4. 均值-方差模型详解：模型假设、目标函数与约束条件、二次规划求解方法、Python实现与可视化
均值-方差模型，说白了就是马科维茨那套理论。我当年刚接触量化时，觉得这玩意儿太理论了，直到自己真金白银往里砸，才发现——嗯，不懂这个，你连风险怎么量化都不知道。
这一章，咱们把它的底裤扒干净。从假设到求解，再到Python手撸一遍，最后画个漂亮的有效前沿。
4.1 模型假设：理想世界里的投资组合
任何模型都有前提。均值-方差模型也不例外。我个人习惯先列清楚假设，不然跑出来的结果你敢信？
- 投资者是理性的：追求给定风险下的最大收益，或者给定收益下的最小风险。
- 市场无摩擦：没有交易成本、没有税收、可以任意买卖（包括做空）。
- 资产收益率服从正态分布：均值和方差就能完全描述收益特征。
- 投资者用期望收益率和方差做决策：只看这两个指标，别的不管。
⚠️ 我曾经踩过的坑： 现实中收益率根本不服从正态分布。尾部风险、肥尾效应，这些模型里没考虑。所以用均值-方差算出来的最优组合，只能当参考，别全信。
4.2 目标函数与约束条件：数学怎么描述“最优”？
咱们要解决的问题是：给定N个资产，怎么分配权重，让组合在风险最小的情况下收益最大？
数学上，目标函数长这样：
min σ²_p = w^T Σ w
s.t. w^T μ = μ_target
w^T 1 = 1解释一下：
w是权重向量，每个资产投多少。Σ是协方差矩阵，衡量资产间怎么联动。μ是期望收益率向量。μ_target是你想要的目标收益。1是全1向量，保证权重加起来等于1。
你想想看，这其实就是一个带约束的二次优化问题。目标函数是二次的（方差），约束是线性的。
💡 核心要点： 均值-方差模型本质上是在“收益”和“风险”之间做权衡。你每多要一点收益，就得承受更多风险。这个权衡曲线，就是有效前沿。
4.3 二次规划求解方法：怎么算？
求解这个优化问题，最经典的方法就是二次规划。Python里用scipy.optimize.minimize或者cvxopt都能搞定。
我个人习惯用scipy，因为接口更友好。求解步骤：
- 定义目标函数：组合方差。
- 定义约束条件：收益约束 + 权重和约束。
- 调用优化器，得到最优权重。
这里要注意：协方差矩阵必须是正定的，不然优化会出问题。我遇到过协方差矩阵奇异的情况，结果算出来的权重全是NaN……后来发现是数据里有重复的资产。
4.4 Python实现与可视化：动手撸代码
光说不练假把式。咱们用Python实现一个完整的均值-方差优化，并画出有效前沿。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.optimize import minimize
# 模拟数据：5个资产的收益率和协方差
np.random.seed(42)
n_assets = 5
mu = np.array([0.12, 0.10, 0.08, 0.06, 0.04])
Sigma = np.random.randn(n_assets, n_assets)
Sigma = Sigma @ Sigma.T # 保证正定
# 目标函数：组合方差
def portfolio_variance(weights, Sigma):
return weights.T @ Sigma @ weights
# 约束条件
def portfolio_return(weights, mu):
return weights.T @ mu
# 优化：给定目标收益，最小化方差
def optimize_portfolio(mu_target, mu, Sigma):
n = len(mu)
constraints = [
{'type': 'eq', 'fun': lambda w: portfolio_return(w, mu) - mu_target},
{'type': 'eq', 'fun': lambda w: np.sum(w) - 1}
]
bounds = [(0, 1) for _ in range(n)] # 不允许做空
initial_guess = np.ones(n) / n
result = minimize(portfolio_variance, initial_guess, args=(Sigma,),
method='SLSQP', bounds=bounds, constraints=constraints)
return result.x
# 计算有效前沿
target_returns = np.linspace(0.04, 0.12, 50)
frontier_vols = []
frontier_weights = []
for r in target_returns:
w = optimize_portfolio(r, mu, Sigma)
vol = np.sqrt(portfolio_variance(w, Sigma))
frontier_vols.append(vol)
frontier_weights.append(w)
# 可视化
plt.figure(figsize=(10, 6))
plt.plot(frontier_vols, target_returns, 'b-', linewidth=2, label='有效前沿')
plt.scatter(np.sqrt(np.diag(Sigma)), mu, c='red', marker='o', label='单个资产')
plt.xlabel('风险（标准差）')
plt.ylabel('期望收益率')
plt.title('均值-方差有效前沿')
plt.legend()
plt.grid(True)
plt.show()
💡 小技巧： 画有效前沿时，记得把单个资产的点也标出来。这样你能直观看到——组合确实比单个资产更“划算”。
4.5 知识体系结构图
下面这张图，把本章的核心逻辑串起来了。我建议你多看几遍，理解每个模块之间的关系。
4.6 避坑指南：我踩过的那些坑
最后，分享几个实战中容易翻车的地方：
- 协方差矩阵不稳定：历史数据算出来的协方差，未来可能完全不一样。我建议用滚动窗口或者收缩估计。
- 权重过于集中：有时候优化结果会把大部分权重给一个资产。这时候要加个分散度约束。
- 忽略交易成本：频繁调仓会吃掉收益。我一般会在目标函数里加个惩罚项。
⚠️ 重要提醒： 均值-方差模型是基础，但不是万能药。它假设收益率是正态分布，但市场经常给你“惊喜”。用的时候，心里要有数。
好了，这一章就到这儿。代码拿回去跑一跑，看看有效前沿长什么样。下一章咱们聊聊更实用的东西——Black-Litterman模型，怎么把主观观点融入优化里。
公众号:蓝海资料掘金营，微信deep3321