第4章投资组合优化方法

4、投资组合优化方法：均值-方差优化、最小方差组合、最大夏普比率组合、Black-Litterman模型

说到投资组合优化，很多人第一反应就是「把鸡蛋放在不同篮子里」。但具体怎么放？放多少？这背后其实有一套严谨的数学框架。我做了这么多年量化，踩过不少坑，今天就把最核心的四种方法掰开揉碎了讲给你听。

核心观点：没有完美的优化方法，只有最适合当前市场环境的工具。均值-方差是地基，最小方差是防守，最大夏普是进攻，Black-Litterman是带主观判断的混合体。

均值-方差优化是投资组合理论的基石。说白了，它就是在「收益最大化」和「风险最小化」之间找平衡点。我刚开始做量化时，觉得这玩意儿太简单了——不就是解个二次规划吗？后来才发现，真正的坑全在输入参数上。

它的数学表达其实很直观：

目标：最小化 σ²(p) = wᵀ Σ w
约束：wᵀ μ = μ_target
      Σ w_i = 1
      w_i ≥ 0（可选，不加空头限制）

其中 w 是权重向量，Σ 是协方差矩阵，μ 是预期收益向量。嗯，这里要注意——协方差矩阵的估计质量直接决定优化结果的好坏。我在项目中遇到过用60天滚动窗口估计协方差，结果优化出来的权重剧烈波动，根本没法实盘。

我的经验：协方差矩阵建议用指数加权移动平均（EWMA）或者收缩估计（Shrinkage），别用简单历史平均。尤其是资产数量多的时候，样本协方差矩阵的噪声会放大到离谱。

最小方差组合，顾名思义，就是有效前沿上风险最小的那个点。你想想看，如果你对未来的收益预测完全没信心，那干脆就别管收益了，只求风险最低。这个组合有个特别好的性质——它对收益预测的误差不敏感。

为什么？因为它的目标函数里压根没有预期收益项：

目标：最小化 σ²(p) = wᵀ Σ w
约束：Σ w_i = 1
      w_i ≥ 0（可选）

我曾经在2018年做回测时发现，最小方差组合在熊市里表现特别稳。那年很多主动管理基金亏了20%以上，但最小方差组合只跌了不到5%。当然，牛市里它也会跑输大盘，这是代价。

避坑指南：我曾经以为最小方差组合可以无脑用，结果发现如果资产间相关性突然上升（比如金融危机），它的分散化效果会大打折扣。记得定期检查相关性矩阵的稳定性。

夏普比率 = (组合收益 - 无风险利率) / 组合波动率。最大夏普比率组合，就是有效前沿上那个「性价比」最高的点。说白了，你每承担一单位风险，能获得多少超额回报。

它的求解稍微复杂一点，需要引入无风险资产：

目标：最大化 (wᵀ μ - r_f) / sqrt(wᵀ Σ w)
约束：Σ w_i = 1

这里有个关键问题——预期收益 μ 的估计误差会被放大。我见过有人用过去3年的平均收益作为 μ，结果优化出来的权重全集中在过去涨得最好的几只股票上，这其实是在「后视镜里开车」。

核心建议：如果你要用最大夏普比率，一定要对预期收益做贝叶斯收缩或者使用多因子模型预测。别直接用历史均值，那玩意儿方差太大，容易过拟合。

Black-Litterman模型是我个人最喜欢的方法。它解决了均值-方差优化的一个致命缺陷——对输入参数太敏感。你想想看，如果你对某只股票的预期收益稍微调高0.5%，优化出来的权重可能翻倍，这合理吗？

Black-Litterman的思路是：先假设市场是有效的，用市场均衡收益作为先验。然后，你再加入自己的主观观点（比如「我认为茅台未来一年会跑赢大盘5%」），用贝叶斯方法更新后验收益。这样既保留了市场信息，又融入了你的判断。

它的核心公式长这样：

后验收益 = [(τΣ)⁻¹ + PᵀΩ⁻¹P]⁻¹ × [(τΣ)⁻¹Π + PᵀΩ⁻¹Q]

其中 Π 是市场均衡收益，Q 是主观观点向量，Ω 是观点的不确定性矩阵。看着复杂，但实际用起来很灵活。

我的实战技巧：观点的不确定性 Ω 怎么设？我一般用观点收益的标准差来度量。比如你对某个观点很有信心，就把 Ω 设小一点；没信心就设大一点。另外，τ 通常取0.025到0.05之间，别太大也别太小。

说了这么多，到底什么时候用哪种？我整理了一个表格，方便你对照：

最后提醒一句：别迷信任何一种方法。我见过有人用Black-Litterman模型跑出看起来很美的结果，但实盘一跑就崩——因为他的主观观点全是错的。优化方法只是工具，你对市场的理解才是根本。

好了，这四种方法的核心逻辑和实战要点都讲清楚了。下一节我们会聊到如何用Python实现这些优化，到时候我会把代码一行行拆开讲，包括那些容易踩的坑。