献(ERC)组合把每类资产压到完全相等的风险(16.67%×6)。附完整 Python 与六类真实陷阱(中阶)。
13 min Chinese - 层级风险平价(HRP)：用相关性树把马科维茨的协方差病治好
马科维茨均值-方差最优解对协方差估计极度敏感：只要资产高度共线，样本协方差的一点噪声就会让最优权重爆成几十倍杠杆。层级风险平价(HRP, López de Prado 2016)干脆不碰逆协方差，而是用相关性距离做层次聚类，把资产聚成一棵树，再自顶向下按子组合波动率二分配置。本文用 12 个合成资产（含一对近复制资产）复现：最小方差解出 2.09 倍总敞口、5 个资产做空、bootstrap 权重 std 0.025；HRP 权重有界、风险贡献接近均衡、bootstrap 权重 std 仅 0.015——它不保证更高收益，但把『估计误差』这条命门堵上了。附完整 Python 与六类真实陷阱（高阶）。
14 min Chinese - 波动率风险溢价择时：用 VRP 开关股债配置
波动率风险溢价择时：VRP=隐含波动−已实现波动，是市场为『保险』付的恐慌溢价。VRP 与下月权益超额收益正相关，用 60 分位做开关：VRP 高配股票、低配债券。模拟里 VRP 择时年化 9.0%/SR 0.66/MDD −33.2%，优于买入持有股票(6.8%/−43.4%)，附 Python 与六类真实陷阱。
13 min Chinese - 最优传输(Wasserstein)资产配置：用 Earth Mover's Distance 把分布差异变成权重
最优传输(Wasserstein)资产配置：用 Earth Mover's Distance 比较收益分布形状，softmax(−β·W1) 软分配权重，避开样本内『幸运肥尾』陷阱。附完整 Python 与五类真实陷阱（高阶）。
13 min Chinese - 层次风险平价(HRP)：用聚类与递归二分超越传统风险平价
传统风险平价要么求逆协方差（病态）要么坍缩到单名40%+；HRP 不求逆：Ward 聚类+递归二分按逆方差切权重，样本外波动14.13%低于等权14.82%、最大单名仅19.8%远胜最小方差37.6%集中。
11 min Chinese - 横截面动量 vs 时间序列动量：两种动量的分工与组合
横截面动量做相对强弱（多空中性），时间序列动量做共同趋势（带方向）。本文用12个资产10年日度数据演示两者相关约0.55、回撤结构互补，等权组合的Sharpe(1.76)高于任一单策略。
11 min Chinese
返回