组合构建(Portfolio Construction)是量化交易系统的核心环节之一,它将信号(Alpha)、风险模型和约束条件转化为具体的资产权重分配。与传统的主动投资组合管理不同,量化组合构建强调系统性、可重复性和风险预算的精确控制。
本文聚焦量化交易场景下的组合构建方法,涵盖从经典的均值方差优化到现代的风险平价、Black-Litterman 模型、因子组合构建以及实现中的工程细节。
哈里·马科维茨(Harry Markowitz)在 1952 年发表的论文《投资组合选择》(Portfolio Selection)奠定了现代投资组合理论(MPT)的基础。其核心思想是:投资者应在预期收益与风险之间进行权衡,选择有效前沿(Efficient Frontier)上的组合。
均值方差优化(Mean-Variance Optimization, MVO)的目标是在给定预期收益水平下最小化组合方差,或在给定风险水平下最大化预期收益。标准形式如下:
最小化方差形式:
约束条件:
其中 是 个资产的权重向量, 是 协方差矩阵, 是预期收益向量, 是目标收益, 是全 1 向量。
拉格朗日求解:
引入拉格朗日乘子 和 ,构建拉格朗日函数:
对 求导并令导数为零:
解得最优权重:
数值示例: 假设有两个资产 A 和 B:
协方差矩阵:
假设目标收益 ,求解得:
| 方案 | w_A | w_B | 组合波动率 | 夏普比 |
|---|---|---|---|---|
| 最小方差 | 0.26 | 0.74 | 14.0% | — |
| 目标收益10% | 0.47 | 0.53 | 14.8% | 0.47 |
| 最大夏普 | 0.63 | 0.37 | 16.5% | 0.55 |
从表中可见:随着对资产 A 的配置增加,组合波动率上升,但夏普比也逐步提升,体现了收益与风险之间的经典权衡。
有效前沿(Efficient Frontier)是所有最优组合的轨迹,其横轴为风险(标准差),纵轴为预期收益。有效前沿上的每个点都是给定风险下的最大收益组合。
有效前沿的特性:
资本市场线(CML): 引入无风险资产后,有效前沿变为从无风险利率出发、与有效前沿相切的直线。切点组合即为市场组合(Tangency Portfolio),其夏普比最大。
| 局限性 | 具体问题 | 影响 |
|---|---|---|
| 估计误差敏感 | 输入参数()的微小变化导致权重剧烈变化 | 组合不稳定,换手率极高 |
| 权重集中 | 优化结果往往将权重集中在少数资产上 | 缺乏多样化 |
| 收益估计困难 | 预期收益的估计精度远不如协方差 | 误差放大效应显著 |
| 正态假设 | 假设收益服从正态分布,忽略尾部风险 | 极端事件下表现差 |
| 单期模型 | 不考虑多期动态优化 | 不适应市场状态变化 |
经典例子: Michaud (1989) 通过蒙特卡洛模拟发现,均值方差优化后的样本外表现往往不如等权重组合。这就是著名的"估计误差最大化"问题——优化器在寻找最优解的过程中,会放大输入参数的估计误差。
为了缓解均值方差的局限性,实践中常采用:
Black-Litterman 模型由 Fischer Black 和 Robert Litterman 于 1992 年在高盛提出,旨在解决均值方差优化对预期收益估计过于敏感的问题。其核心思想是:从市场均衡出发,通过贝叶斯方法将投资者的主观观点与市场隐含收益相结合。
步骤一:市场均衡收益
假设所有投资者都遵循均值方差优化,那么市场组合就是最优组合。通过逆向优化(Reverse Optimization)可以推导出市场隐含的预期收益:
其中 是市场均衡收益向量, 是风险厌恶系数, 是市场组合权重。
风险厌恶系数的估计:
其中 是市场组合预期收益, 是无风险利率, 是市场组合方差。
数值示例: 假设一个两资产市场:
市场隐含收益:
即股票市场隐含预期收益 6.9%,债券 1.7%。
步骤二:投资者观点
投资者可以表达绝对观点(如"股票 A 将上涨 5%")或相对观点(如"股票 A 将比股票 B 跑赢 3%")。每个观点附带一个置信度参数。
观点用矩阵形式表示:
其中 是观点关联矩阵, 是观点收益向量, 是观点误差的协方差矩阵(对角线元素反映置信度)。
示例: 两个观点:
步骤三:贝叶斯融合
将市场均衡收益作为先验,投资者观点作为似然,通过贝叶斯公式得到后验预期收益:
其中 是先验的置信度标量(通常取 0.025-0.05)。
数值推导: 接上一例,取 :
先验精度矩阵:
计算得到后验收益后,代入均值方差优化得到最终权重。
| 特点 | 说明 |
|---|---|
| 输入稳定 | 从市场均衡出发,避免极端权重 |
| 观点融合 | 系统性结合主观与客观信息 |
| 置信度控制 | 置信度低的观点对结果影响小 |
| 直观解释 | 结果可追溯到具体观点的贡献 |
风险平价(Risk Parity)由 Bridgewater 的 Ray Dalio 在 1990 年代推广,其核心理念是:组合中的每一项资产(或风险因子)应对总风险做出同等贡献。与均值方差方法不同,风险平价不依赖预期收益估计,只关注风险预算。
风险贡献(Risk Contribution): 资产 对组合总风险(波动率)的边际贡献为:
风险平价条件: 所有资产的风险贡献相等:
其中 是组合总波动率。
风险平价的优化问题没有解析解,需要通过数值优化求解:
约束条件:
Python 实现示例:
import numpy as np
from scipy.optimize import minimize
def risk_parity_weights(cov):
"""计算风险平价权重"""
n = cov.shape[0]
def risk_contribution(w):
sigma = np.sqrt(w @ cov @ w)
mrc = cov @ w / sigma # 边际风险贡献
return w * mrc # 风险贡献
def objective(w):
rc = risk_contribution(w)
target = np.mean(rc)
return np.sum((rc - target) ** 2)
constraints = {'type': 'eq', 'fun': lambda w: np.sum(w) - 1}
bounds = [(0, 1)] * n
result = minimize(objective, np.ones(n)/n,
constraints=constraints, bounds=bounds,
method='SLSQP')
return result.x
假设三个资产:
| 资产 | 波动率 | 预期收益 | 与B的相关系数 | 与C的相关系数 |
|---|---|---|---|---|
| A(股票) | 20% | 10% | 0.3 | 0.2 |
| B(债券) | 8% | 4% | 1.0 | 0.1 |
| C(商品) | 15% | 6% | 0.1 | 1.0 |
三种方法的权重对比:
| 方法 | w_A | w_B | w_C | 组合波动率 | 夏普比 |
|---|---|---|---|---|---|
| 等权重 | 33.3% | 33.3% | 33.3% | 9.4% | 0.64 |
| 最小方差 | 6.7% | 76.5% | 16.8% | 7.0% | 0.50 |
| 风险平价 | 15.0% | 62.0% | 23.0% | 7.8% | 0.59 |
| 最大夏普 | 47.0% | 20.0% | 33.0% | 11.0% | 0.72 |
关键观察:
因子风险平价:将资产的风险分解到因子层面,实现因子层面的风险平价。例如,60/40 股债组合的 90% 风险实际上来自股票因子,因子风险平价会调整权重使股票和利率因子的风险贡献相等。
目标风险平价:为组合设定目标波动率(如 10%),通过杠杆或减仓调整整体风险水平。
层次风险平价(HRP):López de Prado (2016) 提出的方法,使用层次聚类构建组合,对协方差矩阵的估计误差更具鲁棒性。HRP 在样本外表现优于传统 MVO。
| 方法 | 优缺点 | 适用场景 |
|---|---|---|
| 经典风险平价 | 不依赖收益估计,品种间平衡好,但可能杠杆过高 | 多资产配置,大型基金 |
| 因子风险平价 | 更精细的风险归因,但因子识别误差大 | 保险、养老金 |
| 层次风险平价 | 对估计误差鲁棒,可处理高维资产,但计算复杂 | 高维资产组合,统计套利 |
现代量化组合构建越来越多地采用因子(Factor)框架,将资产收益分解为因子暴露(Factor Exposure)和特异收益(Idiosyncratic Return)。因子组合的目标是在特定因子上获得纯净的暴露,同时中性化其他因子。
Sharpe (1992) 的收益分解模型:
其中 是资产 的超额收益, 是资产 对因子 的暴露, 是因子 的收益, 是 Alpha(不能被因子解释的收益), 是特质收益。
因子组合构建的核心步骤:
Z-Score 标准化:
其中 是原始信号值, 是截面均值, 是截面标准差。
举例: 对于估值因子(市盈率的倒数 E/P):
假设 5 只股票的 E/P 值:
| 股票 | E/P | Z-Score | 排名分位数 |
|---|---|---|---|
| A | 0.08 | +1.26 | 90% |
| B | 0.05 | -0.32 | 40% |
| C | 0.06 | +0.05 | 55% |
| D | 0.03 | -1.16 | 15% |
| E | 0.07 | +0.63 | 75% |
截面均值 ,标准差 。
Z-Score 标准化后,股票 A 的估值暴露最大(+1.26),股票 D 最小(-1.16)。
多因子合成:
当使用多个信号时,需要将它们合成为一个综合因子。常用的合成方法:
| 方法 | 优点 | 缺点 |
|---|---|---|
| 等权合成 | 简单稳健,过拟合风险低 | 忽略因子质量差异 |
| IC 加权 | 考虑因子历史表现 | IC 不稳定,受市场环境影响 |
| 多因子回归 | 理论上最优 | 多重共线性,过拟合 |
| 机器学习 | 可捕捉非线性关系 | 黑箱,解释性差 |
为了获得对特定因子的纯净暴露,需要对其他已知风险因子进行中性化处理。常用的方法是在截面回归中取残差。
横截面回归中性化:
其中 是原始信号(或收益), 是资产 对因子 的暴露,残差 就是中性化后的信号。
常用中性化因子:
| 因子 | 中性化原因 |
|---|---|
| 市值 | 大部分因子都存在市值偏见 |
| 行业 | 行业集中度风险 |
| 波动率 | 低波动异象影响估值因子 |
| 动量 | 与其他因子存在交互 |
实战示例: 对价值因子做市值中性化
假设原始 E/P 与市值对数回归:
残差 就是市值中性化后的价值信号。使用此信号构建的组合,价值因子暴露不受市值大小的影响,可以更好地分离独立价值效应。
因子组合的权重分配有多种方案:
| 方案 | 计算方法 | 特点 |
|---|---|---|
| 等权 | 简单,但因子暴露不高 | |
| 市值加权 | 偏向大市值 | |
| 因子暴露加权 | 因子暴露最大,换手率可能高 | |
| 风险预算加权 | 结合因子暴露与风险模型 | 最复杂,理论上最优 |
带约束的权重优化:
约束条件:
其中 是因子预测信号(Alpha), 是风险厌恶系数,控制组合追求 Alpha 的程度。
组合构建的核心输入之一是风险模型(Risk Model)。一个高质量的风险模型能够准确预测资产之间的协方差结构,从而在优化过程中有效控制风险。
样本协方差矩阵:
其中 是资产 在 时刻的收益。
样本协方差的问题:当 (资产数量)接近或大于 (时间序列长度)时,样本协方差矩阵是奇异的或有巨大估计误差。
Ledoit-Wolf 收缩估计:
Ledoit 和 Wolf (2003) 提出将样本协方差矩阵向一个结构化目标收缩:
其中 是样本协方差矩阵, 是结构化目标(如单因子模型协方差矩阵), 是收缩强度。最优 可通过分析计算得出。
数值对比:估计误差
| 估计方法 | 条件数 | 样本外预测误差 | 最小方差组合波动率 |
|---|---|---|---|
| 样本协方差 | ∞(奇异) | 最大 | 15.2% |
| Ledoit-Wolf | 可控 | 较小 | 11.8% |
| 因子模型 | 好 | 小 | 10.5% |
| EWMA | 较好 | 较小 | 12.1% |
对于大规模资产池(如 A 股 3000+ 只股票),直接使用资产级别的协方差矩阵既不可行也不可靠。因子风险模型将风险分解到因子层面:
其中 是 的因子暴露矩阵, 是 的因子收益协方差矩阵, 是特质收益方差的对角矩阵。
因子模型的核心优势:
Barra 模型示例(MSCI Barra 风险模型使用的因子分类):
| 因子类别 | 包含的具体因子 |
|---|---|
| 市场因子 | 市场超额收益 |
| 风格因子 | 价值、动量、规模、波动率、质量、成长 |
| 行业因子 | GICS 行业分类 |
| 国家因子 | 不同国家市场的因素 |
风险归因(Risk Attribution)帮助理解组合的风险来源:
边际风险贡献(MRC):
成分风险贡献(CRC):
总风险
数值示例: 一个简单的三资产组合(权重 w=[0.5, 0.3, 0.2]):
| 资产 | 权重 | MRC | CRC | 风险占比 |
|---|---|---|---|---|
| 股票A | 50% | 0.18 | 0.09 | 55% |
| 股票B | 30% | 0.12 | 0.036 | 22% |
| 债券C | 20% | 0.19 | 0.038 | 23% |
表中可见:虽然资产 C 权重仅为 20%,但其 MRC 高达 0.19(因为与其他资产低相关),实际风险占比 23%,接近 B 的贡献。风险归因可以帮助发现"隐形"的风险承担者。
量化组合优化中加入合理的约束可以显著提高样本外表现:
权重约束:
| 约束类型 | 示例 | 目的 |
|---|---|---|
| 多头约束 | 禁止做空 | |
| 个股权重上限 | 避免过度集中 | |
| 行业上限 | 行业分散 | |
| 市值中性 | 市值中性化 |
换手率约束:
换手率约束直接影响交易成本,过高的换手率会侵蚀 Alpha。
交易成本对组合构建有显著影响,尤其是高频或中频策略。
交易成本构成:
| 成本类型 | 来源 | 典型值 |
|---|---|---|
| 佣金 | 券商手续费 | 0.01-0.05% |
| 滑点 | 买卖价差 | 0.05-0.5% |
| 市场冲击 | 大单影响 | 0.1-2% |
| 印花税 | 政府税(部分市场) | 0.01-0.1% |
市场冲击模型:
Almgren-Chriss 模型是最经典的执行成本模型:
其中 是交易量, 是日成交量, 是波动率, 是模型参数。
数值示例: 假设某股票 (日波动率), 股,:
| 交易量 Q | 市场冲击(百分比) |
|---|---|
| 10,000 股(0.1%) | 0.08% |
| 100,000 股(1%) | 0.19% |
| 500,000 股(5%) | 0.35% |
| 1,000,000 股(10%) | 0.48% |
将交易成本纳入目标函数:
其中 是基准权重, 是资产 的交易成本函数, 是成本惩罚系数。
Vol-Scale(Volatility Scaling)是量化组合构建中一种简单而强大的技术。其核心理念是:根据资产近期波动率动态调整头寸规模,使每项资产对组合的风险贡献保持恒定。
给定目标波动率 ,资产 的头寸缩放因子为:
其中 是资产 的估计波动率(通常用 EWMA 或 GARCH 模型估计)。
数值示例: 一个简单的 Vol-Scale 策略:
| 时期 | 估计波动率 | 目标波动率 | 缩放因子 | 实际头寸 |
|---|---|---|---|---|
| 平静期 | 15% | 20% | 1.33 | 133% |
| 正常期 | 20% | 20% | 1.00 | 100% |
| 高波动期 | 35% | 20% | 0.57 | 57% |
| 极端期 | 50% | 20% | 0.40 | 40% |
高波动时期显著减小头寸,低波动时期适当放大头寸。
EWMA 波动率估计:
其中 是衰减因子(通常取 0.94 用于日频数据)。
目标波动率的设定:
研究表明,Vol-Scale 可以显著提高风险调整后的收益:
| 策略 | 年化收益 | 年化波动率 | 夏普比 | 最大回撤 |
|---|---|---|---|---|
| 无 Vol-Scale | 12% | 25% | 0.48 | -40% |
| 固定目标 15% | 10% | 16% | 0.63 | -25% |
| 固定目标 20% | 14% | 21% | 0.67 | -30% |
Vol-Scale 的本质是通过动态调整风险暴露,使组合的风险输出更加稳定,从而改善风险管理效果。
量化组合构建的典型实现流程:
┌──────────────────────────────────────────────────┐
│ 1. Alpha 生成 │
│ └─ 原始信号 → 信号处理 → Alpha 向量 │
├──────────────────────────────────────────────────┤
│ 2. 风险模型 │
│ └─ 历史数据 → 协方差估计 → 因子风险模型 │
├──────────────────────────────────────────────────┤
│ 3. 约束定义 │
│ └─ 权重限制、行业限制、换手率限制、杠杆限制 │
├──────────────────────────────────────────────────┤
│ 4. 优化求解 │
│ └─ 二次规划 → 最优权重向量 │
├──────────────────────────────────────────────────┤
│ 5. 执行与监控 │
│ └─ 交易执行 → 风险监控 → 归因分析 │
├──────────────────────────────────────────────────┤
│ 6. 再平衡 │
│ └─ 定期再平衡 → 信号更新 → 回到步骤 1 │
└──────────────────────────────────────────────────┘
import numpy as np
from scipy.optimize import minimize
class PortfolioConstruction:
def __init__(self, cov_estimator, alpha_model, constraints):
self.cov = cov_estimator
self.alpha_model = alpha_model
self.constraints = constraints
def compute_weights(self, returns, signals, prev_weights=None):
# 1. 估计协方差矩阵
sigma = self.cov.estimate(returns)
# 2. 生成 Alpha
alpha = self.alpha_model.predict(signals)
# 3. 定义优化目标
lam = 0.1 # 风险厌恶系数
def objective(w):
risk = 0.5 * w @ sigma @ w
ret = -lam * alpha @ w # 负收益(最小化)
# 可选:加入交易成本惩罚
if prev_weights is not None:
turnover = 0.5 * np.sum(np.abs(w - prev_weights))
tc_penalty = 0.001 * turnover
return risk + ret + tc_penalty
return risk + ret
# 4. 求解优化
n = len(alpha)
result = minimize(
objective,
x0=np.ones(n) / n,
method='SLSQP',
bounds=self.constraints['bounds'],
constraints=self.constraints['constraints']
)
# 5. 应用 Vol-Scale
current_vol = np.sqrt(result.x @ sigma @ result.x)
target_vol = 0.15
scale = target_vol / current_vol if current_vol > 0 else 1.0
return result.x * scale
构建组合策略后,必须通过严格的回测验证:
量化组合构建从 Markowitz 的均值方差框架出发,经历了 Black-Litterman 贝叶斯融合、风险平价、因子组合等多个阶段的演进:
| 方法 | 核心思路 | 输入要求 | 适用场景 |
|---|---|---|---|
| 均值方差 | 收益-风险最优权衡 | 预期收益+协方差 | 学术基准、大类资产 |
| Black-Litterman | 市场均衡+主观观点 | 协方差+观点 | 机构配置、有专业判断 |
| 风险平价 | 风险贡献均等 | 协方差 | 多资产、长期配置 |
| 因子组合 | 因子暴露+风险控制 | 因子信号+风险模型 | 量化策略、市场中性 |
| Vol-Scale | 动态风险预算 | 波动率估计 | 单个策略、趋势跟踪 |
在实践中,成熟的量化团队通常综合使用多种方法:用因子模型处理 Alpha 信号,用风险平价控制因子间的风险预算,再用 Vol-Scale 管理整体风险水平。理解这些方法的适用条件和局限,根据具体策略和目标选择适当的组合构建方法,是量化投资成功的关键。