依旧是量化系列，之前分享过：
小频率动量策略
量化回测优化
今天分享下做组合时的风险控制。
为什么不能满仓？
一个常见想法时：我都觉得它会涨了，为什么不满仓？
这种思路最大的拦路虎是未来的不确定性，因为任何模型都会错、任何判断都有概率。即使胜率有 70%，也意味着还有 30% 的时间会踩坑。
举个例子：
假设你只有一只股票：
如果你满仓：
100000
↓
80000
要回到 10 万，需要上涨：
100000 / 80000 - 1 = 25%
亏损越大，恢复需要的收益越高。
所以，仓位的本质是在控制未来的不确定性。
回撤比收益更重要
很多人喜欢晒收益曲线。其实另一个指标更值得关注：
最大回撤（ Maximum Drawdown ）
举个例子：
组合 A
年化收益：25%
最大回撤：-45%
组合 B
年化收益：18%
最大回撤：-8%
如果长期持有，B 反而更有优势。因为：
很多时候，收益决定你赚多少，而回撤决定你还能不能继续玩，后者更基础。所以现在我的组合页面，第一个要点不是收益，而是：
累计收益
↓
最大回撤
↓
波动率
简化的仓位 Demo
我给自己的组合加了一套非常简单的仓位控制，例如：
波动率 |
最大仓位 |
|---|
<15% |
20% |
15~25% |
12% |
>25% |
8% |
波动越大的资产，占比越小。波动率可以通过历史行情来计算。例如获取某只股票最近一段时间的 K 线：
import requests
import pandas as pd
import numpy as np
API_KEY = "YOUR_API_KEY"
url = "https://quote.alltick.co/quote-b-api/kline"
params = {
"token": API_KEY,
"symbol": "AAPL.US",
"period": "1d",
"count": 60
}
resp = requests.get(url, params=params)
data = resp.json()["data"]
df = pd.DataFrame(data)
# 收盘价
close = df["close"].astype(float)
# 日收益率
returns = close.pct_change().dropna()
# 年化波动率
volatility = returns.std() * np.sqrt(252)
print(f"Annual Volatility: {volatility:.2%}")
有了波动率之后，就可以动态决定仓位：
def calc_position(volatility):
if volatility < 0.15:
return 0.20
elif volatility < 0.25:
return 0.12
else:
return 0.08
position = calc_position(volatility)
print(f"建议仓位：{position:.0%}")
这当然不是最优算法，但已经比按理所当然的心态靠谱很多。
止损不是认输
止损不是预测未来，而是控制风险。比如我会设定：
单只股票亏损超过 8%
重新评估
注意，是重新评估，而不是机械卖掉。如果基本面没变、只是市场波动，可能继续持有。如果逻辑已经失效，风险越来越大，那就接受亏损，腾出资金寻找更好的机会。
投资最大的成本是，资金一直被错误的仓位占着。
给每一笔投资分配风险预算
我很喜欢一个词：风险预算
以前分配的是资金：
A：30%
B：20%
C：50%
现在更愿意分配的是：允许亏多少钱。比如整个组合最大允许亏损是：2%。那么：
- 高波动股票仓位自然会更低
- 低波动 ETF 可以拿更多
这样整个组合不会因为一只股票出现黑天鹅而受到致命影响。
很多量化策略、CTA 、风险平价组合，本质上都是围绕"风险预算"而不是"资金预算"来设计的。
分享到这里，期待和大家多多交流。
