歡迎來到其他資產配置方法的世界！

在你的 CAIA 學習旅程中，相信你已經發現傳統的平均變異數最佳化（Mean-Variance Optimization, MVO）在實務上有不少缺點，包括對輸入數據極度敏感、誤差極大化（error maximisation），以及過度依賴預期回報。為了解決這些局限，機構投資人採用了多種其他資產配置框架。在本章中，我們將探討 CAIA 課程中概述的核心替代策略：核心-衛星策略；由上而下、由下而上及混合策略；風險預算與風險桶；風險平價；以及啟發式量化加權機制。

1. 核心-衛星策略（Core-Satellite Approach）

核心-衛星策略將投資組合劃分為兩個不同的部分，旨在平衡廣泛的市場曝險與超額回報：

• 核心（Core）： 代表投資組合的主體（通常佔 70% 至 80%）。它通常配置於被動式或低成本的指數產品，旨在高效獲取廣泛的市場 Beta。
• 衛星（Satellites）： 代表分配給主動式經理人、另類投資策略或戰術性構想的較小且集中的配置（20% 至 30%），目標是創造 Alpha 並改善分散投資效果。

核心-衛星策略的優點：
• 成本效益： 昂貴的主動管理費用僅局限於衛星投資部分，而非為整個投資組合支付。
• 清晰的風險隔離： 市場 Beta 風險錨定在核心部分，而主動追蹤風險則被有效隔離在衛星部分之內。

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

投資人可以透過不同的層級化流程來確定投資組合的權重：

• 由上而下策略（Top-Down Approach）： 從總體經濟層面著手。配置者在挑選個別基金或證券之前，會先評估全球經濟指標、通脹、利率及地緣政治趨勢，以確立跨資產類別、地區或行業的配置。
• 由下而上策略（Bottom-Up Approach）： 主要聚焦於個別證券或單一經理人機會，而不設定預先定義的由上而下目標。整體投資組合的配置純粹是挑選個別資產後的累積結果。
• 混合策略（Mixed Approach）： 結合由上而下的戰略與戰術指導，以及由下而上的經理人與證券挑選。例如，由上而下的政策邊界（上限與下限）確立了允許的資產類別範圍，而由下而上的基本面分析則決定在這些邊界內的具體證券或基金投資。

3. 風險預算與風險桶（Risk Budgeting and Risk Buckets）

傳統的資產配置分配的是資本（金額或百分比）。然而，資本配置並不等於風險配置：一個擁有 60% 股票和 40% 固定收益的投資組合，其總波動率往往有超過 90% 是由股票驅動的。風險預算（Risk Budgeting）透過將總投資組合風險單位（例如變異數或風險價值 Value at Risk）分配給各個投資類別或因子，解決了這個問題。

風險桶（Risk Buckets）

配置者經常根據經濟功能而非法律上的資產類別，將資產歸類到戰略性的風險桶中（例如：增長／資本增值、資本保全／防禦性，以及通脹對沖）。

基於因子的風險預算（Factor-Based Risk Budgeting）

在基於因子的框架中，投資組合的變異數被分解為系統性風險因子曝險（例如股票風險、期限／存續期間風險、信用利差風險及流動性風險）。配置者不再問「我們應該在私募股權與公開股票之間投資多少？」，而是確定來自各底層因子的目標邊際風險貢獻（\(\text{MCR}\)），確保投資組合不會無意中集中在單一總體經濟風險驅動因素上。

4. 風險平價（Risk Parity）

風險平價是一種資產配置方法，其中每個資產類別或風險桶對投資組合總風險的貢獻份額相等。在由股票和債券組成的雙資產投資組合中，標準的 60/40 組合嚴重由股票風險主導。風險平價會對投資組合進行再平衡，使所有組成部分的風險貢獻百分比相同。

運作機制與槓桿的運用

由於政府債券等較低風險資產的波動率遠低於股票，無槓桿的同等風險投資組合將需要向債券投入龐大的資本配置，從而導致預期回報可能無法達到投資人的回報目標。風險平價解決此問題的方法是：對低風險資產類別（或對整個平衡的風險平價投資組合）應用槓桿（leverage），在維持均等風險貢獻的同時提高總預期回報。

波動率異常（The Volatility Anomaly）

風險平價的部分理論基礎源於低波動率異常（low-volatility anomaly）（或波動率異常）。實證研究顯示，低風險、低 Beta 資產所提供的風險調整後回報（更高的夏普比率 Sharpe ratio），往往高於高 Beta 資產。透過對具備高夏普比率的低波動率資產基礎進行加槓桿，風險平價投資組合旨在於完整的市場週期中跑贏無槓桿的傳統投資組合。

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

當投資人尋求基於規則的配置，同時希望避免 MVO 的參數估計誤差時，他們會轉向更簡單的量化模型：

• 等權重（\(\text{1/N}\) 策略，Equal-Weighting）： 將資本平均分配到所有可用資產上，設定權重 \(w_i = \frac{1}{N}\)。這種啟發式方法完全不需要估計預期回報、波動率或相關性，徹底消除了最佳化器的估計誤差，並提供了一個在樣本外表現上令複雜模型出奇難以超越的實證基準。
• 反向波動率加權（Inverse-Volatility Weighting）： 忽略相關性，各資產獲分配的權重與其個別波動率（標準差，\(\sigma_i\)）成反比：
\(w_i = \frac{1/\sigma_i}{\sum_{j=1}^{N} (1/\sigma_j)}\)
波動率較低的資產獲得較高的權重，從而在不需要估計相關性矩陣的情況下，降低整體投資組合的波動率。