summarypaperrisk-budgetingrisk-parityERCconstrained-optimizationADMMCCDturnoversmart-beta

带约束的风险预算组合：理论、算法、应用与谜题

Jean-Charles Richard (Eisler Capital) · Thierry Roncalli (Amundi Asset Management, 巴黎) 2019 年 1 月 · 36 页（正文 26 页 + 附录） 本次归档: raw/papers/201901-constrained-risk-budgeting-portfolios/ (paper.pdf 728 KB + extracted.md)

一句话核心

风险平价组合的优点之一是「不需要加约束就能稳住解」，但这同时也是它的缺点——一旦组合经理真的要加约束（最低持仓、行业中性、流动性阈值），事前定下的风险预算与事后实现的风险贡献就不再相等，「等风险贡献」这句话失去意义。这篇论文把这件事讲清楚：加约束后的 RB 组合应理解为「带软风险预算约束的最小风险组合」而不是「带硬风险预算约束的组合」，并给出一套用大规模机器学习优化器（CCD / ADMM / 近端算子 / Dykstra 算法）求解的方案，最后指出一个无法回避的「缩放谜题」——约束与风险测度的正齐次性可能不相容。

问题与关键结构

论文采用 Roncalli (2015) 的标准差型风险测度：

\mathcal{R}(x)=-x^\top(\mu-r)+c\sqrt{x^\top\Sigma x}

其中 c 是收益与波动之间的权衡标量。资产 i 的风险贡献为 RC_i(x)=x_i\left(-(\mu_i-r)+c\frac{(\Sigma x)_i}{\sqrt{x^\top\Sigma x}}\right)。RB 组合定义为下述非线性方程组的解（要求 b_i>0、x_i>0、\sum_i b_i=1、\sum_i x_i=1）：

RC_i(x)=b_i\mathcal{R}(x)

ERC 是其特例（\mu_i=r、c=1、b_i=1/n），此时 RC_i(x)=\frac{x_i(\Sigma x)_i}{\sqrt{x^\top\Sigma x}}=\frac{1}{n}\sqrt{x^\top\Sigma x}。存在唯一性条件为 c>SR^+（SR^+ 是资产池的最大夏普比率）。

加约束后严格定义失效。 设 x^\star(S) 是无额外约束的 RB 组合（S 为标准单纯形），x^\star(S,\Omega) 是加上约束集 \Omega 后的解。由于 x^\star(S) 唯一，x^\star(S,\Omega) 存在当且仅当 x^\star(S)\in\Omega，而这一般不成立。因此实务做法是把等式换成近似等式，得到最小二乘问题（Bai, Scheinberg & Tutuncu 2016）：

\min_{x\in S\cap\Omega}\ \sum_{i=1}^{n}\left(\frac{1}{b_i}RC_i(x)-\theta\right)^2

论文主张的「正确」形式是带对数障碍的极小化问题：

x^\star(S,\Omega)=\arg\min_{x\in\Omega}\ \mathcal{R}(x)\quad\text{s.t.}\ \sum_{i=1}^{n}b_i\ln x_i\ge\kappa^\star

其中 \kappa^\star 是唯一使权重和为 1 的常数。写成拉格朗日形式后得到论文实际求解的目标函数 \mathcal{L}(x;\lambda)=\mathcal{R}(x)-\lambda\sum_i b_i\ln x_i，\lambda^\star 用二分法确定。

关键发现

「软约束」表述。 论文指出问题 (10) 的凸性给出单调性：\kappa_2\le\kappa_1\Rightarrow \mathcal{R}(x^\star(\Omega,\kappa_2))\ge \mathcal{R}(x^\star(\Omega,\kappa_1))。这解释了 Maillard 等 (2010) 的「多头最小方差—风险预算—等权」排序与 Roncalli (2013) 的「多头最小风险—风险预算—权重预算」排序。

加约束后风险预算的次序会被打乱。 4 资产例子（波动率 10%/15%/20%/30%），RB 风险预算为 30%/30%/19.5%/20.5%：无约束时 RC^\star 恰为 30.00%/30.00%/19.50%/20.50%，组合波动率 12.11%；加 x_i\le30\% 约束后 RC^\star 变成 15.48%/24.96%/30.52%/29.04%，组合波动率 13.94%——事前预算 b_3<b_4（19.5% vs 20.5%），事后 RC^\star_3>RC^\star_4（30.52% vs 29.04%），尽管资产 3、4 都没有触及上界。论文由此说：约束下「等风险贡献」这个说法不再成立。

盒约束下的三类资产。 一阶条件给出 RC_i(x)=\lambda b_i+\lambda^-_i(x_i-x^-_i)-\lambda^+_i(x^+_i-x_i)，配合 Kuhn-Tucker 条件得到三种情形：未触界时回到普通 RB 组合；触及下界时风险贡献高于 b_i；触及上界时风险贡献低于 b_i。论文强调：对数障碍解保留了未触界资产的等风险贡献性质，最小二乘解则不然。

动态配置的换手控制。 5 资产例子，当前组合 x_0=(25\%,25\%,10\%,15\%,30\%) 的波动率分解中第 2 个资产风险贡献高达 31.10%；无约束 ERC 组合换手 22.18%、波动率 11.88%；加「权重相对当前配置偏离不超过 5%」的约束后，换手降到 14.22%、波动率 12.14%，且未触界的 3 个资产风险贡献仍精确相等（2.35%），触下界的第 2 个资产升至 2.98%、触上界的第 5 个资产降至 2.10%。两段式「先定触界资产、再在剩余资产间等风险分配」的朴素做法给出 2.34%/2.49%/2.21% 三个不相等的贡献，论文用「RB 组合对资产池定义敏感」（Roncalli & Weisang 2016）解释这一失败。

不等式约束下的多资产配置。 8 类资产（美债 10Y、欧债 10Y、投资级债、高收益债、美股、欧股、日股、新兴市场股）的风险平价组合债券占 76.72%、股票占 23.28%，波动率 4.78%；加「后 4 类资产（股票）合计不低于 30%」后波动率 5.20%；再加「欧洲资产超配美国资产 5%」后波动率 5.19%。

直接控制换手的做法。 双向换手定义为 \tau(x\mid x_0)=\sum_i|x_i-x_{0,i}|=\lVert x-x_0\rVert_1，对应约束集 \Omega=\{x:\tau(x\mid x_0)\le\tau^\star\}，其近端算子可由 \ell_1 球投影给出。8 类资产从 50/50 配置起步，\tau^\star 从 0 放宽到 70%，实际换手依次为 0.00/10.00/20.00/30.00/40.00/50.00/60.00/61.02%，组合单调趋近 ERC 组合（\tau^\star=70 时第 1 个资产权重 26.83%，与 ERC 的 26.83% 一致）。

智能贝塔 / 风险指数。 7 只股票（市值权重 34%/25%/20%/15%/3%/2%/1%，波动率 15%–21%）上，普通 ERC 把第 1 只股票的权重从 34% 压到 17.22%，对 3 只小盘股（合计 6%）却各给 12%–13% 权重——流动性问题。论文提出四种方案对比：C-ERC（直接把小盘股权重锁定在市值权重）波动率 14.68%，LC-ERC（大盘股内部做 ERC，小盘股保持市值权重）14.68%，LS-ERC（最小二乘解）14.66%，而市值加权组合是 14.50%。C-ERC 的好处是大盘股在全局层面仍满足等风险贡献（每个 23.46%），这是 LC-ERC 与 LS-ERC 做不到的（后者等于假设两个股票池不相关）。

算法效率（Matlab 实现，相对耗时）。

算法 x-更新 实现 (1) 实现 (2) 实现 (3)
ADMM Newton 2 1 1
ADMM BFGS 380 280 25
ADMM QP 220 120 110
ADMM CCD 10 9 8
CCD — 1 1 —

实现 (1) 是经典二分法，(2) 是加速二分法，(3) 再加上自适应惩罚参数。作者结论：ADMM-Newton 与 CCD 最好，ADMM-CCD 次之，ADMM-QP 反而偏慢，ADMM-BFGS 最差但加上加速二分与自适应缩放后耗时降到 1/15。论文还报告传统约束优化算法（SQP、信赖域、内点法）都找不到解，原因是「对数障碍与约束的混合」不是标准问题。

缩放谜题。 8 类资产例子中，「股票合计不低于 30%」与「前 4 类资产合计不超过 70%」这两个约束直觉上等价，却给出不同解：前者波动率 5.20%、拉格朗日函数值 13.29%，后者 5.43%、20.86%，两者都不是全局最小（第三、第四列的解分别是 5.98%/10.68% 与 6.56%/28.27%）。原因是 \sum_i x_i=1 由对数障碍对应的 \lambda 管理，不在 \Omega 里；论文称之为缩放相容性问题——解只有在约束与风险测度的正齐次性相容时才唯一可判。

重要 caveat

  • 论文自陈「带约束的风险预算配置不自然且有局限」，第 5 节专门讨论这一点。作者的结论是要接受「约束下事前风险预算 ≠ 事后风险贡献」这条断裂。
  • 正齐次性只在无约束时与 RB 组合的缩放性质直接对应；加约束后它只在 \lambda 的一个邻域内需要成立，因此收紧约束时数值解可能不再对应真正的约束 RB 组合——作者没有给出判别准则，只说可以用拉格朗日函数值 \mathcal{L}(x^\star(\lambda^\star);\lambda^\star) 比较各候选解取最小。
  • 论文的计算实验都是小规模玩具例子（4、5、7、8 个资产），绝对耗时不具参考价值；ADMM-BFGS 提速 15 倍的说法来自 Matlab 实现，且 ADMM-QP 的劣势被作者归因于 Matlab 的 quadprog 程序（Python 下未复现同样结果）。
  • 实证部分没有回测业绩，全部是静态权重表；风险平价基金的实际效果未做验证。

对 quant wiki 的意义

  1. 它补上了 Risk Parity 概念页缺失的一块：风险平价在实务中必然要加约束，而加约束会改变「风险预算」这个概念的含义——事前预算与事后贡献不再相等，次序甚至会反转。
  2. 它是 Coherent Risk Measures 中「正齐次性」这条公理的一个具体反例边界：约束与正齐次性不相容时，RB 组合的存在唯一性论证失效。论文也借此批评「欧拉分解 = 一致风险测度」这种常见混淆。
  3. 它把 ADMM 算法 与 高维风险平价算法 两条工具线接起来：CCD 在 Griveau-Billion 等 (2013) 里解无约束问题，ADMM-CCD 是本文为带耦合约束的问题给出的混合解法。
  4. 「C-ERC」这一做法（把小盘股权重锁在市值权重、对大盘股做全局等风险贡献）是库里目前唯一一页讲风险平价与流动性/小盘偏差交互的素材。

相关概念