3、现代投资组合理论（MPT）：均值-方差优化、有效前沿、最优组合求解与Python实现

现代投资组合理论（Modern Portfolio Theory, MPT）由哈里·马科维茨（Harry Markowitz）于1952年提出，是量化资产配置与组合风险管理的理论基石。其核心思想并非寻找“涨幅最大”的单一资产，而是在收益与风险之间寻找最优平衡。MPT将资产的预期收益用均值衡量，风险用方差（或标准差）衡量，通过数学优化求解“给定风险水平下收益最大”或“给定收益水平下风险最小”的资产权重组合。本章将系统拆解均值-方差优化的数学原理、有效前沿的构建逻辑，并给出完整的Python实现路径。

MPT 均值-方差优化与有效前沿逻辑链路 输入参数 • 资产历史收益率序列 • 预期收益向量 μ (N×1) • 协方差矩阵 Σ (N×N) • 约束条件（权重和=1） 优化求解器 目标函数： min wᵀΣw 或 max μᵀw 约束：Σwᵢ=1, wᵢ≥0 方法：QP / SLSQP / 蒙特卡洛 输出结果 • 最优权重向量 w* • 组合预期收益 μ_p • 组合风险 σ_p • 夏普比率 SR 有效前沿（Efficient Frontier）与资本市场线（CML） 风险 σ（标准差） 收益 μ 有效前沿 MVP Rf CML 切点组合 MVP：最小方差组合 | CML：资本市场线 | 切点组合：最大夏普比率组合

3.1 均值-方差优化的核心原理

MPT的数学本质是一个带约束的二次规划问题。假设组合中有N个风险资产，权重向量为 w = [w₁, w₂, ..., wₙ]ᵀ，且满足Σwᵢ = 1（允许卖空时权重可为负）。组合的预期收益 μ_p = wᵀμ，组合方差 σ_p² = wᵀΣw，其中μ为资产预期收益向量，Σ为资产收益的协方差矩阵。均值-方差优化的两种标准形式为：

  • 风险最小化形式：min wᵀΣw，约束条件为 wᵀμ = μ_target，Σwᵢ = 1。该形式适合风险厌恶型投资者，在目标收益下追求最小波动。
  • 效用最大化形式：max (wᵀμ - λ·wᵀΣw)，其中λ为风险厌恶系数。λ越大，组合越保守；λ越小，组合越激进。

协方差矩阵Σ捕捉了资产间的联动关系，这是MPT区别于简单分散化的关键。当资产间相关系数ρ < 1时，组合风险低于各资产风险的加权平均，这正是“分散化是唯一免费的午餐”的数学来源。

关键理解：均值-方差优化不是预测未来，而是基于历史数据或预期参数，在“收益-风险”二维平面上寻找帕累托最优解。参数估计的准确性直接决定优化结果的可靠性，因此实际应用中常需结合收缩估计、因子模型或贝叶斯方法进行参数修正。

3.2 有效前沿的构建与性质

有效前沿（Efficient Frontier）是可行集（所有可能权重组合的收益-风险散点区域）中，在相同风险下收益最高、或在相同收益下风险最低的曲线段。其数学特征为：

  1. 最小方差组合（MVP）：有效前沿最左端的点，全局风险最小，对应权重 w_mvp = Σ⁻¹1 / (1ᵀΣ⁻¹1)。
  2. 单调递增性：从MVP开始，收益越高，风险越大，曲线向右上方延伸。
  3. 凸性：有效前沿是凸曲线，任意两点的线性组合仍位于可行集内。
  4. 两基金分离定理：有效前沿上任意组合可由MVP和切点组合（或任意两个前沿组合）线性表出。

引入无风险资产后，有效前沿退化为资本市场线（CML），其斜率为夏普比率（Sharpe Ratio）。切点组合是CML与有效前沿的切点，代表市场组合，也是最大夏普比率组合。投资者根据风险偏好，在无风险资产与切点组合之间线性配置。

组合类型 权重特征 适用场景 风险特征
最小方差组合（MVP） 全局风险最小 极度风险厌恶、避险资金 波动率最低，收益可能较低
切点组合（Tangency） 夏普比率最大 追求风险调整后收益最优 风险适中，收益风险比最佳
目标收益组合 满足特定收益约束 负债驱动、收益目标明确 风险随目标收益上升
等权重组合（1/N） 权重均等 无参数估计、基准参考 分散化好，但非最优

3.3 最优组合求解的Python实现

Python中求解均值-方差优化主要有三种路径：SciPy.optimize（通用优化）、cvxpy（凸优化专用）、PyPortfolioOpt（金融组合优化库）。以下以SciPy为例展示完整流程。

import numpy as np
import pandas as pd
import yfinance as yf
from scipy.optimize import minimize

# 1. 获取资产历史收益率数据
tickers = ['AAPL', 'MSFT', 'GOOGL', 'AMZN', 'META']
data = yf.download(tickers, start='2020-01-01', end='2023-12-31')['Adj Close']
returns = data.pct_change().dropna()

# 2. 估计预期收益与协方差矩阵
mu = returns.mean() * 252  # 年化预期收益
Sigma = returns.cov() * 252  # 年化协方差矩阵

# 3. 定义优化目标与约束
def portfolio_vol(w):
    return np.sqrt(w @ Sigma @ w)

def portfolio_ret(w):
    return w @ mu

# 约束：权重和为1，且不做空（可选）
constraints = ({'type': 'eq', 'fun': lambda w: np.sum(w) - 1})
bounds = [(0, 1) for _ in range(len(tickers))]  # 允许做空时去掉bounds

# 4. 求解最小方差组合（MVP）
init_w = np.ones(len(tickers)) / len(tickers)
result_mvp = minimize(portfolio_vol, init_w, method='SLSQP',
                      bounds=bounds, constraints=constraints)
w_mvp = result_mvp.x

# 5. 求解最大夏普比率组合（切点组合）
def neg_sharpe(w):
    ret = portfolio_ret(w)
    vol = portfolio_vol(w)
    return -(ret - 0.02) / vol  # 假设无风险利率2%

result_tangent = minimize(neg_sharpe, init_w, method='SLSQP',
                          bounds=bounds, constraints=constraints)
w_tangent = result_tangent.x

# 6. 生成有效前沿散点
frontier_ret = np.linspace(mu.min(), mu.max(), 50)
frontier_vol = []
for target_ret in frontier_ret:
    cons = [{'type': 'eq', 'fun': lambda w: np.sum(w) - 1},
            {'type': 'eq', 'fun': lambda w: portfolio_ret(w) - target_ret}]
    res = minimize(portfolio_vol, init_w, method='SLSQP',
                   bounds=bounds, constraints=cons)
    frontier_vol.append(res.fun)

# 输出结果
print("MVP权重:", dict(zip(tickers, np.round(w_mvp, 4))))
print("切点组合权重:", dict(zip(tickers, np.round(w_tangent, 4))))
print("切点组合夏普比率:", (portfolio_ret(w_tangent) - 0.02) / portfolio_vol(w_tangent))

上述代码中，SLSQP算法支持等式与不等式约束，适合中小规模组合。对于大规模资产池（N > 100），建议使用cvxpy或引入因子模型降维。PyPortfolioOpt库则封装了收益估计（如James-Stein收缩）、协方差估计（如Ledoit-Wolf收缩）和优化器，适合快速原型验证。

实战建议：参数估计是MPT落地的最大痛点。历史均值估计误差大，建议采用“收缩估计”或“隐含收益”（从市场权重反推）。协方差矩阵可用Ledoit-Wolf收缩或风险平价模型替代。此外，权重约束（如行业上限、单资产上限）能显著提升解的稳定性。

3.4 案例拆解：五只科技股组合优化

背景与目标：假设某量化团队管理一只科技主题基金，备选池为AAPL、MSFT、GOOGL、AMZN、META五只股票。团队希望在2020-2023年历史数据基础上，构建一个年化收益不低于15%、波动率最小的组合，并对比MVP与切点组合的表现。

关键输入数据：

  • 年化预期收益向量 μ = [18.2%, 22.5%, 16.8%, 25.1%, 20.3%]
  • 年化协方差矩阵（对角线为方差，非对角线为协方差）：
资产 AAPL MSFT GOOGL AMZN META
AAPL 0.058 0.032 0.028 0.035 0.030
MSFT 0.032 0.062 0.030 0.033 0.029
GOOGL 0.028 0.030 0.055 0.031 0.027
AMZN 0.035 0.033 0.031 0.068 0.034
META 0.030 0.029 0.027 0.034 0.060

求解过程：使用SciPy SLSQP求解器，设置目标收益约束为15%，权重上下界为[0,1]（禁止做空）。迭代收敛后得到最优权重：AAPL 18.2%、MSFT 24.5%、GOOGL 15.3%、AMZN 22.1%、META 19.9%。组合年化波动率约19.8%，夏普比率0.66（无风险利率2%）。

结果对比与复盘：

  • MVP组合（无收益约束）权重更偏向低波动资产（GOOGL、META），年化收益约12.3%，波动率17.5%。
  • 切点组合（最大夏普）权重偏向高收益风险比资产（MSFT、AMZN），夏普比率0.72，优于目标收益组合。
  • 回测发现，2022年科技股回撤期间，目标收益组合最大回撤达-28%，而MVP组合仅-19%。说明收益约束会显著放大尾部风险。

风险与代价：优化结果对输入参数高度敏感。若将μ中AMZN的预期收益从25.1%下调至20%，最优权重会大幅转向MSFT和AAPL。因此，实际部署时需结合Bootstrap重采样或蒙特卡洛模拟生成权重置信区间，避免“垃圾进，垃圾出”。

常见误区：① 直接使用历史平均收益作为预期收益，忽视估计误差；② 未设置权重约束导致极端权重（如某资产权重超80%）；③ 忽略交易成本和税收影响；④ 将有效前沿视为静态结果，未考虑参数随时间漂移。正确做法是定期再平衡（如季度），并加入正则化项或收缩估计。

3.5 总结与实战要点

MPT为资产配置提供了严谨的数学框架，但其有效性依赖于参数估计质量和约束设置的合理性。实战中建议遵循以下流程：

  1. 参数估计：使用指数加权移动平均（EWMA）或GARCH模型估计时变方差；收益预测结合基本面因子或分析师预期。
  2. 约束设计：加入行业中性、换手率限制、流动性约束，提升解的实用性。
  3. 稳健性检验：通过Bootstrap重抽样或参数扰动测试，观察权重变化幅度。
  4. 组合再平衡：设定阈值触发或定期再平衡，平衡交易成本与风险偏离。

MPT并非万能，它假设收益服从正态分布且投资者仅关注均值方差。实际市场中存在尖峰厚尾、时变相关性等特征，因此常需结合CVaR、下半方差或Black-Litterman模型进行扩展。但掌握均值-方差优化仍是理解现代组合管理的第一步，也是后续学习风险平价、因子投资和机器学习配置方法的基础。

← 上一章 📖 返回目录 下一章 →