2. 组合管理基础

在策略组合管理中,很多交易者把注意力集中在“买什么”和“何时买”,却忽略了“买多少”以及“买入后如何维持”。事实上,资产配置决定了组合绝大部分的风险收益特征,而再平衡则是让组合长期不偏离既定风险预算的关键动作。本节从资产配置出发,逐步推导权重漂移、风险收益特征变化,最终说明再平衡为何是组合管理中不可省略的一环。

一、核心原理:资产配置是组合的“风险骨架”

资产配置的本质,是把资金按既定比例分配到不同风险收益特征的资产上。假设一个组合由两类资产构成:权益类资产(预期收益高、波动大)与固收类资产(预期收益低、波动小)。初始权重为权益60%、固收40%。这个比例不是随意设定的,它对应着组合整体的预期波动、最大回撤承受力和长期收益目标。

组合的预期收益与波动可以近似用加权方式理解:

组合预期收益 ≈ w1 * E(R1) + w2 * E(R2)
组合方差 ≈ w1^2 * σ1^2 + w2^2 * σ2^2 + 2 * w1 * w2 * ρ12 * σ1 * σ2

其中:
w1、w2 为两类资产权重
E(R) 为预期收益
σ 为波动率
ρ12 为两类资产相关系数

从公式可以看出,权重不仅影响收益,更通过平方项和协方差项影响组合波动。当两类资产相关性较低时,组合波动会低于两者波动的加权平均,这正是资产配置的“免费午餐”效应。因此,配置比例一旦确定,就代表了一套明确的风险预算。

资产配置不是预测市场,而是先确定“我愿意承担多少风险”,再决定“用哪些资产去承载这个风险”。

二、权重漂移:组合会自己“长歪”

初始配置完成后,各资产因涨跌不同,权重会自然偏离目标。例如权益上涨20%、固收上涨2%,初始60/40的组合会变成约63.7/36.3。这种偏离就是权重漂移。漂移本身不是错误,但持续漂移会让组合的风险特征发生实质性变化。

下面用一个清单说明权重漂移带来的连锁反应:

漂移方向 权重变化 风险收益特征变化 潜在后果
权益持续上涨 权益权重上升 组合波动、回撤风险上升 超出原定风险预算
权益持续下跌 权益权重下降 组合收益潜力下降 偏离长期收益目标
单一资产暴涨 集中度上升 非系统性风险放大 组合脆弱性增加
低波资产占比升高 防御性过强 长期复利能力减弱 难以跑赢通胀

漂移的可怕之处在于它是渐进的、无声的。投资者往往在组合已经严重偏离目标后才发现,此时风险敞口已与最初设定大相径庭。

权重漂移与再平衡机制 初始配置 权益60% / 固收40% 市场运行 涨跌不同 → 权重漂移 漂移结果 权益63.7% / 固收36.3% 触发再平衡 阈值/日历/波动触发 恢复目标权重 权益60% / 固收40% 再平衡 = 将漂移后的权重拉回目标区间,恢复原定风险预算

三、方法流程:再平衡的触发与执行

再平衡不是频繁交易,而是有规则地纠偏。常见触发机制有三类:

  1. 日历触发:按固定周期检查,如每月、每季度。优点是规则简单、执行稳定;缺点是可能错过极端行情下的及时纠偏。
  2. 阈值触发:当某资产权重偏离目标超过设定阈值时触发,如绝对偏离5%或相对偏离20%。优点是敏感度高;缺点是震荡市中可能频繁触发。
  3. 波动率触发:当组合实现波动率超过目标波动率一定比例时触发。优点是直接锚定风险预算;缺点是需要持续估算波动率。

执行流程可以概括为:

1. 设定目标权重与容忍区间
2. 定期计算当前实际权重
3. 判断是否满足触发条件
4. 若触发,计算各资产买卖金额
5. 执行交易并记录成本
6. 复盘漂移原因与再平衡效果
阈值触发与日历触发可以组合使用:平时按季度检查,当偏离超过硬阈值时立即触发,兼顾稳定性与及时性。

四、案例与误区复盘

假设某组合目标为权益50%、债券50%,初始资金100万。一年后权益上涨30%,债券上涨3%。权益变为65万,债券变为51.5万,总资金116.5万,实际权重约为55.8% / 44.2%。若阈值设为绝对偏离5%,则权益偏离5.8个百分点,触发再平衡。需要将权益减仓至58.25万,即卖出约6.75万权益,买入等额债券,使权重回到50/50。

常见误区包括:

  • 把再平衡当成择时:再平衡是风险控制,不是预测涨跌。它天然带有“卖强买弱”的反向操作特征,但不保证每次都能提高收益。
  • 阈值设得过窄:如1%就触发,会导致交易成本和税负吞噬收益,尤其在震荡市中反复打脸。
  • 忽略交易成本与税费:再平衡前应估算成本,必要时优先用新增资金或现金流调整,而非直接卖出。
  • 只再平衡一次就放任:再平衡是持续过程,需要定期检查触发条件是否仍然合理。
再平衡的核心目标不是“赚更多”,而是“让组合风险回到你当初愿意承担的水平”。偏离目标风险预算的组合,即使短期收益亮眼,也可能在下一轮波动中暴露致命敞口。

总结来看,资产配置定义了组合的风险收益起点,权重漂移让组合逐渐偏离起点,而再平衡则是把组合拉回起点的纠偏机制。理解这三者的关系,是后续学习具体触发参数、执行算法和成本优化的基础。