来自市场的beta，低风险长期年化8-12%并不难。（附代码下载）

本周关键词是：“风险预算”，“风险平价”。

其实从MVO(均值-方差)模型开始，投资才真正进入教科书，成为一门科学。现代投资学也是从MVO开始讲的。当然散户学投资仍然从K级、均线，MACD开始。

由于MVO对参数敏感，且依赖收益率的预测，而收益率本身仍难预测，导致MVO在实战中难以应用。达利欧发扬光大的“风险平价”，仅依赖波动率，而波动率相对而言比较稳定，更容易预测。

桥水基金认为，所有投资品的收益都可以分解为3个部分：1）现金（Cash）回报率；2）高于现金的基准收益率，即市场的超额回报率（Beta）；3）来自于主动管理的收益（Alpha）：

Return （回报）= Cash（现金）+ Beta + Alpha

因此，在桥水基金的理念中，Beta才是投资回报中最重要的部分。投资的关键就应该是确定Beta的配置，而不是追求战胜市场。全天候策略试图解决的问题就是：应该建立一个怎样的大类资产组合，即持有多少比例的股票、债券和商品，才能保证在所有经济环境下都能有良好的表现。

尝试构建中国版的全天候策略。具体包括，股票—沪深300指数（000300.SH）和香港恒生指数（HSI.HI）、黄金—SGE黄金9999现货（AU9999.SGE）、商品—Wind商品指数（CCFI.WI）、债券—中证企业债指数（H11008.CSI）

这里债券部分指数数据不好找，我使用了上证企业债指数来代替：000013.SH。

股票部分我引入了 美股（SPX）, 港股（HSI）和欧洲（德国，日本）以有A股的沪深300。

老规矩，看一下等权再平衡，做为基准参考：

年化8.3，这就是市场的beta。我们这个专栏，一直说应该投资，至少应该理财就是这个意思。加上自己的一些筛选，正确的理念，年化8-12%的长期收益一点都不难。如上就是数据论证。

大家可前往星球下载数据、代码，自行修改验证。

下一步我们使用风险平价来优化它们。

这是我实现的WeightRP，风险平价来计算并调仓。

和之前代码的区别是，这里使用了一个pyrb的包，大家直接pip install -r requirements.txt即可。

from pyrb import EqualRiskContribution
import numpy as np
import pandas as pd


class WeightRP:
    def __call__(self, context: ExecContext):
        hist_df = context.hist_df
        rets = hist_df.pivot_table(index=hist_df.index, columns='symbol', values='return_0')

        if len(rets) < 66:
            return True

        if len(rets) > 252 * 3:
            rets = rets.iloc[-252:]
        cov = rets.cov() * 252
        ERC = EqualRiskContribution(cov)
        ERC.solve()
        optimal_weights = ERC.x
        weights = {s: w*0.99 for s, w in zip(cov.index, optimal_weights)}
        context.portfolio.order_target_weights(weights)

策略的代码如下：

from engine.env import Env
from engine.algo.algo_weights import *
from engine.algo.algos import *

indexes = [
    'HSI',
    'SPX',
    'GDAXI',
    'N225',
    '000300.SH',
]
from engine.datafeed.csv_dataloader import CSVDataloader

loader = CSVDataloader(indexes, start_date="20100101")
df = loader.load()
df

e = Env(df)
e.set_algos([
    RunQuarterly(),
    SelectAll(universe=indexes),
    WeightRP()
])
e.backtest_loop()
e.show_results()