CoinSkool

資金來源決定風險容忍度:三種資金類型的差異與應對策略

分享

不同的資金來源,對波動與回撤的容忍度截然不同,所以我們在管理不同類型的資金時,必須採用不同的應對方式。本文想談談三種資金來源的本質差異,以及對應的風險參數。

資金來源的屬性差異

不同的資金來源代表著不同的風險偏好、不同的流動性需求,以及不同的決策權限。理解這些差異,是設定合理風險參數的第一步。

自有資金

自有資金是所有資金來源中最具操作彈性的類型。沒有外部投資人需要交代,沒有每季的績效檢討壓力,也沒有固定的贖回期限。虧了就虧了,只要自己有足夠的耐心與資本,可以選擇不停損、不加碼、不調整,直到市場回到對自己有利的位置。它可以讓策略的持有期拉得更長、對短期波動的承受力更高、對暫時性失效的容錯空間更大。但自有資金的缺點也很明顯,資金規模通常有限,無法有效分散到足夠多的標的,策略容量也因此受到先天限制。

客戶資金

客戶資金則是截然不同的情境。客戶將錢交給你管理,本質上是一份信任契約,而這份信任是脆弱的。客戶不會像你一樣理解策略背後的統計邏輯,他們看到的是每個月的數字是正還是負。連續的虧損,就足以動搖多數客戶的信心,進而引發贖回。更致命的是,客戶的贖回往往發生在策略表現最差的時候,這正是你最不希望被迫賣出部位的時點。客戶資金的另一個特點是存在績效比較壓力。客戶會把你的績效與大盤、與同類基金、甚至與其他量化策略進行比較,如果連續數個季度落後,資金就會開始流失。

機構資金

機構資金又是另一種的挑戰。保險公司、退休基金、主權財富基金等機構投資人,背後有嚴格的風險預算、監管要求與投資限制。他們對最大回撤有明確的容忍上限,對流動性有嚴格的要求,對槓桿使用有法規上的限制。我曾遇過一家機構,其風險管理規範中明確規定,投資組合的每日淨值跌幅不得超過 0.2%。操作機構資金時,策略設計從一開始就必須在這些限制條件的框架內進行。超額報酬的追求永遠排在合規與風控之後。

資金屬性如何決定風險參數

最大可容忍回撤

自有資金可以承受比較大的回撤,只要最終能夠回來,中間的波動只是心理上的考驗。客戶資金則完全不同,超過 20% 的回撤就會引發大規模的贖回潮。機構資金的門檻更為嚴格,最大回撤通常不允許超過 10% 。這個數字決定了策略的槓桿倍數、持股集中度,以及停損機制的嚴格程度。

目標波動率

自有資金可以追求非常高波動的策略,因為沒有外部壓力,波動本身就是超額報酬的來源之一。客戶資金則通常將目標波動率設定在 10% 至 15% 之間,希望在合理波動範圍內提供穩定的正報酬。機構資金更為保守,目標波動率往往落在 5% 的區間,優先確保資本的保值與增值。目標波動率設得愈高,策略的預期報酬就愈高,但過程中的起伏也愈劇烈;設得愈低,績效曲線愈平滑,但超額報酬也相應地被壓縮。

持股檔數與集中度

自有資金規模較小,持股檔數可能受限於資金分散的物理限制,但也因此更容易捕捉到少數極端報酬的機會。客戶資金規模較大,必須透過更多檔股票來分散風險,但也因此稀釋了單一標的對組合的貢獻。機構資金的持股檔數通常高達數百檔,目的是在滿足風險預算的前提下,最大化資訊比率。

原文出處:voltima_quant (@voltima_quant) 於 Threads · 查看原文

V

作者

Voltima Quant

全職自營量化團隊|多年交易經驗
專注研究CTA擇時、多因子截面策略
標的涵蓋Crypto、港美股、期貨、期權
以科學系統化手段 於波動中尋找最優化交易機會

推薦閱讀

Longbridge AI Agent 接入 ChatGPT 與 Claude,重塑量化研究效率

Longbridge AI Agent 接入 ChatGPT 與 Claude,重塑量化研究效率

Longbridge AI Agent 正式接入 ChatGPT 與 Claude 生態,解決量化研究中最難的想法生成與快速驗證瓶頸,七大流程加速 Alpha 發現。

Voltima Quant2026/08/07

CTA策略中趨勢環境識別的關鍵:聚類分析應用思考

本文探討CTA策略中趨勢環境識別的重要性,提出使用聚類分析從多維度描述市場狀態。通過特徵選擇(如跨市場動量一致性、訊號持續時間等)和適當的聚類算法,可以識別何時該全力運行趨勢策略、何時該減少交易,從而優化策略表現。

Voltima Quant2026/07/30

深度學習防止過擬合:早期停止技巧與停止條件設定策略

本文深入探討深度學習中的早期停止技術,說明其原理、驗證集誤差轉折點判斷,以及耐心參數、改善門檻等停止條件設定策略,幫助模型避免過擬合並提升泛化能力。

Voltima Quant2026/07/29