4. 现代投资组合理论：马科维茨模型、有效前沿、最小方差组合
这一章，我们来聊聊现代投资组合理论的核心。说白了，就是怎么把一堆资产组合在一起，让风险最小，收益最大。
我刚开始做量化的时候，觉得选股才是王道。后来踩过几次坑才明白——配置比选股更重要。你想想看，就算你选对了十只牛股，如果它们同涨同跌，一个黑天鹅就能把你打回原形。
4.1 马科维茨模型：一切从这里开始
1952年，一个叫哈里·马科维茨的小伙子发表了一篇论文。这篇论文后来让他拿了诺贝尔奖。核心思想其实很简单：不要把所有鸡蛋放在一个篮子里。
但马科维茨比这个朴素道理走得更远。他用数学证明了：组合的风险不是个股风险的简单加总。为什么？因为资产之间有相关性。
核心公式：组合方差
σ²p = w₁²σ₁² + w₂²σ₂² + 2w₁w₂Cov(r₁, r₂)
其中 w 是权重，σ² 是方差，Cov 是协方差。
这个公式看着有点吓人，其实道理很直白：
- 前两项是各自的风险贡献
- 最后一项是它们之间的互动
如果两只股票负相关，最后一项就是负的。组合风险反而变小了。这就是分散化的数学基础。
我的经验：我在做行业轮动策略时，发现一个常见误区——大家只盯着收益看，忽略了相关性。有一次我同时配了银行和地产，以为分散了。结果一查，两者相关系数0.85。嗯，这跟没分散差不多。
4.2 有效前沿：那条美丽的曲线
有了马科维茨模型，我们就可以做一件事：遍历所有可能的权重组合，画出风险和收益的关系图。
你会得到一堆点。这些点构成一个区域。区域的左上边界，就是有效前沿。
有效前沿的定义：
在给定风险水平下，能获得的最大收益；
或者在给定收益水平下，能承受的最小风险。
有效前沿上的每一个点，都是一个最优组合。前沿下方的点，都是次优的——要么收益不够高，要么风险太大。
我习惯用Python来画这条曲线。代码其实不复杂：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 假设我们有3个资产
returns = np.array([0.12, 0.08, 0.15]) # 年化收益
cov_matrix = np.array([
[0.04, 0.01, 0.02],
[0.01, 0.03, 0.005],
[0.02, 0.005, 0.06]
])
# 随机生成10000个组合
num_portfolios = 10000
results = np.zeros((3, num_portfolios))
for i in range(num_portfolios):
weights = np.random.random(3)
weights /= np.sum(weights)
port_return = np.dot(weights, returns)
port_vol = np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights)))
results[0, i] = port_return
results[1, i] = port_vol
results[2, i] = port_return / port_vol # 夏普比率
# 画图
plt.figure(figsize=(10, 6))
plt.scatter(results[1, :], results[0, :], c=results[2, :],
cmap='viridis', alpha=0.5)
plt.colorbar(label='夏普比率')
plt.xlabel('风险（标准差）')
plt.ylabel('预期收益')
plt.title('有效前沿')
plt.show()跑完这段代码，你会看到一堆散点。左上边缘那条清晰的弧线，就是有效前沿。
注意：我曾经用历史数据回测，发现有效前沿在样本内很漂亮。但一到样本外，就完全变形了。为什么？因为协方差矩阵不稳定。所以，不要迷信历史数据算出来的前沿。它更多是提供一个思考框架，而不是精确的预测工具。
4.3 最小方差组合：最保守的选择
有效前沿上有一个特殊的点——最小方差组合。它是整条曲线上风险最小的那个点。
怎么找？很简单。在有效前沿上，最左边的那个点就是。它的数学表达是：
最小方差组合的权重：
w_min = (Σ⁻¹ · 1) / (1ᵀ · Σ⁻¹ · 1)
其中 Σ 是协方差矩阵，1 是全1向量。
这个公式看着复杂，但用代码实现就几行：
# 计算最小方差组合
inv_cov = np.linalg.inv(cov_matrix)
ones = np.ones(len(returns))
w_min = np.dot(inv_cov, ones) / np.dot(ones.T, np.dot(inv_cov, ones))
print("最小方差组合权重:", w_min)
print("组合收益:", np.dot(w_min, returns))
print("组合风险:", np.sqrt(np.dot(w_min.T, np.dot(cov_matrix, w_min))))最小方差组合有什么特点？
- 风险最低——在所有可能的组合中，它的波动最小
- 收益也相对较低——风险和收益是孪生兄弟
- 对输入参数敏感——协方差矩阵稍微变一点，权重就大变样
避坑指南：我曾经在实盘里用最小方差组合做底仓。结果发现，它经常把大部分权重分配给低波动资产。比如债券、公用事业股。这本身没错。但问题是，当市场风格切换时，这种组合会跑输大盘很久。投资者容易拿不住。所以我的建议是：最小方差组合适合做核心配置，但别全仓。
4.4 知识体系总览
下面这张图，是我自己梳理的现代投资组合理论框架。你可以把它当作一个思维导图来看：
4.5 实践中的注意事项
理论讲完了。说说我在实战中踩过的坑：
- 参数估计误差——你算出来的协方差矩阵，只是历史的一个快照。未来可能完全不一样。我习惯用收缩估计或者贝叶斯方法来平滑参数。
- 权重过于集中——有时候模型会把90%的权重给一个资产。这合理吗？从数学上看可能合理，但从风控角度看，太危险了。我一般会加权重约束，比如单资产不超过30%。
- 再平衡频率——有效前沿是静态的。但市场是动态的。你算出来的最优权重，过一个月可能就不是最优了。我习惯季度再平衡，太频繁了交易成本高，太慢了偏离度大。
一个真实的教训：我曾经用马科维茨模型做全球资产配置。模型算出来，应该重仓新兴市场。结果那年新兴市场暴跌30%。为什么？因为模型用的是过去5年的数据，那5年新兴市场表现太好了。模型把高收益当成了常态。从那以后，我学会了对输入参数做压力测试。
好了，这一章的内容就到这里。现代投资组合理论是量化投资的基石。它教会我们一件事：投资不是选最好的资产，而是选最好的组合。
公众号:蓝海资料掘金营，微信deep3321