3、均值方差模型的经典假设：投资者理性假设、市场无摩擦假设、收益率正态分布假设
聊到马科维茨的均值方差模型，很多人第一反应就是那个漂亮的“有效前沿”曲线。说实话，模型确实漂亮，但它的根基——那三个经典假设，才是真正决定模型能不能用的关键。我当年刚入行时，拿着这个模型去跑实盘数据，结果一塌糊涂。后来才明白，不是模型错了，是我没搞懂它的假设前提。
今天我们就来拆解这三个假设。你想想看，任何一个模型，假设越强，适用范围就越窄。均值方差模型就是典型——它假设了一个“理想世界”，但我们的市场，从来都不理想。
3.1 投资者理性假设
这个假设的核心就一句话：所有投资者都是理性的，只关注收益和风险。说白了，就是假设每个人都在做“数学题”——给定风险，追求最大收益；给定收益，追求最小风险。
理性假设的具体含义：
- 投资者有相同的投资期限（通常是一期）
- 投资者只根据期望收益和方差做决策
- 投资者是风险厌恶的——同等收益下，选风险小的
- 投资者对资产的预期是一致的（同质预期）
我在项目中遇到过一件事。2015年股灾前后，很多客户明明知道某只股票波动极大，却依然追涨杀跌。你跟他们讲“理性”，他们跟你讲“感觉”。这就是典型的非理性行为——均值方差模型完全无法解释。
我的经验：理性假设在机构投资者中相对成立，但在散户主导的市场（比如A股），这个假设基本不成立。做模型时，我通常会加入行为金融学的修正因子，比如动量效应、过度反应等。
3.2 市场无摩擦假设
这个假设更“理想化”了。它假设市场是完美的：
- 无交易成本：买卖股票不收佣金、印花税
- 无税收：资本利得税、股息税统统不存在
- 资产无限可分：你可以买0.1股茅台，没问题
- 无卖空限制：想空多少空多少
- 信息完全对称：所有人同时获得所有信息
嗯，这里要注意。这些假设在学术论文里很常见，但实盘中，每一条都是坑。
我曾经帮一家私募做组合优化，模型跑出来最优权重是“买入0.37股茅台，卖空2.15股五粮液”。结果呢？A股不允许卖空个股，而且茅台一手就要十几万。模型再漂亮，执行不了就是废纸。
避坑指南：我曾经因为忽略交易成本，导致一个策略的年化收益从15%直接降到8%。高频交易中，佣金和滑点的影响尤其大。建议在优化目标函数中直接加入交易成本项，比如：
# 带交易成本的优化目标
def objective(weights, expected_returns, cov_matrix, cost_rate=0.001):
portfolio_return = np.dot(weights, expected_returns)
portfolio_risk = np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights)))
# 减去交易成本
turnover = np.sum(np.abs(weights - current_weights))
net_return = portfolio_return - cost_rate * turnover
return net_return / portfolio_risk # 最大化风险调整后收益3.3 收益率正态分布假设
这是三个假设里最“致命”的一个。它假设资产收益率服从正态分布，也就是说：
- 收益率分布是对称的（涨和跌的概率一样）
- 极端事件几乎不可能发生（6个标准差之外的事件概率极低）
- 均值和方差就能完全描述分布特征
但真实市场呢？我直接给你看数据：
| 特征 | 正态分布 | 真实市场（以A股为例） |
|---|---|---|
| 峰度 | 3 | 5-10（尖峰） |
| 偏度 | 0 | 负偏（左尾更厚） |
| 极端事件概率 | 几乎为0 | 每3-5年一次“黑天鹅” |
为什么会这样？因为市场是由人组成的，人的情绪会放大波动。牛市时大家一窝蜂买入，熊市时恐慌性抛售——这哪是正态分布？分明是“肥尾分布”。
我记得2018年A股单边下跌，很多用均值方差模型做出来的组合，VaR（在险价值）模型显示“99%概率日亏损不超过3%”。结果呢？连续几天跌停，一天亏8%都不稀奇。这就是正态分布假设的代价。
突破方向：既然收益率不是正态分布，那怎么办？我个人习惯用以下方法：
- 使用t分布或混合分布：能更好地拟合肥尾特征
- 引入下行风险指标：比如索提诺比率（只关注下行波动）
- 压力测试：模拟极端行情下的组合表现
3.4 三个假设的内在联系
你可能会问：这三个假设是独立的吗？其实不是。它们环环相扣：
- 如果投资者不理性，收益率就不会服从正态分布（因为非理性行为导致肥尾）
- 如果市场有摩擦，理性投资者的决策就会被扭曲（交易成本影响最优组合）
- 如果收益率不是正态分布，仅用均值-方差就无法完整刻画风险
说白了，这三个假设共同构建了一个“理想实验室”。在这个实验室里，均值方差模型完美运行。但出了实验室，就需要打补丁了。
下面这张图是我自己总结的，能帮你快速理解这三个假设的关系：
我的建议：不要因为假设不完美就放弃均值方差模型。它依然是组合优化的基石。正确的做法是：理解假设，识别偏差，然后做针对性修正。比如，用Black-Litterman模型引入主观观点，用CVaR替代方差作为风险度量，用蒙特卡洛模拟替代解析解。
最后说一句。这三个假设，说白了就是模型的“使用说明书”。你用它之前，得先问问自己：我的市场环境，符合这些假设吗？如果不符合，偏差有多大？怎么修正？想清楚这些，均值方差模型才能真正为你所用。
公众号:蓝海资料掘金营，微信deep3321