2. 均值方差模型的数学推导：目标函数与约束条件、拉格朗日乘子法求解、两基金分离定理
好，咱们直接进入正题。
上一章我们聊了马科维茨为什么要搞这套东西。这一章，我们来手撕它的数学内核。
说实话，我第一次看这个模型的时候，觉得它就是个二次规划问题。但真正在项目里跑起来，才发现坑不少。比如协方差矩阵的奇异性问题，我后面会讲到。
2.1 目标函数与约束条件
先明确我们要干什么。
你有一堆资产，比如股票A、B、C。你想分配资金，让组合的预期收益尽可能高，同时风险尽可能低。
但鱼和熊掌不可兼得。所以马科维茨把它写成了一个优化问题。
目标函数：最小化组合方差（风险）
min σ²_p = wᵀ Σ w其中 w 是权重向量，Σ 是协方差矩阵。
约束条件有两个：
- 收益约束：组合的预期收益要达到目标值 μ_p
- 权重和约束：所有权重加起来等于1（满仓操作）
s.t. wᵀ μ = μ_p
wᵀ 1 = 1嗯，这里要注意。实际项目中，我们还会加一些额外约束，比如不允许做空（w_i ≥ 0），或者行业集中度限制。但基础模型就这两个约束。
核心理解：这个模型本质上是在收益-风险平面上画一条“有效边界”。边界上的每个点，都是在给定收益下风险最小的组合。
2.2 拉格朗日乘子法求解
怎么解这个优化问题？
拉格朗日乘子法。说白了，就是把约束条件“惩罚”进目标函数里。
构造拉格朗日函数：
L = wᵀ Σ w - λ₁ (wᵀ μ - μ_p) - λ₂ (wᵀ 1 - 1)这里 λ₁ 和 λ₂ 是拉格朗日乘子。
然后对 w 求偏导，令其等于0：
∂L/∂w = 2Σw - λ₁ μ - λ₂ 1 = 0解出 w：
w = (1/2) Σ⁻¹ (λ₁ μ + λ₂ 1)你看，最优权重是 μ 和 1 的线性组合。这个形式很关键，后面两基金分离定理就靠它。
接下来把 w 代回约束条件，解出 λ₁ 和 λ₂。这个过程有点繁琐，但结果是解析的。
我的经验：在实际编码中，我建议直接用数值优化器（比如 scipy.optimize）来求解，而不是手推解析解。原因有二：一是协方差矩阵求逆容易出数值问题；二是加约束时解析解就不灵了。
2.3 两基金分离定理
这个定理很有意思。它说：有效边界上的任意一个组合，都可以由两个“基金”组合而成。
哪两个基金？
- 最小方差组合：风险最小的那个点
- 切点组合：与无风险利率连线相切的那个点（如果有无风险资产）
为什么会有这个性质？
你回头看 w 的表达式：w = (1/2) Σ⁻¹ (λ₁ μ + λ₂ 1)。
它本质上是 μ 和 1 的线性组合。而 μ 和 1 分别对应着两个不同的组合权重向量。所以任何有效组合，都是这两个基础组合的线性组合。
实际意义：你不需要去研究所有资产。只要找到这两个“基金”，然后按比例配就行了。这在大型资产管理中非常实用。
我记得有一次帮一家保险资管做配置，他们持有200多只股票。如果用全量优化，协方差矩阵是200×200，计算量巨大。但用两基金分离定理，先算出两个核心组合，再调比例，效率高得多。
注意：两基金分离定理成立的前提是——所有资产都是可交易的，且没有交易成本。现实中这两条都不成立。所以它更多是理论指导，不能直接照搬。
2.4 知识结构图
下面我用一张SVG图来总结这一章的核心逻辑：
2.5 避坑指南
最后，分享几个我在项目中踩过的坑：
- 协方差矩阵不稳定：用历史数据估计的Σ，样本外表现往往很差。我建议用收缩估计或因子模型来降噪。
- 权重过于集中：不加约束的均值方差模型，经常会把大部分权重分配给少数几个资产。这时候需要加一些正则化项。
- 忽略交易成本：理论上的最优组合，换手率可能很高。实际中要考虑摩擦成本，否则收益全被手续费吃掉了。
我曾经做过一个回测，直接用原始均值方差模型调仓，结果年化收益还不如等权配置。后来加了换手率惩罚，效果才明显改善。所以，模型再漂亮，也要结合实际约束来用。
好，这一章就到这里。数学推导虽然枯燥，但它是后面所有进阶内容的基础。下一章我们聊聊怎么在实际中估计这些参数——那才是真正考验手艺的地方。
公众号:蓝海资料掘金营，微信deep3321