基于R语言的序列二次规划求解等风险贡献（ERC）组合最优权重

阿华AIGC实验室

2026-5-20

用R语言实现等风险贡献（ERC）投资组合权重求解

嘿，我来一步步教你用R实现等风险贡献（ERC）投资组合的权重求解——Maillard、Roncalli和Teiletche提出的这个方法，核心就是让每个资产对组合的总风险贡献完全相等，比均值方差模型更侧重风险分散，实用性很强！

先明确ERC的核心逻辑

等风险贡献组合的核心约束是：每个资产的**风险贡献（Risk Contribution, RC）**相等。风险贡献的计算公式是：
$RC_i = x_i \cdot (Σx)i / \sqrt{x^{TΣx}$，其中$Σ$是资产的协方差矩阵，$x$是权重向量，$\sqrt{x}TΣx}$是组合的总风险。
我们的优化目标是最小化各资产风险贡献的差异，等价于求解如下问题：
$$\min_x \sum{i=1}^N (RC_i - \frac{TotalRisk}{N})^2$$
约束条件：
$\sum_{i=1}^N x_i = 1$（权重和为1）
$x_i \geq 0$（仅做多，若允许做空可去掉此约束）

R代码实现步骤

我们用nloptr包的**序列二次规划（SQP）**算法来求解，它非常适合处理这种带非线性约束的优化问题。

1. 安装并加载必要的包

# 首次运行先安装包
install.packages(c("nloptr", "PerformanceAnalytics"))

# 加载包
library(nloptr)
library(PerformanceAnalytics)

2. 准备数据（示例或自有数据）

这里我们生成模拟的资产收益率数据，你也可以替换成自己的真实收益率矩阵：

# 设置随机种子保证结果可复现
set.seed(123)
# 生成5个资产、100个交易日的收益率数据
returns <- matrix(rnorm(5*100, mean=0.001, sd=0.02), ncol=5)
colnames(returns) <- paste0("Asset_", 1:5)

# 计算资产协方差矩阵（ERC的核心输入）
Sigma <- cov(returns)

3. 定义优化目标函数

目标是最小化各资产风险贡献的平方差：

erc_objective <- function(x, Sigma) {
  n_assets <- length(x)
  # 计算组合总风险
  total_risk <- sqrt(t(x) %*% Sigma %*% x)
  # 计算每个资产的风险贡献
  risk_contributions <- x * (Sigma %*% x) / total_risk
  # 目标风险贡献：总风险平均分配给每个资产
  target_rc <- total_risk / n_assets
  # 返回风险贡献与目标值的平方差之和
  sum((risk_contributions - target_rc)^2)
}

4. 定义目标函数的梯度（加速收敛）

为了让SQP算法更快收敛，我们手动定义目标函数的梯度（推导过程省略，直接用现成的公式）：

erc_gradient <- function(x, Sigma) {
  n_assets <- length(x)
  total_risk <- sqrt(t(x) %*% Sigma %*% x)
  sigma_x <- Sigma %*% x
  risk_contributions <- x * sigma_x / total_risk
  target_rc <- total_risk / n_assets
  
  grad <- rep(0, n_assets)
  for (i in 1:n_assets) {
    # 梯度计算的核心项
    term1 <- 2 * (risk_contributions[i] - target_rc) * (sigma_x[i]/total_risk + x[i]*(Sigma[i,]%*%x)/total_risk^2)
    term2 <- 2 * (risk_contributions[i] - target_rc) * (-x[i]*sigma_x[i]/(2*total_risk^3)) * (2*t(x)%*%Sigma)
    grad[i] <- term1 + term2[i]
  }
  return(grad)
}

5. 设置约束条件

我们需要两个约束：权重和为1（等式约束），以及权重非负（仅做多的不等式约束）：

# 等式约束：权重和为1
eq_constraint <- function(x) {
  return(sum(x) - 1)
}

# 等式约束的梯度
eq_gradient <- function(x) {
  return(rep(1, length(x)))
}

# 不等式约束：权重非负（仅做多）
ineq_constraint <- function(x) {
  return(x)
}

# 不等式约束的梯度
ineq_gradient <- function(x) {
  return(diag(length(x)))
}

6. 运行SQP优化求解

# 初始权重：用等权重作为起点，收敛更快
init_weights <- rep(1/ncol(Sigma), ncol(Sigma))

# 设置优化选项
opts <- list(
  "algorithm" = "NLOPT_LD_SLSQP",  # 序列二次规划算法
  "xtol_rel" = 1e-8,               # 收敛精度
  "maxeval" = 1000,                # 最大迭代次数
  "print_level" = 1                 # 打印迭代过程（0为不打印）
)

# 执行优化
result <- nloptr(
  x0 = init_weights,
  eval_f = erc_objective,
  eval_grad_f = erc_gradient,
  eval_g_eq = eq_constraint,
  eval_jac_g_eq = eq_gradient,
  eval_g_ineq = ineq_constraint,
  eval_jac_g_ineq = ineq_gradient,
  opts = opts,
  Sigma = Sigma
)

# 查看优化结果
cat("优化状态码：", result$status, "\n")
cat("最优ERC权重：\n")
erc_weights <- result$solution
names(erc_weights) <- colnames(Sigma)
print(round(erc_weights, 4))

# 验证风险贡献是否相等
total_risk <- sqrt(t(erc_weights) %*% Sigma %*% erc_weights)
final_rc <- erc_weights * (Sigma %*% erc_weights) / total_risk
cat("\n各资产风险贡献：\n")
print(round(final_rc, 6))