动态风险平价：Bridgewater All Weather 成功的秘密

问题：动态世界里的静态配置

传统风险平价采用固定配置（例如 40% 股票、60% 债券），依据的是历史波动率。但波动率和相关性并不恒定：

股票波动率的历史变化（S&P 500）

关键结论：固定的 静态 40% 股票配置在 2005 年（波动率 8%）过于保守，在 2008 年（波动率 45%）又过于激进。你必须动态调整。

"风险平价最大的错误，就是假定风险恒定。波动率会变，相关性会变，经济环境会变。你的配置也必须跟着变。"

哪些东西会变（以及多久变一次）

AQR 的核心发现： "波动率和相关性显然比收益率更有持续性、更可预测"，这意味着你可以围绕它们构建策略。

动态风险平价：三步框架

第一步：波动率目标（每月再平衡）

不要用固定金额配置，而要追求 恒定的风险贡献 按波动率的倒数来缩放仓位。

这样做为什么有效： 当股票波动率从 15% 飙升到 30% 时，算法会自动把股票配置砍半（从 33% 降到 17%），完全不需要人为判断。

2008 年示例：自动降低风险

波动率飙升时机械地减少股票敞口，让动态风险平价少亏了 5.6% 的回撤，这就是能安心睡觉和恐慌抛售之间的差别。

第二步：经济环境识别（每季度调整）

波动率目标是被动反应式的（对过去的波动率做出反应）。 环境识别则是主动前瞻的 它能在大幅回撤发生之前就辨认出宏观经济状况。

四种经济季节（Bridgewater 框架）

落地方式： 用 30 年数据训练一个隐马尔可夫模型（HMM），依据以下指标判断当前处于哪种环境：

• GDP 增速（同比变化）
• CPI 通胀（同比变化）
• ISM 制造业 PMI（扩张还是收缩）
• 失业率（相对 12 个月低点的变化）
• 信用利差（BBB 级与国债的利差）

HMM 会给出每种环境的概率（例如 70% 的"通胀上行"、20% 的"增长上行"、10% 的"增长下行"）。资产配置随之向概率最高的那种环境倾斜。

第三步：相关性调整（危机识别）

最危险的环境不是增长下行，也不是通胀上行，而是 相关性失效 所有资产同时下跌。

2022 示例： 股票和债券分别下跌 18% 和 16%，因为通胀迫使美联储加息（两类资产同时受损）。传统的"平衡型"组合彻底失效。

相关性矩阵：平时与危机时

动态应对： 当股债相关性转正时，把黄金和大宗商品的配置提高 5-10%，以恢复分散效果。

真实回测：动态与静态风险平价对比（2000-2024 年）

我把两种策略都实现出来，用 24 年的数据做了回测：

关键结论： 动态风险平价不只是提高了收益，它还 降低了波动率 （从 13.4% 降到 11.2%）。收益更高加上波动更低，夏普比率因此提升了 35%。

按经济环境拆分的表现

规律： 动态风险平价的优势集中体现在 环境切换期 （增长下行、通胀上行）静态配置失灵的时候。危机年份 4.1-4.3% 的超额收益，足以弥补平稳时期略低的回报。

落地指南：搭建动态风险平价

每月再平衡清单

1. 计算历史波动率 （每类资产取 60 天窗口）
   • 股票（VTI）：波动率 18.2% → 权重 = 10% ÷ 18.2% = 0.549
   • 债券（TLT）：波动率 6.5% → 权重 = 10% ÷ 6.5% = 1.538
   • 把权重归一化，使总和为 1.0
2. 识别经济环境 （用 GDP、CPI、PMI 数据跑 HMM 模型）
   • 当前环境：65% 的"通胀上行"、25% 的"增长下行"
   • 倾斜方向：大宗商品 +8%、黄金 +5%、债券 -10%、股票 -3%
3. 检查相关性调整
   • 股债相关性：+0.42（偏高）→ 黄金 +5%
4. 施加约束
   • 最低配置：5%（避免敞口归零）
   • 最高配置：60%（避免过度集中）
   • 最高杠杆：1.5 倍（个人投资者的限制）
5. 执行再平衡 （卖出超配的，买入低配的）

实际的 ETF 组合（不加杠杆）

当前配置反映的是： 通胀上行环境（大宗商品 +2.5%、TIPS +3%）、股债相关性偏高（黄金 +1.5%）、波动率中性（股票不变）。

进阶：用机器学习识别经济环境

我们的 Python 实现使用 隐马尔可夫模型（HMM） 来识别经济环境：

from dynamic_risk_parity import RegimeDetector

# 初始化 HMM，设定 4 种环境（经济季节）
detector = RegimeDetector(n_regimes=4)

# 用历史数据训练（1994-2024 年）
detector.fit(gdp_growth, cpi_inflation, pmi, unemployment)

# 预测当前环境
current_regime = detector.predict_regime(
    gdp_current=2.1,      # GDP 增速 2.1%
    cpi_current=3.2,      # CPI 通胀 3.2%
    pmi_current=52.5,     # PMI 52.5（扩张）
    unemployment=4.1      # 失业率 4.1%
)

print(f"Current Regime: {current_regime}")
# 输出："Rising Inflation"（概率 65%）

# 获取配置调整建议
tilts = detector.get_allocation_tilts(current_regime)
# 输出：{'stocks': -3%, 'bonds': -10%, 'commodities': +8%, 'gold': +5%}

运作方式：

1. 用 30 年的宏观经济数据（GDP、CPI、PMI、失业率）训练 HMM
2. 模型学出 4 个隐藏状态，对应 Bridgewater 的四种经济季节
3. 给定当前指标，HMM 算出每种环境的概率
4. 配置向概率最高的那种环境下表现最好的资产倾斜

每年的价值： 相比纯波动率目标，环境识别每年多贡献 0.4-0.8%（主要来自 2008、2020、2022 年这类环境切换期）。

什么情况下不该用动态风险平价

动态风险平价很强大，但 并不适合所有人:

1. 你做不到每月再平衡： 动态风险平价需要每月更新波动率和环境判断。如果你只能每季度再平衡，就用静态风险平价。
2. 交易成本高： 每月再平衡会带来每年 8-12% 的换手率。如果交易成本超过 0.3%，收益优势就被吃掉了。
3. 账户规模较小（低于 25 万美元）： 折腾的成本不划算，改用 RPAR ETF 就行（费率 0.50%）。
4. 不信任模型： 如果你不相信 HMM 的环境识别，就只用更简单的波动率目标。
5. 只适合递延纳税账户： 频繁再平衡会产生应税事件。最适合放在 IRA 和 401(k) 里，而不是应税账户（应税账户请用税务优化过的静态风险平价）。

更简单的替代方案：

• RPAR ETF 一站式风险平价，自带动态调整（费率 0.50%）
• All Weather 组合 静态配置，每年再平衡一次
• 只做波动率目标 跳过环境识别，只按历史波动率缩放仓位

Python 实现：可投产的代码

完整实现放在我们的 GitHub 代码库 （MIT 许可证）。

要点回顾