HRP方法全文总结与模型流程解析

背景与问题

传统二次优化方法（如Markowitz的CLA）存在三大问题：

1. 不稳定性：协方差矩阵的高条件数导致逆矩阵计算误差放大，权重剧烈波动。

2. 集中性：优化结果过度集中于少数资产，易受个体风险冲击。

3. 样本外表现差：在样本外测试中，CLA的最小方差目标反而导致高波动性。

解决方案：HRP方法

HRP（Hierarchical Risk Parity）通过引入层次化结构，结合图论与机器学习技术，解决上述问题。其核心优势包括：

• 不依赖协方差矩阵的逆矩阵，支持奇异或病态矩阵。

• 通过树状聚类降低噪声敏感性，提升稳定性。

• 在样本外实验中方差显著低于CLA与传统风险平价（IVP）。

HRP模型三阶段流程

1. 树状聚类（Tree Clustering）

目标：将资产按相关性层次化分组，形成树状结构（如系统树图）。
步骤：

1. 相关性转距离矩阵：

   • 定义资产间距离 ，确保其为合法度量（非负、对称、三角不等式）。

2. 层次聚类：

   • 计算距离矩阵的欧氏距离，迭代合并最近邻资产/簇，更新距离（采用“最近邻”链接准则）。

   • 最终生成包含层级关系的链接矩阵（Linkage Matrix）。