2. 资产配置基础回顾
在进入风险平价与风险预算的实战之前，我们需要把传统资产配置的“语言体系”重新校准一遍。风险平价并不是凭空出现的替代方案，它恰恰是在均值方差框架暴露出一系列实践痛点之后，对“风险”这一核心变量重新分配权重的结果。理解本章的六个概念，是后续判断风险平价适用边界的基础。
一、核心原理：从收益最大化到效用最大化
马科维茨均值方差优化（MVO）的出发点非常直观：给定一组资产的预期收益与协方差矩阵，寻找在某一风险水平下收益最高、或在某一收益目标下风险最低的组合。其数学表达为：
max wᵀμ - (λ/2)·wᵀΣw
s.t. Σwᵢ = 1, wᵢ ≥ 0（可选）
其中：w 为权重向量，μ 为预期收益向量，
Σ 为协方差矩阵，λ 为风险厌恶系数这里的 λ 就是效用函数的关键参数。效用函数把“收益带来的正效用”和“风险带来的负效用”合成一个可比较的标量。λ 越大，投资者越厌恶波动，优化器越倾向于把权重推向低波动资产；λ 越小，组合越激进。因此，均值方差优化本质上是在做一道“收益—风险”的权衡题，而效用函数决定了这道题的答案偏向哪一端。
把所有可实现的（σ, μ）组合画在平面上，其左上边界就是有效前沿。前沿上的每一点都满足“同风险下收益最高”或“同收益下风险最低”。理性投资者应在前沿上选择与自身 λ 匹配的点。夏普比率则把无风险利率引入，衡量每单位总风险所换取的超额收益：
Sharpe = (R_p - R_f) / σ_p夏普比率越高，说明组合在承担单位波动时获得的补偿越充分。但要注意，它只惩罚波动，不区分上行波动与下行波动，也不直接回答“最坏情况会亏多少”。
二、方法流程：从参数输入到组合落地
一个完整的均值方差配置流程通常包含以下步骤，每一步都隐藏着风险平价后来要修正的问题：
- 确定资产池：选择股票、债券、商品、黄金等，资产数量越多，协方差矩阵估计越不稳定。
- 估计预期收益 μ：常用历史均值、估值模型或主观观点，但 μ 的微小变化会导致权重剧烈跳动。
- 估计协方差矩阵 Σ：历史样本协方差、因子模型或收缩估计，样本期选择直接影响结果。
- 设定约束：权重上下限、行业暴露、换手率限制，约束越紧，优化越稳健。
- 求解优化：在效用函数下最大化目标，得到最优权重。
- 风险度量与回撤评估：计算夏普比率、最大回撤、VaR 等指标，检验组合是否可接受。
其中第 2 步和第 3 步是 MVO 最脆弱的地方。预期收益估计误差会被优化器放大，导致权重集中在少数“看起来收益高”的资产上，形成极端组合。这正是风险平价试图绕开 μ、只依赖 Σ 进行配置的动机。
三、案例与场景：当 MVO 遇到现实
假设一个组合包含沪深300、中证国债、黄金三类资产。用过去五年数据估计，股票预期收益 9%、波动 22%；债券预期收益 3.5%、波动 4%；黄金预期收益 5%、波动 15%。若 λ 取 3，优化器可能给出股票权重超过 70% 的结果。但若把股票预期收益从 9% 下调到 7%，权重可能骤降到 40% 以下。这种“参数敏感”在实战中非常危险。
更麻烦的是最大回撤。MVO 组合在 2015 年、2018 年、2022 年等市场剧烈调整阶段，回撤往往显著大于风险平价组合。原因在于 MVO 把大量风险预算集中到了股票端，而风险平价则让每类资产贡献相近的风险，从而在股票大跌时由债券和黄金提供缓冲。
| 指标 | 含义 | 对配置的启示 |
|---|---|---|
| 夏普比率 | 单位总风险获得的超额收益 | 适合比较整体效率，但不区分上下行波动 |
| 最大回撤 | 峰值到谷底的最大跌幅 | 直接反映最坏持有体验，是风险预算的重要约束 |
| 波动率 | 收益的标准差 | 风险平价的核心输入，但需注意尾部风险 |
| VaR / CVaR | 一定置信水平下的最大损失 / 尾部平均损失 | 补充波动率无法捕捉的极端风险 |
四、误区与复盘：不要被单一指标绑架
常见误区一：把夏普比率当作唯一目标。夏普比率高不代表回撤小。一个组合可能夏普很高，但在极端行情中回撤巨大，持有体验极差。
常见误区二：忽略协方差矩阵的时变性。用长期历史数据估计的 Σ 在危机期间会失效，资产相关性骤升，分散化效果减弱。
常见误区三：认为有效前沿是客观唯一的。有效前沿依赖输入参数和约束条件，不同估计方法会得到不同前沿，它更像一个“分析框架”而非“标准答案”。
复盘建议：在构建任何配置方案后，至少同时检查夏普比率、最大回撤、波动率和 CVaR 四个指标。若某组合夏普很高但最大回撤超过心理阈值，应通过风险预算或约束条件重新分配风险，而不是继续优化收益端。
总结来看，均值方差优化提供了严谨的收益—风险权衡框架，效用函数决定了投资者的偏好方向，有效前沿给出了可选集合，夏普比率和最大回撤则分别从效率和体验两个维度评价结果。风险平价与风险预算正是站在这些基础概念之上，把“风险”从优化结果提升为配置起点，从而在参数不确定性和尾部风险面前表现出更强的稳健性。