第二章：投资组合理论基础
各位同学，今天我们来聊聊投资组合理论。这部分内容，说白了就是量化投资的“地基”。你想想看，不管你的策略多花哨，最终都要落到“怎么配”这个问题上。我个人习惯把这一章叫做“从拍脑袋到算概率”的转折点。
2.1 Markowitz均值-方差模型：一个天才的直觉
1952年，Harry Markowitz发表了一篇论文，叫《投资组合选择》。这篇论文有多牛？它直接拿了诺贝尔奖。核心思想其实很简单：别把所有鸡蛋放在一个篮子里，而且要知道每个篮子有多晃。
我刚开始做量化时，总觉得“分散投资”就是多买几只股票。后来发现，如果买的都是同一个行业的，那跟没分散一样。Markowitz用数学告诉我们：分散要看资产之间的相关性。
核心公式：
组合预期收益：E(Rp) = Σ wi · E(Ri)
组合方差：σp² = ΣΣ wiwj · Cov(Ri, Rj)
其中 wi 是资产权重，Cov 是协方差。
嗯，这里要注意：方差衡量的是风险，但它是双向的。涨跌都算风险。这在实战中是个坑，我后面会讲。
2.2 有效前沿：那条“最优”的曲线
有了均值-方差模型，我们就可以画出有效前沿。说白了，就是在给定风险下，能拿到的最高收益，或者在给定收益下，能承受的最低风险。
我记得第一次画有效前沿时，用的是Excel的规划求解。结果跑出来一条弯弯曲曲的线，当时觉得“哇，这就是圣杯”。后来发现，有效前沿对输入参数极其敏感。你稍微改一下预期收益，整条线就变了。
实战避坑：
我曾经用历史数据算协方差矩阵，然后直接优化。结果回测漂亮，实盘一塌糊涂。为什么？因为历史协方差矩阵是“后视镜”，未来不一定重复。后来我改用收缩估计（Shrinkage）和贝叶斯方法，才稍微稳一点。
有效前沿上的点，都是“帕累托最优”的。你没法在不增加风险的情况下提高收益，也没法在不降低收益的情况下减少风险。但问题是，你该选哪个点？
2.3 夏普比率：一杆秤
夏普比率就是用来回答“选哪个点”的。公式很简单：
夏普比率 = (E(Rp) - Rf) / σp
其中 Rf 是无风险利率，比如国债收益率。
夏普比率衡量的是每承担一单位风险，能多拿多少超额收益。数值越高，说明性价比越好。
我个人习惯用夏普比率来筛选策略。但要注意：夏普比率假设收益是正态分布的。现实中，金融数据有肥尾、有偏斜。我见过一个策略夏普比率高达3.0，结果一次黑天鹅事件直接爆仓。为什么？因为它的收益分布是“尖峰肥尾”的，夏普比率严重高估了它的表现。
重要提醒：
夏普比率不是万能的。它只衡量“波动率”，不衡量“最大回撤”和“尾部风险”。建议搭配最大回撤、索提诺比率（只考虑下行波动）一起看。
2.4 风险平价模型：让每个资产“出一样的力”
Markowitz模型有个问题：它太依赖预期收益的估计。而预期收益很难预测。于是有人想：既然收益猜不准，那我们就只控制风险吧。
风险平价模型的核心思想是：让每个资产对组合总风险的贡献相等。比如你有股票和债券，股票波动大，债券波动小。如果按传统60/40配，股票的风险贡献可能占了90%。风险平价会降低股票权重，提高债券权重，直到两者风险贡献一样。
我记得在2018年，我用风险平价模型做了一个多资产组合。那年股票跌了，但债券涨了，组合整体回撤很小。这就是风险平价的好处：它天然具有“危机对冲”属性。
风险贡献计算公式：
资产i的边际风险贡献：MRCi = (Σ wj · Cov(Ri, Rj)) / σp
资产i的总风险贡献：TRCi = wi · MRCi
风险平价条件：TRC1 = TRC2 = ... = TRCn
但风险平价也有坑。它假设资产间的相关性是稳定的。如果遇到“股债双杀”（比如2022年），风险平价也会失效。所以，没有完美的模型，只有合适的场景。
2.5 本章知识体系图
下面我用一张SVG图来总结本章的核心逻辑。你可以把它当作“思维导图”来看。
2.6 实战中的“坑”与“解”
讲完理论，我分享几个实战中踩过的坑：
- 协方差矩阵不稳定：我建议用指数加权移动平均（EWMA）或收缩估计，别直接用历史协方差。
- 预期收益太难猜：我个人习惯用“隐含收益”或“因子模型”来替代主观预测。
- 约束条件很重要：不加约束的优化，结果往往是满仓一只股票。一定要加权重上下限、行业集中度等约束。
- 再平衡频率：别太频繁，也别太久。我一般用月度再平衡，配合阈值触发。
一个小技巧：
如果你用Python做优化，推荐用scipy.optimize.minimize，配合SLSQP算法。它支持等式和不等式约束，很适合做投资组合优化。
好了，这一章就到这里。理论是基础，但实战才是检验真理的唯一标准。下一章我们会讲因子模型，那是另一个有趣的话题。