4、有效前沿与最优组合：可行集与有效前沿的几何意义、最小方差组合（MVP）求解、切线组合与资本市场线（CML）

这一章，我们终于要触及马科维茨模型最核心的部分了。

前面几章我们聊了单个资产的收益与风险，也聊了资产组合的分散化效应。但说实话，那些都只是热身。真正让量化投资变得性感的，是这一章要讲的东西——有效前沿。

我个人习惯把有效前沿叫做“投资界的帕累托边界”。什么意思呢？就是在这条线上，你没法在不增加风险的前提下提高收益，也没法在不降低收益的前提下降低风险。说白了，这是所有理性投资者的终极选择集合。

4.1 可行集与有效前沿的几何意义

先说说可行集。假设你有N个资产，你可以用任意权重组合它们。所有可能的组合，在风险-收益平面上画出来，就是一个区域。这个区域，就是可行集。

嗯，这里要注意：可行集不是随便画的。它的形状取决于资产之间的相关系数。我记得刚入行时，有个老交易员跟我说：“相关系数这东西，决定了你的组合是‘锦上添花’还是‘雪中送炭’。”

当相关系数ρ=1时，可行集是一条直线。这时候分散化没有任何好处，说白了就是“一荣俱荣，一损俱损”。

当ρ=-1时，可行集是一个三角形。理论上你可以构造一个零风险的组合——当然，现实中我几乎没见过完美的负相关。

当-1 < ρ < 1时，可行集是一个向左凸的曲线区域。这个凸性，就是分散化的价值所在。

那有效前沿呢？

在可行集的所有组合中，我们只关心那些“给定风险下收益最高”或者“给定收益下风险最低”的组合。这些组合连成的曲线，就是有效前沿。

几何上看，有效前沿是可行集的左上方边界。为什么是左上方？因为左上意味着高风险收益、低风险收益高——这是每个投资者梦寐以求的方向。

4.2 最小方差组合（MVP）求解

有效前沿上有一个特殊的点——最小方差组合（MVP）。它是整个可行集中风险最小的组合。

为什么它重要？因为它是有效前沿的起点。所有理性的投资者，都不会选择风险比MVP还低的组合——那意味着你承担了更高的风险，却没有得到更高的收益。

求解MVP，本质上是一个优化问题：

目标：最小化组合方差 σ²_p = w^T Σ w
约束：权重之和为1（∑w_i = 1）

用拉格朗日乘子法，可以得到解析解：

w_mvp = (Σ^(-1) * 1) / (1^T * Σ^(-1) * 1)

其中：
- Σ 是协方差矩阵
- 1 是全1向量
- w_mvp 是MVP的权重向量

我曾经在做一个FOF组合时，发现客户给的资产池里有一只货币基金和一只高收益债。按直觉，货币基金风险低，应该多配。但MVP求解结果却显示，货币基金的权重只有15%。

为什么？因为货币基金和其他资产的相关系数太低，分散化效果有限。而高收益债虽然波动大，但它和股票的相关性低，反而能更好地降低组合风险。

这就是数学告诉我们的反直觉结论——MVP不是简单地把钱放在最安全的资产上。

4.3 切线组合与资本市场线（CML）

MVP是有效前沿的起点，但终点呢？

实际上，有效前沿没有终点——理论上你可以无限加杠杆。但现实中，我们引入了一个关键角色：无风险资产。

无风险资产（比如短期国债）的收益是确定的，风险为0。当我们可以用无风险利率借贷时，事情就变得有趣了。

从无风险利率点出发，向有效前沿做一条切线。切点对应的组合，就是切线组合（也叫市场组合，在CAPM框架下）。

这条切线，就是资本市场线（CML）。

CML的数学表达式很简单：

E(R_p) = R_f + [E(R_T) - R_f] / σ_T * σ_p

其中：
- R_f 是无风险利率
- E(R_T) 是切线组合的期望收益
- σ_T 是切线组合的标准差

这条线的斜率，就是夏普比率。切线组合，就是所有风险资产组合中夏普比率最高的那个。

我记得有一次给机构做配置，他们问：“我们能不能自己构造一个比市场组合更好的组合？”

我的回答是：“理论上可以，如果你能找到比市场更有效的资产配置。但现实中，切线组合是一个很好的基准。你想想看，如果连夏普比率最高的组合都不如你的，那你的组合大概率有问题。”

4.4 知识体系总览

为了让你更直观地理解这一章的知识结构，我画了一张图：

4.5 小结

这一章我们走了三个关键步骤：

• 可行集：所有可能组合的集合，形状由相关系数决定
• 有效前沿：可行集的左上方边界，MVP是它的起点
• CML与切线组合：引入无风险资产后，所有投资者的最优选择落在CML上

说实话，这些概念看起来抽象，但一旦你开始用Python跑优化，你会发现它们非常直观。下一章我们会手把手写代码实现这些优化——嗯，到时候你会看到，数学公式变成代码的那一刻，真的很爽。

公众号:蓝海资料掘金营，微信deep3321