KNOWECON WIKI

ARTICLE

Markowitz模型

Markowitz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），是由哈里·马科维茨（Harry Markowitz）于1952年在其开创性论文《投资组合选择》中提出的金融数学框架。该模型首次以严格的定量方法解决了投资者如何在不确定条件下最优地配置资产这一核心问

浏览 0 更新 2025-11-08

Markowitz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），是由哈里·马科维茨（Harry Markowitz）于1952年在其开创性论文《投资组合选择》中提出的金融数学框架。该模型首次以严格的定量方法解决了投资者如何在不确定条件下最优地配置资产这一核心问题，奠定了现代资产定价与投资组合管理的理论基础。马科维茨因此贡献获得了1990年诺贝尔经济学奖。该模型的核心洞见在于：投资组合的整体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相关关系，因此通过巧妙分散化，可以在不牺牲预期收益的前提下有效降低风险。

1. 模型的基本假设

Markowitz模型建立在若干关键假设之上。首先，投资者是风险厌恶的，即在给定预期收益水平下，他们偏好风险更小的投资组合；在给定风险水平下，他们偏好预期收益更高的组合。其次，投资者仅依据预期收益和方差（或标准差）两个统计量来评估资产组合的优劣，这意味着资产收益的分布可以用均值和方差充分刻画——当收益服从正态分布时这一假设成立。第三，所有投资者具有相同的投资期限，且市场无摩擦，即不存在交易成本、税收和流动性约束。第四，投资者可以以无风险利率自由借贷。这些假设为模型的数学推演提供了清晰的框架，但也构成了后续诸多扩展和批判的起点。

2. 均值-方差最优化的数学原理

2.1 核心公式

考虑一个由 N N 种风险资产构成的投资组合。设 w=(w1,w2,…,wN)⊤ \mathbf{w} = (w_1, w_2, \ldots, w_N)^\top 为权重向量，满足 ∑i=1Nwi=1 \sum_{i=1}^N w_i = 1 ；μ=(μ1,μ2,…,μN)⊤ \boldsymbol{\mu} = (\mu_1, \mu_2, \ldots, \mu_N)^\top 为各资产的预期收益率向量；Σ \Sigma 为 N×N N \times N 的协方差矩阵，其元素 σij \sigma_{ij} 表示资产 i i 与资产 j j 的收益率协方差。则投资组合的预期收益率为 E(Rp)=w⊤μ E(R_p) = \mathbf{w}^\top \boldsymbol{\mu} ，方差为 σp2=w⊤Σw \sigma_p^2 = \mathbf{w}^\top \Sigma \mathbf{w} 。

均值-方差优化问题可以表述为以下二次规划：

在给定目标预期收益 μ0 \mu_0 的条件下，最小化组合方差：

min⁡w12w⊤Σws.t.w⊤μ=μ0,w⊤1=1\min_{\mathbf{w}} \frac{1}{2} \mathbf{w}^\top \Sigma \mathbf{w} \quad \text{s.t.} \quad \mathbf{w}^\top \boldsymbol{\mu} = \mu_0, \quad \mathbf{w}^\top \mathbf{1} = 1

使用拉格朗日乘子法求解，可得最优权重向量的闭式解：

w∗=1DΣ−1[(1⊤Σ−11)μ−(1⊤Σ−1μ)1]μ0+1DΣ−1[(μ⊤Σ−1μ)1−(1⊤Σ−1μ)μ]\mathbf{w}^* = \frac{1}{D} \Sigma^{-1} \left[ (\mathbf{1}^\top \Sigma^{-1} \mathbf{1}) \boldsymbol{\mu} - (\mathbf{1}^\top \Sigma^{-1} \boldsymbol{\mu}) \mathbf{1} \right] \mu_0 + \frac{1}{D} \Sigma^{-1} \left[ (\boldsymbol{\mu}^\top \Sigma^{-1} \boldsymbol{\mu}) \mathbf{1} - (\mathbf{1}^\top \Sigma^{-1} \boldsymbol{\mu}) \boldsymbol{\mu} \right]

其中 D=(1⊤Σ−11)(μ⊤Σ−1μ)−(1⊤Σ−1μ)2 D = (\mathbf{1}^\top \Sigma^{-1} \mathbf{1})(\boldsymbol{\mu}^\top \Sigma^{-1} \boldsymbol{\mu}) - (\mathbf{1}^\top \Sigma^{-1} \boldsymbol{\mu})^2 。

2.2 有效前沿

所有满足上述优化问题的投资组合构成一条曲线，称为有效前沿（Efficient Frontier）。在有效前沿上的每个点都是帕累托最优的：不存在其他投资组合在同一风险水平下有更高的预期收益，或在同一预期收益水平下有更低的风险。有效前沿的左端点是全局最小方差组合（Global Minimum Variance Portfolio, GMVP），即所有可行组合中风险最小的一个。当引入无风险资产后，连接无风险利率与有效前沿切点的直线称为资本市场线（Capital Market Line, CML），该切点组合即为市场组合（Market Portfolio），这也是CAPM模型的理论基石。

3. 分散化效应与协方差结构

Markowitz模型最关键的贡献在于量化揭示了分散化投资的内在机制。一个由 N N 种等权重资产构成的组合，其方差可以分解为：

σp2=1Nσˉ2+N−1Nσˉij\sigma_p^2 = \frac{1}{N} \bar{\sigma}^2 + \frac{N-1}{N} \bar{\sigma}_{ij}

其中 σˉ2 \bar{\sigma}^2 为各资产方差的平均值，σˉij \bar{\sigma}_{ij} 为平均协方差。当 N→∞ N \to \infty 时，第一项趋近于零，组合风险收敛于平均协方差——即系统性风险。这意味着个体风险可以通过充分分散化而被消除，但市场共同风险无法规避。这一结论衍生出证券分析中的一个基本区分：可分散风险（非系统性风险）与不可分散风险（系统性风险）。然而，夏普（Sharpe）等人在后续研究中指出，投资者只能因承担系统性风险而获得补偿，非系统性风险不应获得风险溢价。

4. 模型的局限性与批评

4.1 参数估计的不稳定性

Markowitz模型在实际应用中面临的最大挑战来自输入参数的高度不确定性。预期收益率的估计误差尤其敏感——研究表明，输入参数的微小变动可导致最优权重发生剧烈变化，使得基于历史数据计算的"最优组合"在样本外表现远不及预期。乔里昂（Jorion）等人指出，使用贝叶斯收缩估计或黑-李特曼模型（Black-Litterman Model）可以部分缓解这一问题。

4.2 正态分布假设的偏离

金融资产收益率普遍表现出尖峰厚尾（Leptokurtosis）和负偏态（Negative Skewness）的特征，远非正态分布所能描述。在这种分布下，仅用方差衡量风险会严重低估极端损失的可能性。由此催生了基于下半方差（Semi-Variance）、在险价值（VaR）和条件在险价值（CVaR）的替代风险度量方法，以及引入高阶矩（偏度、峰度）的均值-方差-偏度-峰度优化模型。

4.3 动态投资与参数时变性

标准的Markowitz模型是一个仅考虑单期的静态框架，无法捕捉投资机会随时间的动态变化。实证证据表明，资产的预期收益率、方差和协方差均具有显著的时变性——波动率聚集、相关性的市场状态依赖和溢出现象大量存在。Engle提出的ARCH模型和Bollerslev扩展的GARCH模型为时变方差的建模提供了工具，而动态条件相关（DCC）模型则进一步刻画出协方差矩阵的时变特征。将Markowitz模型嵌入多期动态框架，形成了诸如Merton的连续时间投资组合理论和随机规划方法等更加丰富的分析体系。

5. 实践应用与扩展

尽管存在上述局限，Markowitz模型仍是投资管理行业中最具影响力的分析工具之一。资产配置、因子投资策略以及风险预算管理的理论基础均可回溯到均值-方差框架。在实践中，机构投资者常采用由Michaud提出的重新采样效率（Resampling Efficiency）方法来改善最优组合的稳定性；或者引入对权重施加约束（如禁止做空、行业集中度限制）来增强结果的实践可操作性。此外，将Markowitz模型与Black-Litterman框架融合，通过引入投资者主观观点来校准先验参数，是目前业界广泛采纳的方法。

6. 参考文献

  • Markowitz, H. (1952). Portfolio selection. *The Journal of Finance*, 7(1), 77–91.
  • Markowitz, H. (1959). *Portfolio Selection: Efficient Diversification of Investments*. Yale University Press.
  • Sharpe, W. F. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. *The Journal of Finance*, 19(3), 425–442.
  • Merton, R. C. (1969). Lifetime portfolio selection under uncertainty. *The Review of Economics and Statistics*, 51(3), 247–257.
  • Black, F., \& Litterman, R. (1992). Global portfolio optimization. *Financial Analysts Journal*, 48(5), 28–43.
  • Michaud, R. O. (1989). The Markowitz optimization enigma: Is 'optimized' optimal? *Financial Analysts Journal*, 45(1), 31–42.
  • Jorion, P. (1986). Bayes-Stein estimation for portfolio analysis. *Journal of Financial and Quantitative Analysis*, 21(3), 279–292.