第 4 章 · 02 资产组合理论 Markowitz

第 4 章 · 02 资产组合理论 Markowitz

本节摘要:本节讲量化分析的开山之作——现代资产组合理论(Modern Portfolio Theory, MPT) 与 Markowitz 均值-方差模型。1950 年代,哈里·马可维茨提出:风险(波动率)与收益可量化、可优化,资产间的相关性(协方差矩阵 Σ)决定了分散化的效果。在无数可能组合中,只有一条有效前沿(Efficient Frontier) 是最优的——给定风险下收益最高,或给定收益下风险最低。最终权重公式为 w = λΣ⁻¹μ,其中 λ 是风险容忍度。这套理论获诺贝尔奖,奠定了量化组合管理的数学基础。但它的输入(期望收益 μ、协方差 Σ)极难估计,这是它实务失效的主要根源。素材来自 docs/start/mpt-markowitz。

内容来源:quant-wiki docs/start/mpt-markowitz.md,知识结构化整理。

⚠️ 学习提示:Markowitz 理论是「对的框架,但难的输入」。理解它的优雅与失败同样重要——好的量化研究员不是盲目用模型,而是知道模型在哪里失效。

学习目标

阅读完本节,你应当能够:

1. 说清 MPT 的核心命题:风险与收益可量化、可优化。
2. 解释协方差矩阵在组合风险中的作用。
3. 描述有效前沿及其与切点组合的关系。
4. 写出 Markowitz 权重公式 w = λΣ⁻¹μ 的含义。
5. 理解 CAPM 如何为 Markowitz 提供期望收益估计。
6. 列举 Markowitz 在实务中的失败模式。

一、MPT 的诞生:风险可量化

1950 年代,哈里·马可维茨(Harry Markowitz) 提出现代资产组合理论。核心思想:对任何资产,风险与回报存在权衡(trade-off)——价格越不稳定(波动率越高),风险越高,潜在回报也越大;稳定性高的资产回报上限也低。

在 MPT 之前,「风险」是个模糊概念,投资者凭直觉判断。Markowitz 的革命在于:用价格波动幅度(波动率)度量风险,使风险成为可计算、可优化的数学对象。Markowitz 因此获诺贝尔经济学奖。

💡 量化视角的转折点:MPT 是金融从「艺术」走向「科学」的转折点。它把投资问题转化为一个数学优化问题——给定约束,求最优解。此后 CAPM、BS、APT 都沿袭了这种思路。

二、相关性与协方差矩阵:资产如何互动

MPT 的精妙不止于单个资产的风险,更在于资产间的互动关系:

• 正相关:同时涨跌(如两家同业公司)。
• 负相关:一涨一跌(如黄金 vs 股市,部分时期)。
• 不相关:相互独立。

这种互动用协方差(Covariance) 衡量。把各资产间的协方差组织成矩阵,就得到协方差矩阵 Σ(Sigma)——它是一张「组合全景图」,展示所有资产两两之间的波动关系。

协方差矩阵的核心作用:组合的风险不是各资产风险的简单加权平均,而是要考虑它们的相关性。两个高度正相关的资产,组合几乎不分散风险;两个低相关或负相关的资产,组合风险大幅下降——即使单个资产风险都不低。这就是分散化的数学原理。

三、有效前沿:无穷组合中的最优曲线

理论上,组合的权重搭配无穷无尽。Markowitz 指出,在这无数可能中,只有一条特定曲线——有效前沿(Efficient Frontier)——代表最优的风险-回报组合。

有效前沿的定义:在给定风险水平下实现最高期望回报,或在给定回报要求下实现最低风险的所有组合点的集合。位于前沿上的组合,在相同条件下找不到更优配置。

有效前沿呈双曲线形状(在风险-收益平面上),其上方边界是「有效」的,下方边界是「无效」的(同样风险下收益更低)。前沿上夏普比率最高的点叫切点组合(Tangency Portfolio)——它配合无风险资产,构成资本市场线(Capital Market Line),是第 4 章 01 节夏普比率理论的几何体现。

四、数学基础:从矩阵到最优解

把组合问题用矩阵表达:

• 权重向量 w:各资产在组合中的比例(wᵢ 是第 i 个资产的权重)。
• 协方差矩阵 Σ。
• 组合方差(风险):wᵀΣw(w 的转置 × Σ × w),开方得组合波动率。
• 期望收益向量 μ:组合期望收益 R = μᵀw。

优化目标:最小化风险 wᵀΣw,同时最大化收益 μᵀw。由于目标双重且互相制约,解是一条曲线(有效前沿),而非单一点。

闭式解(无约束、仅全权重和为 1 的简化形式):

w = λ × Σ⁻¹ × μ

其中:

• λ 是风险容忍度参数:0(极度保守)到无穷大(极度冒险)。
• Σ⁻¹ 是协方差矩阵的逆。
• μ 是期望收益向量。

改变 λ,就在有效前沿上移动——λ 小则偏保守(多持低风险资产),λ 大则偏激进(多持高收益资产)。

💡 直觉解读:Σ⁻¹μ 这一项相当于「风险调整后的预期收益」。某资产预期收益高,但若它与其他资产高度相关(Σ 大),Σ⁻¹ 会压低它的权重——这就是「分散化优先」的数学表达。

五、CAPM:为 Markowitz 提供 μ

Markowitz 框架需要期望收益 μ 作为输入,但 μ 极难估计。资本资产定价模型(CAPM)(第 3 章 03 节)给出了一个简化答案:

E(Rᵢ) = Rf + βᵢ × (E(Rₘ) − Rf)

其中:

• Rf:无风险利率(常用国债收益率)。
• Rₘ:市场期望回报率。
• βᵢ:资产 i 对市场的敏感度 = Cov(Rᵢ, Rₘ) / Var(Rₘ)。

CAPM 用 β 把资产预期收益与市场收益联系起来,提供了一个相对「合理」的 μ 估计。把 CAPM 算出的 μ 代入 Markowitz 公式,就完成了「定价 → 组合优化」的链条。

六、多样化的力量:为什么不全押一种资产

全押比特币:波动巨大,坐过山车。全押可口可乐:稳健但增长有限。MPT 告诉我们:不必极端,持有多种低相关、期望回报为正的资产,可在总体风险与回报间找到更优解。

多样化的关键:

• 相关性低:加入与现有组合相关性低的资产(如不同行业、不同资产类别、不同地域),分散效果最好。
• 数量适度:分散到 15-30 只资产后,边际效益迅速递减;过度分散反而稀释 Alpha。
• 风险分散 ≠ 收益分散:目的是降低单位收益的风险,而非简单堆资产。

💡 多样化和夏普:第 4 章 01 节讲过,两个低相关策略组合后夏普可从 2 飙到 5。Markowitz 是这一现象的数学化——通过协方差矩阵,系统性地寻找「相关性低、收益为正」的资产组合。

七、Markowitz 的失败模式

Markowitz 理论优雅,但实务里常常失效。原因在于输入难估计:

失效 1:期望收益 μ 难估

CAPM 给的 μ 估计本身依赖市场收益预测,误差极大。μ 的小误差会导致最优权重 w 的大变化(因为 Σ⁻¹ 会放大误差)——这是 Markowitz 的「误差放大器」特性。

失效 2:协方差 Σ 难估

历史协方差在未来不稳定,尤其危机时相关性飙升到 1。用历史 Σ 优化的组合,实盘波动常远超预测。

失效 3:假设过强

• 收益正态分布(实际胖尾)。
• 投资者只关心均值方差(实际关心偏度、最大回撤)。
• 无税收、无交易成本、可无限做空。

实务修正

• 贝叶斯收缩(如 Black-Litterman 模型):把 CAPM 的 μ 与投资者观点融合,稳定估计。
• 风险平价(Risk Parity):按风险贡献而非收益分配权重,绕开 μ 难估的问题。
• 稳健优化:用稳健协方差估计或最坏情况优化,降低对输入的敏感度。
• 正则化:加 L1/L2 约束(限制权重极端化),提高样本外稳定性。

⚠️ 量化心法:Markowitz 不是「错的模型」,而是「对输入敏感的模型」。好的量化研究员花大量时间在输入估计(因子预期收益、协方差估计)上,而不是优化算法本身——算法是成熟的,输入是难的。这是第 7 章「组合优化与风险管理」的核心议题。

本节要点回顾

1. MPT 命题:风险(波动率)与收益可量化、可优化;获诺贝尔奖,把投资从艺术变科学。
2. 协方差矩阵 Σ:资产两两互动的全景图;组合风险 = wᵀΣw,相关性低则分散效果大。
3. 有效前沿:给定风险下收益最高(或给定收益下风险最低)的组合曲线;最高夏普点是切点组合。
4. 权重公式:w = λΣ⁻¹μ;λ 是风险容忍度,Σ⁻¹μ 是风险调整后的预期收益。
5. CAPM 衔接:用 β 估计 μ,完成「定价 → 组合优化」链条。
6. 多样化:持有低相关、正收益资产;数量适度(15-30 只边际效益递减)。
7. 失败模式:μ 与 Σ 难估、误差被 Σ⁻¹ 放大、假设过强;实务用 Black-Litterman、风险平价、稳健优化修正。

下一节,我们看高频交易与极值理论(EVT)在 VaR 的应用——从微秒级执行到尾部风险建模,两个看似不同但都关乎「极端」的主题。