第二章：BL模型数学基础

说实话，很多人一听到「贝叶斯统计」就头大。我当年刚接触BL模型时也一样，觉得这东西太抽象了。但后来在实际项目中跑过几轮回测，才真正理解——贝叶斯框架就是BL模型的灵魂。没有它，你没法把主观观点和市场数据揉在一起。

这一章，我会把三个核心模块拆开讲：贝叶斯统计的基本逻辑、市场均衡收益怎么算（也就是CAPM）、以及观点和置信度如何用数学表达。嗯，咱们一个一个来。

2.1 贝叶斯统计：先验与后验

贝叶斯统计的核心思想，说白了就是「用新信息更新旧认知」。你原来有个判断（先验），看到新数据后，修正这个判断（后验）。

公式很简单：

P(θ|D) = [P(D|θ) * P(θ)] / P(D)

其中：

• P(θ)：先验分布——你对参数θ的初始信念
• P(D|θ)：似然函数——给定θ下，数据D出现的概率
• P(θ|D)：后验分布——看到数据后，更新过的信念

在BL模型里，先验就是市场均衡收益（来自CAPM），数据就是你个人的主观观点。两者一结合，得到后验收益预期。

我刚开始做量化配置时，犯过一个低级错误：把先验设成均匀分布，觉得这样「客观」。结果回测一塌糊涂。后来才明白，先验必须包含有效信息，否则贝叶斯更新就失去了意义。

2.2 市场均衡收益：CAPM的计算

市场均衡收益，就是CAPM框架下的预期收益。公式长这样：

E(R_i) = R_f + β_i * (E(R_m) - R_f)

但在BL模型中，我们用的是另一种等价形式——通过逆优化（Reverse Optimization）来反推均衡收益。

具体步骤：

1. 从市场组合的市值权重出发，得到各资产的权重向量 w_mkt
2. 估计资产的协方差矩阵 Σ
3. 设定风险厌恶系数 λ（通常用市场超额收益除以市场方差）
4. 计算隐含均衡收益：Π = λ * Σ * w_mkt

举个例子。假设只有两种资产：股票和债券。市值权重分别是60%和40%。协方差矩阵已知，λ=2.5。那么均衡收益就是：

Π_stock = 2.5 * (σ²_stock * 0.6 + σ_stock,bond * 0.4)
Π_bond  = 2.5 * (σ_stock,bond * 0.6 + σ²_bond * 0.4)

你看，这个Π就是先验。它代表「如果市场是有效的，这些资产的预期收益应该是多少」。

2.3 观点与置信度的数学表达

观点是BL模型最灵活的部分。你可以表达绝对观点（比如「股票未来收益5%」），也可以表达相对观点（比如「股票比债券多赚3%」）。

数学上，观点用矩阵形式表达：

P * E(R) = Q + ε

其中：

• P：观点矩阵（k×n，k是观点数量，n是资产数量）
• E(R)：资产预期收益向量（n×1）
• Q：观点收益向量（k×1）
• ε：误差项，服从N(0, Ω)

Ω矩阵代表观点的置信度。Ω越大，观点越不确定，后验收益就越靠近先验（均衡收益）。

置信度的设定，常见做法有两种：

1. 比例法：Ω = τ * P * Σ * P'，其中τ是标量（通常0.01~0.05）
2. 主观法：直接给每个观点设定标准差，比如「我认为股票收益5%，标准差2%」

我个人更推荐比例法。原因很简单——它自动考虑了资产之间的相关性结构，不容易出现逻辑矛盾。

2.4 核心逻辑：一张图说清楚

下面这张SVG图，把BL模型的数学逻辑串起来了。从先验（CAPM均衡）到观点（主观判断），再到后验（混合收益），每一步都对应着数学公式。

这张图里，从左到右就是BL模型的核心流程。先验和观点通过贝叶斯公式融合，得到后验收益。你想想看，这其实就是在「市场告诉你」和「你认为」之间找一个平衡点。

2.5 一个完整的计算示例

假设只有两种资产：A股和债券。数据如下：

资产	市值权重	均衡收益（先验）	标准差
A股	60%	8%	20%
债券	40%	3%	8%

相关系数ρ=0.2。风险厌恶系数λ=2.5。

现在，你有一个观点：「A股未来收益10%，债券收益2%」。这是个绝对观点，所以P矩阵是单位阵，Q向量是[10%, 2%]'。

置信度设定：τ=0.05，Ω = τ * P * Σ * P'。计算后得到后验收益：

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

代入数值后：
E(R_A股) ≈ 9.2%
E(R_债券) ≈ 2.4%

你看，后验收益介于先验（8%和3%）和观点（10%和2%）之间。这就是贝叶斯更新的效果——不偏信任何一方，而是根据置信度做加权平均。

嗯，这一章的内容就到这里。数学基础打牢了，后面讲观点构建和权重优化时，你会觉得顺滑很多。

---

公众号:蓝海资料掘金营，微信deep3321