超越风险平价：非高斯风险测度与风险因子

Thierry Roncalli (Lyxor Asset Management, 法国) · Guillaume Weisang (Clark University, 伍斯特, 美国) 2012 年 11 月 26 日 · 47 页讲义（Beamer 幻灯片）本次归档: raw/papers/201211-risk-parity-non-gaussian-risk-measures/ (paper.pdf 1.1 MB + extracted.md)

一句话核心

这是 Roncalli 与 Weisang 的讲义，分两部分。上半部分论证：风险平价的「风险贡献」只在满足欧拉分解的风险测度下才有意义，因此可以把波动率换成 VaR、期望损失 (ES) 等非高斯测度；下半部分提出一个更根本的问题——你想分散的是哪种风险——并给出「按风险因子（而不是按资产）做风险分解与风险预算」的框架，从而能把「资产看起来分散、风险其实集中在两个因子上」这类问题暴露出来。

问题与关键结构

风险分配的两种口径。 一种按损益 (P&L) 分配：RAPM (\text{RAPM}[\Pi_i] = \text{RAPM}(\Pi_i\mid\Pi))，要求满足完全分配性质 \sum_i R(\Pi_i\mid\Pi)=R(\Pi) 与 RAPM 相容性（Tasche 2008）。另一种按组合权重分配：RC_i=x_i\,\partial_{x_i}R(\boldsymbol{x})，欧拉分解为 R(\boldsymbol{x})=\sum_i RC_i。

高斯情形三者等价。 波动率、VaR、ES 在收益高斯时给出同一套风险贡献划分——用 VaR 或 ES 管理风险暴露，等价于用波动率管理。

非高斯情形差异显著。 VaR 的风险贡献（Gourieroux 等 2000）是 RC_i=E[L_i\mid L=\mathrm{VaR}_\alpha(L)]，ES 的（Tasche 2002）是 RC_i=E[L_i\mid L\ge\mathrm{VaR}_\alpha(L)]。作者举的一个两资产例子（Clayton copula + Student-t 边际，等权组合）：波动率 24.51、VaR 18.32、ES 35.99，三种口径下的 RC_1 分别是 36.5%、34.2%、35.2%——差异存在但在本例中不大。

风险因子的两条分解路径。 设 n 个资产由 m 个因子线性驱动：\boldsymbol{R}_t=\boldsymbol{A}\boldsymbol{F}_t+\boldsymbol{\varepsilon}_t。第一条路径用 Moore-Penrose 逆 \boldsymbol{B}=(\boldsymbol{A}^\top)^{-1} 做 n-m 维核空间分解，会遇到识别问题；第二条路径（Meucci 2007）分解成 m 个共同因子 + n-m 个残差因子，识别性更好。核心定理给出：风险因子层面的风险贡献与资产层面的边际风险相关，而不是与资产风险贡献相关。

关键发现

资产池的设定会改变 ERC 结果。 4 个资产、波动率相同、相关性均匀时 ERC 就是等权（各 25%）。加入第 5 个与第 4 个完全相关的资产后，\rho=0 时 ERC 变成前三个各 22.65%、后两个各 16.02%——而投资者期望的是前三个各 25%、后两个各 12.5%。

「分散」可能只是错觉。 6 个原始资产 + 3 个合成资产的例子中，组合在 3 个合成资产上的风险贡献各约 33%（看似完全分散），但拆到 6 个原始资产后，80% 的风险落在第 3、4 两个资产上（RC^\star 分别为 59.69% 与 21.49%）。另一个组合则明显更均衡。

beta 贡献 ≠ 风险贡献。 组合 (1/3,1/3,1/3) 的因子 1 beta 0.67、因子 2 beta 0.33，但约 70% 的风险来自因子 2；组合 (0.7,0.7,-0.4) 对因子 1 的 beta 高达 0.52，因子 1 的风险贡献却只有 3%。

RB 组合的三个性质（引自 Bruder-Roncalli 2012）。 b_i\ge0 时存在；b_i>0 时唯一；风险介于最小风险组合与权重预算组合之间 R(x_{\mathrm{mr}})\le R(x_{\mathrm{rb}})\le R(x_{\mathrm{wb}})。若 RB 组合在二次效用意义下最优，则业绩贡献等于风险贡献。

风险因子版 RB 的求解是 PDE。 因子层面的风险预算问题 RC(F_j)=b_jR(\boldsymbol{x}) 一阶条件是偏微分方程。有「分离原则」可把它拆成两步：先对残差因子无约束优化得到 \tilde{\boldsymbol{y}}=\varphi(\boldsymbol{y})，再解 R(\boldsymbol{y}) 的最小化；解为 \boldsymbol{x}^\star=\boldsymbol{B}_+\boldsymbol{y}^\star+\boldsymbol{B}\tilde{\boldsymbol{+}}\varphi(\boldsymbol{y}^\star)。加上 long-only 约束后解可能不存在。

浓度控制。 用 Herfindhal 指数、Gini 指数、Shannon 熵衡量风险集中度，可以直接优化「让因子风险贡献尽量相等」而不是「让资产权重尽量分散」。

不变性问题。 复制最后一个资产后 RB 组合不变（duplication invariance）；加入一个由已有资产线性组合而成的资产，RB/ERC 组合也不变（polico invariance）——前提是风险预算按因子而非按资产表达。

应用。 Dow Jones Credit Suisse AllHedge 指数（10 个子策略）上用波动率、80% 置信度的 ES、99% 置信度的 Cornish-Fisher VaR 三种风险测度，对比 ERC 与风险因子平价 (RFP) 两种模型；Fama-French-Carhart 四因子对 MSCI USA 四类指数的回归（1995-2012 周频）显示 MSCI USA Large Growth 的 MKT beta 1.06、SMB beta −0.12、HML beta −0.38、MOM beta −0.07。收益率曲线的 PCA 因子被分解为水平、斜率、曲率三块。

养老金案例。 丹麦 ATP 养老金的战略风险预算是 35% 股票、25% 通胀、20% 利率、10% 信用、10% 商品；2012 年一季度末的实际配置是 52% 固收、15% 信用、15% 股票、16% 通胀、3% 商品。

重要 caveat

这是讲义（幻灯片）而非同行评议论文，多处结论以「我们观察到」的口吻给出，缺少严格的定理-证明结构。
作者自陈的结论：风险因子预算要小心；PCA 因子并不总是稳定；经济因子与风险因子相比更适合长期投资政策。
因子分解有识别问题，两条路径的选择会影响结果。
非高斯扩展的实证例子较小（2-4 个资产），不足以支撑「非高斯一定更好」的结论——事实上 Roncalli (2014) 后来明确说这类扩展「一般不产生更好的结果，且在大资产池上有计算问题」。

对 quant wiki 的意义

它把 Risk Parity 从「按资产」推进到「按因子」，是库里少见的把风险预算与风险因子模型连起来的一篇。
它给出「等权 ≠ 等风险」的最直观反例（合成资产 vs 原始资产），与 Risk Parity 里已有的 naive 风险平价讨论形成互补。
非高斯部分与 Coherent Risk Measures 呼应：所有风险分配结论都挂在欧拉分解上，而欧拉分解挂在一致风险测度的正齐次性上。
因子分解与 beta 的部分，可与库内的因子建模页（Fama-French、PCA）互相印证。