均值-方差优化

均值-方差优化 (Mean-Variance Optimization)

均值-方差优化（Mean-Variance Optimization，简称 MVO）是现代投资组合理论（Modern Portfolio Theory, MPT）的核心方法论，由哈里·马科维茨（Harry Markowitz）于1952年在论文《投资组合选择》（Portfolio Selection）中首次系统提出。该框架的核心洞见在于：投资者的目标不应是孤立地评估单个资产的收益与风险，而应关注资产之间的协方差结构——通过构建资产组合，可以在不牺牲期望收益的前提下降低投资整体的方差（即风险）。马科维茨因此贡献于1990年获得诺贝尔经济学奖。

均值-方差优化的核心思想可以表述为：给定一组风险资产，找到在给定期望收益水平下方差最小的投资组合，或者在给定方差水平下期望收益最大的组合。这一双目标优化问题最终在均值-标准差平面上收敛为一条曲线——有效前沿（Efficient Frontier）。任何不在有效前沿上的组合都是次优的，因为要么在同等风险下收益更低，要么在同等收益下风险更高。

数学表述

考虑 $n$ 个风险资产，设 $\boldsymbol{\mu} = (\mu_1, \mu_2, \dots, \mu_n)^\top$ 为期望收益向量，$\boldsymbol{\Sigma}$ 为 $n \times n$ 的收益协方差矩阵，$\mathbf{w} = (w_1, w_2, \dots, w_n)^\top$ 为资产权重向量，满足$\sum_{i=1}^n w_i = 1$。组合的期望收益为 $\mu_p = \mathbf{w}^\top \boldsymbol{\mu}$，组合的方差为 $\sigma_p^2 = \mathbf{w}^\top \boldsymbol{\Sigma} \mathbf{w}$。

标准的均值-方差优化问题（最小方差组合给定目标收益 $\mu_0$）表述为：

引入拉格朗日乘数$\lambda$ 和 $\gamma$ 求解该约束优化问题，可得解析解：

其中 $A = \mathbf{1}^\top \boldsymbol{\Sigma}^{-1} \mathbf{1}$，$B = \mathbf{1}^\top \boldsymbol{\Sigma}^{-1} \boldsymbol{\mu}$，$C = \boldsymbol{\mu}^\top \boldsymbol{\Sigma}^{-1} \boldsymbol{\mu}$，$D = AC - B^2$。该解构成了有效前沿的全体组合。

有效前沿与资本市场线

当引入无风险资产后，有效前沿的结构发生根本性变化。设无风险利率为 $R_f$，存在一个唯一的切点组合（Tangency Portfolio）$\mathbf{w}_T$，使得资本配置线（Capital Allocation Line）与风险资产有效前沿相切。这条切线即为资本市场线（Capital Market Line, CML），其方程为：

其中 $\mu_T$ 和 $\sigma_T$ 分别为切点组合的期望收益和标准差。根据托宾分离定理（Tobin's Separation Theorem），所有投资者的最优组合均可分解为两个步骤的独立决策：第一步，确定切点组合（纯技术问题，取决于资产特征，与投资者偏好无关）；第二步，根据个人的风险厌恶程度，在无风险资产与切点组合之间进行资金分配。

输入参数的估计问题

均值-方差优化在实际应用中面临的核心挑战是参数估计误差。$\boldsymbol{\mu}$ 和 $\boldsymbol{\Sigma}$ 在现实中不可直接观测，必须从历史数据中估计。大量研究表明，期望收益的估计尤其困难——历史收益的样本均值对未来的预测能力极其有限，而优化器对输入参数高度敏感，使得估计误差在优化过程中被放大，导致"误差最大化"（error maximization）现象。

最大夏普比率组合（即切点组合）对期望收益的估计误差最为敏感。米歇尔-罗森伯格等学者的模拟研究发现，均值-方差优化得出的权重往往极端且不稳定，甚至出现"反直觉"的配置。针对这一问题，学界发展出一系列改进方法：收缩估计（Shrinkage Estimation, Jorion, 1986）将样本均值向先验均值压缩；贝叶斯方法引入先验分布以平滑估计（Black-Litterman 模型即为典例）；重抽样方法（Resampled Efficiency）通过蒙特卡洛模拟平均化参数不确定性；以及约束组合权重（如禁止做空、施加行业集中度上限等）以减小极端头寸。

Black-Litterman 模型

布莱克-利特曼模型（Black-Litterman, 1992）是均值-方差优化框架的重要扩展，其核心创新在于将投资者的主观观点与市场均衡收益（通过资本资产定价模型逆向工程得到）进行贝叶斯融合。该模型首先假设市场均衡收益服从先验分布：$\boldsymbol{\mu} \sim N(\boldsymbol{\pi}, \tau \boldsymbol{\Sigma})$，其中 $\boldsymbol{\pi}$ 为均衡期望收益（从 CAPM 市场组合倒推），$\tau$ 为标量参数。随后引入投资者的观点向量 $\mathbf{Q}$ 及观点不确定性的协方差 $\boldsymbol{\Omega}$，形成后验收益分布：

其中 $\mathbf{P}$ 为观点映射矩阵。Black-Litterman 模型的突出优势在于：输出权重天然分散化，避免了标准 MVO 的极端配置；投资者可以直观地表达"我对某资产有看多/看空判断"；且当无观点输入时，模型默认收敛于市场组合——这正是"在无信息时保持被动"的贝叶斯理性原则。

批评与替代方法

均值-方差优化的根本局限在于其对风险的度量方式。方差作为风险度量存在若干缺陷：第一，方差同等惩罚上行波动和下行波动，而投资者通常仅厌恶下行风险；第二，方差假设收益服从正态分布，而金融资产收益往往呈现厚尾和偏态特征，极端事件的发生频率远高于正态分布预期；第三，协方差矩阵的时变性——资产间相关关系在金融危机期间趋近于 1 的"相关性崩溃"现象，使得基于历史协方差的前瞻性组合在压力情境下失效。

针对上述局限，下半方差优化（Semi-Variance Optimization）仅将低于目标收益的偏离视为风险；条件风险价值（Conditional Value-at-Risk, CVaR）优化关注尾部损失；稳健优化（Robust Optimization）直接对参数不确定性进行显式建模；风险平价（Risk Parity）则彻底跳出了均值-方差框架，以风险贡献的均等化而非收益-风险的权衡为目标。尽管如此，均值-方差优化以其理论简洁性和分析上的可处理性，仍是现代金融经济学的基础工具——几乎所有后续的投资组合理论都以此为参照点展开。

在资产定价中的延伸

均值-方差优化的逻辑在资产定价领域也产生了深远影响。如果所有投资者均按照均值-方差准则进行决策，且对资产分布具有同质预期，则市场达到均衡时，任意资产的期望收益应满足：

这正是资本资产定价模型 (CAPM)的核心表达式。CAPM 可以理解为均值-方差优化在市场均衡层面的自然推论——在均值-方差有效的市场中，资产的系统性风险（$\beta$）是唯一被定价的风险因子。这一连接使均值-方差优化从一个规范的规范性工具（prescriptive tool，告诉投资者应当如何配置）延伸为一个正面的描述性理论（descriptive theory，解释资产收益为何如此定价）。