1. 投资组合理论基石：从马科维茨到现代投资组合
做量化这些年，我见过太多人一上来就搞各种复杂模型。但说真的，如果连最基础的风险收益定义都没吃透，后面全是空中楼阁。今天我们就从马科维茨开始，把地基打牢。
1.1 风险与收益的数学定义
先聊收益。你买一只股票，一年后涨了10%，这10%就是你的收益率。但量化里我们更关心的是预期收益率——说白了，就是未来可能收益的平均值。
预期收益率公式：
E(R) = Σ (pᵢ × Rᵢ)其中 pᵢ 是第 i 种情况发生的概率，Rᵢ 是对应的收益率。
举个例子。假设某只股票有30%的概率涨20%，70%的概率跌5%。那么它的预期收益率就是：
E(R) = 0.3 × 20% + 0.7 × (-5%) = 6% - 3.5% = 2.5%嗯，这里要注意：预期收益率不等于实际收益率。它只是一个数学期望，就像你抛硬币猜正反，长期来看猜对的概率是50%，但具体到某一次，结果完全随机。
再来看风险。我个人习惯用方差或标准差来衡量风险。为什么？因为方差衡量的是收益率偏离预期值的程度。偏离越大，不确定性越高，风险自然就越大。
方差公式：
σ² = Σ [pᵢ × (Rᵢ - E(R))²]还是刚才那只股票。预期收益率是2.5%，那么方差就是：
σ² = 0.3 × (20% - 2.5%)² + 0.7 × (-5% - 2.5%)²
= 0.3 × 0.030625 + 0.7 × 0.005625
= 0.0091875 + 0.0039375
= 0.013125标准差 σ = √0.013125 ≈ 11.46%。这个数字意味着什么？它告诉你这只股票的收益率大约有68%的概率落在 [2.5% - 11.46%, 2.5% + 11.46%] 这个区间里。区间越宽，风险越大。
我的经验：在实际项目中，我很少直接用方差做决策。因为方差对正负偏离一视同仁，但投资者其实更讨厌亏损。所以后来我更喜欢用半方差或下行风险——只考虑亏损那部分的波动。不过那是后话了，先把基础打牢。
1.2 为什么不能把鸡蛋放在一个篮子里？
你想想看，如果你把所有钱都买一只股票，那这只股票跌停你就亏10%。但如果你把钱分成两份，买两只不太相关的股票，情况就完全不同了。
这就是分散化的核心逻辑。马科维茨在1952年用数学证明了这一点：组合的风险不是单个资产风险的简单加权平均。
组合方差公式（两个资产）：
σ²_p = w₁²σ₁² + w₂²σ₂² + 2w₁w₂ρ₁₂σ₁σ₂其中 w 是权重，ρ 是相关系数。
关键就在最后一项：相关系数 ρ。如果 ρ = 1，两只股票完全正相关，那分散没用。如果 ρ = -1，完全负相关，理论上可以消除所有风险。但现实中，大部分资产之间的相关系数在0.3到0.7之间。
我曾经做过一个回测：把资金平均分配到沪深300里的10只股票上，组合的波动率比单只股票平均波动率低了将近40%。这就是分散化的力量。
避坑指南：我曾经犯过一个错误——以为买了很多只股票就是分散化。结果发现买的都是银行股，一荣俱荣，一损俱损。真正的分散化要看资产之间的相关性，不是数量。
1.3 马科维茨模型的核心思想
马科维茨告诉我们：投资决策不是选「收益最高的资产」，也不是选「风险最低的资产」，而是选收益风险比最优的组合。
把所有可能的组合画出来，就得到一条曲线——有效前沿。在这条曲线上，你无法在不增加风险的前提下提高收益，也无法在不降低收益的前提下降低风险。
这张图里，A、B、C三个点都在有效前沿上。A风险低收益也低，C收益高风险也高。选哪个？取决于你的风险承受能力。
但这里有个问题：有效前沿上的点都是最优组合，但哪个才是最适合你的？这就引出了下一个概念。
1.4 资本市场线与最优组合
如果市场上存在无风险资产（比如国债），情况就变了。你可以把一部分钱买国债，剩下的钱买风险资产组合。这样就能在有效前沿上找到一个切点，这个切点就是市场组合。
从无风险利率出发，画一条与有效前沿相切的直线，这条线就是资本市场线（CML）。CML上的所有点，都是无风险资产和市场组合的混合。
资本市场线公式：
E(R_p) = R_f + [E(R_m) - R_f] / σ_m × σ_p其中 R_f 是无风险利率，R_m 和 σ_m 是市场组合的收益和风险。
说白了，CML的斜率就是夏普比率——每承担一单位风险能获得多少超额收益。斜率越大，说明市场越「划算」。
我的习惯：在实际做组合优化时，我一般先算所有资产的夏普比率，把那些夏普比率太低的直接剔除。然后再用马科维茨模型找有效前沿。这样能省不少计算量。
1.5 现代投资组合的演进
马科维茨模型很漂亮，但有个硬伤：它需要你输入所有资产的预期收益率、方差和相关系数。这些参数都是未知的，只能靠估计。而估计误差会直接导致优化结果失真。
后来出现了Black-Litterman模型，它把市场均衡收益和投资者主观观点结合起来，一定程度上解决了参数敏感性问题。再后来，风险平价策略干脆放弃了收益预测，只关注风险贡献的均衡分配。
| 模型 | 核心思想 | 优点 | 缺点 |
|---|---|---|---|
| 马科维茨 | 均值-方差优化 | 理论基础扎实 | 参数敏感，容易过拟合 |
| Black-Litterman | 结合市场均衡与主观观点 | 更稳定，可解释性强 | 需要主观判断，操作复杂 |
| 风险平价 | 等风险贡献 | 分散化效果好，稳健 | 可能牺牲收益 |
我个人在实际项目中用得最多的是风险平价。原因很简单：它不需要预测收益，只需要估计风险。而风险（协方差矩阵）的估计比收益的估计要稳定得多。
我曾经踩过的坑：有一年我用马科维茨模型做资产配置，输入的历史数据刚好是牛市，结果模型把大部分权重都给了股票。后来熊市一来，组合回撤超过30%。从那以后，我学会了加入约束条件——比如单类资产权重不超过40%，或者用滚动窗口估计参数。
1.6 小结
这一章我们聊了三个核心概念：
- 风险与收益的数学定义——预期收益率是平均值，方差/标准差是波动程度
- 分散化的原理——组合风险取决于资产间的相关性，不是数量
- 有效前沿与资本市场线——找到收益风险比最优的组合
这些概念看起来简单，但它们是整个量化投资体系的基石。后面所有章节——从因子模型到动态资产配置——都建立在这些基础之上。
嗯，下一章我们开始动手写代码，用Python实现一个简单的均值-方差优化器。到时候你会看到，理论落地到代码，中间还有不少坑要填。