1. Black-Litterman模型概述：从马科维茨到BL模型

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。这个模型在教科书里躺了几十年，理论确实漂亮。但我在实战中用它时，发现一个问题——它太敏感了。

你给模型输入一组预期收益，它可能给你一个极端配置：90%全押在某类资产上。换一组参数，结果又完全不一样。说白了，均值-方差模型像个偏执狂，一点风吹草动就剧烈反应。

这就引出了我们今天的主角——Black-Litterman模型（以下简称BL模型）。

1.1 马科维茨模型的痛点

先聊聊马科维茨模型的问题。我个人习惯把它归纳为三点：

• 输入敏感：预期收益微调1%，权重可能变动20%以上
• 极端配置：经常出现做多200%、做空100%这种不切实际的结果
• 忽视先验信息：完全依赖历史数据，不考虑市场均衡状态

我在2018年做过一个回测，用沪深300和中证500的历史数据跑马科维茨。结果模型建议我配置80%的现金和20%的债券。你想想看，这合理吗？当时市场估值明明处于低位，但模型完全不管这些。

1.2 BL模型的核心思想

BL模型高明在哪？它把两个东西结合起来了：市场均衡收益和投资者主观观点。

打个比方。马科维茨模型像是一个只看历史数据的分析师，而BL模型则是一个既看历史数据、又听你意见的资深交易员。

具体来说，BL模型做了三件事：

1. 从市场均衡出发：假设市场当前价格已经反映了所有公开信息
2. 融入主观观点：你可以输入自己对某些资产的看法，比如"我认为未来一年科技股跑赢消费股5%"
3. 贝叶斯更新：用数学方法把均衡收益和主观观点加权平均，得到最终预期收益

嗯，这里要注意。BL模型不是简单取平均，而是根据观点的置信度来加权。你越自信，观点权重就越高。

1.3 BL模型的数学框架

虽然我不想堆公式，但核心逻辑还是要讲清楚。BL模型的预期收益可以写成：

E(R) = [(τΣ)^(-1) + P'Ω^(-1)P]^(-1) × [(τΣ)^(-1)Π + P'Ω^(-1)Q]

别被公式吓到。我来拆解一下：

• Π：市场均衡收益（从CAPM反推出来的）
• Σ：资产收益的协方差矩阵
• τ：一个标量，控制均衡收益的置信度（我一般设0.025-0.05）
• P：观点矩阵，描述你对哪些资产有看法
• Q：观点收益向量，你预期的超额收益
• Ω：观点置信度矩阵，你对自己判断的信心程度

说白了，这个公式就是在做一件事：用你的观点去修正市场均衡。观点越确定，修正幅度越大。

1.4 BL模型的优势

相比马科维茨，BL模型有几个明显的优势：

维度	马科维茨模型	BL模型
输入稳定性	极度敏感	相对稳健
先验信息	无	市场均衡
观点融入	不支持	天然支持
配置结果	容易极端	更符合直觉
可解释性	黑箱	可追溯观点影响

你看，BL模型在多个维度上都更实用。尤其是可解释性这一点，在机构投资中特别重要。你总不能跟风控说"模型算出来就这样"吧？BL模型可以告诉你：因为你对科技股有5%的超配观点，所以权重增加了3%。

1.5 应用场景

BL模型到底能用在哪些地方？我总结了几类常见场景：

• 大类资产配置：股票、债券、商品、现金的权重分配
• 行业轮动：根据宏观判断调整行业权重
• 因子投资：在价值、动量、质量等因子间分配
• 全球配置：不同国家/地区的资产配比
• 组合优化：在约束条件下寻找最优权重

我记得有一次帮一家保险资管做配置方案。他们想超配债券、低配股票，但又怕模型给出极端结果。我用了BL模型，输入他们的宏观观点，最终配置比例是债券55%、股票30%、现金15%。这个结果他们很满意，既体现了观点，又没有偏离市场太多。

1.6 知识体系框架

下面这张图展示了BL模型的核心逻辑和知识结构：

从这张图可以看得很清楚。BL模型不是凭空出现的，它是在马科维茨的基础上，加入了市场均衡和主观观点这两个关键要素。说白了，它让资产配置从"纯数学"变成了"数学+经验"的结合。

我个人觉得，BL模型最大的价值在于：它让量化投资不再是一个黑箱。你可以清楚地知道每个决策背后的逻辑，这对风控和合规来说太重要了。

---

公众号:蓝海资料掘金营，微信deep3321