3. BL模型核心公式推导：先验、观点与后验
好，咱们直接进入正题。Black-Litterman模型的核心，说白了就是怎么把「市场原本的样子」和「你个人的判断」揉在一起，得到一个更靠谱的配置结果。这个过程，数学上叫贝叶斯更新。
我个人习惯把BL模型拆成三步走：先验分布 → 观点分布 → 后验分布。每一步都有明确的数学公式，咱们一个一个啃。
3.1 先验分布：市场均衡的数学表达
先验分布，就是「在你知道任何主观观点之前，市场本身是什么样子」。在BL模型里，我们用市场隐含的均衡收益作为起点。
这个均衡收益怎么来的？从CAPM倒推出来的。我记得刚接触这块时，总觉得CAPM太理想化，但后来发现，它至少给了我们一个无偏的基准。
公式是这样的：
Π = λ · Σ · w_mkt其中：
- Π：均衡超额收益向量（N×1）
- λ：风险厌恶系数（标量）
- Σ：资产收益的协方差矩阵（N×N）
- w_mkt：市场组合权重（N×1）
风险厌恶系数λ怎么算？我一般用这个公式：
λ = (E(R_m) - R_f) / σ²_m说白了，就是市场超额收益除以市场方差。你想想看，如果市场波动大，投资者要求的风险补偿就高，λ自然就大。
有了Π，我们就可以写出先验分布了：
E(R) ~ N(Π, τ·Σ)这里的τ是个缩放参数，通常取0.025到0.05之间。它表示你对先验的置信程度——τ越小，你越相信市场均衡。
3.2 观点分布：把你的判断量化
接下来是观点分布。这是BL模型最灵活的地方——你可以输入绝对观点（比如「A股未来一年涨5%」），也可以输入相对观点（比如「科技板块比消费板块多涨3%」）。
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
- Q：观点收益向量（K×1）
- ε：观点误差项，服从N(0, Ω)
Ω是观点误差的协方差矩阵。嗯，这里要注意，Ω的对角线元素表示你对每个观点的信心——值越小，你越相信这个观点。
举个例子，假设你有两个观点：
- 观点1：沪深300未来一年涨8%（绝对观点）
- 观点2：中证500比沪深300多涨2%（相对观点）
那么P和Q就是：
P = [[1, 0], Q = [8%]
[-1, 1]] [2%]Ω怎么设？我习惯用τ·Σ的对应元素来缩放。比如观点1涉及沪深300，我就取τ·Σ中沪深300的方差，再乘以一个信心系数。信心系数我一般取0.1到1之间。
3.3 后验分布：贝叶斯更新的结果
好，重头戏来了。后验分布就是把先验和观点结合起来。数学上，这相当于两个正态分布的乘积——结果还是正态分布。
后验均值的公式：
E(R)_post = [(τ·Σ)^(-1) + P^T · Ω^(-1) · P]^(-1) · [(τ·Σ)^(-1) · Π + P^T · Ω^(-1) · Q]看着有点吓人？其实逻辑很简单：
- 左边是「先验精度 + 观点精度」的逆矩阵
- 右边是「先验精度×先验均值 + 观点精度×观点均值」
说白了，就是加权平均——谁的精度高（方差小），谁的影响就大。
后验协方差的公式：
Σ_post = [(τ·Σ)^(-1) + P^T · Ω^(-1) · P]^(-1)你会发现，后验协方差比先验协方差小——因为加入了观点信息，不确定性降低了。
3.4 一个完整的计算示例
光说公式太抽象，咱们跑个简单的例子。假设只有两个资产：股票和债券。
| 参数 | 值 |
|---|---|
| 市场权重 w_mkt | [60%, 40%] |
| 协方差矩阵 Σ | [[0.04, 0.01], [0.01, 0.02]] |
| 风险厌恶系数 λ | 3.0 |
| 先验缩放 τ | 0.05 |
先算均衡收益：
Π = 3.0 × [[0.04, 0.01], [0.01, 0.02]] × [60%, 40%]
= [7.8%, 3.0%]现在加入一个观点：股票比债券多涨5%。即P=[1, -1]，Q=5%。假设观点信心中等，Ω取0.001。
代入后验公式：
先验精度 = (0.05×Σ)^(-1) = [[500, -250], [-250, 1000]]
观点精度 = P^T·Ω^(-1)·P = [[1000, -1000], [-1000, 1000]]
后验协方差 = [[1500, -1250], [-1250, 2000]]^(-1)
= [[0.0011, 0.0007], [0.0007, 0.0008]]
后验均值 = 后验协方差 × (先验精度×Π + 观点精度×Q)
= [6.2%, 2.8%]你看，后验均值（6.2%, 2.8%）介于先验（7.8%, 3.0%）和观点之间。因为观点说股票相对债券要强，所以股票收益从7.8%降到了6.2%（但还是比债券高），债券从3.0%降到了2.8%。
3.5 知识体系总览
下面这张图把整个推导过程串起来了，你可以对照着看：
这张图把三个分布的关系和公式都标清楚了。你写代码时，可以对照着这个流程一步步实现。
好了，BL模型的核心公式推导就到这儿。后验均值和协方差是最终输出，直接用于下一步的资产配置优化。记住，公式只是工具，真正重要的是理解每个参数的含义和它们之间的权衡关系。
公众号:蓝海资料掘金营，微信deep3321