♟️ 策略组合与 Meta-Strategy

单个策略的夏普天花板很快到来（数据、容量、拥挤度都在设限），而策略间的分散化是量化界为数不多的「免费午餐」——前提是策略间真的低相关。本篇讲把 N 个策略装进一个账户的工程学：组合的数学、资金的分配、冲突的协调。

为什么要组合：数字的直觉

两个夏普 1、互不相关的策略等权组合 → 组合夏普 ≈ 1.41（√2 倍）。四个不相关 → 2.0。相关性决定一切：若两策略相关性 0.7，组合夏普仅 1.18——「我同时跑了五个策略」与「我有一个分散的组合」是两回事。完整公式：SR_p = ΣwᵢSRᵢ / √(wᵀCw)（C 为策略收益相关矩阵）——分子是「加权的收益」，分母惩罚任何相关性。

而量化策略间的隐性相关性远超直觉：多个中频量价策略在 2021 年超额回撤中同跌，多个 CTA 子策略在 2016 与 2022 年共振——历史相关性矩阵会低估危机时的相关性（相关性崩溃，见组合风险 ），策略组合的分散化必须用「策略的收益来源」做逻辑层面的检查，不能只看统计。

策略收益来源的分层去重（组合前的必要审计）：

资金分配：从等权到风险预算

第一层：等权（基准）。每个策略固定 1/N 资金。零参数、稳健——任何复杂分配先跑赢等权再说。

第二层：波动率倒数加权。wᵢ ∝ 1/σᵢ——让每个策略对组合波动的贡献相近。高频策略（σ 低）自然获得更高权重，低频宏观（σ 高）被压低。改进版用目标波动率归一（vol targeting，见时序策略 ）。

第三层：风险预算（Risk Budgeting）。直接设定每个策略的风险贡献占比（如趋势 30%、多因子 40%、套利 20%、宏观 10%），用优化器反解权重。这是机构标准做法——因为风控官管的就是风险预算表，资金权重只是风险预算的影子（数学见风险平价 ）。

第四层：按夏普与容量动态调整。滚动绩效好 → 加权？要警惕绩效追逐的系统性陷阱（策略绩效有均值回复性，加权常加在山顶）。改良：只在策略触发下线协议（因子库 的红黄灯）时降权，其余时间保持预算稳定——稳定性本身是超额收益的来源。

冲突协调：信号打架时听谁的

多策略共管一个账户时必然出现指令冲突（趋势策略要做多、反转策略要做空同一标的）。三种架构，按复杂度递增：

1. 资金隔离（Sub-account）：每个策略独立子账户/虚拟账户，互不感知。简单、归因干净，缺点是保证金与流动性无法共享、底层标的重复占用资金；
2. 净额合并（Netting）：信号在标的层面加总后下单（策略 A 买 3%、策略 B 卖 2% → 净买 1%）。省交易成本、容量利用高，代价是归因模糊——需要精细的收益分解引擎才能事后说清每个策略的贡献（见绩效归因 ）；
3. 组合层统一优化（Overlay）：各策略输出「观点」（预期收益 + 置信度），由组合优化器统一求解（Black-Litterman 的架构，见BL 模型 ）。理论最优、工程最重，约束表达（行业限额、风格暴露）在此层最自然。

选择的实用标准：策略数 ≤ 3 且彼此独立 → 资金隔离；策略多且同标的交易密集 → 净额合并 + 强归因；机构级多资产 → Overlay。个人最常见的错误是跳过隔离直接净额合并，然后在归因不清的泥潭里失去对每个策略健康度的判断力。

Meta-Strategy：组合层的监控与再平衡

组合本身也需要「策略」：

• 组合级风控指标：总杠杆、总波动率、单策略风险占比漂移、策略间滚动相关性矩阵（相关性上升 = 分散化在悄悄失效）；
• 再平衡节奏：策略权重偏离目标 ±20% 再平衡（与资产配置的再平衡纪律同构，见再平衡 ）；
• 组合层的压力测试：不只测单个策略的最坏情形，而是测「相关性 → 1」情景下组合的整体回撤——这决定你敢给组合上多少杠杆（见杠杆与保证金 ）；
• Meta 层的学习纪律：每季度复盘「哪类来源的策略在贡献、哪类在失效」，指导新策略的研发方向——组合层的信息反哺研究层的选题（研究流程见Alpha 研究 ）。

关联阅读：数学基础风险平价 与MPT ；冲突协调的高级形态Black-Litterman ；组合的归因与监控绩效指标 。