4. 最小方差组合：马科维茨均值-方差模型，最小方差组合的构建与优化

聊到低波动策略，有个概念绕不开——最小方差组合。

说白了，就是在所有可能的资产组合里，找到那个风险最低的点。你不需要预测市场涨跌，也不需要判断哪只股票会爆发。你只需要做一件事：让组合的波动尽可能小。

我刚开始做量化那会儿，总觉得这玩意儿太简单。不就是算个协方差矩阵，然后解个优化问题吗？后来真上了实盘才发现，坑比想象的多。嗯，咱们今天就把这块掰开揉碎讲清楚。

4.1 马科维茨均值-方差模型的核心思想

马科维茨老爷子在1952年提出了这个模型，拿了诺贝尔奖。核心逻辑其实就一句话：不要把所有鸡蛋放在一个篮子里。

但怎么放？他给出了数学框架：

• 用期望收益率衡量收益
• 用方差（或标准差）衡量风险
• 通过资产之间的协方差描述相关性

你想想看，如果两个资产涨跌完全相反，同时持有它们，整体波动就会被对冲掉。这就是分散化的力量。

4.2 最小方差组合的构建步骤

构建过程其实不复杂，但每一步都有讲究。我习惯分四步走：

4.2.1 第一步：收集数据

你需要历史收益率数据。一般用日收益率，时间窗口我建议至少3年。太短了估计不准，太长了市场结构可能已经变了。

我在项目中遇到过一个问题：用5年数据回测效果很好，但实盘时发现协方差矩阵已经失效了。后来我改成滚动3年窗口，每季度更新一次，效果稳定很多。

4.2.2 第二步：估计协方差矩阵

这是最关键的步骤。直接用样本协方差矩阵？我劝你小心。

样本协方差矩阵有个毛病：当资产数量接近时间长度时，估计误差会爆炸。比如你有100只股票，只用120天的数据，那矩阵基本是噪声。

4.2.3 第三步：求解优化问题

目标函数很简单：

min  w' Σ w
s.t. sum(w) = 1
     w_i ≥ 0 （如果限制做空）

这是个二次规划问题，Python里用scipy.optimize.minimize或者cvxopt都能解。

给你看段代码，我平时就是这么写的：

import numpy as np
from scipy.optimize import minimize

def min_variance_portfolio(cov_matrix):
    n = cov_matrix.shape[0]
    
    def objective(w):
        return w.T @ cov_matrix @ w
    
    constraints = ({'type': 'eq', 'fun': lambda w: np.sum(w) - 1})
    bounds = [(0, 1) for _ in range(n)]  # 限制做空
    
    result = minimize(objective, 
                      x0=np.ones(n)/n,
                      bounds=bounds,
                      constraints=constraints,
                      method='SLSQP')
    return result.x

嗯，这里要注意：初始权重用等权，收敛会快很多。

4.2.4 第四步：验证与调整

算出来权重后，别急着用。先做几个检查：

• 最大权重是否超过20%？如果某只股票占比过高，说明协方差矩阵可能有问题
• 组合波动率是否明显低于各成分的加权平均波动率？如果没低多少，分散化效果不好
• 回测一下样本外表现，看看稳定性

4.3 最小方差组合的优化技巧

基础版本够用，但实战中我会加一些优化：

4.3.1 加入约束条件

纯数学解出来的权重，有时候很极端。比如某只股票权重99%，其他都是0。这在实际中没法用。

我一般加两个约束：

• 个股权重上限：比如不超过10%
• 行业权重上限：比如不超过30%

这样做出来的组合，既低波动，又足够分散。

4.3.2 使用稳健协方差估计

样本协方差对异常值非常敏感。2008年金融危机那会儿的数据，如果直接拿来用，估计出来的最小方差组合会过度配置在危机中跌幅小的资产上，但之后市场反弹时就会跑输。

我建议用MCD（Minimum Covariance Determinant）或者Huber估计，它们对异常值更鲁棒。

4.3.3 考虑交易成本

最小方差组合的权重对协方差矩阵的变化很敏感。今天算出来一个权重，明天数据更新一点，权重可能就大变样。

频繁调仓会吃掉收益。我一般会加一个换手率惩罚项：

目标函数 = w' Σ w + λ * ||w - w_prev||_1

λ是惩罚系数，我习惯设0.001到0.01之间，具体看你的交易成本。

4.4 知识体系总览

下面这张图，是我梳理的最小方差组合核心逻辑。你看一眼就能明白整个框架：

4.5 实战中的注意事项

最后聊几个我踩过的坑：

问题	表现	我的解决方案
协方差矩阵不稳定	权重频繁大幅变动	使用收缩估计 + 滚动窗口
权重过于集中	某只股票占比超过30%	加个股权重上限约束
样本外表现差	回测好，实盘差	做交叉验证，用不同时间段测试
忽略交易成本	频繁调仓吃掉收益	目标函数中加入换手率惩罚

说实话，最小方差组合是我个人最喜欢的策略之一。它不依赖预测，纯粹靠数学优化来降低风险。在震荡市里，它往往能跑赢大多数主动策略。

但记住一点：模型是死的，市场是活的。再好的模型，也需要结合你对市场的理解来调整。别迷信数学，也别忽视数学。

---

公众号:蓝海资料掘金营，微信deep3321