002-相等风险加权以及阿尔法驱动型加权

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）。

相等风险加权的方式，是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。

通常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。

但是这种策略通常是属于回顾型的策略，即通过观察历史上的波动率或者风险指标来计算相应的风险，无法应对低风险产品突然发生波动的情况，比如银行股突然在 2008 年波动率上升的情况。

阿尔法驱动型加权

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。

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。

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。

这里解释下什么是趋势跟随策略：

趋势跟随策略，源于技术分析中对价量以及市场形态的分析，在该策略中我们不需要对未来价格进行预测，我们需要利用一些技术指标勘破趋势进入市场获利、然后在趋势消失或变化时及时退出。

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。

总结

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。

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。