3. 资产配置基础：大类资产分类、战略与战术层面、分散化投资的数学原理、有效前沿的构建

聊到量化交易，很多人第一反应就是选股、择时、搞策略。但我做了这么多年，越来越觉得——真正决定你收益曲线的，其实是资产配置。说白了，你选什么资产、各放多少比例，这比你在单个品种上折腾半天重要得多。

这一章，我们就来拆解资产配置的核心逻辑。嗯，内容有点干，但都是硬货。

3.1 大类资产分类：你得知道你在玩什么

先搞清楚一个基本问题：市场上到底有哪些资产类别？我个人习惯把它们分成四大类：

• 权益类：股票、ETF、股指期货。波动大，长期收益高。
• 固定收益类：国债、企业债、可转债。相对稳，但别指望暴富。
• 商品类：黄金、原油、农产品。抗通胀，跟股债相关性低。
• 现金及等价物：货币基金、短期国债。流动性好，收益嘛...聊胜于无。

你可能会问：加密货币算哪类？我个人倾向于把它归为「另类资产」，波动太大，不适合做配置底仓。

3.2 战略 vs 战术：一个管长期，一个管短期

资产配置有两个层面，很多人容易搞混。我刚开始做的时候也犯过这个错。

战略资产配置（SAA），是长期的大方向。比如你决定「60%股票 + 40%债券」，然后持有三五年不动。这取决于你的风险承受能力和投资目标。

战术资产配置（TAA），是短期的偏离操作。比如你觉得最近股市要跌，临时把股票降到50%，多出来的10%放到债券里。等市场恢复再调回来。

我在项目中遇到过一个问题：有些团队把战术配置做成了频繁交易，结果手续费吃掉了一大块收益。嗯，这里要注意——战术配置不是短线投机，它是在战略框架内的适度偏离。

3.3 分散化投资的数学原理：为什么「别把鸡蛋放一个篮子里」是对的

这句话你肯定听过。但为什么对？数学上怎么解释？

假设你有两个资产A和B，收益分别是R_A和R_B，权重分别是w和1-w。组合的方差是：

σ²_p = w²σ²_A + (1-w)²σ²_B + 2w(1-w)ρσ_Aσ_B

关键就在最后一项——相关系数ρ。如果ρ=1，两个资产完全同步，分散没用。如果ρ<1，组合的风险就会小于加权平均风险。如果ρ为负，那效果更明显。

说白了，你找两个走势不太相关的资产放一起，就能在不降低预期收益的情况下，把波动降下来。这就是分散化的数学本质。

3.4 有效前沿的构建：找到你的「最优解」

有效前沿（Efficient Frontier）是马科维茨提出来的。它解决了一个核心问题：在给定风险水平下，如何让收益最大化？

构建步骤其实不复杂：

1. 收集各资产的预期收益、方差、协方差
2. 用优化算法求解不同风险水平下的最优权重
3. 把结果画成一条曲线——就是有效前沿

下面是我用Python做的一个简单示例：

import numpy as np
import matplotlib.pyplot as plt

# 假设三个资产的预期收益和协方差矩阵
mu = np.array([0.08, 0.12, 0.06])
cov = np.array([[0.04, 0.01, 0.005],
                [0.01, 0.09, 0.008],
                [0.005, 0.008, 0.02]])

# 生成随机权重组合
n_portfolios = 10000
weights = np.random.random((n_portfolios, 3))
weights /= weights.sum(axis=1, keepdims=True)

# 计算组合收益和风险
port_returns = weights @ mu
port_vol = np.sqrt(np.diag(weights @ cov @ weights.T))

# 找出有效前沿
plt.scatter(port_vol, port_returns, c='lightblue', alpha=0.5)
plt.xlabel('风险（标准差）')
plt.ylabel('预期收益')
plt.title('有效前沿示意图')
plt.grid(True, alpha=0.3)
plt.show()

你想想看，有效前沿上的每一个点，都代表一个「最优组合」。前沿下方的点，要么风险太高，要么收益太低，都不是好选择。

3.5 本章知识体系总览

为了让你更直观地理解这一章的逻辑，我画了一张结构图：

这张图把本章的四个核心模块串起来了。从分类开始，到战略战术的区分，再到数学原理，最后落到有效前沿这个工具上。每一步都是环环相扣的。

好了，这一章就到这里。资产配置是个大话题，后面我们还会反复提到这些概念。记住一句话：配置决定成败，择时只是锦上添花。

---