传统风险平价（RP）是资产配置中非常经典的方法：不去预测哪个资产未来涨得最多，而是让不同资产对组合整体风险的贡献尽可能均衡，在控制整体风险的同时分享多资产配置带来的成长性收益。它的优点是简单、透明、实施成本低，因此长期被广泛应用。但传统RP有两个比较明显的局限：一是“看得太静态”。传统RP主要根据历史数据计算资产之间的风险关系，并据此配置未来。但市场并不是一成不变的：平稳时期，股票、债券、商品之间的相关性和波动率相对稳定；一旦进入高波动、高轮动或者危机阶段，资产之间的关系可能快速变化。也就是说，今天的风险结构，未必等于过去平均意义上的风险结构。二是“看得太平均”。传统RP把资产之间所有的相关性都纳入计算。资产数量越多、资产之间越相似，这种计算就越容易受到噪声干扰，最终可能出现“资产越多，组合反而越不稳定”的情况。
　　传统风险平价（简称为传统RP）不去预测哪个资产未来涨得最多，而是让不同资产对组合整体风险的贡献均衡，这一模式以简洁（只需给定协方差矩阵）、低成本（无需预测收益）、逻辑清晰（各资产对组合风险贡献相等）的优势著称。但存在两种隐含假设，在真实运用中均受到了挑战。
　　首先“看得太静态”，传统RP隐含资产长期联合分布是“无条件”协方差矩阵，可以用于代表未来的资产风险属性。而现实中，资产的联合分布可能受到市场环境的左尾、右尾牵引，在不同的状态下呈现不同的风险特征，形成“条件”协方差矩阵。
　　其次“看得太平均”，基础风险平价没有考虑到资产之间的“分层”相关性，进而在运用规划求解“协方差-方差”的逆矩阵时，经常遇到“病态矩阵问题”（甚至是奇异矩阵），数理上存在Markowitz诅咒，即组合内资产越相关，越需要分散化，但越可能得到不稳定解（Lopez de Prado，2016）。
　　围绕这两个痛点，现有研究做出两个方向上的改进：一类方法是状态风险平价（RRP）。核心思路很简单：市场不是只有一种状态，而是会在不同环境之间切换。因此，与其用一套权重应对所有市场，不如先判断当前市场处于什么状态，再使用与该状态更匹配的资产配置方案。它解决的是传统RP“看得太静态”的问题。另一类方法是分层风险平价（HRP）。它不再把所有资产放在一起直接计算，而是先根据资产之间的相似程度进行分类，把相关性较高的资产放到同一个“篮子”里，再从大类到小类逐层分配权重。这样做的好处是，可以减少大量高度相似资产之间的重复暴露，同时避免传统方法中协方差矩阵求逆带来的不稳定。它解决的是传统RP“看得太平均”的问题。我们对两种思路取长补短，进而创新地提出融合版本的“状态分层风险平价”，可以把它理解为两道筛选：第一道筛选看时间，即现在是什么市场环境？第二道筛选看资产，即在这个环境下，哪些资产真正具有分散价值？因此，我们可以结合两种思路的优点。
　　Ielpo(2026)将传统风险平价进行改良，其在时间维度进行“纵向分层”，先将市场划分不同状态（Regime），然后在不同市场状态的资产样本中分别进行平价优化（单独跑一遍风险平价），每月初按照上月末的“状态”或历史频率加权“状态”选择本月适用的“平价组合”。
　　Lopez de Prado (2016)针对传统风险平价在资产高相关下求解不稳定、误差易放大的问题，提出分层风险平价（HRP，Hierarchical Risk Parity），其核心是先将资产按相关性聚类分层，形成树状结构，再自底向上逐层分配权重，从而避免协方差矩阵求逆、降低估计误差干扰，实现更稳健、更真实的风险分散。
　　我们理解真实市场中的风险具有“非线性时变的结构分化”，资产间相关性本身既在时间维度上随状态变化，又在横截面维度上存在层级划分。
　　我们先在时间维度把市场划分成不同状态（Regime），再在每个状态内部对资产做分层风险平价（HRP），形成每个状态一套层级平价优化后的权重，每月初按上月所处状态（或某种历史加权状态概率）来选取对应组合。这样处理一是继承了Ielpo的时序动态性，组合能随行情切换；二是继承了HRP的稳健性，在每个状态内剪掉高相关资产间的冗余连线，避免估计误差被放大。
　　首先来看分层风险平价（简称为HRP）在海外资产池上的实际表现，我们以海外12类股债商资产池为例。算法主要分四步：（1）统计每类资产各自的收益和风险，以及它们两两之间的相关性；（2）第二步，把“长得像”的资产归成一堆。用聚类的方式把相似的资产自动聚到一块儿，像一棵树那样一层层分下来，比如美元债券归一堆、欧洲债券归一堆、风险资产归一堆；（3）把资产顺序重新排一下，让高相关的资产挨在一起，方便后面按组分权重；（4）从树顶往下逐层分权重。从最上面的大类开始，一层一层地把权重分到下面的每一堆、每个资产头上。我们还做了两处额外改进：一是从“按波动（协方差-方差）分钱”改成“按性价比（夏普比率）分钱”。二是给输入端降噪。效果显示，自2002年1月至2026年9月初，HRP策略