一致性风险度量的全天候策略
由bqy4a9le创建，最终由bqy4a9le 被浏览 18 用户
一 什么是一致性风险度量
风险度量:是金融领域中量化资产或组合潜在损失的工具,核心是用数值描述未来可能发生的损失大小或概率,帮助投资者判断风险高低
普通风险度量是指未经过严格公里约束,仅从直观或经验出发设计的风险指标,常见的有:波动率(标准差),风险价值(VaR)
普通风险度量: 风险价值(VaR,Value at Risk)
定义：在一定置信水平(如95%)和持有期(如1天)内,资产组合可能遭受的最大潜在损失.
如:'95%置信水平下,1天VaR = 100万元‘的含义是:未来1天内,该组合损失超过100万元的概率只有5%,95%的情况下损失不会超过100万元.
计算方法:
历史模拟法: 用过去的收益率数据模拟未来,直接去对应分位数的损失值;
参数法:假设收益率服从对数正态分布,用均值和标准差计算分位数
蒙特卡洛模拟法:用随机模拟生成未来收益率分布,再取分位数
应用场景：广泛用于银行监管（如巴塞尔协议早期）、投资组合风险限额设置、业绩归因等。
普通风险度量（如 VaR）存在逻辑矛盾，最典型的问题是不满足 “风险分散化应降低总风险” 的基本直觉。\n以 VaR 为例，它不满足 “次可加性”：
何为次可加性?
次可加性的要求是：“两个组合合并后的风险 ≤ 单个组合风险之和”（即分散化能降低风险）
而VaR可能违反这一点:假设A,B两个组合独立,95% VaR 都是 100 万元，合并后组合的 95% VaR 可能达到 200 万元（甚至更高），出现 “分散化反而增加风险” 的悖论。
举例说明:
如组合A,B两个独立组合,如果95%VaR大于200万则造成风险增加
- 情况 1：A 和 B 都在 “正常区间”（损失≤100 万）：\n概率 = 95%×95%=90.25%，总损失≤200 万（但可能远低于 200 万，比如各损失 50 万，总损失 100 万）。
- 情况 2：A 极端（＞100 万），B 正常（≤100 万）：\n概率 = 5%×95%=4.75%，总损失 =（A 极端损失）+（B 正常损失）＞100 万（比如 A 损失 150 万，B 损失 50 万，总损失 200 万）。
- 情况 3：A 正常，B 极端：\n概率 = 95%×5%=4.75%，总损失同样＞100 万（逻辑同情况 2）。
- 情况 4：A 和 B 都极端：\n概率 = 5%×5%=0.25%，总损失＞200 万（比如各损失 150 万，总损失 300 万）
也就是情况2,3,4都可能出现总损失大于200万的情况,概率加和为9.75%大于5%
VaR分散化增加风险的悖论:
核心原因在于其仅关注 “损失不超过某一阈值” 的概率，而忽略了极端损失的具体分布和叠加效应以及尾部盲区
普通风险度量的缺陷:为什么需要'一致性风险度量‘?
普通风险度量可能扭曲风险的真实属性，无法为分散化投资提供可靠的理论支持。因此，学者提出了 “一致性风险度量” 的公理化框架，确保风险度量逻辑自洽。
满足一致性风险度量的四个条件:
- 单调性：若组合 A 的损失始终大于组合 B（X_A ≥ X_B），则 ρ(X_A) ≥ ρ(X_B)（损失大则风险高）；
- 次可加性：ρ(X_A + X_B) ≤ ρ(X_A) + ρ(X_B)（分散化后总风险不超过各部分之和）；
- 正齐次性：ρ(λX) = λρ(X)（资产规模扩大 λ 倍，风险也扩大 λ 倍）；
- 平移不变性：ρ(X + c) = ρ(X) + c（确定损失 c 会直接增加风险 c）
一致性风险度量的最典型例子:预期短缺(ES,Expected Shortfall):
ES（也称条件风险价值 CVaR）是最常用的一致性风险度量，定义为：在损失超过 VaR 的极端情景下，平均损失的大小
举例：95% 置信水平下的 ES，是 “所有损失超过 95% VaR 的情况” 的平均损失。\n假设某组合 95% VaR=100 万元，而超过 100 万元的损失场景中，损失分别为 120 万、150 万、200 万（共 5% 的概率），则 ES=(120+150+200)/3=156.7 万元。
若损失为150万,200万,250万(共5%的概率),则ES = (150+200+250)/3=200万元
VaR则无法识别
这个风险度量是满足一致性风险度量的四条公理的
VaR与ES的核心对比
| VaR（普通风险度量） | ES（一致性风险度量） | |
|---|---|---|
| 次可加性 | 不满足（可能出现分散化后风险增加的悖论） | 满足（分散化一定降低总风险） |
| 极端风险覆盖 | 仅关注 “损失不超过某值” 的概率，忽略极端损失的具体大小 | 直接计算极端损失的平均值，更全面反映尾部风险 |
| 逻辑自洽性 | 存在矛盾（如分散化悖论） | 符合所有公理，逻辑严谨 |
| 监管应用 | 早期巴塞尔协议采用，后期被 ES 替代 | 现行巴塞尔协议推荐，成为主流风险度量标准 |
\
二 什么是全天候策略(All-Weather Strategy)
全天候策略是一种宏观驱动的资产配置方法，由桥水基金创始人雷・达里奥提出，核心目标是：在所有宏观经济情景（增长、衰退、通胀、通缩）中均能稳健盈利，不依赖对未来的预测。
1.核心逻辑:'不预测,只覆盖‘
传统策略试图预测经济走势（如 “明年经济增长，重仓股票”），但预测往往失效。全天候策略认为：宏观经济只有 4 种核心情景（如下表），只需配置对每种情景敏感的资产，即可确保无论哪种情景发生，组合中都有资产表现良好。
| 宏观情景 | 敏感资产类型 | 逻辑说明 |
|---|---|---|
| 经济增长超预期 | 股票 | 增长带动企业盈利和需求上升 |
| 经济增长低于预期 | 长期国债 | 衰退期避险资产受追捧 |
| 通胀超预期 | 商品 | 对冲物价上涨导致的购买力下降 |
| 通缩（通胀低于预期） | 货币 | 通缩环境下固定收益的实际收益上升 |
2.配置方法:等风险权重
全天候策略不按 “资金比例” 分配资产，而是按 “风险贡献” 分配：让每类资产对组合的风险贡献相等（如股票、债券、商品各贡献 25% 风险）。\n例如：股票风险较高（波动大），则配置较低的资金比例；国债风险较低，则配置较高的资金比例，最终确保单一情景对组合的冲击有限。
3.特点
优势：对宏观预测依赖低，在极端市场（如 2008 年金融危机、2020 年疫情）中表现稳健；
劣势：在单一趋势性市场（如持续牛市）中收益可能低于激进策略，需要长期持有才能体现效果。
三 策略表现
1.根据全天候策略思想,选取四种核心情景的代表性资产
股票：510300.SH (沪深300ETF)
商品：518880.SH (黄金ETF)
债券：511010.SH (国债ETF)
货币：511880.SH (银华日利)
\
2.采用预期短缺(ES,Expected Shortfall)进行风险度量进行调仓
ES的具体计算步骤具体计算步骤
- 获取120天历史收益率
returns = [0.02, -0.01, 0.015, -0.03, -0.025, ...] # 120个收益率
- 排序（从最差到最好）
returns_sorted = [-0.05, -0.04, -0.03, -0.025, ..., 0.02, 0.025]
- 计算分位点
- 置信度 = 99%
- alpha = 1%
- cutoff_index = 120 × 0.01 = 1.2 ≈ 1
- 取最差的1个收益率（约1.2个）
- 计算ES
假设最差1%的收益率是 [-0.05]
ES = -(-0.05) = 0.05 = 5%
计算出每个资产的ES后,计算风险平价权重
如:
沪深300ETF: ES = 4.5%
黄金ETF: ES = 2.8%
国债ETF: ES = 0.8%
银华日利: ES = 0.1%
风险平价配置 = 最大ES / 各资产ES
max_ES = 4.5%
权重比例 = [4.5/4.5, 4.5/2.8, 4.5/0.8, 4.5/0.1]
= \[1, 1.61, 5.63, 45\]
标准化后权重
总和 = 53.24
最终权重 = [1.9%, 3.0%, 10.6%, 84.5%]
调仓周期设置为30天
\
3.回测结果
1.不进行调仓,平均持有四个资产
采用ES进行风险平价调仓
策略链接:
https://bigquant.com/square/ai/f26f581c-1e0f-4f5f-31ea-86d687bbe91f