一、风险平价策略

磐安（Pan Agora）基金的首席投资官钱恩平（Edward Qian）博士提出了著名的风险平价（Risk Parity）策略。后来，这一模型被桥水（Bridge Water）基金运用于实际投资中并一度大获成功。

该策略提倡配置风险，而不是配置资产。传统模型希望可以控制整个投资组合的波动性，而风险平价控制的是相对风险，让各资产风险相对平衡。由于组合的风险达到了平衡，所以理论上可以抵御各类风险，也就是所谓的全天候（All Weather）策略。

全天候交易策略

全天候交易策略的理念是：无论在什么市场环境下，投资组合都可以获得较高的风险调整收益。从名字也能看得出来，不管天气是狂风暴雨，还是晴空万里，我自岿然不动，笑看风云。

风险平价投资组合原则是通过分配资金，使每一项资产对整个投资组合风险的贡献相等来确定资产配置。从根本上说，这一概念反映了经典的 1/n 投资组合，即资金在所有资产中平均分配。因此，风险均等投资组合有时被称为 ERC 投资组合。

二、风险平价组合的构建步骤

第一步，选择底仓。

钱恩平博士在《Risk Parity Fundamentals》（2016）中指出，资产背后的风险溢价分为三种，权益风险溢价、利率风险溢价和通胀风险溢价。从理论上看，选择相关性较低、资产属性差别较大、流动性较好的资产，有助于完善风险平价的配置图谱。

第二步，计算资产对组合的风险贡献。

定义资产对组合的边际风险贡献为组合波动率对权重的偏导数，资产对总风险的贡献为该资产权重与其边际风险贡献的乘积：
MRCi=∂σp∂wi=cov(ri,rp)σpTRCi=wi∂σp∂wi=wicov(ri,rp)σpMRC_i=\frac{\partial\sigma_p}{\partial w_i}=\frac{cov(r_i,r_p)}{\sigma_p}\\TRC_i=w_i\frac{\partial\sigma_p}{\partial w_i}=w_i\frac{cov(r_i,r_p)}{\sigma_p} MRCi=∂wi∂σp=σpcov(ri,rp)TRCi=wi∂wi∂σp=wiσpcov(ri,rp)
其中，wiw_iwi表示资产权重，θ\thetaθ表示资产的协方差矩阵，σp=wθwT\sigma_p=\sqrt{w\theta w^T}σp=wθwT衡量组合风险。

第三步，优化组合风险贡献，计算资产权重。

对于风险平价组合，资产对总风险的贡献水平相等，即：
TRCi=TRCjTRC_i=TRC_j TRCi=TRCj
权重求解本质上是二次优化问题，求资产对组合风险贡献差值的最小值，本文采用 Python中的 minimize 函数求解：
min∑i=1n∑j=1n(TRCi−TRCj)2s.t.∑wi=1,wi∈[0,1]min\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{n}(TRC_i-TRC_j)^2\\ s.t.\sum w_i=1,w_i\in[0,1] mini=1∑nj=1∑n(TRCi−TRCj)2s.t.∑wi=1,wi∈[0,1]

三、风险平价组合的Python实现

假设有一投资组合，含有5支股票：中国平安（000001）、格力电器（000651）、爱尔眼科（300015）、贵州茅台（600519）、长安汽车（000625），构建风险平价组合。

3.1 数据概况

在计算之前，首先需要获取到5支股票的历史股价数据，这里我们使用 AKShare包。它是一个免费、开源的 Python 财经数据接口包。AKShare返回的绝大部分的数据格式都是 pandas DataFrame 类型，非常便于用 pandas/ NumPy/ Matplotlib 进行数据分析和可视化。

获取历史股价数据后，我们计算其对数收益率，并获得方差协方差矩阵。

import pandas as pd
import numpy as np
import akshare as ak
from scipy.optimize import minimize# 读入5支股票 2015-01-01 到 2021-12-31 日收盘价数据，并计算对数收益率
def get_ret(code):data = ak.stock_zh_a_hist(symbol=code, period="daily", start_date="20150101", end_date='20211231', adjust="")data.index = pd.to_datetime(data['日期'],format='%Y-%m-%d') #设置日期索引close = data['收盘'] #日收盘价close.name = coderet = np.log(close/close.shift(1)) #日收益率return retcodes=['000001','000651','300015','600519','000625']
ret = pd.DataFrame()
for code in codes:ret_ = get_ret(code)ret = pd.concat([ret,ret_],axis=1)
ret = ret.dropna()R_cov = ret.cov() #计算协方差
cov= np.array(R_cov)

3.2 构建风险平价组合

def risk_budget_objective(weights,cov):weights = np.array(weights) #weights为一维数组sigma = np.sqrt(np.dot(weights, np.dot(cov, weights))) #获取组合标准差   #sigma = np.sqrt(weights@cov@weights)MRC = np.dot(cov,weights)/sigma  #MRC = cov@weights/sigma#MRC = np.dot(weights,cov)/sigmaTRC = weights * MRCdelta_TRC = [sum((i - TRC)**2) for i in TRC]return sum(delta_TRC)'''
#若将权重weights转化为二维数组的形式，则编制函数如下：
def risk_budget_objective(weights,cov):weights = np.matrix(weights) #weights为二维数组sigma = np.sqrt(np.dot(weights, np.dot(cov, weights.T))[0,0]) #获取组合标准差   #sigma = np.sqrt((weights@cov@weights.T)[0,0])   MRC = np.dot(cov,weights.T).A1/sigma#MRC = np.dot(weights,cov).A1/sigmaTRC = weights.A1 * MRCdelta_TRC = [sum((i - TRC)**2) for i in TRC]return sum(delta_TRC)
'''def total_weight_constraint(x):return np.sum(x)-1.0x0 = np.ones(cov.shape[0]) / cov.shape[0]
bnds = tuple((0,None) for x in x0)
cons = ({'type': 'eq', 'fun': total_weight_constraint})
#cons = ({'type':'eq', 'fun': lambda x: sum(x) - 1})
options={'disp':False, 'maxiter':1000, 'ftol':1e-20} solution = minimize(risk_budget_objective, x0,args=(cov), bounds=bnds, constraints=cons, method='SLSQP', options=options)# 求解出权重
final_weights = solution.x #权重
for i in range(len(final_weights)):print(f'{final_weights[i]:.1%}投资于{R_cov.columns[i]}')

求解结果为：

24.3%投资于000001
16.7%投资于000651
16.1%投资于300015
24.8%投资于600519
18.1%投资于000625

参考资料：https://thequantmba.wordpress.com/2016/12/14/risk-parityrisk-budgeting-portfolio-in-python/

【Python量化】风险平价策略相关推荐

【基金量化研究系列】大类资产配置研究（一）——股债二八配置策略与股债风险平价策略
文章目录 1. 引言 1.1 资产配置简介 1.2 可投标的说明 1.3 市场基本情况与数据库使用的说明 1.4 本文策略基本假设 2. 资产配置策略一--股债二八策略 2.1 策略简介 2.2 基于 ...
风险平价策略python代码_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. 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 ...
python量化交易alpha策略_【邢不行|量化小讲堂系列11-Python量化入门】如何判断一个策略的好坏？（建议收藏）...
引言: 邢不行的系列帖子"量化小讲堂",通过实际案例教初学者使用python进行量化投资,了解行业研究方向,希望能对大家有帮助. 个人微信:xingbuxing0807,有问题欢迎 ...
python量化双均线策略（金叉死叉）
#小策略,策略逻辑是在金叉时候买进,死叉时候卖出,所谓金叉死叉是两条均线的交叉,当短期均线上穿长期均线为金叉,反之为死叉 #下面是策略代码及结构 # 导入函数库 from jqdata import ...
量化择时策略入门与实操-笔记（同花顺金融量化实验室python实现）
文字与代码来源:2022年第三届"大湾区杯"粤港澳金融数学建模竞赛在线讲座-6_哔哩哔哩_bilibili 目录指数估值择时策略指数轮动择时策略基于风险平价模型的仓位管理策略 ...
【tushare使用经验分享】等权重模型、均值方差模型、风险平价模型的投资组合配置比较
id:472745 获取2015.1.1至2021.12.31期间贵州茅台.美的集团.宁波银行.中国平安.三一重工五只股票的日度收益数据. 利用2015.1.1-2019.12.31间的数据作为训 ...
python量化交易策略实例_Python进阶量化交易场外篇3——最大回撤评价策略风险...
新年伊始,很荣幸笔者的<教你用 Python 进阶量化交易>专栏在慕课专栏板块上线了,欢迎大家订阅!为了能够提供给大家更轻松的学习过程,笔者在专栏内容之外会陆续推出一些手记来辅助同学们学习 ...
基于Python量化策略牛市行情下的盈利与风险策略管理
基于Python量化策略牛市行情下的盈利与风险策略管理牛市行情下的盈利策略与风险管理 1 项目背景 2 数据探索 2.1 数据获取 2.2 数据处理与分析 3 盈利策略量化建模与风险管理 3.1 ...
python 完整的海龟策略_9海龟策略_python量化交易_Python视频-51CTO学院
清华编程高手尹成带你基于算法实践python量化交易量化交易是指以先进的数学模型替代人为的主观判断,利用计算机技术从庞大的历史数据中海选能带来超额收益的多种"大概率"事件以制定策 ...

【Python量化】风险平价策略

文章目录