第二章 核心理论基础（上）：马科维茨均值-方差模型、有效前沿的构建、风险与收益的数学定义

各位同学，欢迎来到第二章。

这一章，我们开始真正触碰资产配置的“灵魂”。说白了，就是回答一个最根本的问题：我到底该怎么分配钱，才能在风险可控的前提下，赚到尽可能多的收益？

这个问题，在1952年之前，基本靠拍脑袋。直到一个叫哈里·马科维茨的年轻人，用一篇博士论文，把整个投资界拉进了“科学时代”。他提出的均值-方差模型，至今仍是所有量化配置策略的基石。我个人习惯，每次搭建新策略前，都会先跑一遍这个模型，看看“基准答案”长什么样。

2.1 风险与收益：先给它们一个“数学身份证”

做量化，第一件事就是把模糊的概念变成精确的数字。收益和风险，在咱们这行，有非常明确的数学定义。

2.1.1 收益的度量：期望收益率

你买一只股票，未来能赚多少？没人能100%确定。所以我们用期望收益率来刻画“平均来看，大概能赚多少”。

对于单个资产，如果它有N种可能的收益率，每种概率是p_i，那么期望收益率E(R)就是：

E(R) = Σ (p_i * R_i)

现实中，我们常用历史数据的算术平均收益率来近似。比如过去5年，某基金年化收益分别是10%、15%、-5%、20%、8%，那它的期望收益率就是(10+15-5+20+8)/5 = 9.6%。

对于投资组合，期望收益率就是各资产期望收益率的加权平均：

E(R_p) = Σ (w_i * E(R_i))

其中w_i是资产i的权重。这个公式很简单，但它是整个配置模型的起点。

2.1.2 风险的度量：方差与标准差

风险是什么？在金融里，风险就是不确定性。数学上，我们用方差或标准差来度量这种不确定性。

方差衡量的是收益率偏离期望值的程度：

Var(R) = Σ [p_i * (R_i - E(R))²]

标准差σ就是方差的平方根。为什么用标准差？因为它的单位和收益率一样，是百分比，更直观。

举个例子：资产A的期望收益是10%，标准差是15%；资产B的期望收益也是10%，但标准差是30%。你选哪个？

答案很明显：A。因为同样的收益，A的风险更小。这就是“均值-方差”框架的核心思想——在给定收益下，追求风险最小化；在给定风险下，追求收益最大化。

2.2 组合的魔法：协方差与相关系数

单个资产的风险收益搞清楚了，但组合的魅力在于“分散化”。为什么分散能降低风险？因为资产之间不是完全同步波动的。

我们用协方差来衡量两个资产收益率的协同变动：

Cov(R_i, R_j) = Σ [p_k * (R_i,k - E(R_i)) * (R_j,k - E(R_j))]

协方差为正，说明两个资产同涨同跌；为负，说明一个涨时另一个跌。但协方差的数值大小受单位影响，不好直接比较。所以我们更常用相关系数ρ：

ρ_ij = Cov(R_i, R_j) / (σ_i * σ_j)

ρ的取值范围是[-1, 1]。ρ=1表示完全正相关，分散化没用；ρ=-1表示完全负相关，可以构建无风险组合；ρ=0表示不相关。

有了这些，组合的方差就可以写成：

Var(R_p) = Σ Σ (w_i * w_j * Cov(R_i, R_j))

这个公式看着复杂，但它的含义很深刻：组合的风险，不仅取决于单个资产的风险，更取决于资产之间的相关性。你想想看，如果你把10个相关系数0.9的股票放一起，分散效果其实很差。但如果你加入一个和它们相关性很低的债券，效果就出来了。

2.3 有效前沿：找到“最优”的那条线

好了，现在我们有工具了。假设我们有N个资产，可以算出它们的期望收益率、方差，以及两两之间的协方差。那么，我们可以构建无数个不同权重的组合。每个组合都有一个(风险, 收益)坐标点。

把这些点画在图上，你会看到一个类似“子弹头”的散点区域。在这个区域的左上边界上，有一系列特殊的点——它们满足：在相同风险下，收益最高；或者在相同收益下，风险最低。这条边界，就是有效前沿（Efficient Frontier）。

有效前沿上的每一个点，都代表一个“最优”组合。你选择哪个点，取决于你的风险偏好。保守的人选左边的点（低风险、低收益），激进的人选右边的点（高风险、高收益）。

2.4 数学求解：如何画出这条线？

画有效前沿，本质上是一个优化问题。最经典的方法是：在给定目标收益率R_target下，最小化组合方差。

数学形式如下：

目标函数：min  σ²_p = w^T * Σ * w
约束条件：
  1. w^T * E(R) = R_target  （组合收益等于目标）
  2. w^T * 1 = 1            （权重之和为1）
  3. w_i ≥ 0                （可选，不允许卖空）

其中，w是权重向量，Σ是协方差矩阵，E(R)是期望收益率向量，1是全1向量。

这是一个典型的二次规划问题。在Python里，用scipy.optimize或者cvxopt库就能轻松求解。我一般会遍历一系列目标收益率（从最小方差组合的收益率到最大收益率），每个收益率解一次优化，把得到的(风险, 收益)点连起来，就是有效前沿。

2.5 一个简单的例子：两种资产

为了让你更直观地理解，我们看一个两种资产的例子。

假设：

• 资产A：期望收益E(R_A)=10%，标准差σ_A=20%
• 资产B：期望收益E(R_B)=5%，标准差σ_B=10%
• 相关系数ρ_AB=0.2

我们让资产A的权重w从0变化到1，步长0.1，计算每个组合的收益和风险：

你看，当w_A=0.2时，组合收益6%，风险10.6%。而单独持有B（w_A=0）时，收益5%，风险10%。多承担0.6%的风险，多赚了1%的收益——这就是分散化的好处。在这个例子中，有效前沿就是这6个点连成的曲线（实际上，步长更细的话，曲线会更平滑）。

2.6 模型的局限与我的应对

马科维茨模型很漂亮，但直接用到实盘，有几个坑：

1. 输入敏感： 期望收益和协方差矩阵的微小变化，会导致最优权重剧烈变动。我见过一个组合，把历史数据窗口从3年改成5年，最优权重就从60%股票变成40%股票。
2. 未来不等同于过去： 模型用的是历史数据估计的参数，但未来可能完全不同。尤其是相关系数，在市场危机时，所有资产的相关性都会趋近于1，分散化效果大打折扣。
3. 单期模型： 它只考虑一个投资期，不考虑交易成本和再平衡。实盘中，频繁调仓会吃掉收益。

我的应对方法很简单：不把它当“圣杯”，而是当“基准”。我会用模型跑出一个参考组合，然后结合主观判断、行业约束、流动性要求，做适当调整。另外，我会用Black-Litterman模型（后面章节会讲）来融合主观观点，让输入更稳健。

好了，这一章的核心内容就这些。你理解了风险收益的数学定义，知道了协方差的作用，也明白了有效前沿是怎么来的。下一章，我们继续深入，看看如何把理论模型真正落地到代码里，并加入一些实战中必须考虑的约束条件。