第 10 讲：买多少——先从等权开始

本讲要点

权重是明确规则；入门先把等权做对，再谈更复杂的分法。

---

1. 轮动已决定「持有谁」，本讲只改「各持多少」

第 8–9 讲固定了：

• Universe：四只 ETF
• 信号：月末按上月收益排序，选出动量最强的标的

第 8 讲默认在 Top-2 内 等权（各 50%）。本讲保持选人结果的逻辑不变，只替换权重函数，观察结论如何变。

模块	本讲是否改动
股票池	不改
谁进 Top	不改（仍按月动量排序）
各买多少	只改这里

---

2. 等权是什么

对当期选中的 (N) 只标的，每只权重 (1/N)。

• Top-2 等权 → 各 50%
• 平均 HHI（赫芬达尔指数，(\sum w_i^2)）= 0.5，分散度固定、规则透明

入门先用等权，因为：

1. 零额外参数：不引入波动率估计、优化器与约束。
2. 可复核：他人按同一名单能得到同一权重。
3. 作基准：任何「更聪明」的加权，都应先证明优于等权，而不是只优于「不交易」。

风险平价（按风险贡献分仓）等方案，解决的是「高波动品种权重过大」；本讲点到为止，不在入门阶段展开优化器。

---

3. 三种权重规则（信号相同）

方案	规则	集中度
等权 Top-2	前两名各 50%	HHI = 0.50
全仓第 1 名	只持有动量第一，100%	HHI = 1.00
2/3 + 1/3	第一名 2/3，第二名 1/3	HHI ≈ 0.56

def weights_equal(ranked):
    picks = ranked.head(2).index
    return {p: 1 / len(picks) for p in picks}

def weights_top1(ranked):
    return {ranked.index[0]: 1.0}

def weights_two_thirds(ranked):
    a, b = ranked.head(2).index
    return {a: 2 / 3, b: 1 / 3}

脚本：easy-quant/code/10_position_sizing.py

---

4. 运行结果

固定窗口 2021-01-01—2026-03-04：

窗口: 2021-01-01 → 2026-03-04
信号固定: 月末按上月收益排序选人；本讲只改「各买多少」

等权 Top-2: 累计 63.56%  最大回撤 -24.14%  调仓月数 62  平均HHI 0.500
全仓第 1 名: 累计 112.46%  最大回撤 -15.29%  调仓月数 62  平均HHI 1.000
2/3 + 1/3: 累计 79.66%  最大回撤 -18.11%  调仓月数 62  平均HHI 0.556

相对等权 Top-2:
  等权 Top-2: +0.00%
  全仓第 1 名: +48.90%
  2/3 + 1/3: +16.10%

方案	累计收益	最大回撤	平均 HHI
等权 Top-2	63.56%	−24.14%	0.500
2/3 + 1/3	79.66%	−18.11%	0.556
全仓第 1 名	112.46%	−15.29%	1.000

读法：

• 本窗口内，更集中的权重赚得更多——这很容易诱惑人改成「永远全仓第一名」。
• 但第 7 讲的教训仍适用：这是样本内路径；集中持仓换一段行情可能回撤更大、或收益反转。
• 等权未必样本内最优，却是默认研究基准：先报告等权，再声明任何倾斜加权的增量来自何处。
• HHI 把「有多集中」写成数字，避免口头说「分散」却实际近乎单票。

---

5. 研究上怎么用等权

建议的写作顺序：

1. 固定 Universe 与信号
2. 先给出等权 Top-N 结果（与第 8 讲对齐）
3. 若试验其他权重，单独成表，并做换窗 / 样本外，而不是只展示最好看的一种

权重本身也是可调结构：Top-N、倾斜比例、是否风险平价，都会带来过拟合空间。

---

6. 本讲小结

• 「买多少」必须是规则；入门默认 等权
• 同一信号下，权重可显著改变收益与回撤
• 样本内更优的集中持仓，不等于可外推的更优规则

B 单元至此：轮动（8）→ 池子（9）→ 权重（10）。下一讲讨论多久再平衡一次，以及频率如何与成本缠在一起。

→ 上一讲：Universe · 下一讲：再平衡 · 目录