20250423-华安证券-_学海拾珠_系列之二百三十三_风险收益的权衡_宽松型风险平价模型_20页_2mb

风险收益的权衡：宽松型风险平价模型总结

核心内容

本报告介绍了“宽松型风险平价模型”，这是一种对传统风险平价策略进行改进的模型。传统风险平价策略因过于保守而受到批评，而宽松型策略通过允许一定程度的偏离风险平价配置，以提高收益，同时仍保持风险分散性。该模型基于马瑟和罗曼科（2014）提出的二阶锥规划（SOCP）框架，并引入目标收益约束和惩罚项来实现风险与收益的平衡。

主要观点

• 传统风险平价模型在牛市中表现保守，限制了收益增长，因此需要改进以实现更优的收益。
• 宽松型风险平价模型通过引入目标收益约束和惩罚项，允许一定程度的偏离风险平价配置，以实现更高的收益。
• 在国内市场中，股票和债券的波动性差异大，导致风险平价模型偏向债券配置，从而限制了收益上限。宽松型模型可能是一个改善方向。
• 惩罚项的设置对模型表现有重要影响，过高的惩罚系数可能导致过度集中风险，从而损害模型性能。

关键信息

• 模型构建：宽松型风险平价模型是在传统风险平价SOCP模型基础上，增加目标收益约束条件和惩罚项，以实现收益与风险的平衡。
• 调节项与惩罚项：调节项用于控制风险分配，惩罚项用于限制过度集中。两者的选择和设置对模型的性能和风险平价特性有直接影响。
• 目标收益设定：目标收益基于历史风险平价收益的倍数 $m$ 来确定，且当风险平价收益为负时，调整目标收益为零。
• 样本外表现：宽松型模型在样本外表现中展现出优于传统风险平价模型，尤其是在牛市阶段，其夏普比率和累计回报均有所提升。
• 市场波动响应：在市场动荡时期，模型会自动回归至风险平价配置，而在牛市初期可能因参数滞后而延迟收益获取，因此滚动窗口的选择对模型响应速度至关重要。

模型结构

3.1 增强型风险平价二阶锥规划（SOCP）公式表述

宽松型模型基于传统风险平价SOCP模型，增加了目标收益约束条件：

$$
\min_{x} \psi - \gamma \quad \text{subject to:}
$$

• $\zeta_i = (\Sigma x)_i$
• $x^T \Sigma x \leq n \psi^2$
• $x_i \zeta_i \geq \gamma^2$
• $\mu^T x \geq R$
• $\mathbf{1}^T x = 1$

3.2 风险平价特性的放宽化

通过引入调节项 $\rho$，允许风险分配偏离风险平价，从而实现更高的收益：

$$
x^T \Sigma x \leq n(\psi^2 - \rho^2)
$$

3.3 调节项与惩罚项选择原理

• 调节项 $\rho$ 用于控制风险分配。
• 惩罚项 $\lambda$ 用于限制风险分配的集中程度。
• 调节项选择使用方差-协方差矩阵的对角线，以减少对资产间相关性的过度惩罚。

3.4 宽松风险平价模型

模型（B）是基于模型（A）的扩展，加入了调节项与惩罚项的结构：

$$
\min_{x} \psi - \gamma \quad \text{subject to:}
$$

• $x^T \Sigma x \leq n(\psi^2 - \rho^2)$
• $x_i \zeta_i \geq \gamma^2$
• $\lambda x^T \Theta x \leq \rho^2$
• $\mu^T x \geq R$
• $\mathbf{1}^T x = 1$

3.5 自适应目标回报

• 目标收益 $R$ 由历史风险平价收益的倍数 $m$ 确定。
• 当风险平价收益为负时，目标收益调整为零。
• 自适应目标回报机制有助于反映当前市场环境，提升模型的灵活性和可行性。

样本内与样本外分析

4 样本内风险贡献分析

• 风险贡献行为近似均值-方差优化，但具有风险平价偏向性。
• 通过调节项和惩罚项的设置，模型可以生成更接近风险平价的投资组合。
• 在样本内测试中，模型在合理范围内表现出更高的夏普比率和更小的偏离度。

5 样本外计算分析

5.1 滚动窗口样本外分析流程

• 采用3年训练期和6个月滚动窗口，进行周期性再平衡。
• 每个投资组合在样本外期间保持不变，并进行评估。
• 滚动窗口的设置影响模型对市场变化的响应速度。

5.2 样本外表现

• 年化回报率随着目标回报乘数 $m$ 增加而提升。
• 波动率也相应增加，但夏普比率在合理范围内有所改善。
• 与风险平价的偏离度随 $m$ 增大而增加，但总体表现优于传统风险平价。

5.3 所提模型是否实现了更好的样本外表现？

• 宽松型模型在样本外表现中优于传统风险平价模型，且在牛市中表现更佳。
• 通过引入调节项，模型实现了更好的风险分散效果。
• 在合理惩罚强度下，模型可以生成接近风险平价的投资组合，同时提高收益。

5.4 波动市场条件下向风险平价的回归

• 在市场波动较大时，模型会自动回归至风险平价配置。
• 该特性在图表20和图表21中得到验证，表明模型具有良好的风险调整能力。

图表与数据

• 图表2：展示风险平价在牛市阶段的表现，说明其在牛市中的收益潜力。
• 图表4：显示风险分配在风险平价和增强型风险平价下的差异。
• 图表6：说明调节项对模型业绩的影响，使用方差-协方差矩阵的调节项未显著改善业绩。
• 图表7：使用 $\Theta$ 结构的调节项使风险分配更接近风险平价。
• 图表8：展示不同惩罚值下风险分配的变化，说明惩罚项对模型行为的影响。
• 图表12 和 13：展示不同惩罚强度下与风险平价的距离和夏普比率的变化。
• 图表14：说明惩罚强度与目标回报率之间的关系，最佳惩罚值为0.2。
• 图表16 和 17：展示样本外投资组合的年化回报和累计业绩。
• 图表19：展示模型与风险平价的偏离度，表明模型在样本外表现中更接近风险平价。

风险提示

• 本报告基于历史数据和海外文献总结，不构成任何投资建议。
• 模型在实际应用中需谨慎选择参数，避免因惩罚项设置不当而导致风险集中。