问题场景：

在量化投资中，风险平价（Risk Parity）是一种常见的资产配置方法。它通过协方差矩阵来度量各资产的风险贡献，并动态调整权重，使得各资产的风险贡献大致均衡。
然而，在实际操作中，我们发现某些资产组合的权重分配会出现异常。例如，在使用 GC（黄金期货）与 AU（上海黄金）构建的双资产组合中，随着时间推移，风险平价权重在某一时段后突然发生极端偏向：一边的权重大幅下降，另一边几乎占据全部仓位。

问题描述

初期GC 与 AU 的权重分配大致稳定，风险贡献均衡。

后期（突然到某一刻）组合权重开始出现明显倾斜：GC 的权重一路下降至个位数，而 AU 权重接近 90% 以上，甚至两个权重相加都不等于1.

这与我们对“风险均衡”的直觉不符，看起来像是模型“算错了”。

原因分析：

1.高度相关性
GC 和 AU 本质上是同类资产，走势几乎一致。
当相关性长期保持在 0.9 以上时，协方差矩阵接近奇异（不可逆）。

2.协方差矩阵病态
协方差矩阵的行列式趋近于 0 → 数值计算极不稳定。
优化器在求解风险平价权重时，微小的数值差异被放大，结果就是“一边倒”的解。

3.滚动窗口估计的噪声
风险平价通常用近 1–2 年的历史日度数据来估计协方差。
在样本有限的情况下，任何波动率或相关性的细微变化，都会造成权重剧烈波动。

换句话说：当资产之间高度相关时，风险平价失去了“分散化”的意义，优化器的结果变得不可靠。

解决方案：

1.资产筛选 / 去重
思路：
如果两个资产本质上代表同一类标的（例如 GC.CMX 与 AU.SHF 都是黄金），它们之间的相关性接近 1，几乎没有额外的分散化价值。放在组合里反而会制造数值问题。

改进方式：
对于高度相关的资产（例如 GC 与 AU），没有必要同时纳入组合。
可以只保留一个代表性资产，避免“重复计算”的风险。

2.稳健化协方差估计
思路：
样本协方差矩阵在有限样本下往往噪音大，特别是相关性高的时候，会接近奇异。稳健化方法（Shrinkage）能让矩阵更稳定。

改进方法：
1.使用 Ledoit–Wolf 收缩估计 或给协方差矩阵加正则项，让估计结果更平滑。
例如：

from sklearn.covariance import LedoitWolf
cov = LedoitWolf().fit(hist).covariance_

2.给协方差矩阵加一个小的正则项（𝜖𝐼），保证数值稳定。

调整滚动窗口
思路：
协方差估计基于过去窗口的数据：
窗口太短 → 协方差容易受噪音影响，权重大幅波动；
窗口太长 → 协方差反应迟钝，难以及时反映市场结构变化。

改进方法：
对日频数据：
window=252 → 1 年，权重对市场变化更敏感；
window=500 → 2 年，更平滑；
window=750 → 3 年，更稳定。
可以对比几种不同窗口的权重曲线，再选一个兼顾平滑与灵敏的长度。

适当缩短窗口（如从 500 日缩短到 252 日 ≈ 1 年），提高对市场变化的敏感度；或拉长窗口（如 750 日 ≈ 3 年），让结果更平滑。

权重上下界约束
思路：
优化器在协方差病态时容易把权重推到极端（如 99% vs 1%）。给权重加上下界，可以避免“全仓”某个资产。

改进方法：
给权重加上限制（如 [5%, 95%]），避免极端倾斜，提升实际可执行性。