[12] 动态再平衡

2026-03-20

理论基础 · 共 12 篇

动态再平衡策略研究报告

tradeSys 研究系列 | 2026-03-20
研究员: 娃彩 ✨
回测期: 2016-03-22 ~ 2026-03-18 (约 10 年)

执行摘要

本研究对比了四种再平衡方案在 tradeSys Plan D 六策略组合上的表现：

方案	Sharpe (扣 10bps)	年化换手率	CAGR	MaxDD	结论
基准：固定权重	0.895	20.4%	8.36%	-14.02%	✅ 最优风险调整后收益
A: 波动率目标化	0.899	202.9%	7.65%	-11.60%	⚠️ 换手太高，成本敏感
B: 风险平价	0.443	800.1%	6.39%	-27.10%	❌ 严重失效
C: 动量加权	0.831	77.8%	8.08%	-14.18%	⚠️ 不如基准

核心结论: 固定权重月度再平衡仍然是最优选择。动态再平衡方案要么换手率过高吃掉 alpha（方案 A/B），要么无法提供显著的 Sharpe 提升（方案 C）。

1. 文献综述

1.1 波动率目标化 (Volatility Targeting)

理论基础: Moskowitz, Ooi & Pedersen (2012) “Time Series Momentum” 提出波动率目标化方法：

核心思想：根据资产近期波动率动态调整仓位
公式：权重 = 目标波动率 / 实现波动率
预期收益：在趋势跟踪框架下，波动率目标化可提升 Sharpe 约 20-30%

实证发现:

Moreira & Muir (2017): 波动率目标化在股票市场上可降低尾部风险
但高换手率是主要成本来源，尤其在波动率快速变化时期

1.2 风险平价 (Risk Parity)

理论基础: Bridgewater All Weather 基金开创的方法

核心思想：每个资产/策略贡献相等的组合风险
公式：权重 ∝ 1/波动率 (简化版)，或迭代求解边际风险贡献
预期收益：在危机期间表现优异，分散化效果最佳

实证发现:

Asness, Ilmanen & Maloney (2012): 风险平价在长期债券牛市中表现优异
但在 2022 年股债双杀环境下遭受重创
高换手率是主要实践障碍

1.3 动态权重 vs 固定权重

Meta 分析结论:

DeMiguel, Garlappi & Uppal (2009): “Optimal Versus Naive Diversification” — 固定权重 1/N 策略在样本外经常击败复杂优化
主要原因：协方差矩阵估计误差导致优化结果不稳定
换手率是动态策略的"隐形杀手"

1.4 再平衡频率对 Sharpe 的影响

关键发现:

月度再平衡是大多数趋势跟踪策略的最优频率
更频繁再平衡 → 更高换手率 → 交易成本上升
更稀疏再平衡 → 权重漂移 → 风险暴露偏离目标

2. 研究设计

2.1 基准组合 (Plan D)

TSMOM         35%  (时间序列动量：SPY/TLT/GLD 多窗口)
XSMOM         15%  (横截面动量：做多最强资产)
MeanRev       10%  (RSI 均值回归：SPY)
SVOL          10%  (波动率卖出：合成代理)
CryptoFunding 20%  (加密资金费率：合成收益流)
GoldMom       10%  (黄金动量：GLD TSMOM)

2.2 动态再平衡方案

方案 A: 波动率目标化

每个子策略目标年化波动率：10%
实现波动率：60 日滚动窗口
权重调整：新权重 = 基准权重 × (目标 vol / 实际 vol)
总敞口上限：120%
调整频率：月度

方案 B: 风险平价

目标：每个策略贡献相等组合风险
协方差估计：60 日滚动窗口
求解方法：Newton 迭代法求解边际风险贡献
调整频率：月度

方案 C: 动量加权

动量信号：过去 3 个月 (63 日) Sharpe
权重调整：新权重 = 基准权重 × (1 + 0.5 × rank_score)
rank_score: 0 (最差) 到 1 (最佳) 的排名归一化
单策略上限：50%
调整频率：月度

2.3 交易成本建模

基准佣金：单边 0.1% (10bps)
换手率计算：月度权重变化绝对值之和 / 年数
成本敏感性测试：0/5/10/20/50 bps

3. 回测结果

3.1 核心指标对比

指标	基准	A-VolTarget	B-RiskParity	C-Momentum
Sharpe	0.895	0.899	0.443	0.831
CAGR	8.36%	7.65%	6.39%	8.08%
年化波动	7.10%	6.29%	9.90%	7.31%
MaxDD	-14.02%	-11.60%	-27.10%	-14.18%
Sortino	1.158	1.163	0.505	1.062
Calmar	0.596	0.660	0.236	0.570
月胜率	65.3%	64.5%	59.5%	66.9%
换手率/年	20.4%	202.9%	800.1%	77.8%

3.2 交易成本敏感性

方案	0bps	5bps	10bps	20bps	50bps
基准	0.898	0.896	0.895	0.892	0.882
A-VolTarget	0.934	0.917	0.899	0.864	0.758
B-RiskParity	0.530	0.487	0.443	0.357	0.101
C-Momentum	0.843	0.837	0.831	0.820	0.785

关键观察:

方案 A 在零成本时 Sharpe 最高 (0.934)，但成本敏感性极高
10bps 成本下，方案 A 仅微弱领先基准 (0.899 vs 0.895)
方案 B 完全失效 — 800% 年换手率导致成本吃掉所有 alpha
方案 C 表现稳定但不如基准

3.3 危机表现

COVID 危机 (2020-02-01 ~ 2020-04-30)

方案	收益	MaxDD
基准	+1.59%	-10.39%
A-VolTarget	+1.27%	-10.13%
B-RiskParity	+12.49%	-4.74%
C-Momentum	+1.06%	-10.81%

观察: 风险平价在 COVID 期间表现最佳 — 这是因为 2020 年 Q1 债券 (TLT) 和黄金 (GLD) 大涨，而风险平价自动超配了低波动策略 (MeanRev/SVOL 在危机初期表现相对稳定)。

2022 加息全年 (2022-01-01 ~ 2022-12-31)

方案	收益	MaxDD
基准	-10.28%	-13.33%
A-VolTarget	-7.66%	-9.08%
B-RiskParity	-17.74%	-21.42%
C-Momentum	-10.23%	-13.61%

观察: 波动率目标化在 2022 年表现最佳 — 这是因为 vol targeting 在市场波动上升时自动降仓，降低了损失。风险平价表现最差 — 这是因为 2022 年股债双杀，所有传统分散化工具失效。

3.4 权重分布分析

方案 A: 波动率目标化

策略	均值	最小	最大	标准差
TSMOM	37.0%	21.2%	55.3%	6.6%
XSMOM	9.3%	3.5%	16.8%	2.8%
MeanRev	8.3%	1.8%	18.0%	3.6%
SVOL	5.3%	1.9%	10.2%	1.6%
CryptoFunding	28.0%	14.6%	61.2%	9.6%
GoldMom	12.0%	5.0%	24.5%	4.6%

观察: CryptoFunding 权重波动最大 (14.6%~61.2%) — 这是因为合成收益流的波动率在不同时期变化显著。

方案 B: 风险平价

策略	均值	最小	最大	标准差
TSMOM	7.9%	0.0%	69.9%	13.3%
XSMOM	10.6%	0.0%	100.0%	15.4%
MeanRev	45.3%	0.0%	100.0%	43.3%
SVOL	11.0%	0.0%	100.0%	19.3%
CryptoFunding	10.7%	0.0%	95.0%	20.7%
GoldMom	14.5%	0.0%	100.0%	23.7%

观察: 风险平价严重超配 MeanRev (45.3% 均值) — 这是因为 MeanRev 的历史波动率相对较低。但权重极端不稳定 (0%~100%)，导致极高换手率。

方案 C: 动量加权

策略	均值	最小	最大	标准差
TSMOM	35.6%	28.4%	40.1%	2.7%
XSMOM	15.4%	11.4%	20.9%	2.2%
MeanRev	9.9%	7.6%	12.9%	1.3%
SVOL	10.1%	7.1%	13.5%	1.4%
CryptoFunding	19.5%	14.8%	27.0%	3.4%
GoldMom	9.6%	7.4%	12.2%	1.3%

观察: 动量加权权重最稳定 — 这是因为 Sharpe 排名变化缓慢。但这也意味着动态调整的效果有限。

4. 深度分析

4.1 为什么风险平价失效？

问题根源:

协方差矩阵估计误差: 60 日窗口估计的协方差矩阵高度不稳定
- 在 regime change 时期 (如 2020 COVID, 2022 加息)，历史协方差无法预测未来
- 导致权重剧烈摆动 (0%~100%)
波动率估计偏差:
- MeanRev 和 SVOL 的历史波动率较低 → 风险平价超配
- 但这些策略在危机时相关性飙升 → 分散化失效
换手率灾难: 800% 年换手率意味着每 1.5 个月完全换仓一次
- 即使 10bps 成本，年成本也达 8%
- 这完全吃掉了任何潜在的 alpha

教训: 风险平价在理论上是优雅的，但在实践中需要：

更长的估计窗口 (1-2 年而非 60 日)
权重变化限制 (如每月最多调整 10%)
或者使用 shrinkage/covariance targeting 技术

4.2 为什么波动率目标化表现接近但不如基准？

优势:

COVID 和 2022 年表现更好 — vol targeting 确实在危机时降仓
MaxDD 更低 (-11.60% vs -14.02%)
Sortino 更高 (1.163 vs 1.158)

劣势:

CAGR 更低 (7.65% vs 8.36%) — 降仓也意味着错过反弹
换手率高 10 倍 (202.9% vs 20.4%)
成本敏感性高

根本问题: 波动率目标化在波动率均值回归的市场中表现最佳，但在波动率持续高位或低位时表现不佳。

4.3 为什么动量加权不如基准？

观察:

Sharpe 低于基准 (0.831 vs 0.895)
权重变化最稳定 (换手率 77.8%)
危机表现与基准相似

原因:

子策略 Sharpe 差异不大 (0.35~0.80 范围)
3 个月动量窗口太短，导致"追涨杀跌"
基准权重已经是优化后的结果，随意调整反而破坏分散化

5. 五层检查线自检

✅ 1. 事实对不对

回测代码复用 combo_v3_backtest.py 的子策略生成逻辑
数据源一致 (SPY/TLT/GLD 真实价格，SVOL/Funding 合成)
回测期一致 (2016-03-22 ~ 2026-03-18)
交易成本建模一致 (单边 10bps)

✅ 2. 判断有没有独到

独到见解:

风险平价在高维策略空间 (6 策略) 中失效的根本原因是协方差估计误差，而非理论错误
波动率目标化的"隐形成本"被文献低估 — 200%+ 年换手率在真实交易中不可行
固定权重之所以最优，是因为它强制"低卖高买"的再平衡纪律，而动态方法容易陷入"追涨杀跌"

✅ 3. 收件人视角 (张晓龙/老板视角)

老板关心的是:

“值不值得从固定权重切换到动态再平衡？” → 不值得
“动态再平衡有没有可能在某些条件下更好？” → 有，但需要更精细的设计
“下一步应该做什么？” → 探索低频动态调整 (季度/半年度) 或混合方法

✅ 4. 有没有考虑风险

已考虑的风险:

交易成本敏感性 (0~50bps 测试)
危机表现 (COVID + 2022)
权重漂移和极端集中风险
估计窗口敏感性 (60 日)

未充分探索的:

不同估计窗口的影响 (30 日/90 日/1 年)
不同调整频率 (周度/双月度/季度)
参数优化过拟合风险

✅ 5. 建议能不能直接执行

具体建议见下一节。

6. 结论与建议

6.1 核心结论

固定权重月度再平衡仍然是 tradeSys 的最优选择。

动态再平衡方案的问题不是理论错误，而是实践成本过高:

方案 A (Vol Targeting): Sharpe 提升 0.4%，但换手率 10 倍 → 净收益为负
方案 B (Risk Parity): 完全失效，800% 换手率 + 协方差估计误差
方案 C (Momentum): 稳定但不如基准

6.2 具体建议

短期 (立即执行)

保持 Plan D 固定权重月度再平衡
- 当前 Sharpe 0.887-0.895 已经是非常优秀的水平
- 不要为了"优化"而优化
监控权重漂移
- 如果某个策略权重漂移超过 ±10%，手动再平衡
- 这比自动动态调整更可控

中期 (未来 3-6 个月)

探索"混合"方法
- 固定权重 + 波动率目标化上限: 当某个策略波动率飙升时，限制其最大权重
- 例如：CryptoFunding 权重上限 30% (而非基准 20%)
降低动态调整频率
- 从月度改为季度再平衡
- 这可能降低换手率 50%+，同时保持动态调整的优势
改进协方差估计 (如果未来再尝试风险平价)
- 使用 Ledoit-Wolf shrinkage 估计器
- 或使用指数加权移动平均 (EWMA)
- 估计窗口从 60 日延长至 252 日 (1 年)

长期 (未来 6-12 个月)

寻找新的低相关收益源
- 动态再平衡的价值在于分散化
- 如果子策略之间相关性低，固定权重就足够
- 优先寻找与 SPY/TSMOM 低相关的新策略，而非优化再平衡
真实交易验证
- 用真实资金小仓位测试
- 真实滑点可能比 10bps 更高
- 监控实际执行成本

6.3 “So What” 回答

问: 值不值得从固定权重切换到动态再平衡？

答: 不值得。

理由:

Sharpe 提升微乎其微 (0.895 → 0.899，仅 0.4%)
换手率增加 10 倍 (20% → 200%)
真实交易成本可能更高 (滑点 + 佣金 + 市场冲击)
复杂度大幅增加 (需要监控波动率估计、协方差矩阵等)
过拟合风险高 (动态参数需要持续调优)

例外情况: 如果未来发现某个子策略波动率持续异常 (如 CryptoFunding 波动率从 6% 飙升至 20%)，可以考虑对该策略单独应用波动率目标化上限，而非全组合动态调整。

附录 A: 产出文件

回测脚本: self/research/tradeSys/dynamic_rebalance_backtest.py
结果 JSON: self/research/tradeSys/dynamic_rebalance_results.json
本报告: self/research/tradeSys-dynamic-rebalance.md

附录 B: 关键代码片段

波动率目标化核心逻辑

def rebalance_vol_target(strat_df, base_w):
    for i, d in enumerate(dates):
        # ... 日收益计算 ...
        
        if d in monthly_dates and i >= VOL_WINDOW:
            # 计算每个策略过去 60 日的实际年化波动率
            for j, st in enumerate(STRATEGY_NAMES):
                rv = strat_df[st].iloc[max(0,i-VOL_WINDOW):i].std() * np.sqrt(252)
                vol_scalars[j] = np.clip(VOL_TARGET_REBAL / rv, 0.2, 3.0)
            
            # 新目标权重 = 基准权重 × vol_scalar
            new_target = base_w * vol_scalars
            
            # 总敞口上限
            if new_target.sum() > MAX_TOTAL_EXPOSURE:
                new_target *= MAX_TOTAL_EXPOSURE / new_target.sum()

风险平价求解器

def _solve_rp(cov, n, iters=100, tol=1e-8):
    # 初始权重：反波动率
    vols = np.sqrt(np.maximum(np.diag(cov), 1e-16))
    w = 1.0 / vols
    w /= w.sum()
    
    for _ in range(iters):
        sw = cov @ w
        pv = np.sqrt(max(w @ sw, 1e-20))
        mrc = sw / pv  # 边际风险贡献
        rc = w * mrc   # 风险贡献
        trc = pv / n   # 目标风险贡献 (均等)
        
        # Newton 更新
        w_new = w * (trc / np.maximum(rc, 1e-10))
        w_new = np.maximum(w_new, 1e-8)
        w_new /= w_new.sum()
        
        if np.max(np.abs(w_new - w)) < tol:
            return w_new
        w = w_new

研究完成时间: 2026-03-20
下一步: 更新 tradeSys-todo.md 进度，将"动态再平衡策略"标记为已完成