量化交易基础 - 001 - 基于规则投资 - 相等头寸加权

基于规则投资组合笔记。

相等头寸加权

如果某一头寸好到值得拥有，就不再需要其他信息来决定其规模。这里有个深层次的隐含假设：金融产品具有同质性，不需要根据其风险或其他指标加以区分。

这里解释一下什么是头寸。

头寸（position）也称为“头衬”就是款项的意思，是金融界及商业界的流行用语。 如果银行在当日的全部收付款中收入大于支出款项，就称为“多头寸”，如果付出款项大于收入款项，就称为“缺头寸”。 对预计这一类头寸的多与少的行为称为"轧头寸"。 到处想方设法调进款项的行为称为“调头寸”。

头寸可以理解为是可以动用的资产，或者通俗一些就是钱袋子。相等头寸加权是说对所有的金融产品，进行相等权重的投资，或者买入。

使用相等头寸加权模型的基本前提是，对不同的头寸加以区分（给予不同权重）可能会具有两种负面结果，最终会超过非等权重加权所带来的好处。

通常来说，这也是比较简单的一种处理方式。

非等权重头寸加权

非等权重方法的第一个存在问题是，它总是默认模型具有统计学童义上的能力和功效，对头寸方向、波动幅度和(或)向相对于投资组合中其他预测值变动的概率进行准确的预测。

相反，使用等权重方法的宽客认为，只有在方向性预测上才可以充分信任阿尔法模型，并且只要在方向性预测上有足够的置信度可以确保值得进行交易，就值得进行和其他头寸相同规模的交易。

第二个潜在问题是，它一般倾向于在“最好”的几个预测头寸上进行大的投注，而在其他预测上投注很少。

这种差异会使得模型承担一些比较中的风险，或者是一些例外的风险。

说回相等头寸加权

等权重头寸策略可以保证因显然有误的数据导致的预测所带来的损失风险在可控范围内。避免因为不良数据的导入而使得模型发生剧烈变化。

事实上，阿尔法模型一般都会经过实际数据集的检验，模型的统计显著性和预测能力基本上都是依据于分布的均值或平均水平，而不是分布的尾部。如果我们观测到一个尾概率事件（不仅仅是个不良数据点）包含有很高的阿尔法预测收益，它可能会是个好的交易机会，但是与通常的阿尔法模型相比又具有极高的风险。这种情形下，相等头寸加权方法也可以控制这种尾概率事件所带来的风险。

所以，相等头寸加权能够可以通过尽可能多的头寸来减缓风险损失。