第1章均值方差优化导论

第一章：均值方差优化导论

现代投资组合理论，说白了就是解决一个核心问题：钱该怎么分配。

我刚开始做量化的时候，总觉得选股才是王道。只要找到牛股，怎么买都赚钱。后来被市场狠狠教育了几次，才明白——资产配置才是决定收益曲线的关键。而这一切的起点，就是马科维茨的均值方差模型。

1952年，一个叫哈里·马科维茨的年轻人，在《金融杂志》上发表了一篇论文。这篇论文后来被称为现代投资组合理论的奠基之作。马科维茨也因此获得了诺贝尔经济学奖。

他提出了一个看似简单但颠覆性的观点：不要只看单个资产的收益和风险，要看资产之间的相关性。

举个例子。你手里有两只股票，一只涨的时候另一只跌。那么同时持有它们，整体波动就会变小。这就是分散化的力量。马科维茨用数学把这件事说清楚了。

核心思想：投资组合的风险不是单个资产风险的简单加总，而是由资产间的协方差决定的。

模型的核心可以概括为三个步骤：

嗯，这里要注意。很多人以为马科维茨模型就是算一个最优解。其实它给出的是一条曲线——有效前沿。曲线上每个点都代表一个最优组合。

个人经验：我在项目中遇到过，很多初学者直接拿历史数据算均值方差，然后满仓干。结果回测漂亮，实盘一塌糊涂。为什么？因为历史均值不等于未来预期。这个坑我踩过，后来学乖了——预期收益的估计，一定要结合主观判断或因子模型。

咱们先把数学语言说清楚。这部分不难，但很重要。

单个资产的收益率，通常用对数收益率或简单收益率。我个人习惯用对数收益率，因为它在时间上可加，而且近似正态分布。

# 简单收益率
R_simple = (P_t - P_{t-1}) / P_{t-1}

# 对数收益率
R_log = ln(P_t / P_{t-1})

对于投资组合，总收益率就是各资产收益率的加权平均：

R_portfolio = w1*R1 + w2*R2 + ... + wn*Rn

其中 w_i 是资产 i 的权重，加起来等于1。

风险用方差或标准差来衡量。单个资产的方差：

Var(R) = E[(R - E[R])^2]

但组合的方差就没那么简单了。它要考虑资产之间的协方差：

Var(portfolio) = w^T * Σ * w

这里 Σ 是协方差矩阵，w 是权重向量。

避坑指南：我曾经在计算组合方差时，直接用Excel的VAR函数算每个资产的方差，然后加权平均。结果算出来的风险比实际小很多。后来才发现——组合方差必须用协方差矩阵，不能简单加权。这个错误让我在汇报时被老板当众质疑，印象深刻。

下面这张图，把本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。

你想想看，在马科维茨之前，大家怎么选股票？基本靠拍脑袋。看哪个顺眼就买哪个。马科维茨把这个问题变成了数学优化问题。从此，投资从艺术变成了科学。

当然，模型有它的局限性。比如它假设收益服从正态分布，假设投资者都是理性的。这些假设在现实中不一定成立。但没关系，理解这个基础模型，是学习更复杂模型（如Black-Litterman、风险平价等）的必经之路。

实用建议：刚开始学的时候，别急着上复杂模型。先用Excel或Python跑一遍均值方差优化，看看有效前沿长什么样。我当年就是自己写了个小脚本，把沪深300的成分股数据导进去，画出了第一条有效前沿曲线。那一刻，才真正理解了什么叫「分散化的力量」。

这一章我们聊了三件事：

说白了，均值方差优化就是在收益和风险之间做权衡。下一章，我们会手把手推导数学公式，并给出完整的Python实现。

公众号:蓝海资料掘金营，微信deep3321