第二十一章：曲面套利组合管理：多策略组合的权重分配、风险预算、相关性管理
说实话，做曲面套利做到一定程度，你会发现一个尴尬的事实——单一策略的夏普再高，也扛不住市场风格的突然切换。我见过太多交易员，某个策略回测漂亮得不行，实盘三个月就崩了。为什么？因为曲面上的机会不是均匀分布的，不同区域、不同期限的套利逻辑，往往会在特定行情下同时失效。
所以这一章，咱们聊聊组合管理。说白了，就是怎么把多个曲面套利策略捏在一起，让它们互相补位，而不是一起翻车。
21.1 多策略组合的权重分配：别靠感觉，靠数学
权重分配这件事，我早期吃过亏。那时候我同时跑着蝶式套利、日历价差和斜率回归三个策略，觉得每个都赚钱，就平均分配资金。结果呢？三个月后一看，蝶式套利赚的钱全被日历价差的亏损吃掉了，整体收益还不如只做蝶式。
后来我学乖了。权重分配不能拍脑袋，得用点正经方法。我个人比较推荐两种：
- 等风险贡献（ERC）：让每个策略对组合总风险的贡献相等。比如你有三个策略，调整权重使得每个策略的边际VaR一样大。
- 均值-方差优化（MVO）：在给定目标收益下，最小化组合方差。但要注意，这东西对输入参数特别敏感，我建议用收缩估计或者贝叶斯方法做协方差矩阵。
嗯，这里有个坑。MVO优化出来的权重经常很极端，比如某个策略权重直接干到80%。这时候我会加一个约束——单个策略权重不超过40%，不低于10%。别问为什么，问就是吃过亏。
核心公式：等风险贡献的权重满足 w_i × ∂σ_p/∂w_i = 常数，其中 σ_p 是组合波动率。
# 一个简单的等风险贡献权重计算示例
import numpy as np
from scipy.optimize import minimize
def erc_weights(cov_matrix):
n = cov_matrix.shape[0]
def risk_contribution(w):
port_vol = np.sqrt(w @ cov_matrix @ w)
mrc = cov_matrix @ w / port_vol # 边际风险贡献
rc = w * mrc
target = port_vol / n
return np.sum((rc - target)**2)
constraints = ({'type': 'eq', 'fun': lambda w: np.sum(w) - 1})
bounds = [(0.1, 0.4)] * n # 单个权重限制
result = minimize(risk_contribution,
x0=np.ones(n)/n,
bounds=bounds,
constraints=constraints)
return result.x
# 假设三个策略的协方差矩阵
cov = np.array([[0.04, 0.01, 0.005],
[0.01, 0.09, 0.02],
[0.005, 0.02, 0.16]])
weights = erc_weights(cov)
print(f"ERC权重: {weights}")
21.2 风险预算：给每个策略划好"亏损额度"
权重分配解决的是"投多少钱"，风险预算解决的是"亏多少钱"。这两个概念容易混淆，我简单区分一下：
- 权重分配：基于预期收益和风险，决定资金分配比例。
- 风险预算：基于最大可承受亏损，设定每个策略的止损线和仓位上限。
举个例子。假设你的总资金是1000万，最大回撤容忍度是15%，也就是最多亏150万。那么风险预算就是把这150万分配到各个策略上。我个人习惯的做法是：
- 先定总风险预算（比如总资金的15%）
- 按策略的历史VaR（95%置信度，1天）分配预算
- 每个策略的止损线 = 该策略分配到的预算 × 1.5（留点缓冲）
我曾经犯过一个错误——把风险预算设得太紧，结果一个策略刚触发止损，市场就反转了，白白亏了手续费。所以现在我会给每个策略设两层止损：
| 层级 | 触发条件 | 操作 |
|---|---|---|
| 预警线 | 亏损达到预算的80% | 减仓50%，暂停开新仓 |
| 硬止损 | 亏损达到预算的100% | 清仓，当日不再交易 |
注意：风险预算不是一成不变的。当组合整体盈利时，可以适当提高预算；连续亏损时，要主动压缩。我一般用"浮盈加仓、浮亏减仓"的逻辑，动态调整每个策略的预算上限。
21.3 相关性管理：别让策略"抱团"亏钱
相关性管理，说白了就是防止你的策略在关键时刻一起崩。你想想看，如果蝶式套利和日历价差在波动率飙升时都亏钱，那组合还有什么意义？
我一般会关注两个层面的相关性：
- 收益相关性：策略日收益率的相关系数。理想情况是0.3以下。
- 尾部相关性：极端行情下（比如波动率跳升3个标准差），策略是否同时大幅亏损。这个用条件相关系数或者Copula来度量。
嗯，这里有个实战技巧。我发现很多交易员只看收益相关性，忽略了尾部相关性。结果呢？平时看着策略之间确实不相关，一遇到"黑天鹅"全跪了。我建议每个月做一次尾部相关性分析，用历史极值数据或者蒙特卡洛模拟。
我的经验：如果两个策略的尾部相关性超过0.6，即使它们收益相关性只有0.2，我也会考虑只保留其中一个。因为极端行情才是真正考验组合的时候，平时那点分散化没什么用。
# 尾部相关性计算示例（基于条件相关系数）
def tail_correlation(returns1, returns2, quantile=0.05):
"""
计算尾部相关性：当returns1处于最低5%分位时，returns2的表现
"""
threshold = np.quantile(returns1, quantile)
tail_idx = returns1 <= threshold
if np.sum(tail_idx) < 5:
return np.nan # 样本太少，不计算
tail_returns1 = returns1[tail_idx]
tail_returns2 = returns2[tail_idx]
return np.corrcoef(tail_returns1, tail_returns2)[0, 1]
# 假设三个策略的日收益率数据
np.random.seed(42)
strat1 = np.random.normal(0.001, 0.02, 1000)
strat2 = np.random.normal(0.0005, 0.03, 1000)
strat3 = np.random.normal(0.001, 0.015, 1000)
# 计算尾部相关性矩阵
strategies = {'蝶式套利': strat1, '日历价差': strat2, '斜率回归': strat3}
names = list(strategies.keys())
tail_corr_matrix = np.zeros((3, 3))
for i in range(3):
for j in range(3):
tail_corr_matrix[i, j] = tail_correlation(
strategies[names[i]], strategies[names[j]]
)
print("尾部相关性矩阵（5%分位）：")
print(tail_corr_matrix)
21.4 组合管理的动态调整：别设完就不管了
权重分配、风险预算、相关性管理，这三件事不是做完一次就完事了。市场在变，策略的表现也在变。我一般按以下频率做调整：
- 每日：检查每个策略是否触发预警线或硬止损
- 每周：重新计算收益相关性和尾部相关性，看有没有异常
- 每月：用最新数据重新做一次ERC权重分配
- 每季度：全面复盘，评估是否需要引入新策略或淘汰旧策略
说实话，动态调整最怕的就是"过度优化"。我曾经一个月调了三次权重，结果手续费和滑点把收益全吃掉了。后来我给自己定了个规矩——除非某个策略的夏普比连续两周低于0.5，否则不轻易动权重。
核心原则：组合管理不是追求每个策略都赚钱，而是追求整体曲线平滑、回撤可控。你想想看，一个年化15%、最大回撤8%的组合，比一个年化25%、最大回撤30%的组合，长期下来谁更舒服？
21.5 知识体系总览
下面这张图，是我自己整理的多策略组合管理框架。每次做调整前，我都会对照着看一遍，确保没有遗漏。
这张图把整个组合管理的逻辑串起来了。你看，从最上层的"多策略组合管理"出发，分成三个核心模块——权重分配、风险预算、相关性管理。每个模块下面又有具体的实现方法。最下面那条"每日检查→每周分析→每月优化→每季度复盘"，是我自己踩坑踩出来的节奏。
说实话，组合管理这件事，没有标准答案。不同资金规模、不同风险偏好、不同交易频率，适合的方法都不一样。但有一点是共通的——你得有一套系统化的框架，而不是凭感觉拍脑袋。我见过太多人，策略赚钱时觉得"老子天下第一"，亏钱时又慌慌张张乱调参数。嗯，这样搞，迟早要出事。
最后一个小建议：刚开始做组合管理时，别追求太复杂的模型。先跑通ERC权重分配+双层止损+月度相关性检查，这个组合已经能干掉80%的散户了。等跑顺了，再慢慢加Copula、动态预算这些高阶玩法。
公众号:蓝海资料掘金营，微信deep3321