诺贝尔奖获得者马科维茨（Markowitz）曾经指出,通过资产配置实现分散化是投资市场上唯一的免费午餐。然而,分散化投资说起来容易做起来难。许多研究表明,传统的投资组合优化方法依赖期望收益和风险,参数小的变动可以使投资组合构成出现很大的差异,导致模型不稳定。为了解决这类问题,学界和业界提出了不需要预测收益、基于风险的投资组合优化方法,如风险平价模型。当然,这些方法带来了新问题:为了构建最优组合,需要正确利用资产的协方差/相关系数。带来的新挑战是:既要避免因协方差矩阵求逆计算引起的不稳健问题,又要找到能正确利用资产相关性的合适方法。Lopez de Prado（2016）提出了一种基于机器学习技术的新方法——分层风险平价,该方法的核心思想是对资产进行分层聚类,把资金按逆方差模型配置到每一类,再把资金按同样方法配置到每一类中的各个资产。本文通过协方差矩阵收缩估计、聚类算法调整等对Lopez de Prado分层平价模型进行优化,采用全球主要资本市场实际数据,进行大类资产配置、风格资产配置、行业资产配置和个股资产配置等实证研究,并将分层风险平价模型与等权重、均值方差、逆方差、最小方差等模型进行了比较。实证结果表明,分层平价模型具有较高的风险调整收益和较强的稳健性。本文的框架结构如下:第1章介绍了研究背景。第2章进行了文献综述。第3章介绍了分层风险平价模型的构建方法。第4章描述了分层风险平价应用于大类资产配置、风格资产配置、行业资产配置、个股资产配置的策略,以及策略回测结果。第5章对分层风险平价模型的稳定性进行综合分析。第6章为结论与展望。