KNOWECON WIKI

ARTICLE

马科维茨模型

马科维茨模型 (Markowitz Model) 马科维茨模型，亦称均值-方差模型 (Mean-Variance Model) 或现代投资组合理论 (Modern Portfolio Theory, MPT)，由 Harry Markowitz 于 1952 年在论文《Portfolio Selection》中首次提出，并于 1959 年在其同名专著中系统阐

浏览 6 更新 2025-11-18

马科维茨模型 (Markowitz Model)

马科维茨模型，亦称均值-方差模型 (Mean-Variance Model) 或现代投资组合理论 (Modern Portfolio Theory, MPT)，由 Harry Markowitz 于 1952 年在论文《Portfolio Selection》中首次提出，并于 1959 年在其同名专著中系统阐述。该模型首次以数学形式量化了投资决策中风险与收益的权衡关系，奠定了现代金融学数量化分析的基石。Markowitz 因此荣获 1990 年诺贝尔经济学奖。

核心思想：分散化不是简单的"多买几只"

在马科维茨之前，投资界虽有分散化的朴素直觉——"不要把所有鸡蛋放在一个篮子里"——但缺乏对分散化效果的严格度量。马科维茨的洞见在于：一个投资组合的风险并非各资产风险的简单加权平均，而是取决于资产之间的协方差 (covariance) 或相关系数。即便两只股票各自波动剧烈，只要它们的价格变动不完全同步（相关系数 ρ<1 \rho < 1 ），组合在一起就能在保持预期收益的同时降低总风险。这一发现将分散化从经验法则提升为精确的数学原则。具体而言，假设两种资产收益率的相关系数为 ρ \rho ，组合方差为 σp2=w12σ12+w22σ22+2w1w2ρσ1σ2 \sigma_p^2 = w_1^2\sigma_1^2 + w_2^2\sigma_2^2 + 2w_1w_2\rho\sigma_1\sigma_2 。当 ρ=1 \rho = 1 时，组合标准差退化为加权平均，分散化无益；但只要 ρ<1 \rho < 1 ，组合标准差便严格小于加权平均——ρ \rho 越低，风险削减越显著。这正是分散化能够"免费午餐"般改善风险调整后收益的数学根源。

基本假设

马科维茨模型建立在以下假设之上：

  • 投资者是风险厌恶的：在给定预期收益下偏好更低风险，在给定风险水平下偏好更高收益。
  • 资产收益服从正态分布（或投资者仅关心收益分布的均值和方差）。
  • 市场无摩擦：无交易成本、无税收、资产无限可分。
  • 投资者具有同质预期，且投资期限为单期。
  • 所有资产均可卖空（基础模型；可不设此约束）。

数学表述

设有 n n 种风险资产。令 Ri R_i 为资产 i i 的随机收益率，μi=E[Ri] \mu_i = \mathbb{E}[R_i] 为其预期收益率，σij=Cov(Ri,Rj) \sigma_{ij} = \text{Cov}(R_i, R_j) 为资产 i i 与 j j 的协方差。投资组合由权重向量 w=(w1,…,wn)⊤ \mathbf{w} = (w_1, \ldots, w_n)^\top 表示，满足 ∑i=1nwi=1 \sum_{i=1}^{n} w_i = 1 。

组合的预期收益与方差分别为：

μp=∑i=1nwiμi=w⊤μ\mu_p = \sum_{i=1}^{n} w_i \mu_i = \mathbf{w}^\top \boldsymbol{\mu}
σp2=∑i=1n∑j=1nwiwjσij=w⊤Σw\sigma_p^2 = \sum_{i=1}^{n} \sum_{j=1}^{n} w_i w_j \sigma_{ij} = \mathbf{w}^\top \boldsymbol{\Sigma} \mathbf{w}

其中 μ \boldsymbol{\mu} 为预期收益向量，Σ \boldsymbol{\Sigma} 为 n×n n \times n 协方差矩阵。

有效前沿

给定可行资产集合，在收益-风险平面上，所有可能组合构成一个可行集 (feasible set)。其中，对于任一给定风险水平提供最高预期收益（或对任一给定预期收益提供最低风险）的组合构成的边界称为有效前沿 (efficient frontier)。有效前沿呈双曲线形状——这是分散化效果的几何体现：通过合理搭配，投资者可到达比单资产更优的收益-风险位置。

数学上，求解有效前沿可表述为二次规划问题：

min⁡w12w⊤Σw\min_{\mathbf{w}} \frac{1}{2} \mathbf{w}^\top \boldsymbol{\Sigma} \mathbf{w}

\quad s.t.\text{s.t.} \quad

w⊤μ=μp∗,w⊤1=1\mathbf{w}^\top \boldsymbol{\mu} = \mu_p^*, \quad \mathbf{w}^\top \mathbf{1} = 1

对不同的目标收益 μp∗ \mu_p^* 重复求解即得有效前沿曲线。若允许卖空，存在显式解；若施加非负权重约束（wi≥0 w_i \ge 0 ），需用二次规划数值算法求解。

引入无风险资产与两基金分离定理

Tobin (1958) 将无风险资产（收益率为 rf r_f ，方差为零）引入框架后，有效前沿从双曲线变为一条直线——资本市场线 (Capital Market Line, CML)。最优风险组合为从 (0,rf) (0, r_f) 出发与有效前沿相切的切点组合 (tangency portfolio)，所有投资者只需在无风险资产与该切点组合之间分配资金。

这一结论导出两基金分离定理 (Two-Fund Separation Theorem)：任何有效组合均可由无风险资产和切点组合（市场组合）的某种线性组合复制。这意味着所有理性投资者应持有相同的风险资产相对比例，其风险偏好仅影响无风险资产与风险基金的分配比例——这是资本资产定价模型 (CAPM) 的重要前导。

局限性与批评

马科维茨模型的优雅性伴随着不可忽视的局限：

  • 参数估计难题： 模型需估计 n n 个预期收益、n n 个方差和 n(n−1)/2 n(n-1)/2 个协方差——例如 100 只股票即需约 5,150 个参数。预期收益的估计误差尤为致命：小幅偏差可能导致权重剧烈变化，此即"估计误差最大化"问题。
  • 静态单期框架： 现实投资是多期决策，资产分布随时间演化，而模型假设静态参数。
  • 正态性假设： 实际资产收益呈现肥尾 (fat tails) 和偏度，仅用均值和方差不足以刻画风险全貌。
  • 方差作为风险度量的对称性： 投资者厌恶下行风险而非上行波动，方差将超预期收益也视为"风险"，与直觉不符。
  • 模型不稳定性： 最优权重对输入参数高度敏感，即"误差放大"效应，导致样本外表现往往逊于等权组合（此现象亦称"Markowitz 优化悖论"）。

这些局限催生了丰富的后续发展：Black-Litterman 模型通过贝叶斯方法将投资者主观观点与市场均衡收益融合，显著缓解了输入敏感性问题；稳健优化在最坏情形下求解组合权重，牺牲少许最优性换取稳定性；下行风险度量如在险价值 (VaR)、条件在险价值 (CVaR) 及下偏矩 (Lower Partial Moments) 聚焦损失侧风险，更贴合投资者真实偏好。此外，Merton 的跨期 CAPM 和动态随机规划方法将单期框架推广至连续时间多期设定，使组合理论可用于长期资产配置。

历史地位与影响

尽管存在局限性，马科维茨模型仍是金融学最具影响力的理论之一。它首次将风险-收益权衡纳入严谨的优化框架，为资产配置、绩效评估和风险管理提供了统一语言。今天，从个人退休账户的目标日期基金到主权财富基金的战略资产配置，均值-方差优化的变体仍在全球范围内广泛使用。Sharpe (1964) 和 Lintner (1965) 在此基础上的 CAPM 进一步将微观组合选择推广至宏观市场均衡定价，构成了现代金融学教科书的核心章节。理解马科维茨模型，是进入量化金融世界的第一道门。