第4章现代投资组合理论（MPT）

第4章：现代投资组合理论（MPT）——马科维茨模型的核心思想

各位同学，今天我们来聊聊现代投资组合理论。说实话，这个理论在金融圈的地位，就跟牛顿力学在物理界的地位差不多。我当年刚入行时，老板扔给我一堆股票数据，说「你给我做个组合优化」。我当时一脸懵，后来啃完马科维茨的论文，才恍然大悟——原来投资不是选最好的股票，而是选最合适的组合。

4.1 马科维茨模型的核心思想

马科维茨在1952年提出了一个颠覆性的观点：不要把所有鸡蛋放在一个篮子里。但这句话谁都会说，关键是怎么科学地放？

他的核心洞察其实很简单：

收益可以衡量：用期望收益率（均值）
风险可以量化：用收益率的波动率（方差或标准差）
组合的效果：不是简单的加权平均，因为资产之间有相关性

说白了，就是通过分散化，在不降低预期收益的情况下降低风险，或者在相同风险下获得更高收益。嗯，这里要注意：分散化不是随便买几只股票就完事了，你得考虑它们之间的相关性。

核心公式：组合的方差 = w₁²σ₁² + w₂²σ₂² + 2w₁w₂σ₁σ₂ρ₁₂

其中ρ是相关系数。当ρ < 1时，组合风险就小于单个资产风险的加权平均。这就是分散化的数学本质。

我在项目中遇到过一位客户，他买了20只科技股，以为分散了。结果一算相关系数，全在0.8以上。这哪是分散？这是把鸡蛋放在20个相邻的篮子里，一摔全碎。

4.2 有效前沿与最优组合

有效前沿是什么？我习惯这么理解：给定一组资产，你能达到的「最佳风险-收益边界」。

你想想看，如果你把所有可能的权重组合都画出来，会得到一个散点图。这些点中，有一部分是「占优」的——在相同风险下收益最高，或者在相同收益下风险最低。这些点连成的曲线，就是有效前沿。

避坑指南：我曾经以为有效前沿是一条平滑的曲线，结果用真实数据一跑，发现全是锯齿。后来才明白，样本数据有限，估计误差会导致前沿「毛躁」。所以实际中我们通常用「收缩估计」或「贝叶斯方法」来平滑。

最优组合怎么选？这取决于你的风险偏好。有效前沿上的每个点都是「最优」的，但哪个最适合你？

风险厌恶型：选靠近左端的点，波动小但收益也低
风险偏好型：选靠近右端的点，收益高但波动大
最理性选择：引入无风险资产，找到资本市场线（CML）与有效前沿的切点——那就是「市场组合」

我个人习惯用夏普比率来选。夏普比率最高的那个组合，就是每单位风险能带来最多超额收益的点。说白了，就是性价比最高的组合。

4.3 均值-方差优化的数学原理

数学上，这是个二次规划问题：

目标函数：最小化组合方差 σ² = wᵀΣw

约束条件：

预期收益 = wᵀμ = μ₀（目标收益）
权重之和 = 1（满仓投资）
允许做空时：wᵢ ∈ ℝ
不允许做空时：wᵢ ≥ 0

其中Σ是协方差矩阵，μ是预期收益向量。为什么用协方差矩阵？因为它捕捉了所有资产两两之间的相关性。我刚开始做优化时，总想着用相关系数矩阵，后来发现协方差矩阵才是正确的——它同时包含了波动率和相关性信息。

求解这个优化问题，可以用拉格朗日乘子法。对于不允许做空的情况，则需要用数值优化算法（比如scipy.optimize）。

4.4 Python实现：从理论到代码

光说不练假把式。下面我给出一个完整的Python实现，你直接复制就能跑。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.optimize import minimize

# 假设我们有4只股票的历史收益率数据
# 实际中你可以从雅虎财经或本地CSV读取
returns = pd.DataFrame({
    'AAPL': [0.02, -0.01, 0.03, 0.01, -0.02],
    'GOOG': [0.01, 0.02, -0.01, 0.03, 0.00],
    'MSFT': [0.03, 0.00, 0.02, -0.01, 0.01],
    'AMZN': [-0.01, 0.03, 0.01, 0.02, -0.01]
})

# 计算预期收益和协方差矩阵
mu = returns.mean() * 252  # 年化收益率
Sigma = returns.cov() * 252  # 年化协方差矩阵

def portfolio_stats(weights):
    """计算组合的预期收益、方差和标准差"""
    port_return = np.dot(weights, mu)
    port_variance = np.dot(weights.T, np.dot(Sigma, weights))
    port_std = np.sqrt(port_variance)
    return port_return, port_variance, port_std

def min_variance_portfolio(target_return=None):
    """求解最小方差组合或给定收益下的最小方差组合"""
    n = len(mu)
    
    # 约束条件：权重和为1
    constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1})
    
    # 如果有目标收益，添加收益约束
    if target_return is not None:
        constraints = (
            {'type': 'eq', 'fun': lambda x: np.sum(x) - 1},
            {'type': 'eq', 'fun': lambda x: np.dot(x, mu) - target_return}
        )
    
    # 不允许做空（权重非负）
    bounds = tuple((0, 1) for _ in range(n))
    
    # 初始权重：等权重
    init_guess = np.array([1/n] * n)
    
    # 目标函数：最小化方差
    def objective(weights):
        _, var, _ = portfolio_stats(weights)
        return var
    
    result = minimize(objective, init_guess, 
                      method='SLSQP',
                      bounds=bounds,
                      constraints=constraints)
    return result.x

# 生成有效前沿
target_returns = np.linspace(mu.min(), mu.max(), 50)
efficient_portfolios = []

for tr in target_returns:
    weights = min_variance_portfolio(tr)
    ret, var, std = portfolio_stats(weights)
    efficient_portfolios.append({'return': ret, 'risk': std, 'weights': weights})

# 绘制有效前沿
risks = [p['risk'] for p in efficient_portfolios]
returns = [p['return'] for p in efficient_portfolios]

plt.figure(figsize=(10, 6))
plt.plot(risks, returns, 'b-', linewidth=2, label='有效前沿')
plt.scatter(risks, returns, c='blue', s=10)

# 标记最小方差组合
min_var_idx = np.argmin(risks)
plt.scatter(risks[min_var_idx], returns[min_var_idx], 
            c='red', s=100, marker='*', label='最小方差组合')

plt.xlabel('风险（标准差）')
plt.ylabel('预期收益')
plt.title('马科维茨有效前沿')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

重要提醒：这段代码用的是样本数据，实际中你需要注意：

预期收益的估计误差很大，建议用CAPM或因子模型来平滑
协方差矩阵对异常值敏感，可以考虑用「收缩估计」或「稳健协方差」
不允许做空的约束会让有效前沿「缩水」，但更符合实际

4.5 知识体系总览

下面这张图帮你理清本章的核心逻辑：

这张图展示了MPT的完整流程：从输入数据开始，经过均值-方差优化，最终得到有效前沿和最优组合。中间的关键概念和注意事项，都是我在实际项目中踩过的坑。

4.6 小结与避坑指南

最后，我总结几个实战要点：

数据质量决定一切：垃圾进，垃圾出。我见过有人用3个月的数据做优化，结果前沿完全变形。建议至少用3-5年的日频数据。
不要迷信最优解：数学上的最优组合，在实际中可能因为交易成本、流动性等问题无法实现。我习惯在最优解附近取一个「稳健区域」。
定期再平衡：组合的权重会随着市场变化而漂移。我一般每季度做一次再平衡，同时检查协方差矩阵是否发生了结构性变化。
黑天鹅事件：MPT假设收益率服从正态分布，但现实中肥尾效应明显。建议结合压力测试和VaR来补充。

我的个人习惯：在做均值-方差优化之前，我会先用主成分分析（PCA）对资产进行降维。这样既能减少估计误差，又能抓住主要的风险因子。你试试看，效果往往比直接用原始数据好。

好了，这一章的内容就到这里。MPT是量化投资的基石，虽然它有很多假设限制，但理解它的核心思想——风险与收益的权衡、分散化的数学本质、有效前沿的构建——对你后续学习因子模型、风险平价等高级内容会非常有帮助。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录