3、投资组合理论：马科维茨均值-方差模型、有效前沿与夏普比率、风险平价与Black-Litterman模型
这一章，我们聊聊投资组合理论。说实话，这是整个量化交易里最「硬核」的部分之一。我当年刚入行时，觉得这些模型就是数学公式堆砌，直到自己实盘亏了钱，才明白——不懂组合管理，赚再多也会还回去。
咱们从最经典的开始讲起。
3.1 马科维茨均值-方差模型：一切的基础
1952年，马科维茨提出了一个看似简单的问题：如果我只关心收益和风险，怎么配比资产最好？
他的答案很直接：
- 用期望收益率衡量收益
- 用方差（或标准差）衡量风险
- 用协方差衡量资产之间的相关性
然后，他构建了一个优化问题：
目标：在给定收益率下，最小化组合方差
约束：权重之和 = 1，允许做空或禁止做空数学形式长这样：
min w^T Σ w
s.t. w^T μ = μ_target
w^T 1 = 1其中 w 是权重向量，Σ 是协方差矩阵，μ 是期望收益向量。
核心洞察：组合的风险不是各资产风险的简单加权平均。因为资产之间有相关性，分散化可以降低整体风险。这就是「不要把鸡蛋放在一个篮子里」的数学表达。
我在项目中遇到过一个问题：直接用历史数据算协方差矩阵，结果优化出来的权重非常极端——全仓一两个资产。后来才发现，样本协方差矩阵对异常值极其敏感。嗯，这里要注意，后面会讲怎么处理。
3.2 有效前沿：你能达到的最佳边界
把上面那个优化问题，对每一个可能的收益率目标都求解一遍，你会得到一系列「最优组合」。把这些组合画在风险-收益图上，就形成了一条曲线——有效前沿。
有效前沿上的每一个点，都代表：
- 在给定风险下，收益最高的组合
- 在给定收益下，风险最低的组合
有效前沿下方的区域，都是「次优」的。说白了，你明明可以赚更多，却选了更差的组合。
个人习惯：我一般不会只取有效前沿上的一个点，而是取整条前沿上的多个点做「组合的组合」。这样即使某个资产出问题，整体也不会崩得太厉害。
下面这张图展示了有效前沿的核心逻辑：
你想想看，有效前沿上的点，其实对应着不同的风险偏好。保守的人选左边，激进的人选右边。但不管选哪个，你都在「最优边界」上。
3.3 夏普比率：收益与风险的「性价比」
有效前沿给了我们一堆「好组合」，但到底选哪个？这时候就需要一个统一的评价指标——夏普比率。
公式很简单：
Sharpe Ratio = (Rp - Rf) / σp其中 Rp 是组合收益，Rf 是无风险利率，σp 是组合标准差。
夏普比率衡量的是：每承担一单位风险，能获得多少超额收益。说白了，就是「性价比」。
关键点：有效前沿上夏普比率最高的那个点，叫做「最大夏普比率组合」。这个组合在理论上是最优的——如果你只关心收益和风险的话。
我曾经犯过一个错误：直接用历史夏普比率选组合，结果回测漂亮，实盘一塌糊涂。为什么？因为夏普比率对输入参数极其敏感。你用的期望收益稍微偏一点，最优组合就跑到天边去了。
避坑指南：夏普比率高不代表未来表现好。我建议至少用3年以上的数据滚动计算，并且做敏感性分析——看看收益假设变化10%，组合权重会怎么变。如果变化太大，说明这个「最优」其实很脆弱。
3.4 风险平价：不依赖收益预测的稳健方案
马科维茨模型有个致命弱点：它太依赖收益预测了。而收益预测，说实话，很难做准。
于是有人想：既然收益预测不准，那我干脆只控制风险吧。这就是风险平价的核心思想。
风险平价的目标很简单：让每个资产对组合总风险的贡献相等。
举个例子：
- 股票波动率20%，债券波动率5%
- 如果按传统60/40配比，股票贡献了90%以上的风险
- 风险平价会大幅降低股票权重，提高债券权重，直到两者风险贡献相等
数学上，风险平价要求：
w_i * (Σw)_i = w_j * (Σw)_j 对所有 i, j 成立其中 (Σw)_i 是第 i 个资产的边际风险贡献。
个人经验：风险平价在震荡市里表现特别好。我曾在2018年用风险平价做多资产组合，那年股票跌了20%，但组合只亏了3%。代价是牛市里跑不赢大盘——这很公平。
3.5 Black-Litterman模型：把主观观点融入模型
马科维茨模型还有一个问题：它假设所有资产的期望收益都来自历史数据。但现实中，你可能有自己的判断——比如「我看好新能源，看空白酒」。
Black-Litterman模型就是来解决这个问题的。它把市场均衡收益和主观观点结合起来，生成一个新的期望收益向量。
核心步骤：
- 从市场均衡出发：假设当前价格已经反映了所有信息，反推出隐含的期望收益
- 加入主观观点：比如「未来一年，新能源跑赢大盘5%」
- 贝叶斯融合：用置信度加权，把市场均衡和主观观点结合起来
- 重新优化：用融合后的期望收益做均值-方差优化
公式长这样：
E[R] = [(τΣ)^(-1) + P^T Ω^(-1) P]^(-1) * [(τΣ)^(-1) Π + P^T Ω^(-1) Q]看着复杂，其实逻辑很简单：
- Π 是市场均衡收益
- Q 是你的主观观点
- τ 和 Ω 控制你有多相信市场 vs 多相信自己的判断
实用建议：我一般把 τ 设得很小（比如0.01），表示我基本相信市场是有效的。然后只对少数几个有把握的资产给出观点，置信度设高一些。这样模型既不会太极端，又能体现你的判断。
3.6 四种模型的对比与选择
讲了这么多，到底用哪个？我整理了一张对比表：
| 模型 | 核心思想 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 均值-方差 | 收益-风险权衡 | 理论完备，直观 | 对输入敏感，易极端 | 学术研究、基准参考 |
| 有效前沿 | 最优边界 | 可视化好，便于决策 | 依赖均值-方差结果 | 组合选择、风险预算 |
| 风险平价 | 风险贡献均等 | 稳健，不依赖收益预测 | 牛市跑输，杠杆需求高 | 多资产配置、养老金 |
| Black-Litterman | 观点+市场均衡 | 可融入主观判断，稳定 | 参数多，实现复杂 | 有研究团队、主动管理 |
我个人习惯是：先用风险平价打底，再用Black-Litterman做微调。这样既有稳健性，又能体现自己的判断。纯均值-方差模型，我一般只用来做敏感性分析，不会直接用它下单。
最后提醒一句：所有模型都是错的，但有些是有用的。别迷信任何一个模型。我见过太多人把Black-Litterman调参调出「完美回测」，结果实盘一塌糊涂。记住，模型是工具，不是答案。