📚 课程目录第4章策略组合构建

4. 策略组合构建

单策略回测再漂亮，也只是一个“样本内的故事”。真实资金管理面对的是策略失效、风格切换与回撤叠加，因此需要把多个策略组合起来，用分散化换取更稳定的风险收益特征。本节围绕四个问题展开：为什么要组合、如何度量策略之间的相关性、权重怎么分配、以及组合后如何再平衡。

一、多策略组合的动机：从“单点押注”到“风险预算”

多策略组合的核心动机不是“多买几个策略”，而是通过低相关或负相关的收益流，降低组合整体波动与最大回撤，提高夏普比率和Calmar比率。常见动机包括：

分散风险：趋势策略在震荡市亏损，而均值回归策略在震荡市盈利，两者叠加可平滑净值曲线。
应对失效：单一策略可能因市场结构变化而失效，组合中其他策略可提供缓冲。
容量管理：不同策略的资金容量不同，组合可把大资金分散到多个容量池。
收益来源多元化：把Alpha来源从“一个因子”扩展为“多个逻辑”，降低对单一假设的依赖。

组合的数学本质：若两个策略收益分别为 r1、r2，权重 w1、w2，则组合方差为 w1²σ1² + w2²σ2² + 2w1w2ρσ1σ2。当相关系数 ρ 越低，组合方差越小，这就是分散化收益的来源。

二、策略相关性分析：先看收益，再看回撤

相关性分析是组合构建的“体检”。常用方法包括皮尔逊相关系数、斯皮尔曼秩相关、滚动窗口相关以及回撤同步性分析。皮尔逊相关对线性关系敏感，斯皮尔曼对非线性单调关系更稳健；滚动相关能揭示相关性是否随时间漂移。

实操中建议按以下流程执行：

对齐各策略的日频或周频收益序列，处理缺失值与停牌日。
计算全样本相关矩阵，并绘制热力图观察聚类结构。
计算滚动60日或120日相关，识别相关性突变区间。
结合回撤重叠度：若两个策略最大回撤区间高度重叠，即使相关系数不高，也需警惕。
剔除或降权高度相关的策略，保留边际分散化贡献最大的策略。

import pandas as pd
import numpy as np

# returns: DataFrame, index=date, columns=strategy
corr = returns.corr(method='pearson')
roll_corr = returns['S1'].rolling(60).corr(returns['S2'])

# 边际分散化贡献：加入新策略后组合波动下降幅度
def marginal_diversification(returns, weights, new_col):
    base_var = np.dot(weights, np.dot(returns.cov(), weights))
    new_returns = returns.copy()
    new_weights = np.append(weights * 0.9, 0.1)
    new_var = np.dot(new_weights, np.dot(new_returns.cov(), new_weights))
    return base_var - new_var

三、权重分配方法：从等权到风险平价

权重分配决定了组合的风险暴露结构。常见方法有：

等权：简单稳健，适合策略数量少、相关性低的场景，但未考虑波动差异。
波动率倒数：按 1/σ 分配，使各策略风险贡献接近，但对相关性不敏感。
风险平价：使每个策略对组合风险的边际贡献相等，需数值优化求解。
均值-方差优化：理论最优，但对预期收益估计误差极敏感，易产生极端权重。
层次风险平价：先聚类再分配，适合策略数量多、相关矩阵不稳定的场景。

方法	核心思想	优点	局限
等权	每个策略相同权重	简单、无估计误差	忽略波动与相关性
波动率倒数	权重与波动成反比	风险贡献较均衡	未考虑相关性
风险平价	边际风险贡献相等	风险分散好	需优化、对协方差敏感
均值-方差	最大化夏普比率	理论最优	估计误差大、权重极端
层次风险平价	聚类后分层分配	稳健、可解释	实现复杂

实战建议：先用等权或波动率倒数作为基准，再用风险平价做对比。若风险平价相对等权的夏普提升不足0.1，优先选择等权，因为其换手更低、可解释性更强。

四、再平衡规则：频率、阈值与成本控制

再平衡是组合从“静态配置”走向“动态管理”的关键。常见规则包括日历再平衡（月度、季度）、阈值再平衡（偏离目标权重超过5%触发）以及两者结合。再平衡频率越高，组合越贴近目标风险，但交易成本也越高。

设计再平衡规则时需考虑：

换手成本：佣金、滑点、冲击成本，尤其对小资金高频再平衡影响显著。
税收与摩擦：不同账户类型下资本利得税差异。
信号衰减：若策略信号本身更新慢，高频再平衡无意义。
缓冲带：设置权重偏离容忍区间，减少无效交易。

# 阈值再平衡示例
target = {'S1': 0.4, 'S2': 0.3, 'S3': 0.3}
threshold = 0.05

def rebalance(current_weights, target, threshold):
    trades = {}
    for k, w in target.items():
        drift = current_weights.get(k, 0) - w
        if abs(drift) > threshold:
            trades[k] = w - current_weights.get(k, 0)
    return trades

常见误区：把再平衡当成“择时”。再平衡的目的是控制风险偏离，不是预测市场方向。若在再平衡中叠加主观择时，容易破坏组合的分散化逻辑，导致风险集中。

五、案例与复盘：一个三策略组合的构建过程

假设有三个策略：趋势跟踪（S1）、均值回归（S2）、跨品种套利（S3）。全样本相关系数矩阵显示 S1 与 S2 为 -0.15，S1 与 S3 为 0.10，S2 与 S3 为 0.05，整体相关性低。采用风险平价分配权重，得到 S1=0.38、S2=0.34、S3=0.28。再平衡规则为“季度+5%阈值”。回测显示组合最大回撤从单策略的 22% 降至 11%，夏普从 0.9 提升至 1.4。

复盘要点：第一，相关性低是组合有效的必要条件，但需滚动监控；第二，风险平价在协方差估计稳定时表现好，若策略数量增加，建议改用层次风险平价；第三，再平衡阈值不宜过小，否则交易成本会吞噬分散化收益。

组合构建不是一次性任务，而是持续迭代的工程。把相关性分析、权重分配与再平衡规则固化为可复用的流程，才能在策略生命周期变化时快速响应，让组合始终服务于风险预算目标。