Local EPUB Text
基于规则的投资组合构建模型
相等头寸加权
相等头寸加权模型极其普遍。使用这一模型的宽客认为，如果某一头寸好到值得拥有，就不再需要其他信息来决定其规模。这里有个深层次的隐含假设：金融产品具有同质性，不需要根据其风险或其他指标加以区分。如上文所言，对于给定的金融产品而言，信号强度的概念与预测的规模有关。信号强度通常会被忽略掉，除非信号强度已经强到非常值得建立头寸。初看起来，对这一问题的处理过于简单。一些严谨的宽客已经针对这一问题找到了解决方案。相等头寸加权模型的基本前提是，对不同的头寸加以区分（给予不同权重）可能会具有两种负面结果，最终会超过非等权重加权所带来的好处。换言之，使用等权重模型是因为他们注意到了非等权重加权方法的很多缺陷。
非等权重方法的第一个潜在问题是，它总是默认模型具有统计学意义上的能力和功效，对头寸方向、波动幅度和（或）向相对于投资组合中其他预测值变动的概率进行准确的预测。相反，使用等权重方法的宽客认为，只有在方向性预测上才可以充分信任阿尔法模型，并且只要在方向性预测上有足够的置信度可以确保值得进行交易，就值得进行和其他头寸相同规模的交易。
投资组合中非等权重方法的第二个潜在问题是，它一般倾向于在“最好”的几个预测头寸上进行大的投注，而在其他预测上投注很少。但是，这种权重的差异都会使策略在看似很有吸引力的头寸上承担一些例外事件的风险，而不管进行预测时使用的是何种阿尔法模型。例如，在动量型策略中，最强的信号中很多是那些价格已经发生了最大幅度移动（例如，已经具有明显的趋势）的金融产品。换句话说，交易者已经错过了时机，在趋势的峰值处得到最强信号所承担正是趋势可能会反转的风险。类似地，对于均值回复型策略，很多很强的信号也是产品的价格已经发生了很大程度的波动而预计会发生大幅反转之时。但是通常来说，发生大幅波动，都是因为市场上有确切的信息导致波动延续下去。统计学家称这种现象为逆向选择偏误（adverse selection bias）。这种情形下的均值回复策略被形象地称为“空手套白狼”，相当于是赌一个很强的趋势会发生反转，经常会发生趋势继续而没有反转导致策略损失的情况。
相等加权模型的最后一个优势在其他一些模型中也存在。当从业者竭尽所能对他们在交易中所要用到的数据进行清理（我们会在第8章详细讨论）时，会出现不良数据混入交易策略的情形。如果不良数据有很多，等权重头寸策略可以保证因显然有误的数据导致的预测所带来的损失风险在可控范围内。例如，如果某只股票价格被除以了100（例如，偶尔英国股票价格以便士作为计量单位而不是英镑），可能某个阿尔法模型受此误导而在此价位建立巨大的头寸。相等加权类方法会减小头寸的规模，而避免发生这种灾难性的后果。
事实上，阿尔法模型一般都会经过实际数据集的检验，模型的统计显著性和预测能力基本上都是依据于分布的均值或平均水平，而不是分布的尾部。如果我们观测到一个尾概率事件（不仅仅是个不良数据点）包含有很高的阿尔法预测收益，它可能会是个好的交易机会，但是与通常的阿尔法模型相比又具有极高的风险。这种情形下，相等头寸加权方法也可以控制这种尾概率事件所带来的风险。
几乎所有的阿尔法策略都存在类似的问题，这使得对非等头寸加权策略加以攻击变得很容易。所以，等加权策略的一个基本论点就是，可以通过在尽可能多的头寸上进行多样化投注来减缓风险。值得注意的是，相等头寸加权方法有时会受到流动性的约束，从而头寸的权重只能在流动性允许范围内尽可能地接近同等权重。这种对流动性的考虑也可应用到其他本章所讨论的基于规则的分配方法。
相等风险加权
相等风险加权方法根据头寸的波动性（或风险的其他度量指标，如下降幅度）来反向调整头寸规模。波动性越大（小）的头寸，分配的权重就越小（大）。这样，根据对于整个投资组合的风险贡献度而言，并不是根据分配的头寸规模，投资组合中的每个头寸都是均等的。表6-1展示了一个含有两只股票的投资组合的例子，相比于埃克森美孚公司（XOM）的股票，波动性大的谷歌（GOOG）的股票在投资组合中被分配的权重就小一些（39%）。
表6-1 一个简单的相等风险加权投资组合
这种做法的理论基础很直接明了。波动性大的小盘股股票不应该和波动性小的大盘股股票被分配同样的权重。如果在两个头寸上投入相同数量的资金，相当于无意中在小盘股股票上投了更多的注。因为小盘股股票波动性更大一些，因此相对于分配到大盘股股票的资金，分配到该股票的每一美元造成投资组合的波动性要更大一些。所以，认为相等加权模型是最合适方法的宽客，为了提高投资组合真实的多样化程度，都会采用相等风险加权方法。
但是，相等风险加权方法也有其缺点。无论使用何种方法对风险度量，通常都是一种回顾型度量，例如波动率。具有较高（低）波动率的产品应该被分配以较小（大）的权重。但是如果波动性低的产品突然变得波动剧烈呢？这并不仅仅是一个假设存在的问题。很多年以来，银行股都是很稳定的。可是在2008年，银行股的波动性突然增大，甚至比科技公司的股价波动还要大。对股票波动性进行回顾型分析，如果不关注上次金融危机（1998年）的影响，可能都会受到2008年之前10年的稳健表现的误导。因此，相等风险模型可能会选择持有更多银行股的头寸，而没有考虑到2008年波动率飙升的情形。
阿尔法驱动型加权
基于规则的投资组合构建的第三种方法，主要是通过阿尔法模型来决定头寸规模。该方法的理念是，阿尔法模型可以决定头寸可能具有的吸引力，这个信号是合理决定头寸规模的最佳途径。此外，使用这一方法的绝大部分宽客并不会让最大头寸的规模趋于无穷。这时他们会使用风险模型来给出单个头寸的最大规模上限。给定这个上限后，可以使用信号强度来决定实际头寸与头寸的最大可能值的接近程度。这就好比在曲线上进行评级，得分最高的获得最大的头寸规模，次高的获得次之的规模。在投资组合构建中，这种方法所使用的约束类型还包括对某一组（如板块或资产种类）的投注总额设置上限。
例如，我们可以限制单个头寸不能超过投资组合的3%，每个板块的头寸不能超过投资组合的20%。还需要建立预测收益大小与头寸规模之间的函数关系，这类函数可以很简单，但一般来说，预测收益越高头寸规模越大。一些宽客使用阿尔法加权方法，是因为它强调盈利，这也正是整个投资活动的目的所在。但是，有些量化交易策略，如期货中的趋势跟随策略，使用阿尔法加权策略会相对频繁地遇到收益锐减的情形。这是因为在价格趋势已经很好地形成时，这些模型通常会具有最强的信号。随着趋势延续头寸规模不断增加，导致在趋势反转时交易者仍持有最多的头寸。因此，在使用阿尔法驱动型投资组合构建方法时一定要小心谨慎，因为这种方法严重依赖于所使用的阿尔法模型能做出正确的预测，不仅仅是对产品方向性的预测，还包括对产品波动规模的预测。
基于规则的投资组合构建模型小结
无论使用哪种基于规则的投资组合构建模型，在投资组合构建过程中都可以综合使用阿尔法模型、风险模型和交易成本模型。例如，在相等权重模型中，根据交易成本模型，某些产品的交易成本过高而无法进行交易，所以需要对相等权重加以限制。这些内容也可以在阿尔法模型内部加以考虑，例如添加一个控制变量，如果期望收益小于预期交易成本的阈值，就将期望收益设置为0，从而由阿尔法模型发出的任何信号可以被赋予相同的权重。显然，黑箱中其他元素与投资组合构建模型的交互作用的性质完全依赖于投资组合构建模型的种类。例如，等权重类方法可以以与阿尔法权重方法完全不同的方式，去利用风险模型。
总的来说，基于规则的投资组合构建模型可以极其简单（相等权重投资组合），也可以非常复杂（带各种约束的阿尔法权重方法）。所有模型所面临的共同挑战是，如何使驱动它们的规则更加理性并显得合情合理。