4. 资产配置理论：现代投资组合理论、马科维茨模型、有效前沿
聊到资产配置，我脑子里第一个蹦出来的就是马科维茨。这老爷子在1952年搞了个大新闻，把数学塞进了投资领域。说白了，他告诉我们一个道理：别把所有鸡蛋放在一个篮子里。但光知道这句俗话没用，你得知道怎么放、放多少、为什么这么放。
我在做量化系统的时候，发现很多新手一上来就搞深度学习预测股价，结果回测漂亮，实盘一塌糊涂。为什么？因为忽略了最基础的东西——资产配置。你想想看，预测准了又怎样？仓位管理一塌糊涂，照样亏钱。
4.1 现代投资组合理论的核心思想
现代投资组合理论（MPT）的核心就一句话：通过分散投资，在给定风险下最大化收益。听起来简单，但数学上挺有意思。
它假设投资者都是理性的，都讨厌风险。给定同样的收益，大家肯定选风险小的；给定同样的风险，大家肯定选收益高的。嗯，现实中的人可没那么理性，但理论总得有个起点。
MPT 有两个关键输入：
- 预期收益：每个资产未来能赚多少
- 风险（标准差）：收益的波动有多大
- 相关性：资产之间怎么联动
我习惯把相关性叫做「资产之间的性格匹配」。两个股票如果同涨同跌，那分散效果就很差。一个涨一个跌，那才是好搭档。
核心公式：组合的预期收益 = 各资产收益的加权平均
组合的风险 ≠ 各资产风险的加权平均（因为有相关性）
4.2 马科维茨模型：数学之美
马科维茨模型，其实就是把上面的想法变成了一个优化问题。你要在「给定收益下最小化风险」或者「给定风险下最大化收益」。
数学上长这样：
min σ²_p = wᵀ Σ w
s.t. wᵀ μ = μ_target
Σ w_i = 1
w_i ≥ 0 （可选，不加就是允许做空）其中 w 是权重向量，Σ 是协方差矩阵，μ 是预期收益向量。说白了，就是解一个二次规划问题。
我在项目中遇到过一件事：直接用历史数据算协方差矩阵，结果优化出来的权重全是极端值——满仓一两个资产。为什么？因为历史数据有噪声，协方差矩阵不稳定。后来我加了收缩估计（Shrinkage），才让结果靠谱起来。
避坑指南：我曾经直接用过去3年的日收益率算协方差，结果优化出来的组合在下一个季度直接崩了。后来我改用指数加权移动平均（EWMA），给近期的数据更高权重，效果好了很多。
4.3 有效前沿：那条神奇的曲线
有效前沿，就是所有「最优组合」的集合。画在图上，横轴是风险（标准差），纵轴是收益。这条曲线上的每个点，都是在某个风险水平下收益最高的组合。
曲线以下的点，要么风险太高，要么收益太低，反正不是最优。曲线以上的点，对不起，不存在——至少理论上不存在。
我习惯用 Python 画这条曲线，代码大概长这样：
import numpy as np
import matplotlib.pyplot as plt
def efficient_frontier(returns, num_portfolios=10000):
# returns: 各资产的预期收益
# cov_matrix: 协方差矩阵
results = np.zeros((3, num_portfolios))
for i in range(num_portfolios):
weights = np.random.random(len(returns))
weights /= np.sum(weights)
port_return = np.dot(weights, returns)
port_risk = np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights)))
results[0,i] = port_return
results[1,i] = port_risk
results[2,i] = port_return / port_risk # 夏普比率
return results跑完这个，你会看到一堆散点，有效前沿就是这些点的上边界。我个人习惯用凸优化库（比如 cvxopt）直接求解，比随机模拟快得多。
4.4 知识体系结构图
下面这张 SVG 图，把这一章的核心逻辑串起来了。你看一眼就明白：
4.5 实践中的坑与对策
理论讲完了，说说实战。马科维茨模型在教科书上完美无瑕，但拿到真实市场里，问题一堆。
| 问题 | 表现 | 我的对策 |
|---|---|---|
| 输入敏感 | 预期收益微调，权重大变 | 用 Black-Litterman 模型融合主观观点 |
| 协方差不稳定 | 历史数据噪声大 | EWMA + 收缩估计 |
| 极端权重 | 满仓一两个资产 | 加权重约束（比如单资产不超过20%） |
| 忽略交易成本 | 频繁调仓，成本吃掉收益 | 引入交易成本惩罚项 |
重要提醒：别迷信有效前沿。我见过有人把有效前沿当成圣杯，结果市场风格一变，前沿直接漂移了。有效前沿是静态的，市场是动态的。你得定期重估，或者用滚动窗口来做。
4.6 一个简单的实战案例
假设你有三个资产：股票、债券、黄金。预期年化收益分别是 10%、4%、6%。风险（标准差）分别是 20%、8%、15%。相关性：股票和债券 -0.2，股票和黄金 0.1，债券和黄金 0.3。
我习惯先跑一个随机模拟，看看散点图长什么样。然后找到夏普比率最高的那个点——那就是「最优风险组合」。最后根据你的风险承受能力，在有效前沿上选一个点。
举个例子：如果你能接受 12% 的年化波动，那就在有效前沿上找到对应 12% 风险的那个点，看看权重是多少。可能是 60% 股票、30% 债券、10% 黄金。嗯，这个组合就是为你量身定做的。
我的习惯：每次做资产配置，我都会跑三个版本——保守、均衡、激进。然后让客户自己选。别替别人做决定，你只提供选项和背后的逻辑。
好了，这一章就到这里。资产配置不是一锤子买卖，你得持续监控、动态调整。下一章我们聊聊怎么把理论落地到代码里，做一个自动化的再平衡系统。