个人量化选股（七）：波动率倒数配仓与资金构建：等权重陷阱、单票封顶与整手硬约束

上一篇《个人量化选股（六）：差异化风控与退出机制：杠杆防守、反弹陷阱与高波移动止盈》分析了杠杆账户的 P0 强制止损、港 A 现货过滤短期微观噪声的季度内持有纪律，以及高波动标的的动态跟踪止盈规则。

当候选标的通过趋势门槛、截面精排与双线缓冲区的筛选，并完成退出规则设定后，量化选股流水线进入了关键的最终环节：

入选标的的资产配置权重与资金规模如何科学求解？

许多量化研究者在因子挖掘与信号排序上投入大量资源，但在资金配置环节往往采用简化的等金额加权（$1/N$ 等权重），例如入选 4 只标的即机械分配各 25% 的资金份额。这种看似均衡的名义等权配置，在多资产组合的微观方差结构中会导致风险暴露的严重失衡。

一、等金额不等于等风险：边际风险贡献度的方差失衡

在真实的股票截面中，不同标的的微观波动特征存在天然的巨大差距。

假设系统在美股市场选出了 4 只合格股票：

• 2 只处于右侧爆发期的高弹性科技股（如年化波动率 55.3% 的标的 A 与年化波动率 48.9% 的标的 B）；
• 2 只走势平稳的大盘稳健股（如年化波动率 18.5% 的可口可乐与年化波动率 17.2% 的苹果）。

如果每只股票各分配 25% 的资金，我们根据欧拉风险分解定理（Euler’s Risk Budgeting）计算组合整体的边际风险贡献（Marginal Contribution to Risk, MCTR）：

投资组合的年化总方差为 $\sigma_p^2 = \mathbf{w}^T \mathbf{\Sigma} \mathbf{w}$，资产 $i$ 对组合总方差的绝对风险贡献（Variance Contribution）为：

$$\text{TRC}_i = w_i \frac{(\mathbf{\Sigma} \mathbf{w})_i}{\sigma_p}$$

各资产的风险方差贡献比例（Percentage Risk Contribution）为：

$$%RC_i = \frac{w_i (\mathbf{\Sigma} \mathbf{w})_i}{\sigma_p^2}$$

在资产间相关性较弱的常规截面中，该比例近似正比于 $w_i^2 \sigma_i^2$。在等金额配置下（$w_i = 1/N$），风险方差贡献度正比于波动率的平方（$\sigma_i^2$）。

以这 4 只标的的真实协方差矩阵测算，结果如下：

如上图左侧所示，在等金额配置（权重各为 25.0%）下：

• 标的 A（年化波动率 55.3%）单标的解释了组合 46.8% 的方差贡献；
• 标的 B（年化波动率 48.9%）解释了组合 39.9% 的方差贡献；
• 两只高波动标的合计贡献了组合 86.7% 的总方差风险；
• 稳健标的 C（年化波动率 18.5%）的风险贡献仅为 6.8%；
• 稳健标的 D（年化波动率 17.2%）的风险贡献仅为 6.5%。

尽管将 50.0% 的名义资本配置于低波动资产，但在截面方差结构中，组合 86.7% 的净值收益率方差完全由高波动资产主导。低波动资产不仅未能有效平滑组合整体波动率，反而占用了大量可用资金。当高波动资产遭遇深度回调时，组合净值将承受非对称的单边大幅下行。

名义资本均等，并不代表风险贡献均等。

二、波动率倒数加权算法与三道现实物理防线

为消除高波动标的对组合方差的过度主导，实现各标的对组合风险贡献的相对均衡，系统采用波动率倒数配仓（Inverse Volatility Sizing）：

$$w_{raw, i} \propto \frac{1}{\sigma_{i, 20d}}$$

其中 $\sigma_{i, 20d}$ 为标的过去 20 个交易日前复权对数收益率的年化标准差：

$$\sigma_{i, 20d} = \sqrt{252} \times \sqrt{\frac{1}{19}\sum_{t=1}^{20}\left(r_t - \bar{r}\right)^2}$$

选定 20 个交易日（约 1 个自然月），兼顾了近期微观波动率状态跃迁的灵敏度，同时避免了 200 日长期波动率的滞后钝化。

如上图右侧所示，按波动率倒数重新分配后：

• 标的 A 资金权重从 25.0% 压缩至 13.8%；
• 标的 B 资金权重从 25.0% 压缩至 15.2%；
• 稳健标的 C 资金权重从 25.0% 提升至 35.0%；
• 稳健标的 D 资金权重从 25.0% 提升至 36.0%；
• 4 只股票的风险贡献度平稳收敛至 23.5% 到 26.8% 之间，组合年化波动率直接从 25.4% 降低至 17.4%（压缩 8.0 个百分点）。

在实盘交易中，纯数学上的波动率倒数无法直接投入运行。现实物理世界存在三道工程约束，系统设置了专门的防线予以封堵：

1. 单资产 35% 权重硬上限与溢出再分配迭代

如果候选池中出现公用事业等低波动品种（例如长江电力年化波幅仅 12.0%），纯算倒数可能分配给它 45% 甚至 50% 的极高仓位。

任何单一个股都存在财务造假、行业监管黑天鹅或突发停牌的特质风险。系统设置单资产最大权重为 35.0%（max_asset_weight = 35.0）。

一旦某只股票无约束权重超过 35.0%，系统将其强制压回 35.0%，并将多出的溢出资金按比例再分配给其他未达上限的合格标的。这一过程通过迭代循环完成，直至全部标的收敛满足约束。

2. 10% 战略现金垫预留

全仓 100% 满额配置而缺乏资金冗余，在实盘交易中具有显著的操作风险。多币种日间汇率波动、融资利息扣划、调仓冲击成本以及临时资金冻结，均可能导致账户被动产生非预期透支。

系统在股票配比外部常态化预留 10.0% 的战略现金缓冲垫。各市场股票资产整体按 90% 预算进行折算分配，保留底线流动性。

3. 港 A 股整手交易物理约束与 1.5 倍超额拦截

美股市场支持碎股（Fractional Shares）交易，可以精确买入 0.1 股；但港股和 A 股是严格的整手市场：

• A 股主板通常为 100 股一手，科创板单笔最低 200 股；
• 港股各标的整手股数差异极大，从 100 股、500 股到 2,000 股、5,000 股不等。

在数十万元规模的个人量化账户中，单市场卫星组合的可用预算通常在 4.5 万元至 5.0 万元。若某只高单价港股的最小交易单位（一手）名义金额达 3.8 万元，而波动率倒数分配的目标预算仅为 1.5 万元，单笔最小委托将占用该市场 85% 的可用资金，导致资产配置比例严重失真。

系统在测算目标权重的过程中，强制执行最小交易单位名义金额与目标预算的校验：当单手交易金额超过目标预算的 1.5 倍（lot_cost > 1.5 * target_budget）时，系统触发预算超额拦截，提示人工介入审核或依截面得分顺延配置候补标的。

系统底层向量化配仓函数的完整生产代码如下：

def apply_inverse_vol_weights(
    assessments: list[MicroRiskAssessment],
    max_asset_weight: float = 35.0,
    is_single_query: bool = False,
    max_weight_cap: float | None = None,
) -> list[MicroRiskAssessment]:
    """对多头留存仓位（非 P0 标的）按 20 日历史波动率倒数加权，计算目标权重与差额。"""
    if max_weight_cap is not None:
        max_asset_weight = max_weight_cap

    # 单标的查询保护：避免单只标的查询时误输出 100% 集中度持仓
    if is_single_query or len(assessments) <= 1:
        for a in assessments:
            a.target_weight, a.weight_diff = None, None
        return assessments

    # 过滤数据失效与 P0 破位清仓标的
    eligible = [
        a for a in assessments
        if not a.is_stale
        and a.alert_level not in (RiskAlertLevel.P0_RED, RiskAlertLevel.P0_PENDING, RiskAlertLevel.STALE)
        and a.state in (MarketRegimeState.STATE_1_ADVANCING, MarketRegimeState.STATE_2_DISTRIBUTION)
        and a.ann_vol_20d is not None and a.ann_vol_20d > 0
    ]

    if not eligible:
        for a in assessments:
            a.target_weight = 0.0
            a.weight_diff = (0.0 - a.current_weight) if a.current_weight is not None else None
        return assessments

    # 1. 基础波动率倒数归一化
    inv_vols = [1.0 / (a.ann_vol_20d / 100.0) for a in eligible]
    sum_inv_vol = sum(inv_vols)
    raw_weights = {a.symbol: (iv / sum_inv_vol) * 100.0 for a, iv in zip(eligible, inv_vols)}

    # 2. 单资产上限封顶（默认 35%）与溢出循环再分配
    capped: dict[str, float] = {}
    uncapped = set(raw_weights.keys())

    while True:
        excess = 0.0
        newly_capped = []
        for s in list(uncapped):
            if raw_weights[s] > max_asset_weight:
                excess += raw_weights[s] - max_asset_weight
                capped[s] = max_asset_weight
                newly_capped.append(s)
                uncapped.remove(s)
        if not newly_capped or not uncapped or excess <= 1e-4:
            break
        # 将溢出额度按比例再分配给未达上限的标的
        uncapped_sum = sum(raw_weights[s] for s in uncapped)
        if uncapped_sum > 0:
            for s in uncapped:
                raw_weights[s] += excess * (raw_weights[s] / uncapped_sum)
        else:
            break

    eligible_symbols = {a.symbol for a in eligible}
    for a in assessments:
        if a.symbol in eligible_symbols:
            w = capped.get(a.symbol, min(raw_weights.get(a.symbol, 0.0), max_asset_weight))
            a.target_weight = round(w, 1)
        else:
            a.target_weight = 0.0
        if a.current_weight is not None:
            a.weight_diff = round(a.target_weight - a.current_weight, 1)

    return assessments

三、全周期回测实证：等权重 vs 纯倒数 vs 35%上限+10%现金垫

为了检验不同资金构建方案对长期复利与极端下行风险的影响，我们使用 2021 年 1 月至 2026 年 10 月跨越 5 年多的中外多市场真实日 K 数据，运行了全周期的策略对比回测。

回测对比了三种资金构建规则：

1. 等金额配置（1/N Equal Weight）：所有合格标的分配完全相同的资金权重；
2. 纯波动率倒数（Raw Inverse Volatility）：不设单票上限，按 $1/\sigma$ 完全归一化；
3. 约束优化版（35% Cap + 10% Cash Cushion）：单票 35% 封顶，全组合留存 10% 现金垫。

回测收益率、波动率、最大回撤与风险调整后指标对比见下图：

核心实测绩效数据汇总如下：

实测数据显示出几个规律：

等金额配置在 2022 年美联储加息周期的单边下行中，最大回撤深达 -29.8%。高波动标的在下行期大幅拉长了回撤深度，年化波动率高达 22.4%，拖累长期几何复合增速降至 +10.8%。

纯波动率倒数配仓将年化波动率压缩至 15.8%，最大回撤收敛至 -21.4%，夏普比率从 0.48 提升到 0.80。

加入了 35% 封顶与 10% 现金垫的优化方案表现最优：

• 最大回撤被严格压制在 -16.2%（相比等金额减少了 13.6 个百分点）；
• 年化波动率降至 14.1%；
• 卡玛比率从 0.36 提升至 0.86（提升超过 138%）；
• 最终年化复合收益提高到 +13.9%。

投资组合有效抑制了极端回撤风险，避免了深度净值回撤所需的长期修复周期，显著改善了长期的几何复合增长率。

四、2026 年 10 月最新实盘截面配仓推演与整手物理约束检测

结合 2026 年 10 月 23 日的最新实盘收盘快照（总净资产 429,353.22 CNY，其中雪球 373,636.23 CNY，富途 55,716.99 CNY），系统对现有持仓与新晋候选标的执行了客观运算推演。

1. 存量持仓标的的目标权重诊断

如上图左侧所示，系统监控输出了各持仓标的的最新 20 日年化波动率与权重偏离情况：

系统输出的调仓指令具备明确的量化执行规则：

• 长期持仓因资本利得产生的权重偏离（例如可口可乐权重上升至 20.3%），在定期调仓窗口执行再平衡；
• 触发 P0 破位离场条件的 Sony 金融（JP.8729），目标权重即刻置为 0.0%，次日开盘执行平仓；
• 20 日年化波动率由 16% 上升至 30.0% 的默沙东，系统自动下调目标权重，动态约束微观波动暴露。

2. 候选标的的一手金额与整手超额拦截

在调仓日买入新标的时，港股与 A 股卫星仓位各自对应约 4.5 万元人民币预算，每个市场选 3 只股票，平均每只股票的目标预算为 1.50 万元。

如上图右侧所示，系统对港 A 股候选池进行了整手资金压力排查：

1. 联想集团 (HK.00992)：

   • 现价 22.64 HKD，每手 2,000 股；
   • 买入一手所需资金折合人民币达 38,600 元；
   • 一手金额占单市场总预算（4.5 万元）的 85.8%，是单标的目标预算（1.5 万元）的 2.57 倍；
   • 系统立刻触发红色超额拦截警报。如果机械执行买入，单只个股将直接占满该市场全部流动性，资金纪律完全失效。系统提示必须顺延候补。

2. 顺延候补标的评估：

   • 港股候补第 1 名 药明康德 (HK.02359)：每手 100 股，一手约 15,870 元，为单标的目标预算的 1.06 倍，整手适配良好；
   • 港股候补第 2 名 中国银行 (HK.03988)：每手 1,000 股，一手仅 5,085 元，为目标预算的 0.34 倍，可以根据波动率分配从容买入 2 到 3 手；
   • A 股首选 生益科技 (SH.600183)：每手 100 股，一手 11,081 元，为目标预算的 0.74 倍，适配良好；
   • A 股候补 长江电力 (SH.600900)：每手 100 股，一手仅 2,945 元，为目标预算的 0.20 倍，门槛极低。

通过这一层整手约束的物理过滤，选股系统彻底脱离了纸面回测的理想化假设，保证了实盘账户的执行可行性。

选股全流程总结：七层量化流水线的闭环运转

至此，《个人量化选股》系列的七层量化流水线全部构建完成：

这套体系的核心逻辑为：

在入场端不博取未经验证的超额溢价，而在持仓全生命周期通过客观数据与物理防线约束尾部风险。

日常运行中，系统通过本地命令行工具自动化执行监控：

• 每个交易日盘后运行 cang sync 同步最新持仓与行情；
• 运行 cang positions 查看各市场聚合净值；
• 运行 cang monitor 自动输出宏观红绿灯、四态状态机、止损触发点、目标配仓权重与调仓动作清单。

系统排除了情绪化主观交易与盘感臆断，每一个决策节点均依赖确定性的数据输入、统计实证检验与边界约束规则，实现系统化闭环运转。

选股体系与延伸阅读

本文所属的完整量化选股架构、全景行业雷达与配套策略代码，均整理在 QuantFull：

个人量化选股实战系列：

• 个人量化选股（一）：大类资产配置与量化选股分层
• 个人量化选股（二）：标的池怎么选（多路召回与双轨粗排完整解析）
• 个人量化选股（三）：为什么是趋势动量，以及准入硬门槛与防追高
• 个人量化选股（四）：截面打分与去重排他（美日卡玛比率、AH溢价仲裁与行业上限检验）
• 个人量化选股（五）：调仓频繁利益侵蚀，用双线缓冲区和调仓窗口降换手
• 个人量化选股（六）：差异化风控与退出机制：杠杆防守、反弹陷阱与高波移动止盈
• 个人量化选股（七）：波动率倒数配仓与资金构建：等权重陷阱、单票封顶与整手硬约束

流动性与交易实务专题：

• 1.68 万亿放量下跌：日度数据怎么测出市场真实流动性
• 策略容量与冲击成本估算实务
• 12-1 动量策略全周期回测复盘

策略库与投研知识资产：

• 151 交易策略 - 股票篇
• 量化交易思维导图与资料合集
• 仓满量化 151 交易策略全集

关于作者