- 桥水全天候风险平价：把「四种经济天气」都装进一个组合里
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)。
10 min Chinese - 核心卫星策略配置框架：用 70% 被动核心 + 30% 主动卫星，把稳健和锐度都装上
做配置最纠结的不是「买什么」，是「稳健」和「锐度」打架：全买指数怕错过 alpha，全做主动怕回撤裸奔。核心-卫星(Core-Satellite)把这事拆成两层——大头(核心)买宽基指数拿市场 beta + 低成本，小头(卫星)做主动策略博超额。本文用合成宇宙的 mu/sigma 解析算出：纯被动期望年化 7.0%(Sharpe 0.33)、核心-卫星(70/18/12)抬到 8.3%(Sharpe 0.44)、纯卫星到 11.0%(Sharpe 0.58)，并用成分风险贡献证明核心占 70% 权重却只扛 ~72% 波动——卫星用小仓位撬动了不成比例的收益。附完整 Python 与五类真实陷阱(中阶)。
10 min Chinese - 永久组合 Harry Browne 配置：用四等分的「哑巴组合」穿越四种经济天气
60/40 在牛市很爽、崩盘很痛，因为风险几乎全压在股票上。Harry Browne 1987 年提出的永久组合(Permanent Portfolio)干脆不预测未来：股票/长债/黄金/现金各 25%，让繁荣、通缩、通胀、衰退四种天气里总有一类资产在赚钱。本文用合成宇宙算实：永久组合长期年化 4.63%(Sharpe 0.45)、最大回撤 −16.05%，远好于 60/40 的 3.82%(0.24)/−33.05%；四种环境里最差年化 4.07%，没有「死环境」。附完整 Python 与五类真实陷阱(中阶)。
11 min Chinese - 耶鲁捐赠基金模式借鉴：把「另类资产 + 股权偏好」做成长期超额收益引擎
传统捐赠基金大量配债券现金、流动性高但长期收益低。David Swensen 执掌耶鲁后，把债券现金砍到近乎为零，重仓另类资产(绝对收益/私募股权/风险投资/实物资产)+全球股权，用「股权偏好 + 另类分散 + 流动性溢价」三引擎长期跑赢。本文用因子模型算实：20 年(含 2 次危机)耶鲁完整版年化 9.18%(Sharpe 0.53)、终值 7.05x，高于 60/40 的 6.92%(0.48)/4.26x，但最大回撤 −48% 也更深——那是「流动性锁定」的代价。附完整 Python 与五类真实陷阱(中阶)。
10 min Chinese - 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 - 宏观PCA定价：用少数主成分解释资产收益的截面
12 个资产的日收益协方差矩阵，前 3 个主成分就能解释 92.8% 的截面波动——这意味着资产收益的「联合运动」其实由少数几个宏观因子驱动。本文用 PCA 把高维协方差降维成「宏观因子定价」：先用合成的真实因子结构展示前 3 主成分恰好对应市场/价值成长/商品通胀三因子，再把 PCA 收缩应用于协方差估计，证明在短估计窗口下，最小方差组合因去噪而波动率更低、月度换手率直降 42%，附完整 Python 与五类真实陷阱（中阶）。
13 min Chinese - 最优传输再平衡：用Wasserstein距离做最小摩擦调仓
再平衡听起来只是「把漂移的权重拉回目标」。但朴素做法要先卖成现金、再买成目标，来回两道成本；真要做最小摩擦，应该让「谁该减仓的资产」直接换给「谁该加仓的资产」。本文用最优传输（Wasserstein / Earth Mover's Distance）把再平衡重写成一个最小成本运输问题，scipy 线性规划从零求解，量化它比现金中枢省 50% 摩擦，并利用折价配对（实物/篮子交易）再降一截，最后用 W1 距离作再平衡触发器，回测年化节省 41% 交易成本，附完整 Python 与五类真实陷阱（中阶）。
14 min Chinese - 重抽样有效性：用蒙特卡洛重抽样给马科维茨权重去噪
马科维茨有效前沿的最优权重是「误差最大化器」——样本估计里一点噪声，权重就跳到极端。Michaud(1998) 的重抽样有效性换思路：自助抽样 B 次重估前沿，在同一目标下取权重再平均，把估计误差摊平去噪。本文用 5 资产真实风格参数从零实现，对照经典 MV，把目标组合波动从 12.0% 压到 7.9%、样本外累计更平滑，附完整 Python 与五类真实陷阱（中阶）。
11 min Chinese
返回