从风险指标到投资组合决策

指标背后的问题

跟踪误差描述投资组合收益相对于基准的波动，但它本身无法说明持仓集中度、过往压力时期的表现，或调整仓位的成本。研究流程需要把这些问题分别呈现，才能审视再平衡决策，而不是让单一分数代替判断。

一个示例性流程

投资组合风险决策引擎是一个 Python 研究原型，使用示例性的五只 ETF 投资组合，并以 SPY 为基准。它计算波动率、跟踪误差、回撤、集中度和资产风险贡献，也分析 2020 年疫情期间的市场下跌及 2022 年股债回撤区间中的实际收益。

决策阶段使用约束优化，比较跟踪误差、历史压力情景敞口和估算的交易成本。2023 至 2025 年的滚动比较在相同的样本外日期上考察不再平衡、规则策略与优化决策。代码可在本地生成表格、图表和离线仪表板。

审慎解读输出

预测跟踪误差、实际跟踪误差，以及对已观察压力区间的敞口，回答的是不同问题。某一项指标降低，并不意味着其他指标也改善。将投资组合决策作为研究证据来解读时，需要保留这一区分。

公开仓库提供代码与方法说明，市场数据快照与生成的报告则未收入 Git。因此，这篇笔记不声称取得了任何数值上的绩效提升。资产选择、历史区间、估计方法与交易成本假设都会影响比较结果；历史表现也无法证明未来绩效。