4、Black-Litterman模型：先验与后验、观点矩阵、置信度设置、实战应用

说起资产配置，很多人第一反应就是马科维茨的均值-方差模型。理论很完美，但我在实战中用它时，经常遇到一个尴尬的问题——输入参数稍微变一点，最优权重就天差地别。说白了，这个模型对预期收益率的估计太敏感了，而我们对未来收益率的预测，往往又不太靠谱。

后来我接触到了Black-Litterman模型，嗯，这玩意儿确实解决了我的痛点。它把市场均衡收益作为起点，再融入你自己的主观判断，最后得出一个既尊重市场、又体现个人观点的配置方案。今天我就带大家把这个模型拆开揉碎了讲清楚。

核心思想：先相信市场是有效的（先验），再用你的观点去修正它（后验）。

4.1 先验与后验：从贝叶斯视角理解

Black-Litterman模型的底层逻辑，其实就是贝叶斯统计。你想想看，我们做投资决策时，手里通常有两类信息：一是市场的历史数据，二是你自己的分析判断。怎么把这两者结合起来？

先验分布——就是市场均衡状态下的预期收益。我一般用逆向优化法，从市值权重反推出隐含的收益率。这相当于说：「如果市场是有效的，那么当前价格已经反映了所有信息，预期收益应该是什么水平？」

后验分布——就是结合了你个人观点之后的修正结果。贝叶斯公式告诉我们：后验 = 先验 × 似然。在这里，似然就是你观点的概率分布。

我在项目中遇到过这样的情况：某次做全球资产配置，先验给出的新兴市场预期收益是8%，但我基于基本面分析认为应该更高。通过Black-Litterman模型，最终后验收益调整到了10.5%，而且整个协方差结构也变得更合理了。

我的习惯：先验参数用滚动窗口计算，避免单点估计的偏差。一般用36个月的历史数据做逆向优化。

4.2 观点矩阵：把你的判断变成数学语言

观点矩阵，说白了就是把你对资产的看法，翻译成模型能理解的数学形式。这步做不好，后面全是白搭。

观点分为两种：

  • 绝对观点：「我认为A资产未来收益率是X%」
  • 相对观点：「我认为A资产比B资产表现好Y%」

举个例子，假设我们有3个资产：股票、债券、商品。你可能有这样的判断：

  • 股票未来收益比债券高3%
  • 商品收益为5%

那么观点矩阵P和观点向量Q就是：

# 观点矩阵 P：每行代表一个观点
P = np.array([
    [1, -1, 0],   # 股票 - 债券 = 3%
    [0, 0, 1]     # 商品 = 5%
])

# 观点向量 Q
Q = np.array([0.03, 0.05])

这里要注意，观点矩阵的行数等于观点数量，列数等于资产数量。每个观点对应的资产权重之和必须为0（相对观点）或1（绝对观点）。

我曾经踩过的坑：观点之间不能有矛盾。比如你同时说「股票比债券好3%」和「债券比股票好2%」，模型会直接崩溃。建议观点数量不要超过资产数量的一半。

4.3 置信度设置：别让你的观点太「自信」

置信度，就是你对每个观点的确信程度。这个参数直接影响后验结果对观点的敏感度。

在Black-Litterman模型中，置信度通过一个对角矩阵Ω来表示。Ω的对角线元素越小，代表你对这个观点越有信心。

怎么设置？我一般用两种方法：

  • 主观法：根据你的分析深度来定。做了三个月研究的观点，置信度肯定比拍脑袋的高。
  • 客观法：用历史回测的预测误差来校准。比如你过去预测收益的RMSE是2%，那Ω就设为(0.02)^2。
# 置信度设置示例
# 观点1：股票比债券好3%，置信度较高（方差小）
# 观点2：商品收益5%，置信度较低（方差大）

tau = 0.05  # 标量，控制先验的置信度
omega = np.diag([0.001, 0.01])  # 观点误差的协方差矩阵

我的经验：tau值一般取0.01-0.05之间。太小了模型太相信先验，太大了又过度拟合观点。我习惯用0.025作为默认值。

4.4 实战应用：完整代码实现

好了，理论讲完了，咱们直接上代码。下面是一个完整的Black-Litterman实现，包括逆向优化、观点融合、后验计算。

import numpy as np
import pandas as pd

class BlackLitterman:
    def __init__(self, market_caps, cov_matrix, risk_aversion=2.5):
        """
        market_caps: 各资产的市值
        cov_matrix: 协方差矩阵
        risk_aversion: 风险厌恶系数
        """
        self.market_caps = market_caps
        self.cov = cov_matrix
        self.lambda_ = risk_aversion
        self.n_assets = len(market_caps)
        
    def implied_returns(self):
        """逆向优化：从市值权重反推隐含收益"""
        weights = self.market_caps / np.sum(self.market_caps)
        pi = self.lambda_ * self.cov @ weights
        return pi, weights
    
    def posterior_returns(self, P, Q, omega, tau=0.05):
        """计算后验收益"""
        pi, _ = self.implied_returns()
        
        # 后验均值
        inv_term = np.linalg.inv(np.linalg.inv(tau * self.cov) + P.T @ np.linalg.inv(omega) @ P)
        mu_posterior = inv_term @ (np.linalg.inv(tau * self.cov) @ pi + P.T @ np.linalg.inv(omega) @ Q)
        
        # 后验协方差
        cov_posterior = self.cov + inv_term
        
        return mu_posterior, cov_posterior
    
    def optimize_weights(self, mu, cov):
        """均值-方差优化求最优权重"""
        inv_cov = np.linalg.inv(cov)
        weights = inv_cov @ mu / self.lambda_
        weights = weights / np.sum(weights)  # 归一化
        return weights

# 使用示例
if __name__ == "__main__":
    # 模拟数据
    assets = ['股票', '债券', '商品']
    caps = np.array([500, 300, 200])  # 市值（亿）
    cov = np.array([
        [0.04, 0.01, 0.02],
        [0.01, 0.02, 0.005],
        [0.02, 0.005, 0.03]
    ])
    
    bl = BlackLitterman(caps, cov)
    
    # 设置观点
    P = np.array([[1, -1, 0], [0, 0, 1]])
    Q = np.array([0.03, 0.05])
    omega = np.diag([0.001, 0.01])
    
    # 计算后验
    mu_post, cov_post = bl.posterior_returns(P, Q, omega)
    
    # 最优权重
    weights = bl.optimize_weights(mu_post, cov_post)
    
    print("后验收益:", mu_post)
    print("最优权重:", weights)

4.5 知识体系总览

下面这张图，是我自己总结的Black-Litterman模型核心逻辑。你看一遍就能明白整个流程。

Black-Litterman模型核心流程 先验：市场均衡 市值权重 → 逆向优化 隐含收益 π 协方差矩阵 Σ 观点：主观判断 观点矩阵 P 观点向量 Q 置信度矩阵 Ω 贝叶斯融合 后验收益 μ_post = ( (τΣ)⁻¹ + PᵀΩ⁻¹P )⁻¹ ( (τΣ)⁻¹π + PᵀΩ⁻¹Q ) 输出：最优资产配置权重 均值-方差优化 → 最终权重

你看，整个流程其实就三步：先验计算、观点设置、贝叶斯融合。每一步都有明确的数学表达，而且代码实现也不复杂。

实战建议：刚开始用Black-Litterman模型时，建议先用少量资产（3-5个）做测试。等熟悉了观点矩阵和置信度的设置逻辑后，再扩展到全资产组合。我当年就是先从股债商三个资产开始，慢慢加到了十几个。

最后说一句，Black-Litterman模型不是万能的。它假设市场是有效的，观点是线性的，这些在极端行情下可能不成立。但作为一个把主观判断和客观数据结合起来的工具，它在实战中的价值是毋庸置疑的。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →