作者：嘟嘟的投研CheatSheet，好投学堂专栏作家
题图：嘟嘟的投研CheatSheet微信公众号
低相关可能是为数不多的“免费午餐”，之前在《基研CheatSheet · 组合投资是正道》已有过论述。
今天分享下我自己这一年来践行自研高波动复合策略产品的思考，也是我对半年前路演材料的一次迭代。
高波动组合涉及哪些底层策略？
首先，低波动子策略通常不在考虑范围内。因为即便是高波动子策略，搭配以后组合波动率也大幅下降；如再使用低波动子策略，将显著降低资金的利用效率。
在只考虑国内资产的前提下，包括主观股票、主观CTA、主观转债、量化股票、量化CTA、量化转债、宏观对冲、商品指增等，都是高波动组合构建过程中可选的策略大类
进一步展开，像主观股票涵盖了核心资产、价值红利、科技成长、均衡等不同风格小类，量化CTA包含时序和截面两种小类，量化股票也涉及300、500、1000、空气指增等小类。
大类小类策略如何取舍？
一方面，取决于组合主理人的认知跟能力边界。果断放弃自己不擅长的领域，比如我放弃了主观CTA、主观转债、宏观对冲以及商品指增这几个大类策略，放弃的原因如下：
主观CTA：详见《基研CheatSheet · 主观权益和主观CTA的南辕北辙》，主要考虑无法自研、无MOM实操空间、无产业背景、对交易不敏感等。
主观转债：转债对应正股多为小公司，本身就不具备太大的主观分析空间，主观基金经理鲜有能在中证800以外样本大量持股的案例。
宏观对冲：不认可择时的方法论，统计上不支持，业界鲜有成功案例。
商品指增：详见《基研CheatSheet · 商品指增价值几何？》，不能因为这几年商品指数Beta很强就盲目冲，2011到2015年的熊市不能忽视。
另一方面，取决于小类策略之间的低相关性。
因为我自己有主观多头的自研策略，该策略选股域集中在中证800成分股，因此在规划量化策略时，会考虑尽量不触碰中证800的范畴，从而实现更好的对冲效果，因此搭配的是自研量化转债和自研量化小市值。
其中，没有选择常规的500和1000指增，是因为量化转债跟500指增、1000指增有极高的相关系数，且量化转债有比500和1000指增更优的收益风险比。
注：指增A、B分别来自两家口碑优良的百亿大厂
图表 量化转债与指增相关系数（非超额）
而在量化小市值情绪很差的当下，我依然建议维持一定的配置比例，因为即便在退市制度完善的美国市场，小市值板块也并没有出现持续走弱的Beta。
图表 美股“微盘” VS 美股“2000” VS 美股“500”
注1：罗素2000是罗素3000中市值最小的2000家公司，罗素3000是美股市值最大的3000家公司。由于美股目前有5000多家上市公司，所以罗素2000的地位大致介于国内的中证1000和中证2000之间。
注2：Vanguard Small-Cap是复制CRSP US Small Cap Index的ETF，该指数是根据流通市值从大到小排序，选取流通市值排名靠后的20%的股票，地位类似于国内的微盘股。
注3：长期看，美股的“微盘”跟美股核心资产标普500“不分伯仲”。
当量化转债跟微盘、主观多头进行搭配时，两两相关系数可以控制在较低水平。
图表 量化转债与主多、微盘相关系数（非超额）
最后留在我高波动复合策略组合中的策略类型包括：主观均衡多头、量化偏股转债、量化小市值、量化趋势CTA。
这几类策略的底层收益来源也有较大区别，像主观多头的收益主要来自持有，跟宏观经济周期有更高的相关性；而量化转债跟量化小市值的收益不少来自于反转交易，像转债隐含的期权价值更是提供了差异化的盈利来源；而趋势CTA则是典型的追涨杀跌，与前面三者呈现零相关甚至负相关。
几类子策略如何分配仓位？
首先，明确组合的优化目标，主要分为：最小化波动率、最小化下行风险（只考虑下行波动率）、均值方差（最大化夏普）、最大化预期收益、风险平价等。
考虑到我的组合定位是让投资人有更好的持有体验，因此均值方差（最大化夏普）原本是不二之选，不过该优化目标对子策略收益率的假设过于敏感（大家可以拿代码测试下不同的数值），因此最终选择了风险平价作为优化方向。
其次，假设子策略的参数，风险平价主要涉及年化波动率和相关系数矩阵。这两部分的参数大家可以按照自己对策略的理解来填写，我使用了3个月产品的真实数据平滑处理。
# 子策略年化波动率：主观多头、量化转债、量化小市值、量化CTA
volatility = np.array([14, 9, 19, 22]) / 100
# 相关系数矩阵
correlation_matrix = np.array([
[1, 0.55, 0.22, -0.05],
[0.55, 1, 0.48, -0.27],
[0.22, 0.48, 1, -0.26],
[-0.05, -0.27, -0.26, 1]
])
# 协方差矩阵
cov_matrix = np.outer(volatility, volatility) * correlation_matrix紧接着使用minimize函数对目标函数进行优化，主要代码如下：
# 优化
opt_result = minimize(risk_parity_objective, init_weights, args=(cov_matrix,),
method='SLSQP', bounds=bounds, constraints=constraints)
# 计算每个资产的风险贡献
def risk_contributions(weights, cov_matrix):
portfolio_volatility = np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights)))
marginal_contrib = np.dot(cov_matrix, weights) / portfolio_volatility
return weights * marginal_contrib
# 定义目标函数：最小化风险贡献之间的平方差
def risk_parity_objective(weights, cov_matrix):
contributions = risk_contributions(weights, cov_matrix)
return np.sum((contributions - np.mean(contributions)) ** 2)最后，得到四大策略的配置比例。以我自己的自研策略当前时点的配置为例，主观均衡多头理论应占22%、量化偏股转债占35%、量化小市值占20%、量化趋势CTA占23%。
版权声明：文章版权归原作者所有，部分文章由作者授权本平台发布，若有其他不妥之处的可与小编联系。
