量化分析开山鼻祖：一文读懂现代资产组合理论与马可维茨模型¶

在投资与理财的世界里，有一句常被挂在嘴边的话——“世上没有免费的午餐”。换句话说，所有的收益背后都隐藏着风险，而这对我们每个想在金融市场中分一杯羹的人来说，都是再清晰不过的事实。那么，问题来了：我们如何量化这种风险与回报的关系？又有没有一种方法，能在不承担过高风险的前提下，让我们的投资组合获得更理想的回报呢？今天，我想和大家聊一聊现代资产组合理论（Modern Portfolio Theory，简称MPT） 以及由哈里·马可维茨（Harry Markowitz）提出的马可维茨模型（Markowitz Model）。

也许在读这篇文章前，你对“风险管理”或“资产配置”这些概念并不陌生，但如果能深入了解MPT，你可能会彻底改变对风险的看法，甚至将这一理念融入日常生活中的决策。

MPT的诞生：风险、回报与诺奖荣耀¶

上世纪50年代，哈里·马可维茨率先提出了MPT的核心思想。他认为，对任何资产来说，都存在着风险与报酬间的权衡关系。如果用资产的价格波动幅度（即波动率）来度量风险，那么价格越不稳定的资产，其所伴随的风险越高，回报潜力也相对越大；而稳定性更高的资产，虽然风险低，但回报的上限也相对较低。

在这套理论体系中，风险与回报不再是模糊的概念，而是可以用数学进行描述和优化的对象。马可维茨本人也因此获颁诺贝尔经济学奖，这既是对他个人智慧的肯定，也是对MPT在金融学界地位的认可。

有效前沿（Efficient Frontier）：找到理想组合的关键¶

即便我们理解了风险和相关性，仍有一个难题：如何为每种资产分配合适的投资比例？毕竟理论上组合的权重搭配无穷无尽。但马可维茨指出，在这无数可能性中，只有一条特定的曲线——“有效前沿”——代表着最优的风险-回报组合。

有效前沿指的是：在给定的风险水平下实现最高期望回报，或在给定的回报要求下实现最低风险的所有组合点。这意味着，如果你的投资组合位于这条前沿上，那么在相同条件下再也找不出更优的配置方案了。

数学基础：从矩阵到最优解¶

让我们稍微深入数学层面，不过不必担心被公式吓到，理解原理即可。

用一个权重向量\(\(w\)\)表示各资产在组合中的比例。
协方差矩阵为\(\(\Sigma\)\)。
组合的方差（即风险的量化指标）可通过\(\(w^T \Sigma w\)\)计算，其中\(\(w^T\)\)是\(\(w\)\)的转置。方差的平方根即为组合波动率。
若有预期回报率向量\(\(\mu\)\)，则组合的期望回报率\(\(R\)\)为\(\(\mu^T w\)\)。

我们的目标是：在尽可能低的风险下（最小化\(\(w^T \Sigma w\)\)）获得尽可能高的回报（最大化\(\(\mu^T w\)\)）。在数学求解中，由于目标是“双重”且相互制约的，我们会得到一条曲线解（即有效前沿），而非单一点解。

最终的权重公式可写为：

\[ w = \lambda \Sigma^{-1} \mu \]

这里的\(\(\lambda\)\)是投资者的风险容忍度参数，从0（极度保守）到无穷大（极度冒险）都有可能。通过改变\(\(\lambda\)\)，我们可以在有效前沿上选取不同的点。

多样化的力量：为什么不全押比特币或可口可乐？¶

试想如果你把所有钱都投在某一种资产上，比如只买比特币，或者只买可口可乐的股票，会有什么问题？比特币波动巨大，可能让你在短期内坐上“过山车”，而只买可口可乐虽然稳健，却难以获得更高增长空间。MPT告诉我们：不必极端，你可以通过持有多种低相关性、期望回报为正的资产来分散风险，从而在总体风险与回报之间找到更优解。

这种思维同样适用于新兴资产，例如加密货币。如果你想配置一些比特币，却又不想全盘押注，那么以MPT为指导的组合配置或许能为你提供方向。

Harry Markowitz

预期回报的估算与CAPM模型¶

上述讨论中，预期回报率\(\(\mu\)\)看起来是已知的，但实际上，这是一项颇具挑战性的工作。你需要根据自己的经验、研究和模型来决定各资产的预期回报。

许多投资者参考“资本资产定价模型”（Capital Asset Pricing Model，CAPM）来帮助他们给资产定价。CAPM的公式如下：

\[ \text{资产预期回报} = R_f + \beta (R_m - R_f) \]

其中：

\(\(R_f\)\)：无风险利率（常用国债收益率表示，数据可从官方渠道获取）。
\(\(R_m\)\)：市场期望回报率，可用历史数据或模型预测。
\(\(\beta\)\)：衡量资产对市场波动敏感度的指标，定义为资产与基准的协方差除以基准的方差。

借由CAPM，你可为单个资产得到一个相对“合理”的预期回报，把这个值作为\(\(\mu\)\)中的元素，从而为投资组合优化铺路。

总结与行动建议¶

读到这里，你或许已意识到，MPT不是一招制敌的灵丹妙药，而是让我们在投资决策中更加理性化和数据化的工具。它让我们用可量化的方式权衡风险与报酬，并通过数学手段寻找最优配置。当然，没有什么模型能保证你稳赚不赔，但MPT为我们提供了一个框架，让我们明白自己在为预期回报承担怎样的风险。

提醒，这篇文章的内容并非投资建议。投资永远存在不确定性，过去表现不代表未来。

关于LLMQuant¶

LLMQuant是由一群来自世界顶尖高校和量化金融从业人员组成的前沿社区，致力于探索人工智能（AI）与量化（Quant）领域的无限可能。我们的团队成员来自剑桥大学、牛津大学、哈佛大学、苏黎世联邦理工学院、北京大学、中科大等世界知名高校，外部顾问来自Microsoft、HSBC、Citadel、Man Group、Citi、Jump Trading、国内顶尖私募等一流企业。欢迎加入知识星球获取内部资料。