4. 多目标投资组合模型：均值-方差-偏度模型、均值-方差-VaR模型、均值-方差-CVaR模型
聊到多目标优化，我得先跟你掏个底。
传统的均值-方差模型，说白了就是只看收益和波动。但做投资久了你会发现，这远远不够。我早年做量化策略时，就吃过这个亏——一个组合的夏普比率看着挺漂亮，结果遇到极端行情，一天亏掉三个月的利润。为什么会这样？因为方差只描述了波动的幅度，它分不清哪些是好的波动（上涨），哪些是坏的波动（下跌）。
所以后来业界开始搞多目标模型。今天咱们就聊三个最实用的：均值-方差-偏度模型、均值-方差-VaR模型、均值-方差-CVaR模型。每个我都踩过坑，咱们一个一个说。
4.1 均值-方差-偏度模型：把“不对称性”抓进来
先问个问题：你希望你的组合收益分布长什么样？
正态分布？那太理想了。真实世界里，收益分布往往有偏——要么左偏（容易出黑天鹅），要么右偏（偶尔有大惊喜）。
偏度就是衡量这个不对称性的指标。正偏度意味着右边尾巴长，偶尔能抓到暴涨机会；负偏度意味着左边尾巴长，容易突然暴跌。
我个人的习惯是，在做CTA策略时特别关注偏度。因为趋势跟踪策略天然会产生正偏度——大部分时间小亏，偶尔大赚。如果你用均值-方差模型去优化，可能会把这种策略优化掉，因为它方差大。但加上偏度目标后，模型会保留这种“不对称优势”。
数学上，这个模型的目标函数长这样：
最大化: E(R) - λ₁ * Var(R) + λ₂ * Skew(R)
其中：
E(R) = 组合期望收益
Var(R) = 组合方差
Skew(R) = 组合偏度
λ₁, λ₂ = 风险厌恶系数和偏度偏好系数嗯，这里要注意：偏度是越高阶的矩，估计越不稳定。我曾在沪深300的成分股上做过测试，样本量少于500个交易日时，偏度的估计误差大得离谱。所以我的建议是——至少用3年以上的日频数据，或者用周频数据拉长时间窗口。
4.2 均值-方差-VaR模型：盯住“最坏情况”
VaR，Value at Risk，风险价值。说白了就是问一个问题：在95%或99%的置信水平下，我最多亏多少钱？
举个例子：一个组合的日VaR(95%)是100万，意思是有95%的概率，一天亏损不超过100万。听起来挺安心对吧？但剩下的5%呢？VaR不告诉你。
我曾经用VaR做风控，结果有一次市场暴跌，VaR显示只亏100万，实际亏了300万。为什么？因为VaR只看分位点，不管分位点后面的尾巴有多长。
但不管怎么说，VaR比方差直观得多。方差是个统计量，你很难跟老板解释“方差大了0.01意味着什么”。但你说“有95%的概率，一天最多亏50万”，老板一听就懂。
均值-方差-VaR模型的目标函数：
最大化: E(R) - λ₁ * Var(R) - λ₂ * VaR_α(R)
其中 VaR_α(R) 是置信水平 α 下的风险价值另外，VaR还有一个数学上的硬伤：它不满足次可加性。什么意思？就是两个组合合并后的VaR，可能大于各自VaR之和。这在数学上是不合理的——分散化应该降低风险才对。所以后来业界更推崇CVaR。
4.3 均值-方差-CVaR模型：管住“尾巴里的风险”
CVaR，Conditional VaR，也叫Expected Shortfall。它问的是：当亏损超过VaR阈值时，平均会亏多少？
还是刚才那个例子：VaR(95%)是100万，那CVaR(95%)就是——在亏损超过100万的那些日子里，平均亏了多少钱。可能是150万，也可能是300万。这个数字告诉你真正的尾部风险有多大。
我个人认为，CVaR是这三个模型里最实用的。为什么？
- 数学性质好： CVaR满足次可加性，分散化能降低风险，符合直觉
- 尾部敏感： 它关注的是“一旦出事，有多严重”，而不是“出事的概率多大”
- 优化方便： CVaR可以转化为线性规划问题，计算效率高
目标函数：
最大化: E(R) - λ₁ * Var(R) - λ₂ * CVaR_α(R)
其中 CVaR_α(R) = E[ R | R ≤ VaR_α(R) ]我在做债券组合优化时，特别喜欢用CVaR。因为债券的收益分布往往左偏——大部分时间小赚，偶尔暴跌（比如信用违约）。均值-方差模型会低估这种风险，而CVaR能把它抓出来。
4.4 三个模型的对比与选择
说了这么多，到底该用哪个？我整理了一张表，你一看就明白：
| 模型 | 关注的风险维度 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 均值-方差-偏度 | 收益不对称性 | 捕捉正偏度机会 | 高阶矩估计不稳定 | 趋势跟踪、期权策略 |
| 均值-方差-VaR | 最大可能亏损 | 直观、易沟通 | 不满足次可加性 | 风控报告、监管合规 |
| 均值-方差-CVaR | 尾部平均亏损 | 数学性质好、尾部敏感 | 计算稍复杂 | 信用债、对冲基金 |
我的建议是：
- 如果你做的是高频或统计套利，收益分布接近正态，用均值-方差就够了，别搞复杂了
- 如果你做的是趋势跟踪或期权策略，加上偏度目标，能保留策略的“不对称优势”
- 如果你做的是债券或信用策略，直接用CVaR，别用VaR——尾部风险才是真正的风险
4.5 核心逻辑框架图
下面这张图，把三个模型的核心逻辑串起来了。你看一眼就能明白它们之间的关系：
你看这张图，从底层的均值-方差出发，向上分叉出三个方向。每个方向解决一个特定的问题——偏度解决不对称性，VaR解决最大亏损，CVaR解决尾部风险。最终它们都指向同一个目标：在多个维度之间找到最优平衡。
好了，这一章的内容就到这里。记住一句话：多目标优化的本质，不是找到“最好的”组合，而是找到“最适合你”的组合。你的风险偏好、策略特征、甚至资金规模，都会影响最终的选择。