2. 资产配置基础

在进入 Black-Litterman 模型之前，必须先建立一套“资产配置的语言体系”。Black-Litterman 并不是凭空出现的模型，它是在马科维茨均值方差优化框架之上，对“预期收益输入”进行改进的一种方法。因此，理解均值方差优化、有效前沿、夏普比率和风险厌恶系数，是后续观点融合与组合求解的前提。

一、核心原理：从收益与风险到最优组合

资产配置的核心问题可以概括为：在给定风险水平下追求更高收益，或在给定收益目标下承担更低风险。均值方差优化（Mean-Variance Optimization, MVO）用两个统计量描述资产：预期收益率 μ 和协方差矩阵 Σ。组合的预期收益为 wᵀμ，组合方差为 wᵀΣw，其中 w 是各资产权重向量。

马科维茨的关键洞见是：组合风险不仅取决于单个资产的波动，还取决于资产之间的相关性。当资产相关性较低时，组合可以在不降低预期收益的情况下显著降低波动，这就是“分散化”的数学表达。

二、有效前沿、夏普比率与风险厌恶系数

有效前沿（Efficient Frontier）是在给定约束下，所有“相同风险下收益最高”或“相同收益下风险最低”的组合集合。它通常是一条向左上方凸出的曲线。曲线左侧的组合不可实现，曲线下方的组合则不够有效。

夏普比率（Sharpe Ratio）衡量单位总风险所获得的超额收益：SR = (E[R_p] − R_f) / σ_p。在有效前沿上，夏普比率最大的点称为“切点组合”，它与无风险资产共同构成资本市场线（CML）。

风险厌恶系数 λ 是连接“投资者偏好”与“最优组合”的桥梁。λ 没有绝对标准，通常根据投资者类型设定：保守型可取 6～10，平衡型约 3～5，激进型约 1～2。λ 的变化会直接改变最优权重，因此它也是 Black-Litterman 中需要明确的重要参数。

三、方法流程：一次完整的均值方差优化

1. 确定资产池，例如股票、债券、商品、现金等。
2. 估计预期收益 μ 与协方差矩阵 Σ，常用历史数据、因子模型或主观观点。
3. 设定约束条件，如权重和为 1、禁止卖空、单资产权重上限等。
4. 选择风险厌恶系数 λ，反映投资者风险偏好。
5. 求解最优化问题，得到最优权重 w*。
6. 计算组合预期收益、波动率和夏普比率，进行绩效评估。

# 均值方差优化伪代码
mu = expected_returns          # 预期收益向量
Sigma = covariance_matrix      # 协方差矩阵
lambda_risk = 4.0              # 风险厌恶系数
constraints = [sum(w) == 1, w >= 0]
w_opt = maximize(w.T @ mu - 0.5 * lambda_risk * w.T @ Sigma @ w)
print(w_opt, sharpe_ratio(w_opt))

四、案例与场景：不同风险偏好下的配置差异

假设资产池为股票、债券和黄金，预期收益分别为 8%、3%、5%，波动率分别为 18%、5%、12%。当 λ=2 时，优化结果可能偏向股票；当 λ=8 时，债券权重会显著上升。这说明同一组输入数据，仅因风险厌恶系数不同，就会得到完全不同的组合。

五、常见误区与复盘要点