3. 投资组合理论回顾：马科维茨均值-方差模型及其局限性
聊到资产配置，绕不开一个人——马科维茨。他老人家在1952年搞出了均值-方差模型，说白了就是告诉你：别把所有鸡蛋放一个篮子里，而且得知道每个篮子风险多大。这个模型至今仍是量化投资的基石。但我得说句实话，实际用起来，坑不少。
3.1 均值-方差模型的核心思想
这个模型想解决什么问题？很简单：给定预期收益，怎么让风险最小？或者给定风险，怎么让收益最大？
它假设投资者都是理性的，只关心两件事：
- 预期收益（均值）——你希望赚多少
- 风险（方差/标准差）——你可能会亏多少
然后通过数学优化，找出一条“有效前沿”。在这条曲线上，每个点都是某个风险水平下的最优收益组合。
核心公式（别怕，就这一行）：
min σ²_p = w^T Σ w
s.t. w^T μ = μ_target
sum(w) = 1其中 w 是权重向量，Σ 是协方差矩阵，μ 是预期收益向量。说白了就是：在目标收益下，找一组权重让组合方差最小。
3.2 有效前沿与最优组合
我个人习惯先画一条有效前沿。你看下面这张图就明白了：
这张图里，每个红点代表一个资产。蓝色曲线就是有效前沿。曲线上的每个点，都是某个风险水平下的最优收益。你想想看，如果你只买一个资产，大概率落在红点位置——要么风险太高，要么收益太低。
我的经验：实际做组合优化时，我一般先找到最小方差组合（图中橙色点），然后沿着有效前沿往上走。具体选哪个点，取决于你的风险承受能力。保守型就靠近最小方差，激进型就往右上角走。
3.3 模型的数学表达
嗯，这里要稍微深入一点。均值-方差模型本质上是个二次规划问题：
目标函数：min w^T Σ w
约束条件：
① w^T μ = μ_target （目标收益）
② sum(w) = 1 （满仓投资）
③ w_i ≥ 0 （不允许做空，可选）解这个优化问题，你会得到一组权重。举个例子：
| 资产 | 预期收益 | 风险（标准差） | 最优权重 |
|---|---|---|---|
| 股票A | 12% | 20% | 35% |
| 债券B | 5% | 8% | 45% |
| 黄金C | 8% | 15% | 20% |
| 组合 | 8.2% | 10.5% | 100% |
你看，组合的风险10.5%，比股票A的20%低很多，但收益8.2%也不算差。这就是分散化的威力。
3.4 模型的局限性——我踩过的坑
理论很完美，现实很骨感。我在项目中用过这个模型好几次，每次都被它坑。下面这几个问题，你一定要注意：
局限性一：输入参数极度敏感
我曾经用过去3年的数据算协方差矩阵，结果优化出来的权重里，某个资产占了80%。换用过去5年的数据，同一个资产变成了5%。你想想看，这谁敢信？
说白了，均值-方差模型对输入参数太敏感了。预期收益差1%，权重可能差20%。而预期收益本身又很难准确估计。
局限性二：假设收益服从正态分布
这是个大问题。真实市场的收益分布有“肥尾”特征——就是极端事件发生的概率比正态分布预测的要高得多。2008年金融危机、2020年疫情暴跌，这些在正态分布下几乎不可能发生，但现实中就是发生了。
我记得有一次用模型跑出来的组合，VaR显示99%置信度下最大亏损5%。结果市场一波动，实际亏损到了15%。从那以后，我再也不敢只依赖正态假设了。
局限性三：忽略高阶矩风险
均值-方差只考虑了一阶矩（均值）和二阶矩（方差）。但实际中，偏度（三阶矩）和峰度（四阶矩）也很重要。比如有些资产收益分布左偏，意味着亏损的概率比盈利大。这些信息在均值-方差模型里完全被忽略了。
局限性四：静态假设
模型假设协方差矩阵和预期收益是固定的。但市场是动态的，相关性会随着市场状态变化。牛市里股票和债券可能正相关，熊市里可能负相关。用固定的协方差矩阵去优化，结果可想而知。
3.5 如何改进？——我的实战建议
既然均值-方差模型有这么多问题，那我们该怎么办？我个人在实践中总结了几条经验：
- 用CVaR替代方差——这就是我们这门课的核心。CVaR关注尾部风险，比方差更稳健。
- 加入约束条件——比如限制单个资产的最大权重，避免过度集中。
- 使用收缩估计——对协方差矩阵做收缩处理，减少估计误差的影响。
- 结合情景分析——不要只依赖历史数据，加入一些极端情景的假设。
一句话总结：均值-方差模型是理论基础，但直接用它做实战配置，风险很大。我们后面要讲的CVaR模型，就是针对这些局限性做的改进。它更关注“最坏情况下的损失”，而不是平均波动。
好了，这一章就到这里。记住，任何模型都有假设，理解假设才能用好模型。下一章我们开始正式进入CVaR的世界。
公众号:蓝海资料掘金营，微信deep3321