20250626-华安证券-_学海拾珠_系列之二百三十九_基于相关性最小生成树边缘节点的分层风险平价策略_14页_1mb

报告总结

这份专题报告改进了De Prado（2016）提出的分层风险平价（HRP）模型，通过引入全互相关（full cross-correlation, FC）和全局运动调整相关性（global motion subtracted correlation, GMSC）矩阵，并利用最小生成树（MST）选择边缘节点资产。报告基于标普500指数成分股的实证数据（2000-2021年），分析了在不同资产数量下（κ值），FC-HRP和GMSC-HRP组合的表现。

方法：使用滚动窗口估计相关性矩阵，FC矩阵捕捉所有相互作用，GMSC矩阵剔除市场整体运动，聚焦特异性风险。通过层次聚类算法和递归二分法计算权重，最小化投资组合风险，并在每次再平衡时重新优化资产选择。

实证结果：在5320个观测数据上滚动回测，κ={5,10,20,30,50,100,200,300}时，FC-HRP和GMSC-HRP在大多数基准指标上优于标普500指数，表现为降低波动性（标准差、下行偏差、最大回撤）和提升夏普比率、索提诺比率等。风险调整后收益在κ=50时的GMSC-HRP最高，FC-HRP则在牛市中表现更优。

市场条件依赖：在牛市（如2010-2019和2020-2021），FC-HRP更有效，提升组合收益率；在熊市（如次贷危机和COVID-19熊市），GMSC-HRP表现更好，降低损失。整体，模型在资产数量减少时仍有效果，但Greate Recession期间需更高资产选择。

报告适用于股票和ETF配置权重优化，建议投资者根据市场环境调整策略（牛市用FC-HRP，熊市用GMSC-HRP）。风险在于结论基于历史数据和海外市场，不构成投资建议，需注意高维相关性估计的潜在偏差。