风险平价组合(risk parity)理论与实践

本文介绍了风险平价组合的理论与实践；后续文章将对risk parity组合进行更深入探讨以及引入预期收益后的资产配置实战策略。感兴趣的朋友可以直接前往BigQuant人工智能量化投资平台克隆代码进行复现。

前言

• 资产配置是个很广泛的话题，在投资中是一个非常重要的话题

• 从使用场景分类上来看，资产配置可以是宏观的资产配置，比如货币类、债券类、权益类之间的配置；当然也可以是某一大类资产下的配置，比如在沪深300成分股不同标的之间的权重配置

• 但不管怎么说，从方法层面上看，对于不同场景下的使用都是一致的，只不过需要注意不同场景使用下的一些特殊处理

• 本篇作为资产配置研究系列，理论结合实践，深入浅出，可直接使用

• 后续会根据时间安排，逐步介绍资产配置领域的相关理论与实践

摘要

• 介绍了风险平价理论知识
• 介绍了怎样做到风险平价
• 风险平价实践的Python代码

简介

• 资产配置在投资中是非常重要的过程，经典的资产配置方式就是马格维茨的均值-方差模型。目标是在给定预期收益率下最小化方差(风险)，或给定风险水平下最大化收益，通过拉格朗日乘子法，可以计算出一个有效前沿，我们可以根据有效前沿来配置资产。但在实践过程中，我们常常发现计算的结果是某几个资产的权重特别大，收益和风险都集中在了这些资产上

• 也有许多对均值方差进行优化的方法，比如加入风险厌恶系数考虑效用函数的最大化，或者加入个性化条件，要求每一大类的配置比例都不得超过35%等，还有从统计的角度出发，找一些更好的估计协方差阵的方法

• 基于均值方差模型的不足，PanAgora基金的首席投资官Edward Qian博士提出了著名的风险平价(Risk Parity)策略，这一思想被Bridgewater基金运用于实际投资中，本贴将详细介绍风险平价配置方法的理论与实践

下方内容可前往原文，一键克隆进一步研究。

• 实现平台：BigQuant—人工智能量化投资平台
• 源码地址：《风险平价组合(risk parity)理论与实践》

本文由BigQuant人工智能量化投资平台原创推出，版权归BigQuant所有，转载请注明出处。