欢迎来到其他资产配置方法的世界！

在你的 CAIA 学习旅程中，相信你已经发现传统的均值方差优化（Mean-Variance Optimization, MVO）在实务上有不少缺点，包括对输入数据极度敏感、误差最大化（error maximisation），以及过度依赖预期回报。为了解决这些局限，机构投资人采用了多种其他资产配置框架。在本章中，我们将探讨 CAIA 课程中概述的核心替代策略：核心-卫星策略；自上而下、自下而上及混合策略；风险预算与风险桶；风险平价；以及启发式量化加权机制。

1. 核心-卫星策略（Core-Satellite Approach）

核心-卫星策略将投资组合划分为两个不同的部分，旨在平衡广泛的市场敞口与超额回报：

• 核心（Core）： 代表投资组合的主体（通常占 70% 至 80%）。它通常配置于被动式或低成本的指数产品，旨在高效获取广泛的市场 Beta。
• 卫星（Satellites）： 代表分配给主动式管理人、另类投资策略或战术性构想的较小且集中的配置（20% 至 30%），目标是创造 Alpha 并改善分散投资效果。

核心-卫星策略的优点：
• 成本效益： 昂贵的主动管理费用仅局限于卫星投资部分，而非为整个投资组合支付。
• 清晰的风险隔离： 市场 Beta 风险锚定在核心部分，而主动跟踪风险则被有效隔离在卫星部分之内。

2. 自上而下、自下而上及混合策略（Top-Down, Bottom-Up, and Mixed Approaches）

投资人可以通过不同的层级化流程来确定投资组合的权重：

• 自上而下策略（Top-Down Approach）： 从宏观经济层面着手。配置者在挑选个别基金或证券之前，会先评估全球经济指标、通胀、利率及地缘政治趋势，以确立跨资产类别、地区或行业的配置。
• 自下而上策略（Bottom-Up Approach）： 主要聚焦于个别证券或单一管理人机会，而不设定预先定义的自上而下目标。整体投资组合的配置纯粹是挑选个别资产后的累积结果。
• 混合策略（Mixed Approach）： 结合自上而下的战略与战术指导，以及自下而上的管理人与证券挑选。例如，自上而下的政策边界（上限与下限）确立了允许的资产类别范围，而自下而上的基本面分析则决定在这些边界内的具体证券或基金投资。

3. 风险预算与风险桶（Risk Budgeting and Risk Buckets）

传统的资产配置分配的是资本（金额或百分比）。然而，资本配置并不等于风险配置：一个拥有 60% 股票和 40% 固定收益的投资组合，其总波动率往往有超过 90% 是由股票驱动的。风险预算（Risk Budgeting）通过将总投资组合风险单位（例如方差或风险价值 Value at Risk）分配给各个投资类别或因子，解决了这个问题。

风险桶（Risk Buckets）

配置者经常根据经济功能而非法律上的资产类别，将资产归类到战略性的风险桶中（例如：增长／资本增值、资本保全／防御性，以及通胀对冲）。

基于因子的风险预算（Factor-Based Risk Budgeting）

在基于因子的框架中，投资组合的方差被分解为系统性风险因子敞口（例如股票风险、期限／存续期风险、信用利差风险及流动性风险）。配置者不再问“我们应该在私募股权与公开股票之间投资多少？”，而是确定来自各底层因子的目标边际风险贡献（\(\text{MCR}\)），确保投资组合不会无意中集中在单一宏观经济风险驱动因素上。

4. 风险平价（Risk Parity）

风险平价是一种资产配置方法，其中每个资产类别或风险桶对投资组合总风险的贡献份额相等。在由股票和债券组成的双资产投资组合中，标准的 60/40 组合严重由股票风险主导。风险平价会对投资组合进行再平衡，使所有组成部分的风险贡献百分比相同。

运作机制与杠杆的运用

由于政府债券等较低风险资产的波动率远低于股票，无杠杆的同等风险投资组合将需要向债券投入庞大的资本配置，从而导致预期回报可能无法达到投资人的回报目标。风险平价解决此问题的方法是：对低风险资产类别（或对整个平衡的风险平价投资组合）应用杠杆（leverage），在维持均等风险贡献的同时提高总预期回报。

波动率异常（The Volatility Anomaly）

风险平价的部分理论基础源于低波动率异常（low-volatility anomaly）（或波动率异常）。实证研究显示，低风险、低 Beta 资产所提供的风险调整后回报（更高的夏普比率 Sharpe ratio），往往高于高 Beta 资产。通过对具备高夏普比率的低波动率资产基础进行加杠杆，风险平价投资组合旨在于完整的市场周期中跑赢无杠杆的传统投资组合。

5. 其他量化方法（Other Quantitative Approaches）

当投资人寻求基于规则的配置，同时希望避免 MVO 的参数估计误差时，他们会转向更简单的量化模型：

• 等权重（\(\text{1/N}\) 策略，Equal-Weighting）： 将资本平均分配到所有可用资产上，设定权重 \(w_i = \frac{1}{N}\)。这种启发式方法完全不需要估计预期回报、波动率或相关性，彻底消除了优化器的估计误差，并提供了一个在样本外表现上令复杂模型出奇难以超越的实证基准。
• 反向波动率加权（Inverse-Volatility Weighting）： 忽略相关性，各资产获分配的权重与其个别波动率（标准差，\(\sigma_i\)）成反比：
\(w_i = \frac{1/\sigma_i}{\sum_{j=1}^{N} (1/\sigma_j)}\)
波动率较低的资产获得较高的权重，从而在不需要估计相关性矩阵的情况下，降低整体投资组合的波动率。