3. 资产配置基础：大类资产分类、相关性矩阵、有效前沿理论回顾

做量化投资这些年，我越来越觉得资产配置才是真正的「免费午餐」。你想想看，选股选得再好，如果整个组合的底层逻辑是散的，那跟闭着眼睛扔飞镖没啥区别。这一章，咱们把最基础的东西掰扯清楚。

3.1 大类资产分类：别把鸡蛋放在一个篮子里

我个人习惯把大类资产分成这么几类。说白了，就是看它们赚的是什么钱。

• 权益类：股票、ETF、股指期货。赚的是企业成长的钱，波动最大。
• 固定收益类：国债、信用债、可转债。赚的是利息的钱，相对稳。
• 商品类：黄金、原油、农产品。赚的是通胀和供需错配的钱。
• 现金类：货币基金、短期国债。流动性最好，收益最低。
• 另类投资：REITs、私募股权、对冲基金。跟传统资产相关性低。

嗯，这里要注意一点。很多人把「另类投资」当成万能药。我曾经见过一个组合，塞了30%的私募股权和20%的房地产基金，结果流动性一收紧，整个组合直接卡死。所以分类归分类，流动性管理才是真功夫。

3.2 相关性矩阵：资产之间的「社交网络」

相关性矩阵，说白了就是看资产之间怎么「互动」。值在-1到1之间。1代表同涨同跌，-1代表你涨我跌，0代表没啥关系。

我建议你拿到数据后，先画个热力图。一眼就能看出哪些资产「抱团」，哪些资产「独来独往」。

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 假设我们有5类资产的日收益率数据
data = {
    '沪深300': [0.02, -0.01, 0.03, -0.02, 0.01],
    '中证500': [0.015, -0.005, 0.025, -0.015, 0.02],
    '国债指数': [0.001, 0.002, 0.0015, 0.002, 0.001],
    '黄金': [0.005, 0.01, -0.005, 0.008, -0.002],
    '原油': [0.01, -0.02, 0.015, -0.01, 0.005]
}
df = pd.DataFrame(data)

# 计算相关性矩阵
corr_matrix = df.corr()

# 画热力图
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', center=0)
plt.title('大类资产相关性矩阵')
plt.show()

为什么会这样？因为流动性枯竭时，大家只能卖一切能卖的东西。所以相关性矩阵只能作为参考，不能完全依赖。

3.3 有效前沿理论回顾：找到那个「最优解」

有效前沿，是马科维茨老爷子在1952年提出的。核心思想就一句话：给定风险水平，追求最大收益；给定收益水平，追求最小风险。

我记得刚入行时，觉得这理论太完美了。后来在实际项目中碰了一鼻子灰——因为输入参数稍微变一点，最优解就飘到天边去了。这就是所谓的「输入敏感性问题」。

不过，理论框架本身是没问题的。我们来看怎么算。

import numpy as np
import scipy.optimize as sco

# 假设4类资产的预期收益率和协方差矩阵
returns = np.array([0.12, 0.08, 0.05, 0.03])  # 年化预期收益率
cov_matrix = np.array([
    [0.04, 0.01, 0.005, 0.002],
    [0.01, 0.03, 0.004, 0.001],
    [0.005, 0.004, 0.01, 0.003],
    [0.002, 0.001, 0.003, 0.005]
])

# 定义组合方差函数
def portfolio_variance(weights):
    return np.dot(weights.T, np.dot(cov_matrix, weights))

# 定义约束条件：权重和为1，且每个权重在0到1之间
constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1})
bounds = tuple((0, 1) for _ in range(len(returns)))

# 生成有效前沿上的点
target_returns = np.linspace(0.03, 0.12, 50)
frontier_volatility = []

for target in target_returns:
    constraints = (
        {'type': 'eq', 'fun': lambda x: np.sum(x) - 1},
        {'type': 'eq', 'fun': lambda x: np.dot(x, returns) - target}
    )
    opt = sco.minimize(portfolio_variance, 
                       x0=np.array([0.25, 0.25, 0.25, 0.25]), 
                       bounds=bounds, 
                       constraints=constraints)
    frontier_volatility.append(np.sqrt(opt.fun))

# 画出有效前沿
plt.plot(frontier_volatility, target_returns, 'b-', linewidth=2)
plt.xlabel('波动率（风险）')
plt.ylabel('预期收益率')
plt.title('有效前沿')
plt.grid(True)
plt.show()

有效前沿上有一个特殊点——最小方差组合。这是整个前沿上风险最低的点。对于保守型投资者，这个点往往是最优选择。

还有一个点叫最大夏普比率组合。夏普比率 = (组合收益 - 无风险利率) / 组合波动率。这个点代表「每单位风险获得的超额收益」最大。我个人的习惯是，先找到这个点，然后根据客户的风险偏好，在有效前沿上向左或向右移动。

3.4 知识体系总览

下面这张图，把这一章的核心逻辑串起来了。你可以把它当作一个思维导图来看。

这张图把三个核心模块串在了一起。大类资产分类是「食材」，相关性矩阵是「菜谱」，有效前沿是「烹饪方法」。三者缺一不可。

好了，这一章的内容就这些。记住：资产配置不是选「最好的资产」，而是选「最合适的组合」。这个理念，贯穿整个课程。