第 9 章 · 01 均值-方差优化

第 9 章 · 01 均值-方差优化

本节摘要:本节讲现代投资组合理论的起点——马科维茨均值-方差优化(Mean-Variance Optimization,MVO)。1952 年马科维茨提出:把资产按期望收益和风险(方差)权衡,用数学规划求出「给定风险下收益最大」或「给定收益下风险最小」的最优权重,由此画出有效前沿。这套框架第一次把「分散化」从一句口号变成可计算的科学。本节讲清目标函数、约束条件、有效前沿的推导,以及它最致命的缺陷——对输入(尤其是期望收益)极端敏感,微小估计误差会导致权重剧烈跳动,这就是后续 Black-Litterman 与风险平价要解决的核心痛点。

内容来源:投资组合优化通用理论(Harry Markowitz 1952),配合仓库资料/投资组合优化与风控.md 收录的 Chan, Karceski, Lakonishok(1999)《On Portfolio Optimization: Forecasting Covariances and Choosing the Risk Model》,知识结构化整理。

⚠️ 学习提示:均值-方差优化在理论上优美,在实战中几乎不能「裸用」——直接把样本均值和样本协方差丢进优化器,得到的持仓往往集中、不稳定、难以解释。本节重点理解「为什么敏感」,后续三节给出对策。

学习目标

阅读完本节,你应当能够:

1. 写出均值-方差目标函数及其经济含义。
2. 解释有效前沿的形状与最小方差组合的位置。
3. 说清权重对期望收益向量 μ 极度敏感的数学原因。
4. 列举常见的实际约束(权重和为 1、做多、行业上限)。
5. 理解为什么 MVO 是「坏最优化的典型」。

一、从分散化到数学规划

「不要把鸡蛋放在一个篮子里」是投资界的古老智慧,但长期以来它只是定性经验。马科维茨 1952 年的贡献,是把它变成一个可求解的数学问题:

给定 N 个资产,各自的期望收益 μ_i、协方差矩阵 Σ,求权重向量 w,使组合在某个目标收益下风险最小。

组合的收益与方差为:

预期收益: μ_p = w^T μ
组合方差: σ_p^2 = w^T Σ w
​

这里 μ 是 N×1 的期望收益向量,Σ 是 N×N 的协方差矩阵,w 是 N×1 的权重向量。关键洞察在于:组合方差不只取决于各资产方差,还取决于资产间的协方差——这就是分散化的数学根源。相关系数越低,分散效果越好。

二、两类等价的最优化问题

均值-方差优化可以写成两种等价形式:

形式 A(风险最小化,给定目标收益):

min  w^T Σ w
s.t. w^T μ = μ_target
     w^T 1 = 1          (满仓约束)
     w >= 0             (做多约束,可选)
​

形式 B(效用最大化,风险厌恶系数 λ):

max  w^T μ - (λ/2) w^T Σ w
s.t. w^T 1 = 1
​

形式 B 把「收益」与「风险惩罚」放在一个目标里,λ 是风险厌恶系数:λ 大表示更怕风险,组合偏向低波动资产;λ 小表示更追求收益,组合偏向高预期资产。这两种形式在数学上等价——每个 λ 对应前沿上一个点。

💡 核心心法:协方差矩阵 Σ 描述「风险怎么分担」,期望收益 μ 描述「收益从哪来」。MVO 的本质是用 Σ 把 μ «翻译»成权重——这就埋下了对 μ 敏感的伏笔。

三、有效前沿

把不同目标收益下的最小风险解连起来,就得到有效前沿(Efficient Frontier):

前沿的关键特征:

• 最小方差组合(前沿最左点):不依赖 μ,只依赖 Σ,是 MVO 里最稳健的点。
• 切点组合(夏普最高):从无风险利率出发切前沿的切点,即 CAPM 里的「市场组合」。
• 前沿上方每一点都是有效的:不存在「风险相同但收益更高」的其他组合。

实务中,投资者会根据自己的风险偏好在前沿上选一个点,或结合无风险资产做资本配置线(CAL)。

四、致命缺陷:对输入极端敏感

MVO 看似完美,实战却几乎不能直接用。核心问题是输入估计误差会被放大:

Chan, Karceski, Lakonishok(1999)的经典实证(仓库资料收录)系统比较了多种协方差预测模型,核心结论是:

• 期望收益的估计误差是权重不稳定的主因。样本均值的标准误非常大,月度收益的噪声远超信号。
• 即使用很复杂的协方差模型(因子模型、压缩估计),对组合效果的提升也有限——因为瓶颈在 μ 不在 Σ。
• 微小的 μ 变动会让最优权重剧烈变化,持仓从「分散」变成「极端集中」(全部押一两个资产)。

这种现象叫**「误差最大化」**(error maximization):优化器会放大估计误差——它倾向于给「历史均值最高、且与别人相关性低」的资产超配,而这些「最优」特征往往恰好是噪声。

五、实务中的常见约束

为了缓解不稳定,实务中给 MVO 加一堆约束:

• 权重上下限:单资产权重不超过 5% 或 10%,强制分散。
• 行业/风格上限:某行业暴露不超过基准 +5%。
• 换手约束:本期权重与上期差不超过一定值,降低交易成本。
• 做空限制:多数公募只能做多。
• β 约束:组合 β 接近 1,控制系统性风险。

这些约束本质上是「承认 μ 不可靠,用规则压住优化器的疯狂」。加了约束后,组合更像基准、更可解释,但也削弱了「优化」的意义——于是有了下一节的 Black-Litterman(改 μ 的估计)和再下一节的风险平价(干脆不用 μ)。

六、MVO 在量化流程中的位置

在多因子选股流程里,MVO 通常出现在「信号 → 权重」这一步:

因子打分 → 预期收益 α/μ → MVO(或 BL/风险平价) → 目标持仓 → 执行
​

第 2 章的因子合成给出每只股票的「预期收益」(打分),MVO 把它和协方差一起转成「各买多少」。但正因为 μ 这一步噪声大,工业界更常用:

• Black-Litterman:用市场均衡先验「平滑」主观 μ(下节)。
• 风险平价/风险预算:只用 Σ,不用 μ(第 03 节)。
• Barra 风险约束优化:在因子约束下做 MVO(第 04 节)。

本节要点回顾

1. 框架:MVO 用 w^T μ 和 w^T Σ w 把分散化变成数学规划,有效前沿是核心输出。
2. 两种形式:风险最小化(给定收益)与效用最大化(风险厌恶 λ),数学等价。
3. 有效前沿:最小方差组合(只依赖 Σ)、切点组合(夏普最高)、前沿上每点都有效。
4. 致命缺陷:对期望收益 μ 极度敏感——误差最大化,微扰导致权重剧烈跳动(Chan 等 1999 实证)。
5. 实务对策:加权重/行业/换手约束压住优化器,或改用 BL/风险平价/Barra。
6. 流程定位:MVO 是「信号 → 权重」的关键一环,但 μ 不可靠催生了后续三节的方法。

下一节,我们看 Black-Litterman 模型——它用市场均衡先验给主观观点加权,从根源上缓解 MVO 对输入的敏感。