13. 波动率曲面与风险平价：构建波动率目标组合

风险平价，这个词在资管圈里被说烂了。但真正把它和波动率曲面结合起来做交易的人，其实不多。

我个人习惯把风险平价看作一种「分蛋糕」的思路——不是按资金量分，而是按风险贡献分。你想想看，如果某个资产天生波动大，你给它分配太多资金，整个组合的波动就会被它牵着鼻子走。风险平价要解决的，就是这个痛点。

13.1 从波动率曲面到风险预算

做波动率指数交易的人，手里通常握着不同期限、不同行权价的期权头寸。这些头寸的风险特征，完全可以用波动率曲面来刻画。

举个例子。你持有一张 VIX 期货的看涨期权，同时卖了一张虚值看跌期权。表面上看，这是个价差组合。但曲面告诉你什么？它告诉你，不同行权价上的隐含波动率不一样，不同期限的 skew 也不一样。这些差异，最终会转化为你的风险敞口。

我在项目中遇到过这样的情况：一个看似中性的 Vega 组合，因为曲面形态变化，一夜之间亏了 3%。原因很简单——短期 skew 变陡了，而我的头寸恰好暴露在这个风险因子上。

所以，构建波动率目标组合的第一步，是把曲面上的风险因子拆解清楚。我一般会拆成三个维度：

• 水平因子：整体波动率水平的变化
• 斜率因子：不同期限之间的价差变化
• 曲率因子：凸度变化，也就是 ATM 和 OTM 之间的相对关系

这三个因子，基本能解释曲面 90% 以上的变动。剩下的，交给残差。

13.2 风险平价的核心逻辑

风险平价不是平均分配资金，而是让每个风险因子对组合的贡献相等。

怎么算？很简单。先算出每个因子对组合波动率的边际贡献，然后调整权重，让这些边际贡献相等。

数学上，组合的方差可以写成：

σ²_p = w' Σ w

其中 w 是权重向量，Σ 是协方差矩阵。每个因子的风险贡献是：

RC_i = w_i * (Σ w)_i / σ_p

风险平价的目标，就是让所有 RC_i 相等。

嗯，这里要注意。直接用历史数据算协方差矩阵，容易出问题。为什么？因为波动率曲面的结构会变。你拿过去一年的数据算出来的相关性，可能跟下个月完全不一样。

我曾经吃过这个亏。2018 年 2 月，VIX 突然飙升，曲面结构瞬间扭曲。我那套基于历史协方差的风险平价模型，直接失效。后来我学乖了——用实时曲面数据来更新协方差矩阵，而不是用固定窗口的历史数据。

13.3 构建波动率目标组合的步骤

下面是我在实际交易中用的流程，你可以参考：

1. 定义风险因子：从曲面中提取水平、斜率、曲率三个因子
2. 计算因子暴露：对每个头寸，计算它对这三个因子的敏感度
3. 构建协方差矩阵：用近期曲面数据，估计因子之间的协方差
4. 优化权重：用风险平价算法，求解最优权重
5. 回测验证：在历史数据上跑一遍，看看稳定性

这里有个关键点——目标波动率。你不能让组合的波动率随意漂移。我一般会设定一个目标波动率区间，比如 10%-15%。如果组合波动率超出这个区间，就触发再平衡。

13.4 代码实现示例

下面是一个简化的 Python 实现，展示如何用风险平价构建波动率目标组合：

import numpy as np
from scipy.optimize import minimize

def risk_parity_weights(cov_matrix):
    """
    计算风险平价权重
    cov_matrix: 因子协方差矩阵
    """
    n = cov_matrix.shape[0]
    
    def risk_contribution(w):
        portfolio_var = w @ cov_matrix @ w
        sigma_p = np.sqrt(portfolio_var)
        rc = w * (cov_matrix @ w) / sigma_p
        return rc
    
    def objective(w):
        rc = risk_contribution(w)
        target = np.mean(rc)
        return np.sum((rc - target) ** 2)
    
    constraints = ({'type': 'eq', 'fun': lambda w: np.sum(w) - 1})
    bounds = [(0, 1) for _ in range(n)]
    
    result = minimize(objective, 
                      np.ones(n)/n, 
                      bounds=bounds, 
                      constraints=constraints)
    return result.x

# 示例：三个因子的协方差矩阵
cov = np.array([
    [0.04, 0.01, 0.005],
    [0.01, 0.02, 0.003],
    [0.005, 0.003, 0.01]
])

weights = risk_parity_weights(cov)
print(f"风险平价权重: {weights}")

这段代码虽然简单，但核心逻辑都在里面了。实际交易中，你还需要加入交易成本、流动性约束、再平衡频率等细节。

13.5 避坑指南

做波动率目标组合，有几个坑我踩过，分享给你：

• 不要过度优化：风险平价模型对输入参数很敏感。稍微改一下协方差矩阵，权重就大变样。我建议用滚动窗口估计，窗口长度至少 60 个交易日。
• 注意尾部风险：波动率曲面在极端行情下会剧烈变形。你的风险平价模型，最好能加入尾部风险约束。比如，限制单个因子的最大风险贡献不超过 40%。
• 再平衡要谨慎：频繁再平衡会吃掉收益。我一般设定一个阈值，比如当某个因子的风险贡献偏离目标超过 20% 时，才触发再平衡。

13.6 知识体系结构图

下面这张图，展示了波动率曲面与风险平价结合的核心逻辑：

好了，关于波动率曲面与风险平价的内容，就聊到这里。记住一句话：风险平价不是目的，而是手段。最终的目标，是让你的组合在各种市场环境下都能保持稳定。

---

公众号:蓝海资料掘金营，微信deep3321