3、均值方差模型的局限：参数敏感性、估计误差、对输入假设的依赖
均值方差模型，马科维茨老爷子拿了诺奖的成果。理论上很漂亮——给定预期收益和风险，找到最优组合。但说实话，我在实战中用这个模型，踩过的坑比想象中多得多。
为什么？因为模型本身有个致命弱点：它对输入参数太敏感了。你想想看，输入稍微变一点点，输出的权重可能天差地别。这在金融世界里，简直就是灾难。
3.1 参数敏感性：输入的小变化，输出的大震荡
我个人习惯用蒙特卡洛模拟来测试模型的稳定性。有一次我做了个实验：把某只股票的预期收益率从12%调到12.5%，就0.5%的变化。结果呢？最优组合里这只股票的权重从15%直接跳到了40%。
这合理吗？当然不合理。但模型就是这么反应的。
核心问题：均值方差模型本质上是一个二次优化问题。目标函数对预期收益的一阶导数很大，导致权重对收益估计极其敏感。
我画了个图来说明这个问题。你看，预期收益稍微一动，有效前沿上的最优组合点就滑出去老远。
嗯，这里要注意：参数敏感性不是模型的bug，而是数学结构决定的。你没法通过改进算法来解决，只能从输入质量入手。
3.2 估计误差：历史数据能告诉我们什么？
我在项目中遇到过最头疼的事，就是估计误差。均值方差模型需要三个输入：预期收益、方差、协方差。这三个东西，没一个能准确估计。
先说预期收益。你拿过去5年的年化收益来估计未来？我试过，结果惨不忍睹。某年我用了沪深300过去3年的数据，算出来预期收益15%。结果接下来一年跌了8%。
避坑指南：我曾经用滚动窗口法估计协方差矩阵，发现一个规律——样本外表现最好的组合，往往不是用最近3年数据算出来的，而是用最近5年数据。但5年数据又包含太多市场结构变化。这是个两难。
协方差矩阵的估计更麻烦。假设你有100只股票，协方差矩阵就有4950个参数。你想想看，用有限的历史数据去估计这么多参数，误差能不大吗？
我整理了一个表格，直观展示估计误差的影响：
| 输入参数 | 估计方法 | 典型误差范围 | 对组合权重的影响 |
|---|---|---|---|
| 预期收益 | 历史均值 | ±5%~±15% | 极大（权重可能翻倍或归零） |
| 方差 | 历史方差 | ±10%~±30% | 中等 |
| 协方差 | 历史协方差 | ±20%~±50% | 较大（尤其相关性高的资产） |
你看，预期收益的误差最大，影响也最致命。这也是为什么很多量化团队干脆放弃预测收益，转而用风险平价这类不依赖收益预测的模型。
3.3 对输入假设的依赖：模型有多脆弱？
均值方差模型背后有一堆假设。比如收益服从正态分布、投资者是理性的、市场无摩擦等等。这些假设在教科书里很完美，但在真实市场里，呵呵。
我印象最深的是2008年。那年之前，很多机构用均值方差模型配资产。模型说：多配股票，少配债券，因为股票收益高。结果金融危机一来，股票暴跌，组合直接崩了。
为什么会这样？因为模型假设收益是正态分布的，但真实市场有肥尾效应。极端事件发生的概率，比正态分布预测的要高得多。
我的经验：如果你非要用均值方差模型，至少做两件事：一是用bootstrap方法生成多个可能的收益路径，而不是只用一组点估计；二是对权重加约束，比如单只股票不超过10%，避免模型给出极端配置。
还有一个假设容易被忽略：投资者是风险厌恶的，且效用函数是二次的。说白了，模型假设所有人都用同样的方式看待风险和收益。但现实中，有人怕亏钱，有人怕踏空，有人有流动性需求。这些都没法放进模型里。
我记得有一次给一家保险资管做配置。他们的负债端有固定成本，所以对下行风险特别敏感。但均值方差模型只关注整体方差，不区分上行和下行。结果模型给出的组合，在压力测试下根本过不了关。
后来我给他们改用了下半方差作为风险度量，效果好了很多。但这是后话了。
3.4 小结：均值方差模型的适用场景
说了这么多局限，是不是均值方差模型就没用了？也不是。我个人觉得，它在以下场景还是能用的：
- 大类资产配置的初步筛选：比如先跑一遍模型，看看哪些资产在有效前沿上，哪些被淘汰了。
- 作为基准对比：拿均值方差模型的结果当benchmark，看看其他模型（比如风险平价）到底好在哪里。
- 约束条件明确的情况：比如你强制要求某些资产的最低配置比例，模型就不会跑偏太远。
但如果你指望它直接给出一个可以照单全收的组合，那我劝你三思。模型是工具，不是答案。尤其是均值方差这种对输入极度敏感的模型，用之前一定要做好敏感性分析。
嗯，这一章就到这里。下一章我们聊聊怎么改进这些问题，看看风险平价模型是怎么绕过这些坑的。