4. 贝叶斯方法入门
在Black-Litterman模型中，市场均衡收益与投资者主观观点之所以能被“融合”，底层逻辑正是贝叶斯统计。理解贝叶斯方法，是理解BL模型为何能兼顾“市场共识”与“个人判断”的关键。本节从四个核心概念入手：先验分布、似然函数、后验分布与共轭先验，并说明它们如何对应到资产配置场景。
一、核心原理：贝叶斯公式的资产配置含义
贝叶斯定理的数学形式非常简洁：
P(θ | D) = P(D | θ) × P(θ) / P(D)
其中：
θ ：待估计参数（如某资产的预期收益率）
D ：观测数据（如历史收益、市场信号）
P(θ)：先验分布——在看到数据前对θ的信念
P(D|θ)：似然函数——给定θ时观测到D的概率
P(θ|D)：后验分布——结合数据后更新的信念
P(D)：归一化常数，保证后验积分为1在资产配置语境中，先验分布可以理解为“市场均衡隐含的预期收益”，即如果没有个人观点，市场整体定价所反映的收益预期；似然函数代表“新信息（观点、信号、数据）在不同参数下出现的可能性”；后验分布则是融合后的预期收益分布，也是最终用于优化的输入。BL模型本质上就是一次贝叶斯更新：以市场均衡为先验，以投资者观点为似然，得到后验收益。
二、方法流程：从先验到后验的四步
- 设定先验分布：选择参数θ的先验形式。常见做法是假设θ服从正态分布，均值为市场均衡收益Π，协方差为τΣ，其中τ为缩放因子，Σ为收益协方差矩阵。
- 构造似然函数：把观点表达为对θ的线性约束。例如“资产A收益比资产B高2%”，可写成P·θ = Q + ε，ε为观点误差，服从正态分布。
- 计算后验分布：利用共轭先验性质，正态先验与正态似然结合后仍为正态分布，可直接写出后验均值和协方差，无需数值积分。
- 输出后验参数：将后验均值作为预期收益输入均值-方差优化，得到融合观点后的最优权重。
这一流程的价值在于：它把“主观判断”转化为可计算、可追溯、可复现的统计更新，而不是拍脑袋调权重。
三、共轭先验：让计算可解析的关键
共轭先验是指：先验分布与似然函数属于同一分布族，使得后验分布也属于该族。最常见的组合是正态-正态共轭：正态先验 + 正态似然 → 正态后验。BL模型正是利用这一性质，把后验收益写成闭式解：
后验均值 = 先验均值 + τΣPᵀ(PτΣPᵀ + Ω)⁻¹(Q − P·Π)
后验协方差 = τΣ − τΣPᵀ(PτΣPᵀ + Ω)⁻¹PτΣ
其中：
Π：先验（市场均衡）收益
τ：先验不确定性缩放
Σ：收益协方差
P：观点矩阵
Q：观点收益向量
Ω：观点误差协方差共轭先验的意义在于：它让贝叶斯更新从“复杂积分”变成“矩阵运算”，使BL模型在实务中可落地。下表对比了贝叶斯核心概念与BL模型的对应关系：
| 贝叶斯概念 | 含义 | BL模型对应 |
|---|---|---|
| 先验分布 P(θ) | 看到数据前的信念 | 市场均衡收益 Π，协方差 τΣ |
| 似然函数 P(D|θ) | 数据在不同参数下的可能性 | 投资者观点 P·θ = Q + ε |
| 后验分布 P(θ|D) | 融合数据后的更新信念 | 后验收益分布，用于优化 |
| 共轭先验 | 先验与后验同族，便于计算 | 正态-正态共轭，闭式解 |
| 归一化常数 P(D) | 保证后验合法 | 隐含在矩阵求逆中 |
四、案例与误区复盘
假设某组合有两个资产：股票与债券。市场均衡隐含股票预期收益8%、债券3%，先验协方差τΣ已知。投资者观点：“未来一年股票将跑赢债券4%”，即Q=4%，观点误差Ω较小。通过贝叶斯更新，后验股票收益可能从8%上调至9%左右，债券从3%微调至2.8%，最终优化权重会适度超配股票。若观点误差Ω很大，则后验几乎不变，说明“弱观点”不应大幅改变配置。
复盘时可用三个问题自检：先验是否合理反映了市场共识？观点是否被正确表达为P和Q？Ω是否与观点置信度匹配？只有这三步都稳健，BL融合结果才可信。掌握贝叶斯更新，是后续理解BL模型参数设置与调优的基础。