PORT-05 · 组合与配置

层次风险平价

Marcos López de Prado 提出的 HRP。对相关矩阵做层次聚类，构建树状结构后递归分配权重，避免对协方差矩阵求逆。

PortfolioRisk ParityMachine Learning

打开交互图表和其他策略对比

基本信息

适用场景稳健的组合配置

信号频率每日

典型持有期几个月

资产类别指数、大宗商品、外汇

测试市场数1

数据截至2026-11-10

回测结果怎么看

在 1 个市场中的 1 个，近 5 年的年化收益跑赢买入持有。
在 1 个市场中的 0 个，最大回撤比买入持有更小。
夏普最高的市场：HRP（夏普 0.95，年化 19.8%）。

权益曲线

层次风险平价等权组合 · HRP, 2010-01-04 → 2026-11-10, 起点归一为 1

评分与风险画像

Arena Score: 54.8HRP, 近 5 年

收益质量 · 30%50

回撤控制 · 25%50

稳定性 · 20%50

稳健性 · 15%50

统计可信度 · 10%98

每一项都是和同一市场、同一窗口内所有策略比较的百分位（100 为最好）。

持仓时间占比100%

Ulcer 指数8.3%

最长回撤518 天

日 VaR（95%）-1.79%

夏普为正的概率98%

相对买入持有的 Beta1.33

Alpha（年化）+2.1%

正收益月份占比68%

扣 10 bp 成本后年化19.1%

Deflated 夏普（扣除运气后）—

年化收益 90% 区间（Bootstrap）4.7% 至 37.5%

最大回撤 90% 区间（Bootstrap）-37.7% 至 -15.9%

大跌行情中的表现（HRP）

时期	策略	买入持有
2018 年四季度下跌	-22.0%	-15.9%
新冠暴跌（2020 年 2–3 月）	-48.8%	-26.0%
2022 年熊市	+12.6%	-4.4%
市场在 200 日均线上方时（年化） · 69%	+7.3%	+6.9%
市场在 200 日均线下方时（年化） · 31%	-13.2%	+1.7%

大跌时期按美股划分。是否在 200 日均线上方用前一天的状态判断，不存在未来函数。

样本外检验（HRP）

检验项	数值
选出的参数在各自 3 年训练期里的平均夏普	0.28
同一组参数在之后 6 个月真正交易时的夏普	0.17
同样这些月份一直用默认参数的夏普	0.45
重新选参次数 / 参数实际更换次数	28 / 7
全部历史上夏普为正的参数组数	3 组中 3 组
各组参数的夏普：最低 / 中位数 / 最高	0.15 / 0.20 / 0.37

样本外区间从 2013-01-04 开始。训练期的数字因为是从 3 组参数里挑最好的，一定偏好看；样本外的数字才是策略真正赚到的。下降很多，或者只有某一组参数好，都是过拟合的信号。滚动前推测试是怎么做的。

各市场结果（近 5 年）

市场	年化收益	买入持有年化	夏普	最大回撤	买入持有最大回撤	波动率	Arena Score
HRPHierarchical Risk Parity	19.8%	13.8%	0.95	-22.8%	-16.5%	21.0%	55

策略指标基于日收益，未扣除交易成本；买入持有为同一市场、同一窗口的数据。按夏普比率排序。

HRP 在不同时间窗口的表现

窗口	总收益	年化收益	夏普	索提诺	最大回撤	上涨日占比	交易数
近 1 年	+27.2%	27.3%	1.14	1.68	-16.1%	54%	14
近 3 年	+82.2%	22.1%	1.13	1.59	-16.1%	54%	39
近 5 年	+146.8%	19.8%	0.95	1.22	-22.8%	53%	64
全部历史	+8.2%	0.5%	0.14	0.16	-81.5%	51%	207

交易规则

Entry

1. Cluster assets by correlation distance
2. Quasi-diagonalize covariance matrix
3. Recursive bisection for weights

Exit

Monthly rebalance

Indicators

Correlation matrix
Hierarchical clustering

Inputs

Lookback = 60
Linkage = single

Risk

No matrix inversion needed

策略证据

HRP · 查看证据 2026-11-10

下面只列出可用的已校验证据包；没有证据不代表通过验证。

证据覆盖范围

已校验 1 / 1 个预定策略与市场组合

备注

Marcos López de Prado（2016）
比均值-方差优化更稳定
叶子层使用逆方差加权
第二版在新月份首次有价格数据时，使用上一条已完成的数据确定目标；仓位仍按引擎延迟规则生效。

嵌入这个评分

可以放进博客文章、README 或论坛签名，徽章会随每日数据自动更新。

<a href="https://quantarenas.com/strategy/port-05-hierarchical-risk-parity/"><img src="https://quantarenas.com/badge/port-05-hierarchical-risk-parity.svg" alt="Hierarchical Risk Parity Arena Score on Quant Arena" height="20"></a>

[![Hierarchical Risk Parity Arena Score](https://quantarenas.com/badge/port-05-hierarchical-risk-parity.svg)](https://quantarenas.com/strategy/port-05-hierarchical-risk-parity/)

回测是基于日线数据的历史模拟，未计入佣金和滑点，不代表未来收益，也不构成投资建议。每个策略的测试方法见方法论。