第二章 投资组合理论基础：Markowitz均值-方差模型、有效前沿与资本市场线、风险度量指标
各位同学，欢迎来到第二章。这一章，我们聊聊现代投资组合理论的基石。说实话，这部分内容我每年都会重新翻看一遍，每次都能发现一些新的感悟。Markowitz老爷子当年提出均值-方差模型的时候，可能也没想到，这个框架至今仍是量化投资的“底层操作系统”。
2.1 Markowitz均值-方差模型：一个数学家的“不把鸡蛋放一个篮子”
先问大家一个问题：你手上有两只股票，一只涨得猛但波动大，另一只稳如老狗但收益低。你怎么配？
Markowitz说，别只看单个资产，要看它们之间的“关系”。他老人家在1952年那篇经典论文里，用数学把“分散化”这件事讲透了。核心就两个变量：期望收益和方差（也就是风险）。
模型长这样：
目标：最小化组合方差 σ²_p = w^T Σ w
约束：组合期望收益 E(R_p) = w^T μ = 目标收益
权重之和 = 1（允许做空时无此限制）
其中，w是权重向量，μ是预期收益向量，Σ是协方差矩阵。
我个人习惯，在实盘里会把协方差矩阵做一步“去噪”处理。为什么？因为历史数据里的协方差，很多是噪声，不是信号。我曾在2015年股灾前，用原始协方差矩阵配了一个组合，结果一遇到极端行情，相关性全部失效——嗯，那叫一个惨。后来我改用收缩估计（Shrinkage Estimator），效果稳定多了。
2.2 有效前沿：那条“最优”的曲线
有了均值-方差模型，我们就可以画出那条著名的曲线——有效前沿（Efficient Frontier）。
说白了，就是给定一个风险水平，你能拿到的最高收益是多少。反过来，给定一个收益目标，你能承受的最低风险是多少。所有“最优”的组合，都落在这条曲线上。
我画个图，大家感受一下：
你看，曲线左端那个点，叫最小方差组合（Global Minimum Variance Portfolio）。它是整条曲线上风险最低的点。我刚开始做组合优化时，总喜欢选这个点，觉得“稳”。后来发现，它虽然风险低，但收益也低得可怜，跑不赢通胀。所以，实际中我一般会选曲线上“曲率变化最大”的那一段——也就是风险收益比最划算的区域。
2.3 资本市场线：引入无风险资产
有效前沿只考虑了风险资产。但现实中，我们还有无风险资产，比如国债、货币基金。
当你把无风险资产加进来，事情就变了。你可以用一部分钱买国债，剩下的钱买一个“最优风险组合”。这样，所有可能的组合就变成了一条直线——资本市场线（Capital Market Line, CML）。
公式很简单：
E(R_p) = R_f + [E(R_m) - R_f] / σ_m × σ_p
其中，R_f是无风险利率，E(R_m)和σ_m是市场组合的收益和风险。
这条线的斜率，就是夏普比率（Sharpe Ratio）。斜率越大，说明每承担一单位风险，能多拿多少超额收益。
你想想看，有效前沿上的所有组合，只有一个是“最优”的——就是那条线与有效前沿的切点。这个切点对应的组合，叫市场组合（Market Portfolio）。
我记得有一次给一家保险资管做配置，他们要求年化收益5%，最大回撤不超过3%。我算了一下，在当时的市场环境下，纯风险资产根本做不到。后来我引入国债，用CML框架配了一个“80%国债+20%权益”的组合，完美达标。你看，无风险资产不是“拖后腿”，而是“稳定器”。
2.4 风险度量指标：从方差到VaR再到CVaR
方差是Markowitz用的风险度量，但它有个问题：它把上涨和下跌都算作“风险”。可我们做投资的，谁在乎上涨啊？我们怕的是下跌。
所以，后来业界搞出了更实用的指标。
| 指标 | 含义 | 优点 | 缺点 |
|---|---|---|---|
| 方差/标准差 | 收益的波动程度 | 数学性质好，便于优化 | 对称处理涨跌，不符合直觉 |
| VaR（在险价值） | 给定置信水平下，最大可能损失 | 直观，监管常用 | 不满足次可加性，忽略尾部风险 |
| CVaR（条件在险价值） | 超过VaR后的平均损失 | 考虑尾部风险，满足次可加性 | 计算复杂，需要大量数据 |
举个例子，假设你有一个组合，95%置信水平下的VaR是100万。意思是：在95%的情况下，你的最大亏损不会超过100万。但剩下的5%呢？VaR不管了。而CVaR会告诉你：那5%的最坏情况，平均会亏多少——可能是200万，也可能是500万。
我曾经在2018年用VaR做风控，结果遇到一次“黑天鹅”，VaR没预警，但实际亏损远超VaR值。后来我改用CVaR，虽然计算量大了点，但心里踏实多了。说白了，VaR是“最坏情况的上限”，CVaR是“最坏情况的平均值”。做量化，我建议两个都看。
2.5 实战中的“坑”与“解”
讲完理论，我分享几个实战中常见的坑。
- 坑一：历史会重演吗？ 均值-方差模型用的是历史数据，但市场是动态的。我建议用滚动窗口估计参数，或者引入贝叶斯先验。
- 坑二：输入参数敏感。 预期收益稍微变一点，最优权重可能天差地别。我一般会做“敏感性分析”，看看权重对参数的稳健性。
- 坑三：忽略交易成本。 理论上的最优组合，换手率可能高得吓人。实盘中，我会加一个“换手率惩罚项”。
嗯，这一章的内容就到这里。理论是骨架，实战是血肉。希望大家在理解这些模型的同时，也能带着批判的眼光去看它们——毕竟，所有模型都是错的，但有些是有用的。