第2章投资组合理论基础

第二章：投资组合理论基础——MPT、有效前沿与CAPM

各位同学，今天我们来啃一块硬骨头——现代投资组合理论。说实话，我刚入行那会儿，觉得这些理论就是学院派搞出来的花架子。直到有一次，我帮一个客户管理资产组合，凭感觉配了一堆“看起来不错”的股票，结果市场一波动，回撤大得吓人。嗯，从那以后，我才老老实实把MPT捡起来重新学了一遍。

你想想看，投资本质上就两件事：收益和风险。怎么在两者之间找到平衡？这就是MPT要解决的核心问题。

MPT是哈里·马科维茨在1952年提出的。说白了，就是一句话：不要把鸡蛋放在同一个篮子里。但马科维茨用数学把这句老话给量化了。

核心思想其实很简单：

我在项目中遇到过最典型的案例：一个客户重仓了两只科技股，看起来都是好公司，但它们的走势高度相关。市场一跌，两只一起崩。这就是典型的“伪分散”。

关键公式：组合收益 E(Rp) = Σ wi × E(Ri)

组合方差 σ²p = Σ Σ wi × wj × σi × σj × ρij

其中 wi 是权重，ρij 是相关系数

这里有个坑，我提醒一下：很多人以为多买几只股票就是分散。其实不然。如果你买的都是同一个行业的，或者都是同一个风格的，那分散效果会大打折扣。

有效前沿是什么？我习惯这么理解：给定风险水平下，能拿到的最高收益。或者反过来，给定收益目标下，能承受的最低风险。

把所有可能的组合画在图上，横轴是风险（标准差），纵轴是收益。这些点会形成一个类似子弹头的形状。有效前沿就是这条曲线的上半部分——从最小方差组合到最高收益组合的那一段。

个人经验：我在做量化策略回测时，经常用有效前沿来评估策略的“性价比”。如果一个策略的点落在有效前沿下方，说明还有优化空间。

为什么会形成这种形状？因为资产之间的相关性不是完美的。你想想看，当你在组合里加入一个低相关性的资产时，风险下降的幅度可能比收益下降的幅度更大。这就是分散化的魔力。

下面我用一张SVG图来展示有效前沿的核心逻辑：

这张图里，红色曲线就是有效前沿。曲线上的每个点都代表一个“最优组合”。曲线下方的点，要么风险太高，要么收益太低，总之不是最优解。

注意：有效前沿是基于历史数据计算出来的。但历史不代表未来。我曾经见过一个团队，完全依赖历史数据做有效前沿，结果市场风格切换后，组合表现一塌糊涂。所以，有效前沿是参考，不是圣旨。

CAPM是夏普等人在MPT基础上发展出来的。它回答了一个很实际的问题：一只股票的预期收益到底该是多少？

公式很简单：

E(Ri) = Rf + βi × [E(Rm) - Rf]

其中：

β值怎么理解？我举个例子：

我在项目中遇到过这样的情况：有个策略专门选β大于1.5的股票，想在牛市里跑赢大盘。结果熊市一来，回撤直接翻倍。这就是没理解CAPM的实质——高β意味着高风险，不是白给的。

CAPM的核心洞察：

你想想看，这个逻辑其实很深刻。它告诉我们：与其花时间研究个股的“独家消息”，不如把精力放在判断市场走势和配置贝塔上。当然，这是理论层面的。实际交易中，短期还是有很多非理性因素在起作用。

这三个理论是一脉相承的：

我个人习惯把MPT看作“组合构建的蓝图”，有效前沿是“最优解的集合”，而CAPM是“单个资产的定价标尺”。三者结合，才能形成一个完整的投资决策框架。

避坑指南：我曾经犯过一个错误——直接用CAPM算出来的预期收益作为买入依据。后来发现，CAPM假设市场是有效的，但现实市场经常无效。所以，我现在的做法是：用CAPM做参考，再结合基本面和技术面做综合判断。

好了，这一章的内容就到这里。理论是枯燥的，但它是实战的基石。下一章我们会用Python把这些理论变成可执行的代码，到时候你就能亲手画出有效前沿、计算β值了。

公众号：蓝海资料掘金营，微信 deep3321