下载掌阅APP，畅读海量书库
立即打开
策略组合理论（Strategy Group Theory,SGT）是笔者多年思考和投资经验的一个理论总结，试图从根本上讨论有关投资策略组合的问题，包括策略组合的基本概念、投资不可能三角、如何对策略的效用进行评估、如何对投资经理的能力进行评估、策略的相关性分析、筛选标准和组合效用、如何在不同的策略之间进行资金分配等问题。策略组合理论从根本上奠定了投资组合的理论基础，是对目前的各种投资理论的集大成之作。
有关投资策略的文献汗牛充栋，但到底什么是策略、策略的基本因子是什么，却很少有人提及。这里笔者给出策略的一种数学定义：所谓策略组合（Strategy Group），就是对资产的一系列动态操作的集合。
数学上的定义为：
（1）三元组SGT i (Return, Risk, Size)为一个策略，其中，Return为策略预期收益率；Risk为策略风险；Size为策略资金规模。
（2）策略组合SGT为一系列策略的集合，即SGT=(sgt 1 ,sgt 2 ,…,sgt i ,…,sgt n )，其中sgt i 为单个策略。
在我们日常的分析中，最常见的错误就是过于重视策略的收益率，而忽视风险和规模的影响。实际上，任何策略最终的评估都离不开收益率、风险和规模这三个因子，对策略的研究和分析应该是三维立体化的，而不应该只偏向收益率这个因子。
任何投资策略，根据收益率、风险度、资金容量的三因子组合，共有8种类型的策略，如表2.2所示。
表2.2 策略类型
1）策略类型的转化
（1）不存在的策略：高收益/低风险/高容量。
根据经济学原理就可以得出结论：这种类型的策略一定是不存在的，一旦有这样的策略存在，大量的资金一定会涌入该策略，从而造成收益率大幅降低，或者市场容量大幅降低，从而转化为低收益/低风险/高容量策略，或者高收益/低风险/低容量策略。
也就是说，策略的三个因子——收益率、风险度和资金容量是不可兼得的，任何策略只能选择其中的两个因子进行优化，而必然要牺牲掉另一个因子，这就是“投资不可能三角”的原理。
（2）淘汰的策略1：低收益/高风险/高容量和低收益/高风险/低容量。
这不符合人性，任何人承担了高风险，追求的就是高收益。如果是高风险/低收益的策略，那么没有人愿意长期从事该策略交易，投资者会大量撤出，从而使得该策略的市场收益率变大，也就是该策略会转化为高风险/高收益/高容量策略。
（3）淘汰的策略2：高收益/高风险/低容量。
在高收益/高风险的情况下，投资者肯定会优先选择高容量的策略，来使自己的绝对收益最大化，所以该策略也会遭到淘汰。由于采用该策略的投资者变少，从而使得该策略的容量变大，最终转化为高收益/高风险/高容量策略。
（4）淘汰的策略3：低收益/低风险/低容量。
在低收益/低风险的情况下，投资者肯定会优先选择高容量的策略，来使自己的绝对收益最大化，所以该策略也会遭到淘汰。由于采用该策略的投资者变少，从而使得该策略的收益率变大，最终转化为高收益/低风险/低容量策略。
从图2.12中可以看出这几种不存在的策略之间的转化过程。随着投资者的涌入和撤出，最终留下的长期有效的策略只有3种。
图2.12 不同策略之间的转化
2）长期有效的策略
（1）低收益/低风险/高容量。
这种策略属于类固定收益率策略，如银行理财、货币基金、债券及各种对冲套利策略。目前国际上主流的对冲基金基本上以追求这种收益为主要特征。其代表策略就是“相对价值策略”。
（2）高收益/高风险/高容量。
这种策略也是主流的基金所采用的策略，即投机型策略。包括一级市场的天使投资/创投/风投、二级市场的各种单边投机策略，他们的高收益来自承担了高风险，这也是传统的资本资产定价模型中所揭示的原理。其代表策略就是“择时投机策略”。
（3）高收益/低风险/低容量。
这种策略主要利用市场的缺陷去赚钱，各种制度套利都属于这种类型的策略。如高频交易，利用交易系统的速度差或者行情数据的深度差，从而获得稳定的收益机会。这种策略可以做到低风险/高收益，但是作为代价，资金容量相当有限。其代表策略就是“高频交易策略”。
3）高收益/低风险/低容量策略的经济学解释
经典的理论认为，超额收益只是承担了更多的风险而已。但在笔者提出的策略组合模型中，有第三类策略，即高收益/低风险/低容量策略。那么这是否违背了经典的理论呢？下面就此进行经济学原理上的解释。
经典的定价模型有3个基本假设：①投资者都依据期望收益率评价证券组合的收益率水平，依据方差评价证券组合的风险水平；②投资者对证券的收益率、风险及证券间的关联性具有完全相同的预期；③资本市场没有“摩擦”（所谓“摩擦”，是指市场对资本和信息自由流动的阻碍）。因此，该假设意味着：在分析问题的过程中，不考虑交易成本和对红利、股息及资本利得的征税，信息在市场中自由流动，任何证券的交易单位都是无限可分的，市场只有一个无风险利率，在借贷和卖空上没有任何限制。
上述第三个假设是对现实市场的一个近似，但是在实际的市场中，这个条件是不被满足的。尤其是信息不可能完全实现自由流动，总会有少数人先得到信息，大多数人后知后觉。而且很多交易也是有门槛的，如定向增发就对投资者的资质有要求。正是因为这些条件不可能被满足，从而使得市场有了“缺陷”，这些缺陷就成为一种稳定获利的机会，这也就是“高收益/低风险/低容量”策略存在的原因。也就是说，市场上之所以存在“高收益/低风险/低容量”策略，是因为“信息不对称”。
4）策略的不变特性：风险度
从图2.12中可以看出，随着信息的不断传递，投资者会不断地涌入或者撤出某种类型的策略，从而造成该类型策略的收益率和资金容量的变化，但其中不变的是风险度，这是策略的核心特性。
当投资者大量涌入某一类型的策略时，会使得该策略的收益率下降，或者资金容量降低；当投资者大量撤出某一类型的策略时，会使得该策略的收益率提高，或者资金容量提升。但是无论投资者如何进出，策略的风险度是不会变化的。例如，债券策略天然是低风险策略，股票和期货的单边投机天然是高风险策略，无论投资者涌入或撤出，这种策略的风险特性是不会改变的。所以对策略的各种优化方法可以改变的是策略的预期收益率和资金容量，但是无法改变策略的风险特性。
因此，投资的核心在于控制风险。因为只有控制了风险，才可以利用杠杆放大策略的资金容量，并且获得更高的绝对收益。
在实际的运作中大家都有一个疑惑：为什么很多策略曾经表现很好，一旦大规模投入使用则表现变差？策略的稳定性一直是基金经理最关心的问题。这个问题实际上涉及投资策略的本质问题：策略的收益到底来源于哪里？
这个问题最初的回答者是夏普的资本资产定价模型，该模型认为策略的收益有两个重要的因子：一个是无风险收益率；另一个是风险度——贝塔。也就是说，要想获得超额的收益，必须承担超额的风险。
当然，这个模型的基础假设是认为市场处于均衡状态。笔者认为，从实战出发，不能事先假定市场处于某个完美状态，而正是不完美的市场才给了大家获得超额收益的机会。
实际上，市场永远没有均衡状态，一直在均衡状态上下波动；市场也不存在完美状态，因为社会是进步的，永远有新的游戏规则出现，所以这是一个不完美的市场。笔者基于此提出一个策略三因子（Strategy Three Factors,STF）模型来解释策略的收益来源。笔者认为，影响策略收益最重要的是3个因子：时间因子、风险因子和信息因子。
式中，S(i)代表策略 i 的预期收益率，time、risk、info 分别代表时间因子、风险因子和信息因子，F 1 、F 2 、F 3 分别代表对应的3个函数。对于这3个因子的解释如下。
1）时间因子
从长期来看，资产的价格都是上涨的，不管是不动产，还是股票、债券，在大的时间周期上，价格都是向上的，其背后的原因是通货膨胀。现代社会采用的是主权货币制，这就决定了不管是美元、欧元，还是人民币等主权货币，其发行量都是不断增加的。货币如水，资产如船，水涨船高，这就是时间带来的收益。
时间因子更多地表现在债券的收益率和股票的分红率上。债券通过收益率返还给投资者，股票通过分红率为投资者创造收益。
2）风险因子
这个风险因子和CAPM 中所说的β的内涵一致，要想获得更高的收益率，就必须做高风险的投资。比如，做天使投资的收益率显然要高于做PE的收益率，一级市场的收益率显然要高于二级市场的收益率，就是这个道理。当然，高风险的投资就意味着不一定是收益，很可能也会亏得很惨，甚至血本无归。
3）信息因子
信息因子的意思就是，要想获得超越别人的更多的收益，就必须掌握更多的信息。当市场处于半强有效状态的时候，就必须依靠私人信息来战胜市场。这个私人信息既可以是内幕消息，也可以是采用数据挖掘等技术获得的信息。
要想在市场上长期战胜对手，就必须拥有信息优势，也就是我们常说的信息不对称。这种信息不对称可以来自科技手段、分析模型或者独特的市场壁垒等。
在这3个因子中，只有第三个因子是最有价值的，这也是众多量化投资大师的盈利原因所在，比如，德邵依靠的是高速计算机系统，西蒙斯依靠的是人工智能模型。从长期来看，只有拥有信息优势的策略才是稳定、可靠的策略。
开发策略是一件很简单的事情，但在策略投入实际运用之前，必须做全面的评估。特别是当开发了大量策略之后，到底用哪个策略、为什么要用这个策略，就必须有一个针对策略的评估标准。
1）绝对收益
CAPM揭示了一个基本原理：风险与收益是对等的，风险越大，收益就越大。但是对此结论笔者有不同的看法。笔者认为，准确的说法应该是：风险越大，收益率就越大。但是绝对收益的大小并不仅仅与收益率有关，更重要的是和投入的本金有关，因为
绝对收益=本金×收益率
从上面这个简单的公式中可以看出，绝对收益由本金和收益率两个指标决定，其中对最终的绝对收益有重大影响的不是收益率，而是本金。本金规模的扩大要比收益率的提高容易得多。从20%的收益率提高到30%的收益率是非常困难的，但是从1亿元的规模扩大到10亿元的规模会容易得多。
那么，本金又与哪些因素相关呢？很显然，本金的大小和风险是负相关的。风险越大的策略，可以投入的本金越小。而风险和收益率又是正相关的，则可以知道，本金和收益率是负相关的。也就是说，收益率越大的策略，可投入的本金越小；收益率越小的策略，可投入的本金越大。
这也就是我们在现实市场中观察到的现象：债券市场的收益率低于股票市场的收益率，但是规模比股票市场的规模大得多；股票市场的收益率高于期货市场的收益率，但是规模要比期货市场的规模小得多。从投资者的心理也可以看出：投资者更愿意将主要的资金投资于低风险的策略或产品，而将少量的资金投资于高风险的策略或产品。
所以，对于一个策略来说，最重要的是绝对收益，而不是收益率，那么本金的变化就成为最重要的因素。
低收益率的策略由于风险较低，因此可以通过放大杠杆的方式扩大本金的规模，从而大大增加绝对收益。下面就来讨论一下策略的杠杆问题。
2）策略的最大回撤
最大回撤是投资者，尤其是资产管理人需要密切关注的一个指标，因为最大回撤往往代表了投资者所能忍耐亏损的极限。很多基金产品都会有一条止损线，一旦突破该止损线，将被强制清盘。所以，即使资产管理人对自己的策略很有信心，认为在未来一段时期肯定会挽回亏损，但是短期的回撤一旦超过止损线，将会被强制出局，再也没有挽回的余地。因此，从实战的角度来看，最大回撤往往比收益率和夏普比率更加重要。
另外，最大回撤也决定了产品所能使用杠杆的比例。例如，有一个策略，最大回撤是20%，那么理论上可以用20%的自有资金做保底，设计一个结构化产品，当该产品亏损20%的时候先从自有资金中扣除。这样的产品就相当于获得了5倍的杠杆，放大了本金，从而获得更大的收益。
这里我们用M_R和M_Rr分别表示历史最大回撤和期望最大回撤。
3）绝对收益与杠杆
因为绝对收益=本金×收益率，所以对于最终的绝对收益而言，本金这个变量的影响是巨大的，远远超过了收益率的影响。投资过期货的人都有经验，一般而言，期货是很难进行满仓操作的，因为一旦反向波动，就意味着出现穿仓现象，期货公司会强制平仓。出于稳健考虑，很多时候只能使用30%、40%的仓位进行交易，这样一来，本金的利用率大大降低，纵然收益率很高，但是最终的绝对收益并没有想象的那么大。
下面就这个问题进行深入探讨。假定有一个策略，可以实现R的期望收益率（年），期望最大回撤为M_Rr。令P 1 表示无杠杠的收益，V 1 表示本金，则可以轻易得出
就到此为止了吗？显然不是，可以以 V 1 作为保证金，构建一个保底的结构化产品，业绩提成为K（年），则该结构化产品的理论最大杠杆倍数为1/M_Rr。也就是说， V 1 为本金，客户资金为 V 2 =(1/M_Rr-1)×V 1 ，总资金规模为 V 1 +(1/M_Rr-1)×V 1 =V 1 × (1/M_Rr)。
（1）当策略出现历史最大回撤M_R时，该结构化产品的亏损为V 1 ×(1/M_R)×M_R=V 1 ，即刚好亏完本金，客户实现保本。
（2）当实现了R的期望收益率后，该策略的最终收益是多少呢？
令P 2 为客户资金的收益，则P 2 =V 2 ×R=(1/M_Rr-1)× V 1 ×R
从式（3）中可以看出，该公式的第一部分就是本金的收益率，第二部分是杠杆后增加的收益率。考虑杠杆后的收益率与期望最大回撤M_Rr具有负相关的关系，即期望最大回撤越小，理论上可以放大的杠杆越大，则最终的收益率还是放大的。
例如，有两个策略A和B，策略A的期望收益率为15%，最大回撤为5%；策略B 的期望收益率为30%，最大回撤为20%，业绩提成为20%，则可以计算出策略 A和策略B的理论最大杠杆收益率分别为
可以看出，策略A由于最大回撤小，获得了更大的杠杆倍数，从而获得了更高的理论杠杆收益率。所以，最大回撤越小，杠杆收益率越大，再次证明了策略稳定性的重要性。也就是说，绝对收益与风险是负相关的关系。传统 CAPM 所说的“风险越小，收益越小”是不完备的，正确的说法应该是“风险越小，收益率越小，绝对收益越大”。
在实战交易中，对于策略有很多考量，如收益率、风险度，对于这些考量也有很多指标来衡量，收益率有绝对收益率、相对收益率、年化收益率、阿尔法收益率等，风险度指标也有β系数、夏普比率等。
但是从绝对收益的角度来看，笔者认为，一个实战策略最重要的考虑因素是该策略的资金规模。一个好的策略不仅仅在小资金的时候能获得高额收益，更重要的是当该策略面对大资金的时候，是否还可以保持收益率的稳定性。
因为绝对收益=本金×收益率，所以最终的绝对收益不仅取决于收益率，而且取决于本金的大小。一个在10亿元资金规模可以获得10%收益率的策略，显然要比一个在1亿元资金规模可以获得30%收益率的策略更有价值，因为资金规模的限制决定了该策略可以复利的程度。
为了考虑资金规模的影响，笔者在夏普比率的基础上提出了一个新的指标：D-Ratio。
式中，R p 为预期收益率，R f 为无风险收益率，σ为收益率标准差，c为最大资金规模。c的范围为0～∞。当c=0时，e -c =1；当c=∞时，e -c =0。这说明最大资金规模越大，则D-Ratio的值越大。该指标可以判断大资金策略和小资金策略的区别。
例如，有一个策略，1亿元资金规模可以做到30%的收益率，无风险收益率为5%，标准差为10%；有另一个策略，5亿元资金规模可以做到15%的收益率，无风险收益率为5%，标准差为5%。这两个策略的D-Ratio分别为：
如表2.3所示是这两个策略的收益率、夏普比率和D-Ratio的比较。
表2.3 不同策略的收益率、夏普比率、D-Ratio的比较
很明显，虽然第二个策略的收益率和夏普比率不如第一个策略，但是考虑了资金规模后，该策略的价值更大。
从D-Ratio的公式定义来看，其实就是在夏普比率的基础上考虑了资金规模后的一个分母项(1+e -c )，当c趋向0的时候，e c =1,1+e -c =2；当c趋向无穷的时候，e -c =0, 1+e -c =1。可以看出，最大资金容量越小，D-Ratio值越小；最大资金容量越大，D-Ratio值越大。
那么，这里有另一个问题：怎么定义最大资金容量呢？这里给出一种简单的说法：让收益率趋近无风险收益率的那个资金值即最大资金容量。数学上的定义如下：
令C_M为最大资金容量，C为策略的资金量，R为策略的收益率，R p 为无风险收益率，则
D-Ratio 是针对策略或者具体某个投资产品的评估，但是在做资产配置或者策略组合的时候，特别是在通过 FOF 的方式做基金产品组合的时候，还需要考虑基金经理在其中的重要作用，这就需要对基金经理有一个客观的评估。笔者在研究中发现，基金经理的历史收益率和管理规模与未来的绩效呈负相关关系，更有价值的可能是基金经理的学历和从业年限，故而我们提出D-三因子模型。
式中，Y 为对冲基金公司的评分；Equity 是对冲基金公司的基金经理控股情况；Edu是基金经理的学历；Year是基金经理的从业年限；ε为误差项；p 1 、p 2 、p 3 为权重。
该公式适合对对冲基金公司进行整体评价，而并不是针对单个产品的。我们认为，一家优秀的、能长期稳定盈利的对冲基金公司必须有优质的股权结构、高学历的基金经理和长期的投资经验。满足这些条件的对冲基金公司就算短期业绩有所波动，从长期来看，也是值得信赖的管理人。
Equity的建议区间评分如表2.4所示。
表2.4 Equity的建议区间评分
假定有一只国外归来的新的对冲基金，其创始人为美国常青藤学校的博士，他在某大型对冲基金公司里有10年的从业经验。并且该创始人同时也是基金经理，拥有80%的股份。按照传统的做法，该公司在国内并没有可追溯的历史业绩，很难评价。业内通行的做法是要求该对冲基金公司发行小资金容量的产品，观察一段时间后再考虑进入白名单之类。但是这种做法往往会失去与优秀对冲基金经理合作的机会。
根据D-三因子模型，可以得出该公司的评价得分为
这是相当不错的数字，可以得到AA评价。
在金融市场越来越复杂的情况下，需要开发不同的策略来拟合市场的机会。那么，如何进行策略的筛选与组合呢？
在进行多策略组合的时候，最需要考虑的是策略之间的相关系数。相关系数过大的策略，在面对同样的市场环境时，会出现近似的表现，从而带来较大的策略风险。因此，在进行多策略组合之前需要对相关性过大的策略进行筛选。这里定义策略之间的相关系数如下：
令策略x的预期收益率为x i (i=1,2,…,n)，策略y的预期收益率为y i (i=1,2,…,n)，则x i 与y i 的相关系数即策略x和y的相关系数。
当ρ xy =1时，表示策略x和y完全正相关。
当ρ xy =-1时，表示策略x和y完全负相关。
当ρ xy =0时，表示策略x和y完全不相关。
在实际交易中，我们希望策略之间最好不相关，也就是尽量进行ρ xy =0的策略之间的组合。
策略筛选有两个基本原则。
（1）将与整体策略池负相关的策略剔除，因为这意味着该策略对整体的贡献是负的。
（2）对于两个负相关的策略，保留那个与整体策略池最独立的策略。
假定策略池中有n个策略（s 1 ,s 2 ,s 3 ,…,s n ）,ρ ij 为策略s i 与s j 的相关系数，则可以有这样一个策略池中不同策略之间的相关系数矩阵：
从上式中可以看出，这是一个对角线元素为1的对称阵，ρ in =ρ ni 。其中第i行（ρ i1 ,ρ i2 ,…,ρ in ）表示策略s i 与策略池中所有策略（包括自己）的相关系数。
我们可以定义
表示策略 s
i
与策略池的相关系数（减掉1是因为要去除与自身的相关系数值），则可以得到策略与策略池的相关系数矩阵为
筛选步骤如下。
（1）如果ρ' i ＜0，则将策略s i 从策略池中剔除。重复此过程，当剔除所有与策略池负相关的策略后，假定还剩下k个策略（s 1 ,s 2 ,…,s k ）,k≤n，其中ρ' i ＞0(i=1,…,k)，则相关系数矩阵分别为
（2）如果相关系数矩阵中有两个策略s i 、s j ，其中ρ ij <0（意味着策略s i 与s j 负相关，则二者只能选其一），且0<ρ' i ＜ρ' j ，则将策略s j 从策略池中剔除（因为ρ' i 更接近0，则表示策略s i 与策略池的关系更独立）。
经过这两步筛选后，剩下的m个策略就是剔除负相关的策略后剩下的有效策略， m≤k≤n，相关系数矩阵分别为
我们来看一个例子。假定策略池中有5个策略（s 1 ,s 2 ,s 3 ,s 4 ,s 5 ），策略池的相关系数矩阵为
计算出
第一步：剔除与整个策略池负相关的策略。可以看出策略s 2 与整个策略池的相关系数为-0.2，则将策略s 2 从策略池中剔除，留下的策略池为（s 1 ,s 3 ,s 4 ,s 5 ），对应的相关系数矩阵分别为
第二步：我们发现策略s
1
和s
3
的相关系数为-0.1，这意味着这两个策略是负相关的，则考虑它们相对策略池的相关系数，
，也就是说策略s
1
相对于整个策略池更加独立，则保留策略s
1
，将策略s
3
从策略池中剔除。那么在留下的策略池中，就只有3个策略（s
1
,s
4
,s
5
），对应的相关系数矩阵分别为
这样我们就完成了策略的筛选步骤。
经过前面的筛选后，假定有 m 个策略组合 S=(s
1
,s
2
,s
3
,…,s
m
)，资金以 r
1
,r
2
,r
3
,…,r
m
权重分配到策略s
1
,s
2
,s
3
,…,s
m
上，其中r
i
≥ 0,
。
因为做空操作包含在策略中，所以权重就不存在为负的情况，这和马科维茨的证券组合选择理论中的情况有些不一致，读者需要注意。
令策略s i 的收益率为x i ，则策略组合S的收益率为
策略方差为
式中，x i 、x j 分别为策略s i 与s j 的收益率，ρ ij 为策略s i 与s j 的相关系数。
策略的最大资金容量为
式中，c i 是策略s i 的最大资金容量。
这样，根据单个策略的收益率、方差和最大资金容量，就可以得出组合策略的收益率、方差和最大资金容量，也就可以计算出夏普比率和D-Ratio这样的评价指标。
多资产配置和策略组合最终获得成功，最关键的因素就是资金分配。对于这个问题，笔者提出了两种解决方法：一种是基于因子平价的 D-公式；另一种是基于策略最低相关性的R-公式。
因子平价（Factor Parity）方法是从风险平价的思想推广而来的。风险平价追求所有资产的绝对风险相同，因子平价是对风险平价的扩展，也就是说，对于策略有不同的评价因子，根据这些因子的表现，我们可以追求某个因子的绝对数值一致。笔者将其命名为D-公式，具体如下。
假定某个投资组合中有n个资产，资金权重用w i （i=0～n）表示，每个资产的评价因子为f i （i=0～n），根据因子平价理念，该投资组合应该满足以下两个条件：
式（1）的意思就是：投资组合中的单个资产的绝对因子相同，对于 factor 值大的策略，权重应该小一些；对于factor值小的策略，权重可以大一些。
式（2）的意思就是：对于所有的策略组合，其总权重等于1。
根据上面两个公式，可以推导出单个策略的权重为：
我们来看一个案例。假定一个策略组合中有3个策略（A 1 , A 2 , A 3 ），其factor值分别为（0.1,0.2,0.25），则可以计算出：
从结果中可以看出，factor值最小的策略A 1 的仓位最重，factor值最大的策略A 3 的仓位最轻。绝对factor值分别为：
这样就实现了绝对factor值相同的结果，从而实现了factor值的平均分配。
这样我们可以有4种因子平价方式。
（1）收益率平价：factor用预期收益率表示。
（2）风险平价：factor用风险因子表示，如方差、标准差等。
（3）风险收益平价：factor用夏普比率表示。
（4）绝对收益平价：factor用D-Ratio表示。
另一种确定资金分配的方式是尽可能地扩大策略之间的独立性，也就是降低相关性，从而保持策略的生存概率，笔者将其命名为 R-公式。在不同策略之间进行资金分配的关键在于确定权重r 1 ,r 2 ,…,r m 。资金在不同策略之间的分配遵循一个原则： 与策略池独立性越高的策略要给予更大的权重 。
在目前的相关系数中，1代表完全相关，0代表完全独立。因为我们更希望给予相关系数为0的策略更大的权重，所以这里需要对相关系数矩阵进行一些改造。定义绝对相关系数矩阵为
这样就将（0,1）之间的相关系数ρ转化为（1,0）之间的绝对相关系数ρ t 了。
如果ρ
ij
=1，则
；如果
，则
；如果
，则
。
越是独立的策略，将获得更大的
值，这就为下面的权重计算奠定了基础。
我们可以定义
表示策略s
i
与策略池的绝对相关系数，则可以得到策略与策略池的绝对相关系数矩阵为
则可以定义权重
，这样就可以获得资金在不同策略之间的最佳分配比例。
继续前面的例子，该策略池中共有3个策略（s 1 ,s 4 ,s 5 ），对应的相关系数矩阵分别为
则计算出策略之间的绝对相关系数矩阵为
策略与策略池的绝对相关系数矩阵为
根据权重
，可以得出策略s
1
的权重为1.7/(1.7+1.3+1.4)=38.6%。按此计算得出策略池的权重矩阵为（38.6%,29.5%,31.9%），这就是最终的资金分配比例。从结果中可以看出，策略s
1
与策略池的相关系数最小，也就是最独立，从而获得最大的资金权重。
SGT 是笔者在多年的投资生涯中经验性的总结。总的来说，SGT 从另一个角度探讨了资产管理的问题，并且得出了和传统资本资产定价模型不一样的结论。
（1）证明了“主动管理是可行的”的道理。因为市场上确实存在一种低风险/高收益策略，虽然它的资金容量不大。传统的 CAPM 和有效市场假说都认为无法通过主动管理来战胜市场，但是笔者认为，这个结论只适合大多数的普通投资者。由于信息不对称，有些优秀的策略确实是可以战胜市场的，当然这种策略所能占据的市场规模是较小的。
（2）阐述了“赚大钱靠杠杆”的道理。文中通过一个公式证明了策略的最大回撤越小，所能放大的理论杠杆就越大，从而使得杠杆后的收益率就越大。这也同时说明了传统的 CAPM 中所说的“风险越小，收益越小”的说法是不完备的，正确的说法应该是“风险越小，收益率越小，绝对收益越大”。
（3）阐述了“应该积极地主动控制风险，而不是将风险选择权交给投资者”的道理。根据CAPM和有效市场假说，过去40年资本管理行业被动投资大行其道，这其实是管理人主动交出风险控制权，由投资者根据自己的偏好自行选择相关的被动管理产品的结果。例如，风险偏好低的，可以选择大盘指数ETF；风险偏好高的，可以选择小盘指数 ETF。但是无论选择哪种策略，风险选择权都在投资者手里。笔者认为，作为一个积极的管理人，应该主动控制风险，并且通过对风险的严格控制、放大杠杆来获得更高的绝对收益。