2、投资组合基础：收益、风险、协方差矩阵、有效前沿的基本概念与计算

投资组合理论是现代资产配置与组合构建的基石。无论是量化选股、行业轮动还是大类资产配置，最终都要落到“如何度量一组资产的收益与风险”以及“如何在收益与风险之间做出权衡”这两个核心问题上。本章将系统梳理单个资产与组合的收益/风险度量方法、协方差矩阵的数学含义与计算路径，并推导马科维茨有效前沿的构建逻辑，为后续章节中的优化求解与约束处理奠定数学与金融学基础。

2.1 收益的度量：从单期收益率到组合期望收益

核心原理

收益是投资回报的量化表达。在组合构建中，我们通常使用简单收益率（算术收益率）或对数收益率。简单收益率 \( R_t = (P_t - P_{t-1}) / P_{t-1} \) 直观易懂，但对多期加总时存在近似误差；对数收益率 \( r_t = \ln(P_t / P_{t-1}) \) 具有时间可加性，更适合统计建模与优化计算。对于组合而言，若资产权重向量为 \( \mathbf{w} = (w_1, w_2, ..., w_n)^T \)，各资产期望收益率向量为 \( \boldsymbol{\mu} = (\mu_1, \mu_2, ..., \mu_n)^T \)，则组合期望收益为：

\( \mu_p = \mathbf{w}^T \boldsymbol{\mu} = \sum_{i=1}^{n} w_i \mu_i \)

这一线性关系是组合优化中目标函数的基础。需要注意的是，权重 \( w_i \) 必须满足预算约束 \( \sum w_i = 1 \)，且在实际操作中通常还要求 \( w_i \geq 0 \)（禁止做空）或允许 \( w_i < 0 \)（允许做空）。

判断方法与操作流程

1. 数据清洗：剔除停牌、退市、异常跳空数据，处理分红送转（使用后复权价格）。
2. 收益率计算：对每只资产计算日/周/月收益率序列，推荐使用对数收益率以消除偏度影响。
3. 年化处理：日收益率年化乘以252（交易日），周收益率年化乘以52，月收益率年化乘以12。
4. 期望收益估计：常用方法包括历史均值法、CAPM隐含收益法、因子模型预测法。历史均值法简单但噪声大，建议结合行业景气度或分析师预期进行修正。

案例拆解：三资产组合的收益计算

假设某投资组合包含三只资产：沪深300ETF（权重40%）、中证500ETF（权重35%）、国债ETF（权重25%）。过去一年各资产的年化收益率分别为：8.5%、12.0%、3.2%。则组合期望收益为：

\( \mu_p = 0.40 \times 8.5\% + 0.35 \times 12.0\% + 0.25 \times 3.2\% = 3.4\% + 4.2\% + 0.8\% = 8.4\% \)

若将权重调整为50%沪深300、20%中证500、30%国债，则组合收益变为 \( 0.50 \times 8.5\% + 0.20 \times 12.0\% + 0.30 \times 3.2\% = 4.25\% + 2.4\% + 0.96\% = 7.61\% \)。可见，权重变化直接影响组合收益，优化求解的核心就是寻找最优权重向量。

常见误区

• 混淆算术平均与几何平均：多期收益应使用几何平均（时间加权），但组合优化中通常使用单期期望收益的算术平均。
• 忽略无风险利率：在计算超额收益时，应减去无风险利率（如国债收益率），否则优化结果会偏向高波动资产。
• 权重未归一化：所有资产权重之和必须等于1，否则组合收益计算失真。

2.2 风险的度量：方差、标准差与协方差矩阵

核心原理

风险在经典投资组合理论中定义为收益率的波动性，即方差或标准差。单个资产的方差 \( \sigma_i^2 = E[(R_i - \mu_i)^2] \) 衡量其自身波动程度。但组合的风险不仅取决于各资产自身波动，还取决于资产之间的相关性。协方差 \( \sigma_{ij} = E[(R_i - \mu_i)(R_j - \mu_j)] \) 描述两资产收益的协同变动关系。组合方差的计算公式为：

\( \sigma_p^2 = \mathbf{w}^T \boldsymbol{\Sigma} \mathbf{w} = \sum_{i=1}^{n} \sum_{j=1}^{n} w_i w_j \sigma_{ij} \)

其中 \( \boldsymbol{\Sigma} \) 为 \( n \times n \) 协方差矩阵，对角线元素为各资产方差，非对角线元素为两两协方差。协方差矩阵是组合优化的核心输入，其质量直接决定优化结果的可靠性。

协方差矩阵的估计方法

操作流程：构建协方差矩阵

1. 确定资产池：选择n个待配置资产，通常为5-30个。
2. 收益率序列对齐：确保所有资产在同一时间区间内有完整数据。
3. 计算样本协方差：\( \hat{\sigma}_{ij} = \frac{1}{T-1} \sum_{t=1}^{T} (r_{it} - \bar{r}_i)(r_{jt} - \bar{r}_j) \)。
4. 诊断与修正：检查矩阵是否正定（所有特征值大于0），若不正定则需收缩或正则化处理。

案例拆解：两资产组合的风险分散效应

考虑两个资产A和B，标准差分别为20%和30%，相关系数ρ=0.3。若等权重配置（w_A=w_B=0.5），则组合方差为：

\( \sigma_p^2 = 0.5^2 \times 0.2^2 + 0.5^2 \times 0.3^2 + 2 \times 0.5 \times 0.5 \times 0.3 \times 0.2 \times 0.3 \)

\( = 0.01 + 0.0225 + 0.009 = 0.0415 \)，即 \( \sigma_p = 20.37\% \)

组合标准差20.37%低于A和B标准差的加权平均25%，体现了分散化降低风险的效果。若相关系数ρ=-1，组合方差可降至0（完全对冲），但现实中负相关资产稀缺。

常见误区

• 忽略协方差只关注方差：组合风险的核心在于协方差结构，而非单个资产方差。
• 使用日频数据直接年化：日频协方差年化需乘以252，但日频数据噪声较大，建议使用周频或月频数据。
• 未处理极端值：收益率序列中的极端值（如股灾日）会显著扭曲协方差估计，建议进行Winsorize处理。

2.3 有效前沿：从可行集到最优边界

核心原理

有效前沿（Efficient Frontier）是马科维茨均值-方差框架下的核心概念。给定n个资产的期望收益向量μ和协方差矩阵Σ，所有可能的组合权重w构成可行集。在可行集中，对于任意风险水平，期望收益最高的组合；或对于任意期望收益水平，风险最低的组合，构成有效前沿。数学上，有效前沿通过求解以下二次规划问题获得：

\( \min_{\mathbf{w}} \frac{1}{2} \mathbf{w}^T \boldsymbol{\Sigma} \mathbf{w} \quad \text{s.t.} \quad \mathbf{w}^T \boldsymbol{\mu} = \mu_0, \quad \mathbf{w}^T \mathbf{1} = 1 \)

其中 \( \mu_0 \) 为目标期望收益。通过改变 \( \mu_0 \) 并重复求解，可得到一系列最优组合，连接这些组合即形成有效前沿曲线。

有效前沿的几何特征

• 最小方差组合（MVP）：前沿最左端的点，对应全局最小方差。
• 上半部分为有效前沿：从MVP向上延伸的曲线，下半部分为无效前沿（相同风险下收益更低）。
• 加入无风险资产后：有效前沿变为资本市场线（CML），切点组合为市场组合。

计算流程：Python实现有效前沿

import numpy as np
import pandas as pd

# 假设mu为期望收益向量，Sigma为协方差矩阵
def efficient_frontier(mu, Sigma, n_points=100):
    # 获取资产数量
    n = len(mu)
    # 生成目标收益范围
    mu_min, mu_max = mu.min(), mu.max()
    target_mu = np.linspace(mu_min, mu_max, n_points)
    # 存储结果
    results = []
    for mu_target in target_mu:
        # 定义优化问题：最小化 0.5 * w^T Σ w
        # 约束：w^T μ = mu_target, w^T 1 = 1
        # 使用拉格朗日乘子法解析求解
        ones = np.ones(n)
        Sigma_inv = np.linalg.inv(Sigma)
        # 构建矩阵
        A = np.array([[mu @ Sigma_inv @ mu, mu @ Sigma_inv @ ones],
                      [ones @ Sigma_inv @ mu, ones @ Sigma_inv @ ones]])
        b = np.array([mu_target, 1])
        # 求解拉格朗日乘子
        lmbda = np.linalg.solve(A, b)
        # 计算最优权重
        w = Sigma_inv @ (lmbda[0] * mu + lmbda[1] * ones)
        # 计算组合风险
        sigma_p = np.sqrt(w @ Sigma @ w)
        results.append((mu_target, sigma_p, w))
    return results

案例拆解：三资产有效前沿构建

假设三只资产的年化收益率为μ=(10%, 12%, 6%)，协方差矩阵为：

Σ = [[0.04, 0.01, 0.005], [0.01, 0.09, 0.002], [0.005, 0.002, 0.01]]

通过求解上述优化问题，可得到有效前沿上的关键组合：

从结果可见，随着目标收益提高，组合权重向高收益高波动资产（资产2）倾斜，标准差同步上升。有效前沿上的每个点都是在给定收益下风险最小的组合。

常见误区与复盘

• 有效前沿不是直线：在均值-方差框架下，有效前沿是凸曲线，除非所有资产完全正相关。
• 输入敏感性：μ和Σ的微小变化会导致前沿显著移动，建议进行敏感性分析或采用稳健优化。
• 忽略约束条件：实际组合构建中常有权重上下限、行业中性、换手率约束等，这些约束会改变前沿形状。