2025年AI赋能资产配置：DeepSeek与风险“再平价”

传统风险平价的逻辑与痛点

传统风险平价的痛点：绝对收益较弱

本文选取按照市值划分的宽基指数、债券指数和黄金价格来应用风险平价模型，回测期间为2022年1月12日至2025年2月20日，得到夏普率为1.03，最大回撤为4.56%。发现风险平价模型优于股票基金和债券基金。 海外部分，本文选择法国CAC40指数、德国DAX指数、恒生指数、日经225指数、MSCI印度指数、标普500指数进行风险平价模型测算，最终结果夏普率0.73，最大回撤17.9%。最后，进行全球风险平价实验，发现样本内全球风险平价跑赢MSCI全球指数，凸显了进行风险平价配置的必要性。

AI“再平价” ：周期思维下的风险调整

AI赋能风险“再平价” 。 从风险的“资产平价” 、 “宏观平价”到“AI平价” ：AI的多模态信息处理能力，使得风险在长、中、短周期间实现更好的平衡，同时结合时事热点， “AI平价”对风险的识别更高效、更敏捷。 从“回头看”到“向前看” ：风险平价对回溯周期的设定，实际上假设了未来的资产风险与一定历史周期相同。相比于传统模型的“固定”回溯期，AI能够在预测未来的基础上，动态调整不同时点的回溯期，在历史中寻找“可预见的未来” 。 从“本土”到“全球” ：根据AI对国内政策场景、全球资产动态的学习，智能识别海内外资产的合理配比。

AI“再平价”应用之一：国内“风险贡献调整”过程

AI在风险平价中的第一种应用——风险贡献的调整。 输入指令使得 DeepSeek 依据资本市场的宏微观表现，分析国内股、债、商（沪深300、中证500、中证1000、中证2000、红利指数、十年国债指数、黄金等）市场，理解风险平价下的配置思路。 令 DeepSeek 结合宏微观和资本市场指标研判风险平价策略下各类资产的风险贡献度是否需要调整，以及如何调整（基于周期、宏观数据、市场走势、分析师观点等的月度配置）。 通过调整后的权重计算净值，并与原策略进行对比，评估优化效果。

AI“再平价”应用之一：国内“风险贡献调整”前后对比

总体思路：通过DeepSeek在传统风险平价计算得出的权重基础上进行调整，调整幅度较小，突出了周期特性Ø 策略对比： 传统风险平价策略通过均衡资产风险贡献，构建跨周期稳定的组合，提升组合对外部风险的免疫力，确保在市场波动中保持稳定表现 。 DeepSeek调整的风险平价策略延续了传统思路，依然确保在一个时间窗内资产的风险贡献大致相等。并通过引入周期性特征，对不同周期下表现突出的资产的超额收益进行了放大，捕捉潜在的市场周期性机会，提升组合收益潜力Ø 核心数据提炼：最大上调幅度为3%，最大下调幅度为6%。从密度分布图来看，DeepSeek给出的绝大多数调整集中在1%至2%之间，整体上呈现为对传统风险平价模型的精细微调。

AI“再平价”应用之一：国内“风险贡献调整”结果呈现

风险贡献的调整结果呈现： 调整后净值：优化后的风险平价 策略净值相较原策略有明显提升 。年化收益由3.85%上升至4.2% 。 夏普比率提升1.058上升至1.137， 表明单位风险下的收益能力增强。 结论：优化后的风险平价策略显著提 升了传统模型的表现，增强了收益积 累能力，同时保持了良好的风险控制。

AI“再平价”应用之二 ：国内“调整回溯周期”原理

DeepSeek助力周期回溯调整： 固定回溯期难以适应市场波动：资本市场易受短期扰动，长周期回溯对短期扰动反应较慢。DeepSeek的核心优势：对市场的长周期定位和短周期波动反应敏锐，灵活调整“过去→未来”的窗口期。DeepSeek调整后，周期回溯呈现出明显的阶段性，如2020-2022年全球冲击期缩短至360天，滞胀期延长至600天。原理：DeepSeek 分析我们提供的宏观数据、资本市场债券市场指标，并利用联网搜索汇集机构观点（语料），对风险平价策略的时间窗口进行动态调整 。 prompt引导（给AI的指令，明确两点）：①任务——请你结合语料，划分窗口；②目标——请识别高波动和稳定期，缩短高波动期的时间窗口，延长稳定期，优化风险平价策略的有效性。

AI“组合配置”：实战视角下优选ETF

从研究到配置，AI实现ETF组合配置： 传统指标：DeepSeek结合指数ETF跟踪误差、溢价率、汇率波动性等因素，选择管理水平较高、溢价风险较低的产品。 前瞻判断：DeepSeek从当前市场水位出发，根据市值规模、持有结构、历史换手率、超额收益（vs指数）等情况，选择场内炒作可能性较低、停牌风险较小的品种。 AI综合多维度指标体系，实现从指数框架到ETF配置的一站式处理。

AI选基净值回测展示： 横向对比：AI所选ETF的风险平价组合 vs 落选ETF的风险评价组合，对比二者表现Ø Smart β策略体现： 纵向对比：基于 AI 对风险平价策略进行优化，并对可落地的 ETF 开展回测。结果显示，AI 优化后的风险平价策略表现更佳，相当于风险平价基础上的“Smart β”。

ETF的选择：横向对比 AI 选出与未推 荐的 ETF 构建的传统风险平价策略， 有 AI 参与选基的策略表现更优，彰显 AI 在ETF挑选上的卓越能力 。AI学习所挑选ETF组合：平价策略 年化收益率为2.883% 。 非AI挑选ETF组合：平价策略年化 收益率为3.709% 。 风险平价策略的优化：纵向对比显示， 基于 AI 优化风险平价策略并对 ETF 回测，AI 优化后的策略效果更佳，体 现 AI 对策略优化成效显著，体现出 “Smartβ”效果 。 结论：净值回测横、纵向对比表明，AI 在基金投资中价值显著。横向看，AI 选基构建的传统策略表现更优；纵向看， AI 优化后的风险平价策略更优。

展望与结论

已有研究成果： AI通过风险贡献度调整、回溯周期优 化和ETF组合配置，显著提升了风险平 价策略的收益潜力和风险控制能力。 AI优化后，年化收益率、夏普比率均 有显著提升，展现了深度学习在资产 配置中的优势。 未来优化方向：未来可进一步优化AI对周期性变化的 响应能力，并加强对新兴资产类别的 配置策略。 模型优化周期预测与实时调整能力提 升：提升模型在复杂市场环境中的适 应性，增强在快速变化市场中的实时 调整能力。 语料优化：增加全球宏观数据的引入， 提升行业与市场细分数据的覆盖，进 一步增强策略的精准度 。人机协作模式：深化AI与传统投资策 略专家的结合，形成AI优化与专家判 断的双重支持，融入专家反馈机制， 提升决策的前瞻性与准确性。

DeepSeek与风险“再平价”——三类路径探索。 风险贡献度调整：DeepSeek结合宏微观经济数据、资本市场指标、分析师观点等，优化各资产的风险贡献度，基于周期特征进行微调，增强组合的收益潜力。回溯周期的调整：DeepSeek通过动态调整回溯期，根据不同市场周期优化风险平价策略的时间窗口，采用AI智能学习历史数据 。ETF组合配置：DeepSeek结合传统指标（如跟踪误差、溢价率、汇率波动性等）与前瞻性市场判断（如市值规模、持有结构等），优化ETF选取。实现从指数框架到ETF配置的综合优化，增强投资组合的管理效率和风险控制。 风险平价模型优化。 风险贡献调整（AI调整1）：年化收益从3.85%提升至4.2%，夏普比率提升至1.137 。 回溯周期调整（AI调整2）：年化收益率从3.85%提升至4.46%，夏普比率增至1.24 。风险贡献+回溯周期（AI调整1+2）：年化收益率从3.85%提升至4.80%，夏普比率增至1.29 。ETF组合配置优化。 ETF组合配置：年化收益率从3.85%提升至5.29%，夏普比率增至2.37，表现更优。 DeepSeek赋能风险平价，策略表现在年化收益率和夏普比率上皆有优化，在国内、海外和全球配置中得到有效体现。

报告节选：