策略组合理论基础：马科维茨、风险平价与Black-Litterman在CTA中的应用
做CTA策略的人，迟早要面对一个问题：手里好几个策略，每个单独看回测都不错，但合在一起就是不对劲。要么净值曲线像过山车，要么最大回撤直接翻倍。
我早年就踩过这个坑。当时我同时跑了趋势跟踪、均值回归和套利三个策略，以为分散了就安全。结果2020年3月那波行情，三个策略同时亏损，账户回撤直接破了15%。
嗯，从那以后我才真正重视起策略组合理论。今天咱们就聊聊三个最经典的模型：马科维茨、风险平价和Black-Litterman。它们在CTA里怎么用？有什么坑？我一个个说。
一、马科维茨投资组合理论：老派但有用
马科维茨的理论，说白了就是一句话：别把所有鸡蛋放在一个篮子里。但怎么放？他给出了数学框架。
核心公式其实不复杂：
最大化: Sharpe Ratio = (E(Rp) - Rf) / σp
其中: E(Rp) = Σ(wi * E(Ri))
σp² = ΣΣ(wi * wj * σij)这里wi是策略i的权重，E(Ri)是预期收益，σij是协方差。目标就是找到一组权重，让组合的夏普比率最高。
我在实际项目中用过这个模型。说实话，效果时好时坏。为什么？因为马科维茨对输入参数太敏感了。你稍微改一下预期收益，权重就天翻地覆。
所以我的建议是：马科维茨可以用，但别直接用原始输出。我一般会加两个约束：
- 单个策略权重不超过30%
- 同类策略（比如都是趋势跟踪）总权重不超过50%
这样至少不会出现极端配置。
二、风险平价模型：更稳健的选择
风险平价模型，是桥水基金全天候策略的核心。它的思路和马科维茨完全不同。
马科维茨看的是收益和风险的平衡。风险平价只看风险——让每个策略对组合的风险贡献相等。
公式是这样的：
风险贡献: RCi = wi * (∂σp / ∂wi)
风险平价条件: RC1 = RC2 = ... = RCn说白了，就是让每个策略"承担的风险一样多"。如果一个策略波动大，就给它小权重；波动小，就给大权重。
我个人特别喜欢这个模型在CTA上的表现。为什么？因为CTA策略的波动率差异很大。趋势跟踪策略年化波动率可能到30%，而套利策略可能只有5%。如果用等权重，趋势跟踪策略实际上主导了整个组合的风险。
但风险平价也有缺点。它完全不考虑收益。如果一个策略预期收益很低，但波动也低，风险平价还是会给它很大的权重。这其实不太合理。
嗯，所以后来我一般会在风险平价的基础上，加一个收益筛选。只有夏普比率大于0.5的策略，才进入风险平价组合。
三、Black-Litterman模型：把主观判断加进去
Black-Litterman模型，是我觉得最"聪明"的一个。它解决了马科维茨的两个痛点：
- 输入参数太敏感
- 无法融入主观判断
它的思路是这样的：先假设市场是均衡的，然后根据你的主观观点，去调整预期收益。
公式稍微复杂一点：
E(R) = [(τΣ)^(-1) + P'Ω^(-1)P]^(-1) * [(τΣ)^(-1)Π + P'Ω^(-1)Q]别被公式吓到。你只需要知道：Π是市场均衡收益，Q是你的主观观点，τ和Ω是置信度参数。
我在CTA里怎么用这个模型？举个例子：
- 先计算各策略的历史均衡收益（比如用CAPM或者历史均值）
- 然后加入主观观点：比如"我觉得未来3个月趋势跟踪策略会表现更好，因为波动率在上升"
- 模型会输出一组新的预期收益，再去做优化
Black-Litterman还有一个好处：它天然支持多策略组合。你可以对每个策略都给出观点，也可以只对部分策略给观点。模型会自动处理相关性。
四、三个模型的对比与选择
说了这么多，到底该用哪个？我整理了一个表格：
| 模型 | 核心思想 | 优点 | 缺点 | CTA适用场景 |
|---|---|---|---|---|
| 马科维茨 | 收益-风险权衡 | 理论成熟，直观 | 参数敏感，易过拟合 | 策略数量少（3-5个），且收益稳定 |
| 风险平价 | 风险贡献相等 | 稳健，分散化好 | 忽略收益差异 | 策略波动率差异大，追求稳健 |
| Black-Litterman | 融合主观观点 | 灵活，可解释性强 | 参数设置复杂 | 有明确市场判断，需要融入观点 |
我个人现在的做法是：先用风险平价做基础权重，然后用Black-Litterman做微调。马科维茨我基本不用了——除非是给学生讲课的时候演示一下。
五、一张图看懂策略组合理论
下面这张图，是我自己画的策略组合理论框架。你可以看到三个模型之间的关系：
从这张图你可以看到，三个模型不是互斥的。我经常把它们组合使用：先用风险平价打底，再用Black-Litterman做局部调整，最后加一些约束条件防止极端权重。
六、实战中的几个坑
最后，分享几个我踩过的坑：
好了，关于策略组合的理论基础，今天就聊到这里。这三个模型各有千秋，关键是要理解它们的假设和局限。下一章咱们会讲具体的权重分配算法，到时候我会带大家手写代码实现这些模型。
公众号:蓝海资料掘金营，微信deep3321