第1章均值方差模型概述

一、均值方差模型概述

说起现代投资组合理论，我得先聊聊马科维茨这个人。1952年，他发表了一篇论文，叫《投资组合选择》。这篇论文彻底改变了金融行业。说实话，在它出现之前，大家做投资基本靠感觉——哪个股票涨得好就买哪个，分散风险就是「别把鸡蛋放一个篮子里」。

马科维茨干了件什么事呢？他用数学把「风险」和「收益」这两个概念给量化了。我个人觉得，这是他最牛的地方。他告诉我们：投资不是选单个资产，而是选资产组合。组合的风险不是单个资产风险的简单相加，这中间有个关键因素——资产之间的相关性。

核心思想：投资者应该在给定风险水平下追求最大收益，或者在给定收益水平下追求最小风险。

嗯，这里要注意一点。马科维茨的理论假设投资者都是理性的，而且厌恶风险。说白了就是：给你两个选择，收益一样但风险不同，你肯定选风险小的那个。这个假设在现实中不一定完全成立，但作为理论起点，它很有用。

好，咱们来看看具体的数学表达。我尽量说得简单点。

均值（期望收益）：

单个资产的期望收益，就是它各种可能收益率的加权平均：

E(R) = Σ pᵢ × rᵢ

其中 pᵢ 是第 i 种情况发生的概率，rᵢ 是对应的收益率。

对于投资组合，期望收益就是各资产期望收益的加权平均：

E(Rp) = Σ wᵢ × E(Rᵢ)

wᵢ 是资产 i 在组合中的权重，所有权重加起来等于1。

方差（风险度量）：

单个资产的方差衡量收益率的波动程度：

Var(R) = Σ pᵢ × [rᵢ - E(R)]²

标准差就是方差的平方根，记作 σ。

组合的方差就复杂一些了，它要考虑资产之间的协方差：

Var(Rp) = Σ Σ wᵢ × wⱼ × Cov(Rᵢ, Rⱼ)

这个公式看着吓人，其实意思很简单：组合的风险不仅取决于单个资产的风险，还取决于它们之间的联动关系。

我的经验：我在做量化策略回测时，经常发现两个看起来都很不错的资产，放在一起反而效果不好。为什么？因为它们的相关性太高了。你想想看，如果两个股票都是科技股，大盘一跌，它们一起跌，那分散风险的效果就很有限。

有了均值和方差这两个工具，我们就可以画出所有可能的投资组合。把这些组合画在风险-收益坐标系里，会形成一个类似子弹形状的区域。这个区域的边界，就是有效前沿。

有效前沿上的每一个点，都代表一个「最优」组合——在给定风险下收益最高，或者在给定收益下风险最低。有效前沿以外的点，都是「次优」的，可以被淘汰掉。

那怎么找到最适合自己的那个点呢？这就要引入无差异曲线了。每个投资者的风险偏好不同，无差异曲线也不同。无差异曲线与有效前沿的切点，就是你的最优投资组合。

避坑指南：我曾经犯过一个错误——直接用历史数据计算有效前沿，然后满仓投入。结果市场风格一变，组合表现一塌糊涂。后来我才明白，有效前沿是基于预期收益和预期风险的，历史数据只是估计值，不是真实值。

下面我用一张图来展示整个知识体系：

这张图把整个逻辑串起来了。从马科维茨理论出发，我们分别考虑均值、方差和协方差，然后构建投资组合，画出有效前沿，最后找到最优投资组合。

理论讲完了，我分享几个实际项目中的体会：

输入参数敏感：有效前沿对预期收益率的估计非常敏感。我见过有人用过去3年的平均收益作为预期收益，结果模型给出的权重全是过去涨得好的股票。这其实是在「后视镜开车」。
再平衡成本：理论模型假设你可以无成本地调整权重。现实中，交易是有成本的，频繁再平衡会吃掉收益。
尾部风险：方差假设收益分布是对称的，但金融市场经常出现「肥尾」现象——极端事件发生的概率比正态分布预测的要高。

一个小技巧：我在做组合优化时，通常会对预期收益做缩尾处理（Winsorization），把极端值拉回来一些。这样得到的权重更稳健，不会因为某只股票的历史收益特别高就给它分配过大的权重。

均值方差模型是个很好的起点，但它不是终点。后面我们会聊到它的各种局限，以及怎么突破这些局限。不过那是后面章节的事了，咱们先把基础打牢。

公众号:蓝海资料掘金营，微信deep3321