PyPortfolioOpt · 第 7 章 Black-Litterman 模型

PyPortfolioOpt · 第 7 章 Black-Litterman 模型

章节摘要:本章是全教程的高阶核心。历史收益估计噪声大、对样本敏感,Black-Litterman(BL)模型提供更稳健的替代:先从市场市值反向推出「市场隐含均衡收益」(prior,即市场当前定价隐含的收益),再融合投资者的主观观点( posterior),得到后验收益估计。black_litterman.py 实现了这套机制:market_implied_prior_returns 从市值推先验、market_implied_risk_aversion 估风险厌恶系数、bl_returns 融合观点、BlWeights 输出权重。本章共 3 节,前置依赖为「第 3~4 章」,与 Cookbook 4 配套。

学习目标

阅读完本章,你应当能够:

1. 用 market_implied_prior_returns 从市值推均衡收益。
2. 用 market_implied_risk_aversion 估风险厌恶系数 delta。
3. 用 bl_returns 融合主观观点得后验收益。
4. 把 BL 收益喂给 EfficientFrontier 出权重。
5. 理解 BL 相对纯历史估计的优势。

核心概念速览

Black-Litterman 的洞见是——不要从噪声极大的历史猜收益,而要从市场当前定价反推,再叠加你的判断。

子章节导航

01 市场隐含收益

market_implied_prior_returns 从市值反向推均衡收益、market_implied_risk_aversion 估 delta。

02 主观观点融合

观点矩阵 P、观点向量 Q、置信度矩阵 Omega,bl_returns 融合得后验。

03 BL 实战

完整流程:取市值 → 推先验 → 写观点 → 融合 → 优化出权重,与 Cookbook 4 配套。

子章节之间的逻辑关系

第 01 节(隐含收益 prior)──► 第 02 节(融合观点 posterior)──► 第 03 节(实战出权重)
        从市场反推                    叠加主观判断              喂给优化器
                                                                   │
                                                                   ▼
                                                       第 8 章(其他优化器)
​

前置知识与后续延伸

前置知识:

• 第 3 章(协方差矩阵,作为 BL 的输入)
• 第 4 章(EfficientFrontier,BL 的下游)

后续延伸:

• BL 收益可替换第 2 章的历史收益输入
• 第 8 章的 HRP、CLA 是完全不同的优化思路