需要在股票、债券、另类资产等之间分配资本并制定或调整投资组合…

根据风险承受能力、收益目标、时间范围和约束，在资产类别间分配资本并生成、审查、再平衡目标权重。

适用场景

解决思路

1. 战略资产配置（SAA）：根据投资者的风险承受能力、收益目标、时间范围和约束，确定长期政策组合的基线目标权重，例如 60% 股票 / 30% 债券 / 10% 另类；仅在投资者情况变化时重审，不因市场波动调整。
2. 战术资产配置（TAA）：先定义允许偏离 SAA 的区间，例如 +/-10%；建立明确信号框架，包括估值、动量、宏观；设定回归规则，明确何时恢复到 SAA 权重；用纪律化流程避免临时择时。
3. 均值-方差优化（MVO）：使用目标 max w'*mu - (lambda/2)*w'*Sigma*w；约束 sum(w_i)=1、long-only 时 w_i>=0，并加入其他约束；输入 w 权重向量、mu 预期收益向量、Sigma 协方差矩阵、lambda 风险厌恶参数，求解最优权重。
4. MVO 实操：先估计预期收益、协方差矩阵和风险厌恶；用二次规划或数值方法求解；检查是否出现极端或角点解；用 long-only、最大权重、最小配置、换手限制等约束强制分散。
5. Black-Litterman 第 1 步：计算隐含均衡收益 Pi = lambda * Sigma * w_mkt，其中 w_mkt 是市值权重向量，lambda 是风险厌恶参数，Sigma 是协方差矩阵。
6. Black-Litterman 第 2 步：指定观点并用 E(R) = [(tau*Sigma)^(-1) + P'*Omega^(-1)*P]^(-1) * [(tau*Sigma)^(-1)*Pi + P'*Omega^(-1)*Q] 混合；设置 tau 通常为 0.025-0.05，P 为 pick matrix，Q 为观点收益向量，Omega 为观点不确定性对角矩阵；得到按信心向观点倾斜的后验预期收益向量。
7. Black-Litterman 操作：将后验预期收益再输入 MVO 得到权重；观点必须相对市场均衡隐含值评估，而不是孤立评估；通过 Omega 表达信心。
8. 风险平价：计算每个资产或因子的风险贡献 RC_i = w_i * (Sigma*w)_i / sigma_p；令所有 i,j 满足 RC_i = RC_j；在无相关两资产情形下，使 w_i 与 1/sigma_i 成比例；配置更多资金到低波动资产，通常是债券，若追求有竞争力的收益目标则常需使用杠杆。
9. 滑翔路径（Glide Path）：按年龄或目标日期系统性从增长资产转向防御资产；可用经验规则 股票 % = 110 - Age；目标日期基金通常从年轻投资者 90% 股票开始，每年减少约 1-2%，退休时到 30-40% 股票，退休后继续 through 配置。
10. 核心-卫星：配置核心 60-80% 到低成本、广泛分散的指数基金或 ETF；配置卫星 20-40% 到主动策略、因子倾斜、另类或集中头寸；用核心高效获取市场回报，用卫星追求 alpha 或特定暴露。
11. 资产负债匹配：对有确定负债的投资者，如养老金、保险、有支出规则的捐赠基金，匹配资产久期和现金流与负债久期和时点；用盈余优化，即相对负债而非绝对收益优化组合；采用负债驱动投资（LDI），用久期匹配债券对冲负债风险，把剩余资金投入收益追求资产。
12. 使用关键公式：MVO 目标 max w'*mu - (lambda/2)*w'*Sigma*w 求最优权重；均衡收益 Pi = lambda*Sigma*w_mkt 作为 Black-Litterman 起点；BL 后验 E(R) 公式混合预期收益；风险贡献 RC_i = w_i*(Sigma*w)_i/sigma_p；风险平价条件 RC_i=RC_j；滑翔路径规则 股票 %=110-Age。
13. 三资产 MVO 示例操作：给定 US Equity mu=8%/sigma=16%、Int'l Equity mu=7%/sigma=18%、US Bonds mu=3%/sigma=4%，相关性 US/Intl=0.75、US Equity/Bonds=0.10、Intl Equity/Bonds=0.05，lambda=4，long-only 且 fully invested；建立协方差矩阵，包括 Cov(US,US)=0.0256、Cov(Intl,Intl)=0.0324、Cov(Bond,Bond)=0.0016、Cov(US,Intl)=0.0216、Cov(US,Bond)=0.00064、Cov(Intl,Bond)=0.00036；用二次规划求解得到 US Equity 51.9%、Int'l Equity 0%、US Bonds 48.1%，组合预期收益 5.60%、波动率 8.71%。
14. 三资产 MVO 示例解读与调整：注意国际股票因与 US 高相关 0.75 且预期收益更低被优化器归零，这是 MVO 角点解；加入最大权重或最小配置约束可强制分散；高债券配置反映 lambda=4 的强方差惩罚，降低 lambda 会转向股票。
15. Black-Litterman 示例操作：使用与示例 1 相同三资产和协方差；市值为 US Equity 55%、Int'l Equity 30%、US Bonds 15%；lambda=2.5，tau=0.05；观点为 Int'l Equity 跑赢 US Bonds 3%，Omega=[0.001]，越低表示信心越高。
16. Black-Litterman 示例第 1 步：计算 Pi = lambda × Sigma × w_mkt，得到 US Equity 5.16%、Int'l Equity 5.41%、US Bonds 0.18%。
17. Black-Litterman 示例第 2 步：设置 P=[0,1,-1]、Q=[3%]；均衡已隐含 Int'l 比 Bonds 高 5.23%，所以 3% 观点相对均衡是看空；应用后验公式得到 US Equity 4.28%、Int'l Equity 4.07%、US Bonds 0.23%；后验按信心向观点倾斜。
18. Black-Litterman 示例后续：把后验预期收益输入 MVO，权重相对市值权重从股票向债券温和移动，避免原始 MVO 的极端角点解；记住观点总是相对均衡评估。
19. 避免 MVO 陷阱：MVO 对预期收益输入高度敏感，被称为 error maximizer；微小收益变化导致权重剧烈变化，因此不要使用未约束 MVO。
20. 总是给 MVO 加约束：long-only、最大权重、换手限制等，避免极端、集中持仓。
21. Black-Litterman 注意：分析者必须指定观点信心 Omega，而 Omega 本身不确定。
22. 风险平价注意：风险平价组合需要杠杆才能达到股票类回报，会引入借贷成本和杠杆风险。
23. 计入实施成本：交易成本、买卖价差和税会显著侵蚀理论最优收益。
24. 计入流动性约束：私募股权、房地产等资产类别不能快速再平衡。
25. 滑翔路径注意：滑翔路径假设通用投资者，个人情况可能需要定制。
26. 避免过度依赖历史协方差矩阵：历史关系可能不反映未来关系。
27. 交叉参考相关技能：从 historical-risk 获取均方优化的波动率和相关性输入；从 forward-risk 获取预期收益预测和情景分析；参考 diversification；用 bet-sizing 做配置内的仓位规模；用 rebalancing 维持目标；用 quantitative-valuation 产生 TAA 估值信号；用 retirement-decumulation 处理退休提款阶段的滑翔路径和收益顺序风险；用 factor-investing 把因子倾斜作为有意且可承受的政策组合偏离。
28. 运行脚本：uv run scripts/asset_allocation.py 运行 demo，使用 PEP 723 inline deps。
29. 验证脚本：uv run scripts/asset_allocation.py --verify 检查 demo 输出与 worked examples 是否匹配，不匹配时 exit 1。
30. 替代运行：python3 scripts/asset_allocation.py，需要 pip install numpy scipy。
31. 查看帮助：运行 --help 获取类或函数列表。
32. 程序化使用：import 模块而不是运行脚本；demo 仅在 python asset_allocation.py 时执行。
33. 脚本 demo 会打印上述计算，其值与 worked examples 匹配。

适用边界 · 注意事项

• 当投资者风险承受、收益目标、时间范围或约束不明确时，不应直接套用 SAA 或 MVO 权重。
• 当缺乏可靠的预期收益、协方差、观点信心输入，或资产高度非流动、税负和交易成本很高时，不应依赖无约束优化或频繁战术偏离。
• 当不能用杠杆且目标为股票类回报时，风险平价可能不适用；当投资者情况高度个性化时，通用滑翔路径可能不适用。