3、投资组合的收益与风险：双资产组合的收益与方差公式、N资产组合的矩阵化表达、分散化效应与有效前沿
好，咱们今天来聊聊马科维茨模型里最核心的一块——收益与风险的数学表达。
说实话，我当年刚接触这部分时，觉得公式一堆，挺唬人的。但后来在实盘项目中跑过几次回测，才发现这些公式其实特别直观。说白了，它们就是帮我们回答一个问题：钱投进去，能赚多少？波动多大？
3.1 双资产组合：最朴素的起点
先从最简单的两个资产说起。假设你只买股票A和债券B，各投一部分钱。那整个组合的收益怎么算？
很简单，加权平均：
E(R_p) = w_A * E(R_A) + w_B * E(R_B)其中 w_A + w_B = 1。这个公式我闭着眼睛都能写出来，因为太常用了。
但风险就没这么简单了。组合的方差公式长这样：
σ²_p = w_A² * σ²_A + w_B² * σ²_B + 2 * w_A * w_B * ρ_AB * σ_A * σ_B注意那个 ρ_AB，它是资产A和B的相关系数。这个值决定了分散化到底有没有用。
关键洞察： 当 ρ_AB = 1 时，组合风险就是加权平均，分散化没效果。当 ρ_AB < 1 时，组合风险会低于加权平均——这就是分散化的魔力来源。
我在项目中遇到过一位客户，他坚持只买同一行业的股票，结果市场一波动，组合直接崩了。我给他看了这个公式，他才明白：相关性越低，风险降得越狠。
3.2 N资产组合：矩阵化表达
两个资产好理解，但实际投资中，我们往往要处理几十甚至上百个资产。这时候再用公式一个个写，手都得写断。
所以，我们引入矩阵。你想想看，N个资产的组合收益可以写成：
E(R_p) = w^T * μ其中 w 是权重向量，μ 是期望收益向量。就这么一行，搞定。
风险呢？用协方差矩阵 Σ：
σ²_p = w^T * Σ * w这个 Σ 是个 N×N 的矩阵，对角线是各资产的方差，非对角线是协方差。我习惯用 Python 的 numpy 来算，一行代码的事：
import numpy as np
portfolio_variance = np.dot(w.T, np.dot(cov_matrix, w))嗯，这里要注意：协方差矩阵必须是半正定的，否则算出来的方差可能是负数，那就闹笑话了。我曾经因为数据缺失导致矩阵不正定，结果优化器直接报错，排查了半天才发现是数据预处理的问题。
我的小技巧： 在实际项目中，我会先用相关系数矩阵 + 标准差向量重建协方差矩阵，这样能避免数值问题。另外，记得检查数据的时间对齐，别把不同频率的数据混在一起。
3.3 分散化效应：为什么别把鸡蛋放一个篮子里
分散化效应，说白了就是：组合的风险小于各资产风险的加权平均。为什么会这样？
因为资产之间不是完全同步波动的。你买股票和债券，股票跌的时候债券可能涨，或者至少跌得少。这样一来，组合的整体波动就被平滑了。
我举个例子：
| 资产 | 期望收益 | 标准差 |
|---|---|---|
| 股票A | 10% | 20% |
| 债券B | 4% | 8% |
假设 ρ = 0.2，各投50%。那么：
- 组合收益 = 0.5×10% + 0.5×4% = 7%
- 组合方差 = 0.5²×0.04 + 0.5²×0.0064 + 2×0.5×0.5×0.2×0.2×0.08 = 0.01 + 0.0016 + 0.0016 = 0.0132
- 组合标准差 = √0.0132 ≈ 11.5%
你看，收益是加权平均的7%，但风险11.5%远低于加权平均的14%（0.5×20%+0.5×8%）。这就是分散化的威力。
注意： 分散化不是万能的。当市场系统性风险爆发时（比如2008年金融危机），几乎所有资产的相关性都会趋近于1，分散化效果会大打折扣。我经历过那种行情，组合里看似分散的资产，最后一起跌，那叫一个惨。
3.4 有效前沿：最优组合的集合
好，现在我们把所有可能的权重组合都算一遍，会得到一堆（收益，风险）点。把这些点连起来，就形成了一条曲线——有效前沿。
有效前沿上的每个点，都代表在给定风险下能获得的最大收益，或者在给定收益下能承受的最小风险。说白了，就是最优组合的集合。
我习惯用蒙特卡洛模拟来画这条曲线。随机生成一万组权重，算收益和风险，然后挑出边界上的点。代码大概长这样：
import numpy as np
import matplotlib.pyplot as plt
# 假设有3个资产
returns = np.array([0.10, 0.08, 0.12])
cov = np.array([[0.04, 0.01, 0.02],
[0.01, 0.02, 0.01],
[0.02, 0.01, 0.05]])
port_returns = []
port_risks = []
for _ in range(10000):
w = np.random.random(3)
w = w / w.sum()
port_returns.append(np.dot(w, returns))
port_risks.append(np.sqrt(np.dot(w.T, np.dot(cov, w))))
# 画散点图，有效前沿就是左上边界
plt.scatter(port_risks, port_returns, alpha=0.5)
plt.xlabel('风险 (标准差)')
plt.ylabel('期望收益')
plt.title('有效前沿')
plt.show()实际项目中，我不会用纯随机模拟，而是用优化器直接求解。但模拟的好处是直观，能让你看到整个可行集的样子。
下面这张图展示了本章的核心逻辑：
有效前沿的形状取决于资产间的相关性。相关性越低，前沿越向左凸，分散化效果越好。我见过最极端的例子是股票和长期国债，相关系数接近0，有效前沿几乎是一条直线，风险降得特别明显。
实战建议： 构建组合时，别只盯着收益。先看资产间的相关性矩阵，把相关性高的资产剔除或降低权重。我一般会要求组合内任意两资产的相关性不超过0.7，超过的就换掉。
好了，这一章的内容就到这。记住三个核心：双资产公式是基础，矩阵化是工具，有效前沿是目标。下一章我们会深入优化器的具体实现，到时候这些公式就能派上大用场了。
公众号:蓝海资料掘金营，微信deep3321