第 9 章 · 02 Black-Litterman 模型

第 9 章 · 02 Black-Litterman 模型

本节摘要:本节讲 Black-Litterman 模型(简称 BL),它是马科维茨均值-方差优化(MVO)的「救火队员」。上一节指出 MVO 对期望收益 μ 极度敏感,微小估计误差导致权重剧烈跳动。Black 与 Litterman(1990,高盛)给出一条精妙的出路:不直接用样本均值,而是把「市场均衡隐含的先验收益」与「投资者的主观观点」按贝叶斯框架融合,得到更稳定的后验期望收益,再喂给 MVO。核心思想是:市场定价本身就是无数投资者观点的汇总,是一个高质量的先验;你的观点只是在此基础上做「局部修正」,而不是「全盘推翻」。这种「先验 + 观点」的贝叶斯融合,从根源上缓解了 MVO 的输入敏感问题,也让组合权重更平滑、更可解释。本节讲清真先验(逆优化)、观点矩阵、置信度如何决定融合比例,以及 BL 为何在实务中广受欢迎。

内容来源:投资组合优化通用理论(Black & Litterman 1990,高盛),配合仓库资料/投资组合优化与风控.md 收录文献,知识结构化整理。

⚠️ 学习提示:BL 的精妙在于「不信任样本均值、信任市场均衡」。但它的难点也在观点的设定——观点过于强烈会让 BL 退化回 MVO,观点置信度估计不当又会回到均衡组合。理解「先验与观点的权衡」比记住公式更重要。

学习目标

阅读完本节,你应当能够:

1. 解释逆优化(reverse optimization)如何从市场权重反推隐含均衡收益。
2. 写出 Black-Litterman 后验公式的经济含义(先验 + 观点)。
3. 说清观点矩阵 P、观点向量 q、置信度矩阵 Ω各自的含义。
4. 理解 BL 为何能缓解 MVO 的输入敏感问题。
5. 区分 BL 与直接用样本均值的根本差异。

一、动机:为什么需要 BL

回顾上一节,MVO 的核心痛点是对期望收益 μ 极度敏感。直接把样本均值丢进优化器,会产生「误差最大化」:优化器疯狂超配那些历史均值高且相关性低的资产,而这些「最优」特征往往是噪声。

问题的根源在于:样本均值是一个糟糕的 μ 估计。月度收益的噪声远大于信号,用样本均值做 μ,等于把噪声当真信号。但 MVO 又必须有一个 μ——怎么办?

Black-Litterman 的回答是:别用样本均值,用市场告诉你的 μ。

💡 核心心法:市场定价(市值权重)本身是无数投资者权衡后的结果,它隐含了市场对每个资产「合理预期收益」的共识。这个「隐含均衡收益」远比样本均值稳定、合理。BL 就是把这个隐含收益挖出来,作为先验。

二、第一步:逆优化求隐含均衡收益

BL 的第一步是逆优化(reverse optimization):从市场实际持仓(市值权重)反推出「市场隐含的期望收益」。

逻辑:如果所有投资者都按 MVO 配置,且没有人有特别观点,那么市场均衡组合(按市值权重 w_mkt 持仓)应该是某个 MVO 问题的解。这个解对应的 μ,就是市场隐含的均衡收益 π。

逆优化公式:
    π = λ Σ w_mkt

其中:
    π      —— N×1 隐含均衡收益向量(先验)
    λ      —— 风险厌恶系数(市场整体)
    Σ      —— N×N 协方差矩阵
    w_mkt  —— N×1 市值权重(市场实际持仓)
​

直觉:市场给某资产配的权重越大,说明市场认为它的「风险调整后收益」越高。逆优化把这个「隐含判断」翻译成 μ。关键好处:π 只依赖 Σ 与市值权重,二者都比样本均值稳定得多——这就是 BL 的根基。

三、第二步:表达主观观点

均衡收益 π 是「无人有特别观点」时的默认值。但投资者(量化研究员)往往有一些主观观点——比如「我认为 A 股未来跑赢 B 股 5%」「沪深 300 未来绝对收益 8%」。

BL 把观点表达成线性形式:

观点:k 个观点
    q = P μ + ε ,    ε ~ N(0, Ω)

其中:
    P  —— k×N 观点矩阵(每个观点选出 N 只资产的线性组合)
    q  —— k×1 观点收益向量(你认为这个组合的收益是 q)
    Ω  —— k×k 观点置信度矩阵(对角阵,值越大表示越不确定)
​

举例三类观点:

💡 设计哲学:BL 偏好「相对观点」——不直接断言某资产绝对收益,而是表达「A 比 B 好」。相对观点天然对冲了整体市场的噪声,更稳健。

四、第三步:贝叶斯融合得到后验 μ

把均衡先验 π 与主观观点 (P, q, Ω) 按贝叶斯框架融合,得到后验期望收益 μ_BL:

后验期望收益:
    μ_BL = [(τΣ)^-1 + P^T Ω^-1 P]^-1  ·  [(τΣ)^-1 π + P^T Ω^-1 q]

其中:
    τ  —— 标量,先验置信度(0~1,小表示先验更准)
    其他符号同上
​

这个公式看着复杂,但经济含义清晰:后验 μ 是先验 π 与观点 q 的加权平均,权重由各自的「精度」(方差的倒数)决定:

• 先验 π 的精度由 τΣ 决定:τ 越小,先验越「准」,后验越偏向 π。
• 观点 q 的精度由 Ω 决定:Ω 越小(置信度高),后验越偏向 q。

最后把 μ_BL(替代样本均值)喂给 MVO,求出组合权重。这一步的优化问题与上一节完全一样,只是 μ 换了来源。

五、BL 为什么能缓解输入敏感

BL 从三个层面缓解 MVO 的输入敏感:

1. 先验本身稳定:π 来自市值权重与 Σ,比样本均值稳定得多。即使观点部分出错,后验也不会偏离太远——因为它始终被 π「拉住」。
2. 观点的局部性:观点只影响 P 选出的那些资产,其他资产保持均衡。这避免了「一个错误估计拖垮整个组合」。
3. 置信度自然平滑:Ω 让观点按置信度加权,弱观点几乎不影响组合,只有高置信度观点才显著调权。

实证上,BL 组合的权重通常更分散、平滑、接近市值基准——这正是实务所希望的。它不会像裸 MVO 那样把 80% 仓位押在一两个「历史最优」资产上。

六、参数 τ 与 Ω 的设定

BL 的两个关键参数是 τ(先验置信度)与 Ω(观点置信度矩阵),它们的设定既是难点,也是争议:

• τ:常用 0.025~0.05。τ 越小,后验越偏向先验;τ 越大,后验越偏向观点。也有文献建议 τ 与观点数量、样本长度相关。
• Ω:最常用的是设 Ω 对角元 = τ · diag(P Σ P^T),即观点的「不确定度」与该观点组合的方差成比例。这样置信度与观点组合的风险匹配——风险高的观点,自然更不确定。

实务中 τ 与 Ω 的设定常需迭代调试,这也是 BL 被诟病「仍然依赖参数」的原因。但即便如此,BL 通常比裸 MVO 稳健得多。

七、BL 的实务流程与定位

在量化流程里,BL 的典型用法:

因子打分 → 转化为「观点」(q, P) → 结合市值权重求 π → BL 融合得 μ_BL → MVO → 目标持仓
​

注意 BL 把「因子信号」转化为「观点」——而不是直接当 μ。这给信号一个置信度(Ω),让 MVO 知道「这个信号有多可信」,避免盲目相信。

八、BL 的局限与适用边界

BL 不是银弹,它的局限:

• 观点设计仍是艺术:观点选哪些资产、表达成绝对还是相对、置信度怎么设,都需要经验。
• τ 与 Ω 设定无定论:不同设定会得到差异较大的组合,参数敏感性仍存在。
• 均衡先验假设强:BL 假设市场接近均衡,但在极端行情(泡沫/恐慌)下,市值权重本身可能失真。
• 对 Σ 仍敏感:BL 缓解了 μ 的敏感,但 Σ 仍是输入。Σ 估计差,π 与后验都会受影响。

💡 何时用 BL:当你有「想基于市场基准做局部偏离」的需求时,BL 是首选——它让你在市值基准上表达少数高置信度观点,既利用市场共识,又叠加自己的 alpha。指数增强、智能 beta 类产品常用 BL。

本节要点回顾

1. 动机:MVO 对 μ 极度敏感,样本均值不可靠;BL 用市场隐含均衡收益代替样本均值。
2. 逆优化:π = λΣw_mkt,从市值权重反推市场隐含期望收益,比样本均值稳定。
3. 观点表达:q = Pμ + ε,观点矩阵 P 选资产、q 给收益、Ω 给置信度;偏好相对观点。
4. 贝叶斯融合:μ_BL 是先验 π 与观点 q 按精度加权的结果,τ 控先验权重、Ω 控观点权重。
5. 缓解敏感:先验稳定、观点局部、置信度平滑,三层机制让组合权重更分散、平滑、可解释。
6. 参数 τ/Ω:τ 常用 0.025~0.05;Ω 常用 τ·diag(PΣP^T);设定需迭代调试。
7. 适用边界:观点设计是艺术、参数无定论、均衡假设在极端市失效、对 Σ 仍敏感;适合「基准 + 局部偏离」的增强类产品。

下一节,我们看另一条缓解 MVO 痛点的路线——风险预算与风险平价,它干脆「不用 μ」,只用 Σ 把风险平均分摊到各资产。