第3章资产配置核心原理

3、资产配置核心原理：现代投资组合理论、风险与收益的权衡、相关性矩阵

各位同学，欢迎来到第三章。这一章，咱们要啃一块硬骨头——资产配置的核心原理。

说实话，我做了十几年ETF投资，见过太多人一上来就问「买哪个能涨？」。但真正赚钱的人，脑子里想的永远是「怎么配」。这背后的逻辑，就是今天要聊的三个关键词：现代投资组合理论、风险收益权衡、相关性矩阵。

3.1 现代投资组合理论：一个诺贝尔奖级别的「免费午餐」

1952年，一个叫马科维茨的年轻人，发表了一篇只有14页的论文。这篇论文后来让他拿了诺贝尔奖。核心思想就一句话：不要把鸡蛋放在一个篮子里，但更重要的是，要放在「不相关」的篮子里。

我刚开始做量化的时候，觉得这理论太简单了。直到有一次，我帮一个客户做回测——他全仓沪深300，我给他配了30%的债券ETF。结果2015年股灾，他的组合回撤只有大盘的一半。嗯，从那以后，我再也不敢小看马科维茨了。

核心公式（简化版）：

组合预期收益 = w₁ × R₁ + w₂ × R₂ + ... + wₙ × Rₙ

组合风险 = √(w₁²σ₁² + w₂²σ₂² + 2w₁w₂σ₁σ₂ρ₁₂)

其中：w = 权重，R = 预期收益，σ = 标准差，ρ = 相关系数

你想想看，这个公式告诉我们什么？只要两个资产不是完全正相关（ρ < 1），组合的风险就会小于单个资产风险的加权平均。这就是所谓的「分散化红利」——免费的午餐。

3.2 风险与收益的权衡：没有免费的午餐，但有「性价比」

做ETF配置，本质上就是在做一道选择题：你愿意承受多少波动，去换取多少收益？

我个人习惯用「夏普比率」来衡量这个性价比。公式很简单：

夏普比率 = (组合收益 - 无风险利率) / 组合标准差

夏普比率越高，说明每单位风险换来的超额收益越多。我见过很多散户，追着年化30%的产品跑，结果夏普比率只有0.3——说白了，就是用巨大的波动去博一点收益，不值当。

我的经验法则：

夏普比率 > 1：优秀，值得长期持有
夏普比率 0.5 ~ 1：及格，可以配置
夏普比率 < 0.5：除非有特殊逻辑，否则别碰

我曾经踩过一个坑。2019年，我看好一只行业ETF，年化收益25%，但波动率高达35%。我算了一下夏普比率，只有0.6左右。当时没在意，结果2020年疫情一来，一个月跌了30%。高收益背后，往往藏着你看不见的风险。

3.3 相关性矩阵：你的「资产关系图谱」

好了，现在我们知道要分散，也知道要看风险收益比。但最关键的一步来了：怎么选资产？

答案是：看相关性。

相关性矩阵，说白了就是一张表格，告诉你任意两个资产之间「同涨同跌」的程度。数值范围从 -1 到 +1：

+1：完全正相关（同涨同跌，分散效果为零）
0：不相关（各自独立，分散效果最佳）
-1：完全负相关（一个涨一个跌，理论上可以消除风险）

现实中，我们追求的是 0.3 ~ 0.6 之间的低正相关。完全负相关的资产几乎不存在，但低相关已经能带来很好的分散效果。

下面这张图，是我用真实数据画的一个典型ETF相关性矩阵。你可以直观地看到不同资产类别之间的关系：

你看这张图，有几个关键发现：

沪深300 vs 国债ETF：相关系数 -0.15 —— 典型的「股债跷跷板」，这是最经典的分散组合
标普500 vs 纳指100：相关系数 0.88 —— 高度正相关，同时配这两个意义不大
黄金 vs 股票：相关系数接近0 —— 黄金是很好的「压舱石」，跟股票基本不相关

⚠️ 重要提醒：

相关性不是一成不变的。我经历过2020年3月，当时美股暴跌，黄金也跟着跌——所谓的「流动性危机」下，所有资产的相关性都会趋近于1。所以，不要迷信历史数据，要动态调整。

3.4 实战：如何用Python快速计算相关性矩阵

光说不练假把式。下面这段代码，是我在项目中常用的「三板斧」——拉数据、算相关性、画热力图：

import yfinance as yf
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 1. 拉取ETF数据
tickers = ['SPY', 'AGG', 'GLD', 'EEM', 'VNQ']
data = yf.download(tickers, start='2020-01-01', end='2023-12-31')['Adj Close']

# 2. 计算日收益率
returns = data.pct_change().dropna()

# 3. 计算相关性矩阵
corr_matrix = returns.corr()

# 4. 可视化
plt.figure(figsize=(10, 8))
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', center=0)
plt.title('ETF相关性热力图')
plt.show()

这段代码跑出来，你就能看到类似上面那张图的效果。我个人习惯把相关性矩阵放在每周复盘的第一页——一眼就能看出组合里哪些资产在「抱团」，哪些在「对冲」。

一个小技巧：

如果你发现组合里两个资产的相关性突然从0.3跳到了0.8，别犹豫，赶紧检查一下市场环境。大概率是发生了系统性风险事件。这时候，分散化的效果会大打折扣。

3.5 从理论到实践：构建你的第一份配置方案

好了，理论讲完了。咱们来点实际的。假设你现在有100万，要做一个「稳健型」组合，你会怎么配？

我建议你按这个步骤来：

定目标：预期年化收益6%~8%，最大回撤控制在15%以内
选资产：股票ETF（宽基）+ 债券ETF + 商品ETF（黄金）+ 现金类
算相关性：确保两两之间的相关系数不超过0.6
定权重：用马科维茨模型算出「有效前沿」上的最优权重
回测验证：至少跑3年以上的历史数据

我曾经帮一个朋友做方案，他一开始非要配80%的科技ETF。我给他看了相关性矩阵——科技ETF和创业板的相关性高达0.85。我说：「你这不叫分散，叫押注。」后来他改成50%沪深300 + 30%国债 + 20%黄金，回撤直接砍了一半。

嗯，这就是资产配置的魅力。

公众号:蓝海资料掘金营，微信deep3321