Starkt inspirerad av ovan artikel, samt denna uppföljande artikel, så har jag lagt till de flesta av modellerna som diskuteras till Ex-Ante Playground, och dessutom en praktisk implementation av Markovitz (long-only mean-variance) och en kombination av Equal Risk Contribution + Markovitz.
Man kan alltså välja att optimera viktningen av en portfölj (eller alla) enligt någon av dessa modeller och se vad utslaget blir för förväntad avkastning, sharpekvot mm. Vill man jämföra samma portfölj med olika viktningar så gör man först en kopia av portföljen och applicerar viktningen på kopian.
Koppling till den ultimata allvädersportföljen lämnar jag för diskussion 
Viktning
Viktning av portföljens innehav görs antingen manuellt, eller beräknas enligt olika modeller som är mer eller mindre naiva, beroende på tillgänglig information och/eller personlig åsikt om vilken information som är pålitlig. Modellerna listas nedan i fallande naivitetsgrad.
Likaviktad
Varje innehav får samma vikt oavsett risk, förväntad avkastning och korrelationer.
Marknadsviktad
Varje innehav är viktad enligt nuvarande marknadsvikt. Obs, behöver ställas in manuellt.
Inverse Variance
Parametrar: volatiliteter (σ)
När innehaven har liknande förväntad avkastning, och då korrelationerna är okända (eller homogena) så är den optimala portföljen viktad enligt inversen av innehavens varians (σ^2).
Inverse Volatility
Parametrar: volatiliteter (σ)
När innehaven har liknande förväntad Sharpekvot, och då korrelationerna är okända (eller homogena) så är den optimala portföljen viktad enligt inversen av innehavens volatilitet.
Maximum Decorrelation
Parametrar: korrelationer (ρ)
När innehaven har liknande förväntad Sharpekvot men varierande korrelationer så är den optimala portföljen viktad så att mängden dekorrelation mellan innehaven är maximerad.
Minimum Variance
Parametrar: volatiliteter (σ) och korrelationer (ρ)
Liknande Inverse Variance men tar även hänsyn till korrelationer. Effektiv när innehaven har liknande förväntad avkastning. Den försöker minimera påverkan av de innehav som har störst varians (σ^2).
Maximum Diversification
Parametrar: volatiliteter (σ) och korrelationer (ρ)
Baserad på antagandet att marknader är risk-effektiva, dvs att ett mer riskfyllt (volatilt) innehav innebär högre avkastning, så maximerar denna algoritm Diversification Ratio (DR, se egen definition).
Equal Risk Contribution (ERC)
Parametrar: volatiliteter (σ) och korrelationer (ρ)
Viktar portföljen så att varje innehav bidrar med lika mycket risk/volatilitet till portföljen som helhet.
Markovitz
Parametrar: förväntad avkastning (μ), volatiliteter (σ) och korrelationer (ρ)
Teoretiskt den portfölj som är mean-variance optimal, dvs maximerad Sharpekvot, men är svårberäknad i praktiken för en portfölj med endast långa innehav. Tar ej hänsyn till riskparitet. En fjärde parameter, kallad riskaversion (λ) avgör om låg risk ska premieras före hög avkastning.
ERC-Markovitz
Parametrar: förväntad avkastning (μ), volatiliteter (σ) och korrelationer (ρ)
En kombination där portföljens vikter beräknade enligt ERC får ligga till grund för en Markovitz-optimering. Behåller/skapar riskparitet för portföljen samtidigt som den kan pressa upp både riskjusterad och absolut avkastning.
Disclaimer: jag har tagit hjälp av AI för implementationen, och har försökt verifiera/jämföra med de teoretiska formlerna, så se detta som en första beta-version av funktionen.