3. 经典最优投资问题：Merton问题简介，从连续时间金融到随机控制

好，咱们今天聊一个在量化金融里绕不开的经典问题——Merton问题。

说实话，我刚入行那会儿，觉得这东西就是纯理论，离实战很远。直到后来做资产配置策略，发现很多看似高深的模型，底层逻辑都跟Merton那套框架脱不了干系。你想想看，一个投资者，手里有笔钱，怎么在股票和债券之间分配，才能让未来某个时间点的效用最大化？这就是Merton问题的核心。

3.1 从离散到连续：为什么我们要跳进连续时间？

传统的投资组合理论，比如Markowitz的均值-方差模型，是在单期框架下玩的。你决定好权重，然后等着期末算账。但现实世界不是这样的。市场每分每秒都在波动，你的仓位可以随时调整。

我个人习惯把这个问题想成一个“动态决策”过程。你今天觉得股票好，买了80%仓位，明天暴跌了，你怎么办？是死扛还是止损？连续时间金融就是允许你“随时”做这个决策。

Merton在1969年和1971年的两篇论文里，把这个动态问题给数学化了。他假设市场是连续的，股票价格服从几何布朗运动，投资者可以无摩擦地连续交易。嗯，这里要注意，连续交易在现实中是不可能的，但数学上它给了我们一个漂亮的解析解。

3.2 数学框架：状态变量与控制变量

咱们先把数学架子搭起来。假设有两种资产：

• 无风险资产（债券）：价格B(t)满足 dB = rB dt，r是无风险利率。
• 风险资产（股票）：价格S(t)满足 dS = μS dt + σS dW，μ是预期收益率，σ是波动率，W是标准布朗运动。

投资者的财富过程W(t)可以写成：

dW = [rW + π(μ - r)W - c] dt + πσW dW

这里π是投资于股票的比例，c是消费率。这个方程说白了就是：财富的变化 = 投资收益 + 风险暴露 - 花掉的钱。

目标函数是最大化期望效用：

J(W, t) = max E[ ∫₀ᵀ e^{-ρs} U(c(s)) ds + e^{-ρT} U(W(T)) ]

其中ρ是主观贴现率，U(·)是效用函数。最常用的效用函数是CRRA（常数相对风险厌恶）：

U(c) = c^{1-γ} / (1-γ)

γ是风险厌恶系数。γ越大，你越不愿意冒险。

3.3 HJB方程：随机控制的核心工具

解决这类动态优化问题，靠的是HJB方程（Hamilton-Jacobi-Bellman）。这个名字听起来吓人，其实思路很简单：

“你今天做的决策，不仅要考虑今天的效用，还要考虑这个决策对未来财富的影响。”

数学上，HJB方程长这样：

ρV = max_{c, π} [ U(c) + V_t + (rW + π(μ-r)W - c)V_W + 0.5 π²σ²W² V_WW ]

V(W, t)是值函数，表示在财富W、时间t时的最大期望效用。V_t、V_W、V_WW分别是V对时间和财富的偏导数。

这个方程怎么解？先对c和π求一阶条件，得到最优控制表达式，然后代回方程，解出V的具体形式。

对于CRRA效用函数，我们可以猜解V的形式为：

V(W, t) = e^{-βt} W^{1-γ} / (1-γ) * g(t)

然后代入HJB方程，得到g(t)的常微分方程。最终解出来，最优投资比例是常数：

π* = (μ - r) / (γ σ²)

这个公式漂亮吧？它告诉你，最优风险资产配置比例，等于超额收益除以风险厌恶乘以方差。说白了，就是夏普比率除以风险厌恶。

3.4 知识体系结构图

下面这张图帮你理清Merton问题的知识脉络：

3.5 代码实现：数值求解Merton问题

理论讲完了，咱们来点实际的。下面这个Python代码演示了如何用有限差分法数值求解HJB方程。说实话，解析解只在CRRA效用下存在，换了其他效用函数就得靠数值方法。

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
gamma = 3.0      # 风险厌恶系数
rho = 0.05       # 主观贴现率
r = 0.03         # 无风险利率
mu = 0.08        # 股票预期收益率
sigma = 0.20     # 股票波动率
T = 10.0         # 投资期限

# 网格参数
W_max = 10.0     # 最大财富
N_W = 100        # 财富网格点数
N_T = 1000       # 时间网格点数

# 网格
W = np.linspace(0, W_max, N_W)
dt = T / N_T

# 值函数初始化（终端条件：V(W,T) = W^(1-gamma)/(1-gamma)）
V = np.zeros((N_W, N_T+1))
V[:, -1] = W**(1-gamma) / (1-gamma)

# 有限差分求解（隐式格式）
for n in range(N_T-1, -1, -1):
    # 对每个财富点，求解最优控制
    for i in range(1, N_W-1):
        # 计算偏导数（中心差分）
        V_W = (V[i+1, n+1] - V[i-1, n+1]) / (2 * (W[1]-W[0]))
        V_WW = (V[i+1, n+1] - 2*V[i, n+1] + V[i-1, n+1]) / (W[1]-W[0])**2
        
        # 最优投资比例（来自一阶条件）
        pi_star = (mu - r) * V_W / (gamma * sigma**2 * W[i] * V_WW + 1e-10)
        pi_star = np.clip(pi_star, 0, 1)  # 限制杠杆
        
        # 最优消费（来自一阶条件）
        c_star = (V_W)**(-1/gamma)
        
        # HJB方程更新
        V[i, n] = V[i, n+1] + dt * (
            c_star**(1-gamma)/(1-gamma) + 
            (r*W[i] + pi_star*(mu-r)*W[i] - c_star) * V_W +
            0.5 * pi_star**2 * sigma**2 * W[i]**2 * V_WW -
            rho * V[i, n+1]
        )
    
    # 边界条件
    V[0, n] = V[1, n]  # W=0时，值函数平坦
    V[-1, n] = V[-2, n]  # 上边界

# 结果可视化
plt.figure(figsize=(10, 6))
plt.plot(W, V[:, 0], 'b-', linewidth=2, label='数值解 V(W,0)')
plt.plot(W, W**(1-gamma)/(1-gamma) * np.exp(-rho*T), 'r--', label='解析解（近似）')
plt.xlabel('财富 W')
 plt.ylabel('值函数 V')
plt.title('Merton问题数值解 vs 解析解')
plt.legend()
plt.grid(True)
plt.show()

3.6 实战中的坑与反思

Merton问题虽然漂亮，但直接套用到实盘会出问题。我总结几个常见的坑：

1. 参数估计误差：μ和σ的估计误差会直接传导到π*上。我建议用滚动窗口估计，或者加贝叶斯先验。
2. 交易成本：Merton假设无摩擦交易，但现实中买卖价差、佣金都会影响最优策略。我曾经在回测中加了10个基点的交易成本，最优π*就降了5%。
3. 跳跃风险：几何布朗运动假设价格连续，但市场有跳跃。2008年金融危机时，很多用Merton模型做配置的基金都亏惨了。
4. 消费平滑：模型假设消费可以连续调整，但现实中消费有惯性。你不可能今天消费100万，明天消费10块。

嗯，说了这么多，其实就想表达一个意思：Merton问题是一个极好的理论起点，但实战中需要做大量调整。我个人习惯把它当作基准，然后在这个基础上加各种现实约束。

最后，记住那个简洁的公式：π* = (μ - r) / (γ σ²)。它背后蕴含的直觉——风险溢价除以风险厌恶乘以风险——是所有资产配置策略的底层逻辑。

---

公众号:蓝海资料掘金营，微信deep3321