[论文解读] Constrained Risk Budgeting Portfolios: Theory, Algorithms, Applications & Puzzles

Jean-Charles Richard, Thierry Roncalli|arXiv (Cornell University)|Jan 1, 2019

Risk and Portfolio Optimization参考文献 24被引用 4

一句话总结

本文提出了一套理论严谨且计算高效的框架，用于构建受约束的风险预算投资组合，即使在投资组合权重受限的情况下，也能根据预设预算分配风险敞口。该研究提出了一种新颖的优化公式，采用对数障碍函数，并结合先进的数值算法（如循环坐标下降、ADMM 和 Dykstra 算法），以求解非凸、受约束的问题，同时强调了风险度量齐次性的重要作用，以及当约束与该性质冲突时出现的‘缩放悖论’。

ABSTRACT

This article develops the theory of risk budgeting portfolios, when we would like to impose weight constraints. It appears that the mathematical problem is more complex than the traditional risk budgeting problem. The formulation of the optimization program is particularly critical in order to determine the right risk budgeting portfolio. We also show that numerical solutions can be found using methods that are used in large-scale machine learning problems. Indeed, we develop an algorithm that mixes the method of cyclical coordinate descent (CCD), alternating direction method of multipliers (ADMM), proximal operators and Dykstra's algorithm. This theoretical body is then applied to some investment problems. In particular, we show how to dynamically control the turnover of a risk parity portfolio and how to build smart beta portfolios based on the ERC approach by improving the liquidity of the portfolio or reducing the small cap bias. Finally, we highlight the importance of the homogeneity property of risk measures and discuss the related scaling puzzle.

研究动机与目标

• 形式化受约束风险预算投资组合的数学结构，其中由于权重约束的存在，风险预算不再能精确实现。
• 开发一种数值稳定且可扩展的算法框架，结合 CCD、ADMM、近端算子与 Dykstra 算法，用于大规模投资组合优化。
• 解决当约束违反一致风险度量齐次性时出现的‘缩放兼容性悖论’。
• 在换手率控制、流动性提升以及小市值偏误减少等方面，展示其在基于风险的投资组合中的实际应用。
• 阐明在约束条件下扩展 ERC（等风险贡献）方法所面临的理论与数值挑战，确保解的唯一性与稳定性。

提出的方法

• 将受约束风险预算问题形式化为对数障碍优化：在 ∑bi ln xi ≥ κ 与 x ≥ 0 的约束下最小化风险度量 R(x)。
• 采用拉格朗日乘子法结合障碍函数处理不等式约束，将风险预算条件嵌入优化景观中。
• 使用循环坐标下降（CCD）方法，逐个变量迭代优化，提升收敛速度与可扩展性。
• 引入交替方向乘子法（ADMM）将问题分解为更易求解的子问题，尤其适用于复杂约束条件。
• 应用近端算子与 Dykstra 算法处理非光滑或非凸约束，特别是在存在框约束或逐点边界的情况下。
• 通过二分法校准拉格朗日乘子 λ，以确保可行性并最小化拉格朗日函数，从而在多个局部极小值中选择最优解。

实验结果

研究问题

• RQ1 在存在显式权重约束的情况下，如何有意义地将风险预算方法扩展至投资组合？因为事前风险预算不再与事后风险贡献相匹配。
• RQ2 受约束风险预算问题的正确数学公式是什么？该公式应能保证唯一性与数值稳定性。
• RQ3 如何利用现代优化技术高效求解具有复杂约束的大规模非凸风险预算问题？
• RQ4 为何受约束风险预算问题的数值解对初始化敏感？导致收敛至局部极小值的原因是什么？
• RQ5 风险度量的齐次性对约束兼容性有何影响？这又如何导致‘缩放悖论’的产生？

主要发现

• 将风险预算标准表述为最小化风险贡献与预算之间平方偏差之和的公式是病态的且非凸的，导致数值不稳定性与解的非唯一性。
• 正确的公式应使用对数障碍函数将风险预算约束嵌入优化问题中，从而确保解的唯一性与数值稳定性。
• 所提出的算法——结合 CCD、ADMM、近端算子与 Dykstra 算法——在大规模投资组合与复杂约束下仍具备高度可扩展性与鲁棒性。
• 当约束与风险度量的齐次性不兼容时，可能存在多个局部极小值；最优解通过最小化拉格朗日函数值来选取。
• 在数值实验中，表 12 中的第一和第三只投资组合为最优解，分别实现了最低波动率（5.20% 和 5.98%）与最低拉格朗日函数值（13.29% 和 10.68%）。
• 对于无约束资产，ERC 性质得以保持；但受约束资产则偏离等风险贡献，凸显在基于风险的投资中谨慎设计约束的重要性。