投资约束与信息比率

1. 从总权重到可行集#

投资组合约束（Portfolio Constraint） 是对组合权重、风险暴露或交易规模施加的可验证条件；全部约束共同定义优化器可以选择的可行集（Feasible Set）。等式约束在每个可行解上成立，不等式约束只在解触及边界时绑定。

设股票数为 $N$，总权重、基准权重与主动权重均为 $mathbb R^N$ 中的列向量，它们满足：

• $\mathbf w$：总组合权重；若不含现金，通常有 $\mathbf1^{\prime}\mathbf w=1$。
• $\mathbf w_b$：指定基准的权重，采用与 $\mathbf w$ 相同的股票池和时点。
• $\mathbf h$：主动权重；它是总权重相对基准的偏离，不是交易量。

常见约束应按被限制的对象区分：

• 资金中性（Dollar Neutrality）：要求 $\mathbf1^{\prime}\mathbf h=0$，即主动多头与主动空头的资金金额相抵；它不等于总组合的净敞口为零。
• 市场 beta 中性（Market-beta Neutrality）：要求 $\boldsymbol\beta^{\prime}\mathbf h=0$，其中 $\boldsymbol\beta$ 是股票相对市场因子的 beta 暴露向量；它不保证行业或其他因子中性。
• 行业中性（Sector Neutrality）：要求每个行业的主动权重和为零，或落在预先规定的窄区间；它保留行业内选股，同时删除或限制行业配置。
• 仅多头约束（Long-only Constraint）：要求每只股票的总权重 $w_i\geq0$，等价于主动权重 $h_i\geq-w_{b,i}$；它允许相对基准低配，不要求 $h_i\geq0$。
• 持仓区间约束（Range Constraint）：要求 $l_i\leq h_i\leq u_i$ 或对总权重设置相应边界；上下界的对象和口径必须明确。

行业、国家和风格暴露通常写成 $\mathbf A^{\prime}\mathbf h=\mathbf c$ 或区间形式。$\mathbf A\in\mathbb R^{N\times K}$ 含 $K$ 个暴露列，$\mathbf c\in\mathbb R^K$ 是目标暴露；相同的代数形式不表示约束具有相同的投资目的。

2. 行业配置与行业内选股的收益分解#

设行业 $s$ 中股票 $i$ 在期间 $t$ 的实现收益率为 $r_{i,t}$，主动权重为 $h_{i,t}$，行业代表收益率为 $\bar r_{s,t}$。组合的实现主动收益率可精确分解为：

其中，$r_{A,t}$ 是相对指定基准的单期实现主动收益率，$H_{s,t}$ 是行业 $s$ 的主动权重。严格行业中性使每个 $H_{s,t}=0$，行业配置项随之消失；这不是“降低行业风险后收益必然提高”，而是主动选择放弃一类收益和风险来源。

预测端也应做同样的行业内外分解。若风险调整后的预测与随后收益主要在行业内同向，中性化可以减少无效行业暴露；若信号确有稳定的行业配置能力，中性化会删除一部分预测收益。两部分应分别报告 IC、主动收益与风险，不能用总体相关性替代归因。

例：行业中性仍能产生主动收益。 两个行业各有两只股票，主动权重均为 $(+2\%,-2\%)$。第一个行业两只股票收益率为 $(5\%,1\%)$，第二个行业为 $(-1\%,-3\%)$，则行业配置均为零，行业内选股贡献为

该数值只用于验证分解；它不是行业中性策略的未来收益估计。

3. 净敞口、总敞口与长短比例#

长短比例必须基于总权重还是主动权重二选一并明确标注。对总权重 $w_i$，使用非负的空头规模定义：

• 多头敞口（Long Exposure） $L$：正总权重之和。
• 空头敞口（Short Exposure） $S$：负总权重绝对值之和。
• 净敞口（Net Exposure）：$L-S=\sum_iw_i$；它衡量方向性资金暴露。
• 总敞口（Gross Exposure）：$L+S=\sum_i|w_i|$；它衡量资产负债表使用程度，不等同于风险。
• 长短比例（Long/Short Ratio）：把 $(L,S)$ 按百分比并列报告，例如 130/30 表示 $L=130\%$、$S=30\%$，净敞口为 100%，总敞口为 160%；它不是用 $L$ 除以 $S$ 得到的单一倍数。

资金中性的主动组合若按 $h_i$ 计算，主动净敞口为零且主动多头规模等于主动空头规模；基准增强组合若按 $w_i$ 计算，净敞口通常仍为 100%。混用两种权重会把“低配基准成分股”误报为“建立空头”。

4. 基准权重决定负向观点的表达空间#

市值加权基准通常包含大量小权重股票。仅多头下，股票 $i$ 最多只能低配 $w_{b,i}$；基准外股票的 $w_{b,i}=0$，因而不能用负总权重表达负向预测。这个不对称下界会把风险预算和资金更多地转移到基准权重较大的股票。

一个可计算的简化模型能分离基准权重与风险目标的作用。假设 $N$ 只股票的风险调整后预测 $F_i$ 独立服从标准正态分布，仅含特质风险，且无约束主动权重为

总权重 $w_i=w_{b,i}+h_i$ 服从均值为 $w_{b,i}$、标准差为 $s_i$ 的正态分布，因此无约束解形成空头的模型概率为：

其中：

• $F_i$：股票 $i$ 的标准化、风险调整后预测，方向为数值越大代表预期主动收益越高。
• $\sigma_{TE}$：同一期间的目标跟踪误差。
• $\sigma_i$：股票 $i$ 同期特质收益率的标准差。
• $s_i$：重复抽取预测时，无约束主动权重的模型标准差。
• $\Phi(\cdot)$：标准正态累积分布函数。

若 $\sigma_{TE}=3\%$、$N=500$、$\sigma_i=30\%$，则 $s_i\approx0.447\%$。当 $w_{b,i}=0.30\%$ 时，$P(w_i<0)=\Phi(-0.671)\approx25\%$；基准外股票的该概率为 50%。这些概率来自独立正态与等机会假设，不是实际卖空频率；相关预测、因子约束、非正态分布和借券限制都会改变结果。

1. 均值方差目标与风险预算#

受约束主动组合的均值方差优化（Mean-variance Optimization） 可写为：

其中：

• $\mathbf h\in\mathbb R^N$：待求的主动权重列向量。
• $\boldsymbol\alpha\in\mathbb R^N$：相对同一基准、同一预测期的事前 alpha 向量，单位为该期收益率。
• $\boldsymbol\Sigma\in\mathbb R^{N\times N}$：同一预测期的主动收益协方差矩阵；求解前应检查正定性、条件数和估计稳定性。
• $\lambda>0$：风险厌恶系数，数值越大表示对方差的惩罚越强。
• $\mathbf A\in\mathbb R^{N\times K}$、$\mathbf c\in\mathbb R^K$：等式暴露矩阵与目标。
• $\mathbf l,\mathbf u\in\mathbb R^N$：主动权重下界与上界。

若任务要求固定跟踪误差，可改为最大化 $\boldsymbol\alpha^{\prime}\mathbf h$，并加入 $\mathbf h^{\prime}\boldsymbol\Sigma\mathbf h\leq\sigma_{TE}^2$。没有区间约束时，最优方向可整体缩放到目标风险；存在固定持仓边界时，缩放会改变哪些约束绑定，因而每个风险目标都应重新优化，不能把一个解机械放大。

2. KKT 条件与活跃约束#

把无约束解的负总权重裁成零再归一化通常不是约束最优解。协方差使一个边界的变化影响其他头寸，资金与因子中性也会在全组合内重新分配权重。

对上一小节的上下界，Karush-Kuhn-Tucker 条件（KKT） 的平稳性与互补松弛为：

$\boldsymbol\nu\in\mathbb R^K$ 是等式约束乘子，$\boldsymbol\eta^+,\boldsymbol\eta^-\in\mathbb R^N$ 分别是上界与下界乘子。若 $l_i<h_i<u_i$，两项边界乘子都为零；若 $h_i$ 触及某一边界，对应乘子才可能为正。加上原始可行性后，当 $\boldsymbol\Sigma$ 正定、$\lambda>0$ 且可行集非空时，这些条件足以刻画全局最优解。

数值求解应至少检查等式残差、边界违约、平稳性残差和互补松弛，而不能只接受优化器返回的“成功”状态。活跃集法、内点法和其他可靠的凸优化算法都可用于该问题；原书的对角特质风险迭代法是一个特殊实现，不是唯一解法。

例：基准权重形成不对称表达。 无约束模型希望对 A、B 分别持主动权重 $-4\%$ 与 $+4\%$。若 A 的基准权重仅为 1%，仅多头使 $h_A\geq-1\%$；只有两只股票且资金中性时，B 的高配也只能是 1%。若股票池更大，缺少的资金与风险必须由其他股票承接，不能只裁剪 A 后保留 B 的 4%。

3. 转移系数不等于信息系数#

转移系数（Transfer Coefficient, TC） 衡量受约束头寸在风险空间中保留了多少无约束最优方向。令 $\mathbf h_U$ 为只保留共同等式约束的理想头寸，$\mathbf h_C$ 为再加入持仓边界后的实际目标头寸，则风险空间的 TC 为：

这里 $\boldsymbol\Sigma$ 是与两组头寸同期限的正定协方差矩阵；两组头寸非零时，TC 的数学范围为 $[-1,1]$。同一预测、风险模型和风险目标下的合理约束优化通常得到 $0\leq TC\leq1$；负值表示组合整体反向表达理想头寸，应检查符号、基准、约束或求解过程。

IC 衡量预测与随后实现收益的横截面相关，TC 衡量预测从理想头寸向受约束头寸的传递。低 TC 不能推出低 IC。在 IC 稳定、机会独立、风险模型正确、组合风险相同且忽略成本的近似下，扩展基本定律为：

$IR_C$ 是受约束组合的事前信息比率，$BR$ 是与预测期一致的有效广度。若 IC 随时间变化、TC 与技能状态相关、约束改变有效广度或成本不可忽略，$IR_C/IR_U$ 不再等于 TC。

4. 影子价格是局部敏感度#

影子价格（Shadow Price） 是最优目标值对某一约束边界的局部边际变化率，在给定拉格朗日符号约定下由相应乘子表示。乘子接近零说明小幅放宽该约束对当前模型目标几乎没有一阶价值；乘子较大说明该边界正在阻止较多模型目标值。

影子价格的单位取决于目标函数和边界单位。例如目标以年度收益率减风险惩罚计量、持仓上限以权重小数计量时，乘子表示上限放宽一个权重单位带来的局部目标增量。它依赖当前 alpha、协方差、其他约束与最优点，不能外推到大幅放宽，也不能替代对模型误差、集中度、流动性、法规和尾部风险的判断。

1. 毛信息比率与净信息比率#

信息比率（Information Ratio, IR） 是相对指定基准的主动收益率均值除以该主动收益率的标准差。比较约束方案时，收益与风险必须使用相同频率、样本期和基准：

• $r_{A,t}^{gross}$：期间 $t$ 扣除实施成本前的实现主动收益率。
• $r_{A,t}^{net}$：同期扣除交易、融资、借券和其他可归属成本后的实现主动收益率。
• $\operatorname{sd}(\cdot)$：相应主动收益率序列的实现跟踪误差；成本随时间变化时，净 IR 不应机械沿用毛收益的分母。

若一年有 $m$ 个等长观测期，常用样本估计量为 $\widehat{IR}_{ann}=\sqrt m\,\bar r_A/s_A$。这个年化依赖收益独立同分布或至少方差可按时间加总；存在自相关和重叠持有期时，应使用与数据生成过程一致的长期方差估计。

放宽卖空约束通常提高预测传递和毛 IR，但也会提高总敞口、换手、融资与借券需求。若组合以资本的 $s$ 建立额外多头并卖空同等规模，融资利率为 $r_{fin}$、空头现金回扣率为 $r_{rebate}$，仅利差成本的年度近似为：

130/30 组合的 $s=30\%$；若年度利差为 1%，利差成本约为 $0.3\%=30\text{ bp}$，尚未包含难借费、股息补偿和交易成本。随着卖空空间扩大，毛 IR 的边际改善通常递减，而边际成本可能上升，净 IR 的最优点不必位于完全无约束端。

2. 相同跟踪误差不等于相同风险配置#

同为 3% 的跟踪误差只说明总主动波动率相同，不说明风险来自相同股票、行业或因子。股票 $i$ 对主动方差的风险贡献可写为：

其中，$\mathbf h\in\mathbb R^N$ 是主动权重，$\boldsymbol\Sigma\in\mathbb R^{N\times N}$ 是同期限协方差矩阵，$TE$ 是事前跟踪误差。$RC_i$ 可以为负；按基准权重、行业或因子分组时，应先在组内求和再除以 $TE^2$，而不是把负贡献强制改为正值。

若预测技能在不同市值股票间相同，理想组合会按风险调整后的机会分配主动风险。仅多头下，小基准权重股票更容易触及 $h_i=-w_{b,i}$，负向观点无法充分表达，资金中性和风格中性又迫使其他股票承接风险。结果可能是大权重股票承担过多主动风险，即使它们并没有更高的 IC。

实务诊断应并列观察：

• 按基准权重分组的上下界绑定率。
• 同组的主动方差贡献与预期主动收益贡献。
• TC、事前 IC 与事后实现 IC 的时间序列。
• 总敞口、换手、融资、借券可得性与净主动收益。

单独画“卖空空间与毛 IR”曲线会隐藏成本和风险迁移。用于决策的曲线至少应同时展示毛 IR、净 IR、实现跟踪误差与总敞口，并注明它是特定模拟或样本结果，不是普遍有效前沿。

3. 随机 IC、策略风险与约束治理#

设 $IC_t$ 为时点 $t$ 的标准化预测与随后同期限风险调整后收益之间的横截面相关系数。令 $\mu_{IC}=E(IC_t)$，$\tau_{IC}$ 为真实预测技能的跨期标准差；在等权、近似独立的 $BR$ 个有效机会下，横截面抽样误差方差约为 $1/BR$。忽略成本的无约束 IR 近似为：

当 $\tau_{IC}=0$ 时，该式退化为 $IR_U\approx\mu_{IC}\sqrt{BR}$；当技能跨期波动增大时，策略风险使实现跟踪误差可能高于事前目标，IR 也会下降。$1/BR$ 是标准化独立机会下的近似，股票相关、异方差和估计误差都要求改用有效广度而不是证券数量。

约束可能抑制策略风险，也会抑制有价值的预测。若 IC_t 较高时恰有更多边界绑定，约束损失会大于平均 TC 暗示的数值；若边界主要在模型失效期绑定，约束可能降低实现风险。判断依赖 $IC_t$、绑定状态与成本的联合时间序列，不能由常数 IC 模拟外推。

每项约束应记录目的、数学口径、数据来源、责任人和复核频率。法规与客户授权约束只能在授权改变后调整；风险控制、模型稳健性、集中度、流动性和借券约束则应依据样本外证据、压力测试与影子价格共同复核。事后挑选表现最好的边界属于数据窥探，约束方案应在验证期选定并在测试期冻结。