一、马科维茨模型概述：现代投资组合理论的起点
各位同学，今天我们来聊聊马科维茨模型。说实话，这个模型在量化投资圈子里，就像微积分之于物理学——基础，但绕不开。
1952年，一个叫哈里·马科维茨的年轻人发表了一篇论文，题目叫《投资组合选择》。当时没人当回事。结果呢？三十八年后，他凭这个拿了诺贝尔经济学奖。我刚开始做量化时，总觉得这模型太老了，后来在实盘中吃了亏才明白——经典之所以是经典，是因为它抓住了本质。
现代投资组合理论的起源
在马科维茨之前，大家怎么投资？说白了就两招：
- 选好股票——找那些看起来能涨的
- 分散买——别把鸡蛋放一个篮子里
但问题来了：分散到什么程度算够？怎么衡量风险和收益的关系？没人说得清。
马科维茨干了一件很聪明的事：他把投资问题数学化了。他用期望收益率代表收益，用方差（或标准差）代表风险。这样一来，选投资组合就变成了一个数学优化问题。
核心洞察：投资组合的风险不是单个资产风险的简单加权平均。资产之间的相关性才是关键。
我记得第一次看到这个结论时，心里咯噔一下。原来我之前的「分散投资」全是凭感觉，根本没考虑资产之间是涨一起涨、跌一起跌的。
均值-方差框架的核心思想
这个框架说白了就三句话：
- 给定风险，最大化收益
- 给定收益，最小化风险
- 所有最优组合构成一条曲线——有效前沿
我们来看数学表达。假设有n个资产，每个资产的权重为w_i，期望收益率为μ_i，协方差矩阵为Σ：
组合期望收益：E(R_p) = w^T · μ
组合方差： σ²_p = w^T · Σ · w
优化目标： min w^T · Σ · w
约束条件： w^T · μ = μ_target
Σ w_i = 1
w_i ≥ 0（如果禁止做空）你想想看，这个优化问题其实很优雅。它把投资决策变成了一个清晰的数学框架。我在做第一个量化策略时，就是拿这个框架去配ETF的，效果还不错。
有效前沿与最优组合
有效前沿长什么样？我画了一张图，你一看就明白：
图上这条红色的曲线就是有效前沿。它上面的每一个点，都是在某个风险水平下能拿到的最高收益。你想想看，如果你是个保守型投资者，你可能选左边靠近最小方差组合的点；如果你激进一些，就往右边走。
实战小技巧：我个人习惯先用有效前沿看看资产的大致分布。如果某个资产孤零零地落在前沿右下方，说明它「性价比」不高，我会优先排除它。
模型假设条件
任何模型都有假设。马科维茨模型也不例外。我列一下它的核心假设，你心里有个数：
| 假设 | 具体内容 | 我的评价 |
|---|---|---|
| 理性投资者 | 投资者都是风险厌恶的，追求给定风险下的最大收益 | 现实中很多人追涨杀跌，不理性 |
| 单期投资 | 只考虑一个投资期，不考虑动态调整 | 实盘中我们经常调仓，这个假设有点强 |
| 收益率正态分布 | 资产收益率服从正态分布 | 金融数据常有厚尾，这个假设经常不成立 |
| 无摩擦市场 | 没有交易成本、税收，可以任意买卖 | 做高频交易的同学要哭了 |
| 参数已知 | 期望收益率、方差、协方差都是已知的 | 这是最大的坑——未来参数根本不知道 |
模型的局限性
嗯，这里我要多说几句。马科维茨模型虽然漂亮，但直接用会出问题。我曾经在项目中踩过坑，分享给你：
避坑指南：我曾经用历史数据算协方差矩阵，然后直接跑优化。结果出来的权重全是极端值——有的资产配了80%，有的直接归零。后来才发现，协方差矩阵的估计误差被优化过程放大了。
具体来说，有这几个常见问题：
- 参数敏感性问题——输入稍微变一点，输出权重就天翻地覆。我见过一个案例，把某资产的预期收益率从10%调到10.5%，最优权重就从20%跳到了60%。
- 集中化问题——优化结果经常把权重集中在少数几个资产上，跟「分散投资」的初衷背道而驰。
- 历史数据外推问题——过去的收益和风险，不代表未来。这个道理大家都懂，但做模型时很容易忘。
- 忽略尾部风险——方差衡量的是波动，但投资者真正怕的是暴跌。2008年金融危机时，很多「低风险」组合照样亏得底朝天。
那怎么办？我个人的做法是：把马科维茨模型当作一个参考框架，而不是最终答案。用它来理解风险和收益的权衡关系，但实际配权重时，会加一些约束和正则化手段。
小结
这一章我们聊了马科维茨模型的来龙去脉。核心就三点：
- 它把投资问题变成了数学优化问题
- 有效前沿是选择最优组合的指南针
- 模型有假设，也有局限，用的时候要小心
说实话，我做了这么多年量化，每次回看这个模型都有新体会。它简单，但不简陋。理解它，是你走向量化投资之路的第一步。
公众号:蓝海资料掘金营，微信deep3321