

> 本文你将得到什么：
> 1. 一个统一的配权回测框架：权重每日用"截至昨日"的数据重估，杜绝前视
> 2. 三种权重方案的完整实现与同台对比：等权 / 波动率倒数 / 动态评分
> 3. 风险平价（ERC）的手写数值迭代——以及它在负相关下会"退化"的实测证据
> 4. 一个反直觉结论：下跌市里追强势的"动态评分"反而亏得最少，但波动最高

---

## 痛点：等权是最省事的分法，也是最"一刀切"的分法

上一篇用等权组合把波动压了下来，但等权有个明显缺陷：波动 47% 的策略和波动 37% 的策略拿一样的钱——风险贡献严重失衡。机构里常听到的"风险平价""波动率倒数加权"，说的就是按风险而非按钱数来分配。这些名字听着唬人，核心公式其实一行就能写下。这篇把三种方案放进同一个框架里实测，看它们到底差在哪。

---

## 环境准备

```bash
pip install mairui pandas numpy matplotlib
```

---

## 第一步：复用上一篇的三个策略收益流

数据与信号口径与上一篇完全一致（昨日收盘信号、shift(1) 无前视），直接复用：

```python
from mairui import Client
import pandas as pd
import numpy as np

UNIVERSE = [
    ("600519", "sma520", "MA5/20动量"),
    ("000001", "sma310", "MA3/10快速"),
    ("300750", "mom20", "20日动量"),
]

client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")  # 演示证书，请换成你自己的正式证书

def strategy_daily_returns(df, kind):
    c = df["c"]
    if kind == "sma520":
        sig = (c.rolling(5).mean() > c.rolling(20).mean()).astype(float)
    elif kind == "sma310":
        sig = (c.rolling(3).mean() > c.rolling(10).mean()).astype(float)
    elif kind == "mom20":
        sig = (c / c.shift(20) - 1 > 0).astype(float)
    pos = sig.shift(1).fillna(0.0)
    ret = c.pct_change().fillna(0.0)
    return pos * ret

rets = {}
for code, kind, label in UNIVERSE:
    bars = client.stock_history(code=code, period="d", dividend="f")
    df = pd.DataFrame(bars).rename(columns={"t": "date"}).sort_values("date").reset_index(drop=True)
    for col in ("o", "h", "l", "c", "v"):
        df[col] = df[col].astype(float)
    rets[label] = strategy_daily_returns(df, kind)

R = pd.DataFrame(rets)
```

说明：这里用的是公开演示证书，为演示方便明文写入；实际项目请换成你自己的正式证书（申请配置见 SDK 文档 https://github.com/MaiRuiApi/mairui ），换证后代码无需修改。

---

## 第二步：三种权重函数，每种都是几行

```python
LOOKBACK = 20

def w_equal(win):
    """等权：各 1/3。"""
    return np.ones(win.shape[1]) / win.shape[1]

def w_inverse_vol(win):
    """波动率倒数：w_i ∝ 1/vol_i（过去20日）——风险平价的常用近似。"""
    vol = win.std().values
    w = 1.0 / np.maximum(vol, 1e-12)
    return w / w.sum()

def w_dynamic_score(win):
    """动态评分：低波动得分与近期强势得分各占 50%，保底 5% 防单腿清零。"""
    vol = win.std().values
    mom = (1 + win).prod().values - 1            # 近 20 日累计收益
    vol_s = 1 - (vol - vol.min()) / (np.ptp(vol) + 1e-12)   # 波动越小分越高
    mom_s = (mom - mom.min()) / (np.ptp(mom) + 1e-12)       # 涨得越猛分越高
    score = 0.5 * vol_s + 0.5 * mom_s
    w = np.maximum(score, 0.05)
    return w / w.sum()
```

---

## 第三步：统一回测框架（无前视是底线）

组合日收益 = w·r，但**权重只能用截至昨日的窗口算**——用今天的波动率算今天该配多少钱，就是未来函数：

```python
def run_weighted(R, weight_fn):
    """每日再平衡：w_t 用截至昨日（不含当日）的窗口计算。"""
    n = len(R)
    port = np.ones(n)
    w_last = None
    for t in range(1, n):
        win = R.iloc[max(0, t - LOOKBACK):t]
        w = weight_fn(win)
        if not np.all(np.isfinite(w)):
            w = np.ones(R.shape[1]) / R.shape[1]   # 冷启动窗口不足，退化等权
        w_last = w
        port[t] = port[t - 1] * (1 + float(np.dot(w, R.iloc[t].values)))
    return pd.Series(port), w_last

def perf(r, name=""):
    s = pd.Series(r, dtype=float)
    eq = (1 + s).cumprod()
    vol = s.std() * np.sqrt(252)
    sharpe = s.mean() / s.std() * np.sqrt(252) if s.std() > 0 else 0.0
    mdd = ((eq - eq.cummax()) / eq.cummax()).min()
    return dict(name=name, 累计收益=eq.iloc[-1] - 1, 年化波动=vol, 夏普=sharpe, 最大回撤=mdd)

for name, fn in [("等权", w_equal), ("波动率倒数", w_inverse_vol), ("动态评分", w_dynamic_score)]:
    port, w_last = run_weighted(R, fn)
    p = perf(port.pct_change(fill_method=None).fillna(0.0), name)
    print(f"{name}: 累计 {p['累计收益']:+.2%}  年化波动 {p['年化波动']:.2%}  "
          f"夏普 {p['夏普']:.2f}  最大回撤 {p['最大回撤']:.2%}")
```

**输出示例**（演示证样例数据，仅供演示）：

```
等权: 累计 -22.09%  年化波动 26.32%  夏普 -4.64  最大回撤 -22.41%
波动率倒数: 累计 -21.85%  年化波动 28.82%  夏普 -4.16  最大回撤 -22.14%
动态评分: 累计 -19.45%  年化波动 32.63%  夏普 -3.17  最大回撤 -19.77%
```

---

## 第四步：风险平价（ERC）——把它讲透，包括它失灵的时候

风险平价要求每个策略对组合总风险的**贡献相等**。用不动点迭代可以手写求解，不依赖任何优化库：

```python
def erc_weights(cov, iters=1000, tol=1e-12):
    """等风险贡献权重：迭代 w ∝ 1/MRC，返回权重与各腿风险贡献占比。"""
    sigma = np.asarray(cov, dtype=float)
    n = sigma.shape[0]
    w = np.ones(n) / n
    for _ in range(iters):
        mrc = sigma @ w                      # 边际风险贡献
        w_new = 1.0 / np.maximum(mrc, 1e-16)
        w_new /= w_new.sum()
        if np.max(np.abs(w_new - w)) < tol:
            w = w_new
            break
        w = w_new
    trc = w * (sigma @ w)                    # 总风险贡献
    return w, trc / trc.sum()

w_erc, trc_share = erc_weights(R.cov().values)
print("权重:", dict(zip(R.columns, w_erc.round(3))))
print("风险贡献占比:", dict(zip(R.columns, trc_share.round(3))))
```

**输出示例**：

```
权重: {'MA5/20动量': 0.5, 'MA3/10快速': 0.0, '20日动量': 0.5}
风险贡献占比: {'MA5/20动量': 0.536, 'MA3/10快速': -0.0, '20日动量': 0.464}
```

注意 MA3/10 那一列：**风险贡献是负的，权重被迭代逼成了 0**。原因是它与另外两个策略负相关（-0.176 / -0.157），长多约束下"每个策略风险贡献相等且为正"根本无解。这就是为什么工程上普遍用**波动率倒数**当风险平价的近似——它不需要解方程，且在策略相关性彼此接近时与 ERC 几乎等价。负相关腿反而应该在组合里放大（对冲属性），但那是带约束优化的范畴，属于进阶话题。

---

## 结果怎么读（诚实的部分）

1. **没有万能赢家**：动态评分亏得最少（-19.45%）但波动最高（32.63%）；等权波动最低（26.32%）但收益垫底区间；波动率倒数夏普最好（-4.16）。选哪种取决于你要什么——压波动、博收益，还是风险调整后最优；
2. **下跌市里"追强势"为什么没追在高点**：动态评分 50% 权重给了近期收益，样例里有反弹段它跟上了，但它同时把波动放大了 6 个百分点——在震荡市里这套评分会反复追高杀低，别把单一行情段的表现当规律；
3. **ERC 的"退化"是真实世界的一部分**：教科书假设相关性为正，实战中策略负相关很常见，看到 0 权重腿先别怀疑代码，先查相关性矩阵；
4. 数字为演示证样例数据结果，仅演示方法；换正式证书即得真实行情下的对比。

---

## 常见坑

1. **前视加权**：权重窗口含当日收益 = 未来函数。统一 `R.iloc[max(0, t-LOOKBACK):t]`，右端开区间不含当日；
2. **冷启动 NaN**：前几日窗口不足 2 行，`std()` 返回 NaN，权重全 NaN、净值成一条平线——务必 `np.isfinite` 兜底退化等权；
3. **单腿清零**：评分加权不设保底时，某腿可能长期 0 权重，组合悄悄变成单策略。本文用 5% 保底；
4. **把"波动率倒数"说成"风险平价"**：两者只在相关性彼此接近时近似相等，严谨的表述是"逆波动率加权是风险平价的常用近似"。

---

## 小结与下篇预告

- 三种配权同台：等权最稳、动态评分在下跌反弹段占优、波动率倒数是风险平价的实用近似；
- 风险平价的完整数学（等风险贡献）在负相关下可能无解，实测迭代收敛到 0 权重腿——先看相关性再谈风平；
- 权重定好之后还有个隐含问题：涨着涨着权重就"漂"了，要不要定期拉回来？拉回来要花钱吗？下一篇用实测回答：每月调一次仓到底值不值。

---

## 免责声明

本文所有内容仅用于技术学习与交流，不构成任何投资建议。股市有风险，投资需谨慎。


上一篇用等权组合把波动压了下来，但等权有个明显缺陷：波动 47% 的策略和波动 37% 的策略拿一样的钱——风险贡献严重失衡。机构里常听到的"风险平价""波动率倒数加权"，说的就是按风险而非按钱数来分配。这些名字听着唬人，核心公式其实一行就能写下。这篇把三种方案放进同一个框架里实测，看它们到底差在哪。

【Python量化组合管理实战 02】钱该怎么分？等权、波动率倒数与动态评分三种配权实测

编程语言

三种配权策略对比实测：等权、波动率倒数、动态评分，揭示风险平价在负相关下的退化现象，及动态评分在下跌市中的表现与波动放大问题。

代码解释

流数据

GitHub

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【Python量化组合管理实战 02】钱该怎么分？等权、波动率倒数与动态评分三种配权实测-腾讯云开发者社区-腾讯云

【Python量化组合管理实战 02】钱该怎么分？等权、波动率倒数与动态评分三种配权实测

【Python量化组合管理实战 02】钱该怎么分？等权、波动率倒数与动态评分三种配权实测

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐