相等头寸加权模型极其普遍。

使用这一模型的宽客认为，如果某一头寸好到位得拥有，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。如上交所言，对于给定的金融产品而言，信号强度的概念与预测的规模有关。信号强度通常会被忽略掉，除非信号强度已经强到非常值得建立头寸。

初看起来，对这一问题的处理过于简单。一些严谨的宽客已经针对这顾问题找到了解决方案。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。

换言之，使用等权重模型是因为他们注意到了非等权重加权方法的很多缺陷。

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。

投资组合中非等权重方法的第二个潜在问题是，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。但是，这种权重的差异都会使策略在看似很有吸引力的头寸上承担一些例外事件的风险，而不管进行预测时使用的是何种阿尔法模型。例如，在动量型策略中，最强的信号中银多是那些价格已经发生了最大幅度移动(例如，已经具有明显的趋势)的金融产品。换句话说，交易者已经错过了时机，在趋势的峰值处得到最强信号所承担正是趋势可能会反转的风险。

类似地，对于均值回复型策略，很多很强的信号也是产品的价格已经发生了很大程度的波动而项计会发生大幅反转之时。但是通常来说，发生大幅波动，都是因为市场上有确切的信息导致波动延续下去。统计学家称这种现象为逆向选择偏误。这种情形下的均值回复策略被形象地称为空手套白狼。相当于是一个很强的趋势会发生反转，经常会发生趋势继续而没有反转导致策略损失的情况。

相等加权模型的最后一个优势在其他一些模型中也存在。当从业者竭尽所能对他们在交易中所要用到的数据进行清理时，会出现不良数据混入交易策略的情形。如果不良数据有福多，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。

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。几乎所有的阿尔法策略都存在类似的问题，这使得对非等头寸加权策略加以攻击变得很容易。

所以，等加权策略的一个基本论点就是，可以通过在尽可能多的头寸上进行多样化投注来减缓风险。值得注意的是，相等头寸加权方法有时会受到流动性的约束，从而头寸的权重只能在流动性允许范围内尽可能地接近同等权重。

阅读原文，获取更多干货：club.jr.jd.com/quant/to

欢迎加入京东金融官方交流群：456448095，有任何问题和建议都可询问和讨论交流。

推荐阅读：

相关文章