标签： #风险平价

风险平价（等风险贡献 ERC）在桥水全天候里大放异彩，但那是股票/债券/商品低相关的多资产舞台。本文用 numpy+scipy 从零实现长仓 ERC 求解器，在 10 个 A 股行业（高相关、年化波动 22%–40%）上检验：ERC 把风险贡献拉平到 10%、年化波动 22.8%（略低于等权 23.4%），但权重仍均衡在 7.4%–12.5%、样本外净值并未跑赢等权——高相关下「免费午餐」有限。附完整 Python 与四张真实计算图。

「把组合波动锁死在 10%」听起来是纯风控改进，25 年 4 资产受控模拟（无条件波动与相关结构由构造给定）却给出不舒服的账本：波动命中率从 71.9% 提到 98.6%，Sharpe 却从 0.883 掉到 0.775——而这 −0.108 里只有 −0.006 是策略本身的，其余全是换手买单。决定性对照是常数杠杆：把 ERC 一次性放大到同样 10.7% 波动，Sharpe 精确等于 0.883410（杠杆不改变 Sharpe，引擎自洽性验证），零成本下 0.8828 vs 0.8884、真实增量仅 −0.0056。收获不在 Sharpe 而在回撤：−17.72% vs −20.01%，改善 2.28pp。两条安慰剂锁死机制：时间置换 −0.1276、同方差世界 −0.0964，与真实世界 −0.1088 几乎无差——收益根本不来自波动可预测性（预测 R² 仅 0.1785）。最实用的修复是无交易带：偏离不足 15% 就不动，换手降 66%、Sharpe 回到 0.8654、命中率仍有 97.0%

「我持有 6 类资产，够分散了吧」——这是资产配置里最贵的一句错话。25 年月频实测：一个名义上持有 6 类资产、单资产最大权重仅 35% 的组合，权重 HHI 只有 0.235 看着很分散，但因子方差分解摊开来，51.8% 的波动全部来自同一个增长因子、通胀因子只占 3.5%——它不是分散组合，是加了债券装饰的股票。真正的诊断工具是把每个资产回归到「增长意外/通胀意外」两轴：股票 (+2.96, -1.29)、黄金 (+0.04, +2.39)、大宗商品 (+2.02, +2.99)、国债 (-0.70, -1.52)，这张地图立刻告诉你谁和谁其实是同一笔押注。四象限矩阵给出残酷事实：没有任何资产在四个象限都活着——股票在滞胀 -35.9%、大宗商品在通缩衰退 -37.7%、黄金在金发姑娘 -19.9%。按因子暴露而非资产名称配权后，通胀敞口从 -0.0138 压到 +0.0003、最差象限从 -24.5% 收敛到 -3.6%、四象限极差从 61.0pp 砍到 15.6pp、Sharpe 从 0.64 升到 1.00，样本外 (后 15 年持有前 10 年估的权重) Sharpe 0.82 vs 60/40 的 0.41。三盆冷水：beta 在漂（黄金增长 beta 信噪比仅 0.51）、因子平衡砍右尾也砍左尾、两因子解释力有天花板（R² 最高 0.66）（中阶）

波动率平价的隐藏杀机：它用标准差衡量风险，而标准差对『平时波澜不惊、崩盘时血流成河』的资产（短波动信用、卖期权、carry）严重低估——于是波动率平价会把最高权重堆给这类资产，账面看似最『安全』，实则把组合的命门交给了最肥的尾巴。本文用纯 numpy 造 4 资产（股票/债券/商品/短波动信用），故意让『短波动信用』日常波动仅 3.5%（比债券还低）却带灾难性左尾（偏度 -10.2、超峰度 113）。实测暴露陷阱：波动率平价只给它 17.7% 权重，它却贡献 39.2% 的 CVaR 尾部风险——低波动是伪装。尾部风险平价改用 5% CVaR 度量风险、Euler 分解算边际尾部贡献、迭代把每个资产的尾部贡献拉到 25%：短波动信用权重被砍到 11.5%，样本内 Sharpe 从 0.34 升到 0.57、最大回撤从 -14.6% 收到 -12.2%、组合 CVaR 从 0.96% 降到 0.83%。全文打穿波动率≠风险、CVaR 次可加性为何让分解成立、尾部估计的样本量诅咒、样本内最优必然乐观四类陷阱（中高阶）。

传统 60/40 表面分散，其实风险几乎全压在股票上——股票贡献了 ~97% 的组合波动，一旦股票崩，债券那 40% 根本兜不住。桥水全天候(All Weather, Dalio 1996)换了个思路：先按「对风险的贡献」而非资金额分配(风险平价)，再让资产覆盖「增长↑/↓ × 通胀↑/↓」四种环境，任一种天气都有资产赚钱。本文用合成宇宙算实：60/40 股票风险贡献 97.3%，全天候压到均衡(股票 39.8% / 长债 37.4% / 中债 6.2% / 黄金 9.0% / 商品 7.6%)；四种环境里 60/40 在衰退年亏 -3.4%，全天候几乎不亏；16 年混合轮动下全天候 Sharpe 0.26、最大回撤 -16.2%，远好于 60/40 的 0.12 / -45.2%。附完整 Python 与五类真实陷阱(中阶)。

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）。

因子长期有效，但不同因子在不同宏观环境下表现天差地别：扩张期动量最强，滞胀期质量最稳，过热期价值/规模占优。本文用 4 态马尔可夫宏观制度 + 滞后状态倾斜(规避前瞻偏差)，把等权夏普从 1.13 抬到 1.33，并诚实点出宏观数据滞后、状态误判、交易成本、完美预知上限等六类真实陷阱(中阶)。

马科维茨最大夏普对协方差估计极度敏感——样本噪声一来，权重就爆成几十倍杠杆、还冒出一堆空头。等风险贡献(ERC / Risk Parity)干脆放弃预测收益，只要求「每个资产对组合总波动率的边际贡献完全相等」。本文用固定点迭代 w∝1/(Σw) 在 6 资产合成上求解：ERC 收敛 263 步、风险贡献精确 16.67%×6(方差 9.7e−33，而等权 9.5e−07)，权重向低波动资产倾斜(最低波动资产拿 41% 权重)；并在高/低相关市场下验证风险贡献依旧均匀。附完整 Python 与六类真实陷阱(中阶)。