4、从MPT到BL模型：Black-Litterman模型如何解决均值方差的痛点、贝叶斯框架引入

4.1 均值方差模型的“阿喀琉斯之踵”

说实话，我在刚入行那几年，对马科维茨的均值方差模型是又爱又恨。爱的是它的数学之美——用期望收益和协方差矩阵就能画出那条漂亮的有效前沿。恨的是，每次真金白银往里投的时候，模型给出的权重总让我心里发毛。

为什么会这样？我总结下来，均值方差模型有三个硬伤：

• 输入参数太敏感——期望收益稍微改0.5%，权重就能翻一倍。我在2015年做过一个测试，把沪深300的预期收益从8%调到8.5%，结果金融股的权重从22%直接飙到41%。这哪是优化，这是放大镜啊。
• 权重集中得离谱——模型经常告诉你“全仓买A股，其他别碰”。你想想看，一个资产配置模型最后只推荐两三个品种，这合理吗？
• 历史数据是后视镜——用过去五年的均值当未来预期，这跟开车只看后视镜有什么区别？

4.2 Black-Litterman的解题思路

Fisher Black和Robert Litterman在1992年提出的模型，说白了就是给均值方差装了个“贝叶斯过滤器”。我当年第一次读到这篇论文时，拍了一下桌子——这个思路太巧妙了。

他们的核心想法其实很简单：

1. 先找个靠谱的基准——用市场均衡收益（CAPM推导出来的隐含收益）作为起点。这比拍脑袋给个预期收益靠谱多了。
2. 再叠加你的观点——你对某些资产有看法？可以，但请给出置信度。比如“我觉得茅台明年能涨15%，但我只有60%的把握”。
3. 最后用贝叶斯公式融合——把基准和观点按置信度加权，得到后验收益估计。

嗯，这里要注意：BL模型不是要推翻均值方差，而是给它配了个“稳定器”。

4.3 贝叶斯框架：从“点估计”到“分布估计”

传统均值方差做的是点估计——预期收益就是8%，没有然后了。但贝叶斯框架告诉我们：你应该把预期收益看作一个分布。

我个人习惯用这个比喻来理解：

• 先验分布（Prior）——就是市场均衡收益。相当于你问一个老股民“大盘长期年化多少？”，他说“8%左右吧”。
• 似然函数（Likelihood）——你的主观观点。比如“我觉得新能源板块未来一年能跑赢大盘5%”。
• 后验分布（Posterior）——把两者结合，得到更新后的预期。

数学上，BL模型假设预期收益服从正态分布：

先验：μ ~ N(Π, τΣ)
观点：Pμ ~ N(Q, Ω)
后验：μ_bl = [(τΣ)^(-1) + P'Ω^(-1)P]^(-1) * [(τΣ)^(-1)Π + P'Ω^(-1)Q]

其中：

• Π 是市场均衡收益向量
• Σ 是资产收益协方差矩阵
• τ 是个标量，表示你对先验的置信度（通常取0.025-0.05）
• P 是观点矩阵，Q 是观点收益向量
• Ω 是观点误差的协方差矩阵（反映观点的不确定性）

4.4 一个完整的BL模型流程

下面这张图是我自己项目里常用的BL模型实施流程，画出来给大家参考：

4.5 实战中的几点体会

我在一个百亿级FOF项目中用过BL模型，有几个经验分享给大家：

关于观点数量：我建议观点不要超过资产数量的三分之一。比如你有30个资产，最多给10个观点。观点太多，后验收益会被过度扭曲，反而失去了BL模型的稳定优势。

关于观点类型：绝对观点（“A资产涨5%”）和相对观点（“A比B跑赢3%”）都可以。我个人更喜欢用相对观点，因为绝对收益预测太难了，但相对强弱判断相对容易一些。

关于置信度校准：这是最容易被忽视的环节。Ω矩阵的对角线元素代表每个观点的不确定性。我一般用观点收益的标准差来设定——比如你对某个观点有80%的把握，那就把标准差设为预期收益的20%左右。

置信水平	Ω取值建议	说明
90%以上	0.1 × |Q|	非常确信，比如有内幕信息（合规前提下）
70%-90%	0.25 × |Q|	比较确信，基于深度研究
50%-70%	0.5 × |Q|	一般确信，基于公开信息
50%以下	1.0 × |Q|	不太确信，建议别用这个观点

最后说一句，BL模型最妙的地方在于：它把量化分析和主观判断结合起来了。你不需要完全依赖历史数据，也不用拍脑袋给预期收益。它给了你一个框架，让你能系统性地把“想法”变成“权重”。

嗯，这就是我从均值方差走到BL模型的心路历程。下一节我们会用Python把整个流程跑一遍，到时候你就能看到代码层面的实现了。

---