Nếu bạn phân bổ đều 25% vốn vào Cổ phiếu, 25% vào Trái phiếu, 25% vào Vàng và 25% vào Bất động sản (Danh mục Cân bằng Vốn $1/N$), bạn có thực sự đang đa dạng hóa an toàn? Tuyệt đối không!
Do cổ phiếu có độ biến động gấp 3 đến 4 lần trái phiếu, hơn 85% tổng rủi ro của danh mục thực chất vẫn bị chi phối bởi thị trường cổ phiếu. Đó là lý do nhà đầu tư huyền thoại Ray Dalio (Bridgewater Associates) sáng tạo ra triết lý Risk Parity (Cân Bằng Nguy Cơ Rủi Ro). Cùng với mô hình định lượng Black-Litterman của Goldman Sachs, Riskfolio-Lib cung cấp giải pháp trọn vẹn để vừa cân bằng rủi ro biên vừa kết hợp trực giác chuyên gia một cách chuẩn mực toán học.
1. Nguyên Lý Đóng Góp Rủi Ro Biên (Marginal Risk Contribution - MRC)
Tổng rủi ro của danh mục $\sigma_p$ có thể phân rã thành tổng các đóng góp rủi ro của từng tài sản thành phần theo định lý Euler:
ĐỊNH NGHĨA EQUAL RISK CONTRIBUTION (ERC): Một danh mục đạt trạng thái Equal Risk Contribution hoàn hảo khi và chỉ khi:
$$TRC_1 = TRC_2 = ... = TRC_N = \frac{1}{N}$$
Nghĩa là mỗi tài sản (dù là cổ phiếu rủi ro cao hay trái phiếu chính phủ an toàn) đều đóng góp chính xác một tỷ lệ rủi ro ngang bằng nhau vào biến động chung của danh mục. Tài sản biến động mạnh sẽ nhận tỷ trọng vốn nhỏ, và tài sản biến động thấp sẽ nhận tỷ trọng vốn lớn hơn.
2. Mô Hình Black-Litterman: Chiếc Cầu Nối Giữa Dữ Liệu & Nhận Định
Một trong những điểm yếu lớn nhất của các thuật toán tối ưu là chúng yêu cầu đầu vào là vector kỳ vọng lợi nhuận $\mu$. Nếu lấy trung bình quá khứ, thuật toán sẽ phạm sai lầm nghiệm trọng vì quá khứ không đại diện cho tương lai. Fischer Black và Robert Litterman đã phát triển mô hình Bayesian kết hợp hai nguồn thông tin:
NGUỒN 1: CÂN BẰNG THỊ TRƯỜNG
Implied Equilibrium Π
Lợi nhuận ngụ ý thị trường bóc tách ngược từ vốn hóa: $\Pi = \lambda \Sigma w_{mkt}$. Đây là điểm tựa khách quan không thiên vị.
NGUỒN 2: QUAN ĐIỂM CHUYÊN GIA
Views Matrix P & Q
Các dự phóng định tính/định lượng (ví dụ: "Cổ phiếu Tech sẽ vượt trội Năng lượng 3% với độ tin cậy 80%").
KẾT QUẢ HẬU NGHIỆM
Black-Litterman μ_BL
Vector lợi nhuận kỳ vọng mới mượt mà, loại bỏ triệt để các trọng số cực đoan vô lý của bài toán tối ưu cổ điển.
3. Sơ Đồ Kiến Trúc: Tích Hợp Black-Litterman & Risk Parity Trong Riskfolio
4. Triển Khai Code Python Thực Chiến
Dưới đây là mã nguồn Python hoàn chỉnh xây dựng danh mục Equal Risk Contribution (Risk Parity) và tích hợp mô hình Black-Litterman trong riskfolio-lib:
import riskfolio as rp
import pandas as pd
import numpy as np
defoptimize_risk_parity_and_black_litterman(returns_df: pd.DataFrame, benchmark_weights: pd.DataFrame):
"""
1. Tối ưu hóa Risk Parity (Equal Risk Contribution - ERC)
2. Thiết lập mô hình Black-Litterman với ma trận quan điểm Views
"""
port = rp.Portfolio(returns=returns_df)
port.assets_stats(method_mu='hist', method_cov='hist')
# 1. TỐI ƯU HÓA EQUAL RISK CONTRIBUTION (ERC / RISK PARITY)# Mỗi tài sản đóng góp rủi ro phương sai (MV) bằng nhau chính xác
w_erc = port.rp_optimization(
model='Classic',
rm='MV', # Có thể đổi sang 'CVaR' hoặc 'CDaR'
rf=0.04 / 252,
b=None# b=None nghĩa là Equal Risk Contribution (1/N rủi ro)
)
# 2. MÔ HÌNH BLACK-LITTERMAN VỚI QUAN ĐIỂM CHỦ QUAN# Thiết lập quan điểm: Cổ phiếu mã 0 sẽ vượt trội mã 1 là 2.5% hàng năm
P = np.zeros((1, returns_df.shape[1]))
P[0, 0] = 1.0
P[0, 1] = -1.0
Q = np.array([[0.025 / 252]]) # Lợi nhuận kỳ vọng vượt trội theo ngày# Tính toán tham số Black-Litterman
port.black_litterman_stats(
P=P,
Q=Q,
rf=0.04 / 252,
w_b=benchmark_weights,
delta=2.5# Hệ số ngại rủi ro thị trường
)
# Tối ưu hóa Sharpe với kỳ vọng Black-Litterman
w_bl = port.optimization(
model='BL',
rm='CVaR',
obj='Sharpe',
rf=0.04 / 252
)
print("=== KẾT QUẢ PHÂN BỔ TRỌNG SỐ RISK PARITY VS BLACK-LITTERMAN ===")
comp = pd.concat([w_erc, w_bl], axis=1)
comp.columns = ['Risk_Parity_ERC', 'Black_Litterman']
print((comp * 100).round(2))
return comp
💡
TỔNG KẾT BÀI HỌC: Sự kết hợp giữa tư duy phân bổ rủi ro biên Equal Risk Contribution và toán học Bayesian Black-Litterman là nền tảng quản lý hàng nghìn tỷ USD của các quỹ đầu tư lớn nhất hành tinh. Nhưng trong môi trường thực thi thực tế, một danh mục lý thuyết đẹp mắt sẽ phá sản nếu không kiểm soát được chi phí trượt giá và vòng quay giao dịch. Hãy cùng đến với Phần 4: Các Ràng buộc Thể chế Phố Wall và phương pháp kiểm định Walk-Forward Backtesting!
⚖️
Biên Soạn: Học Viện Giao Dịch — Hàng Hóa Plus
Chuỗi bài giảng Riskfolio-Lib được nghiên cứu và phát triển dựa trên công trình tối ưu hóa danh mục của Dany Cajas và tiêu chuẩn thể chế Phố Wall.
