投资组合优化 Markowitz 模型

历史背景与理论突破

在 Markowitz 之前，投资组合管理缺乏系统的量化方法。1950 年，还是芝加哥大学博士生的 Markowitz 在与股票经纪人的偶然交谈中获得研究灵感，发现当时主流的投资理论（如 John Burr Williams 的《投资价值理论》）存在严重缺陷，这些理论仅关注预期收益而忽视风险，且未考虑资产间的相关性。他在图书馆查阅资料时注意到一个矛盾：理论上投资者应只买预期收益最高的单一资产，而实践中投资者却通过公募基金进行分散投资。这一矛盾促使他思考：分散化究竟如何影响投资组合的整体风险？

Markowitz 的突破在于用数学语言量化了这一问题。他借鉴统计学中的方差概念度量风险，用协方差描述资产间相关性，证明了通过合理配置相关性较低的资产可以在保持收益不变的情况下降低组合风险，这就是 “分散化效应” 的数学基础。1952 年论文发表时，因其通篇充满数学公式，在以文字论述为主的《Journal of Finance》中显得格格不入，但如今已被公认为现代金融定量研究的起点。值得注意的是，意大利统计学家 de Finetti 在 1940 年就曾提出均值 - 方差分析的雏形，但因语言障碍和研究领域不同未产生影响；英国学者 A. D. Roy 在 1952 年也独立发表了类似成果，但 Markowitz 的贡献在于完整解决了最优化问题。

核心定义与数学基础

Markowitz 模型建立在一系列严格假设基础上：投资者是风险厌恶的（在相同收益下选择风险更小的组合）；收益率服从正态分布（或投资者具有二次效用函数）；投资期为单期；资产无限可分且允许卖空（无约束情形）。在这些假设下，模型将投资组合的两个关键属性，期望收益和风险，定义为资产权重的函数。

投资组合期望收益：设 为资产 的权重（满足 ）， 为其期望收益，则组合期望收益为：

其中 为权重向量， 为收益向量。

投资组合风险（方差）：设 为资产 和 的协方差，则组合方差为：

其中 为协方差矩阵。

公式 实际上是该模型的目标函数变体。若将 理解为协方差 ， 理解为权重 ， 理解为超额收益 ，则 表示 “风险（方差）减去风险调整后的收益”，优化目标是最小化 （等价于在给定风险承受能力 下最大化风险调整后收益）。

模型推导：从目标函数到有效前沿

Markowitz 模型的核心是带约束的二次优化问题：在给定目标收益 时最小化组合方差，或在给定风险水平时最大化组合收益。我们首先推导无约束情形（允许卖空）下的解析解，再讨论实际应用中的约束条件。

基础优化问题构建

标准均值 - 方差优化问题表述为：

目标函数中加入 是为了简化求导结果；约束条件包括目标收益约束和预算约束（权重和为 1）。构造拉格朗日函数：

其中 和 为拉格朗日乘数。

一阶条件与权重求解

对 求导并令导数为零（一阶条件）：

解得 （需假设协方差矩阵 可逆，即资产非冗余）。将该表达式代入约束条件，得到关于 和 的线性方程组：

定义常数 ， ， ，方程组可简化为：

求解得：

最终最优权重为：

有效前沿的数学表达

将最优权重代入方差公式，可得到风险与收益的关系。定义 （协方差矩阵非奇异时 ），则组合方差为：

这是 关于 的二次函数，在均值 - 标准差平面上表现为双曲线，其左半支即为最小方差集。最小方差集中方差最小的点称为最小方差点（MVP），通过对 求导得到其收益为 ，对应方差 。

有效前沿是最小方差集的上半部分（从 MVP 向上延伸），代表在给定风险下收益最高的组合集合。这部分组合满足 “帕累托最优”：无法在不增加风险的情况下提高收益，也无法在不降低收益的情况下降低风险。

含无风险资产的扩展

当引入无风险资产（收益率 ，方差为 0）时，有效前沿发生质的变化。此时可行集由风险资产可行域扩展为从无风险点 出发的射线族，每条射线对应无风险资产与某个风险组合的混合。其中斜率最大的射线称为资本市场线（CML），其与风险资产有效前沿的切点即为切线组合（市场组合）。

切线组合的权重求解可转化为最大化夏普比率 ，其解析解为 。这一结果表明，加入无风险资产后，所有有效组合都可表示为无风险资产与切线组合的线性组合，即单基金定理。

实际应用与约束条件

Markowitz 模型的理论优雅性在实践中面临诸多挑战，其中最关键的是估计误差和约束条件。

参数估计问题

模型输入（期望收益 、协方差矩阵 ）需从历史数据估计，但金融数据的高波动性导致估计误差巨大。研究表明，期望收益的微小扰动可能使最优权重发生剧烈变化，导致 “优化悖论”，理论上的最优组合在样本外表现反而不如简单的等权组合。为缓解这一问题，实践中常采用：
收缩估计：将样本协方差矩阵向结构化矩阵（如对角矩阵）收缩。
贝叶斯方法：如 Black-Litterman 模型，将市场均衡收益作为先验，结合主观观点更新期望收益。
简化模型：如最小方差组合（不依赖期望收益估计）、风险平价模型（等风险贡献）。

典型约束条件

现实投资中存在多种约束，最常见的包括：

1. 卖空约束： 。此时优化问题变为带不等式约束的二次规划，有效前沿呈现分段线性特征。
2. 权重上下限： ，防止单一资产占比过高。
3. 行业中性：控制组合在各行业的暴露，避免行业集中风险。
4. 交易成本：加入买卖价差、税费等摩擦成本。

以卖空约束为例，考虑三种不相关资产（ ），收益分别为 1、2、3。无约束时权重随目标收益线性变化，但当收益低于 4/3 时资产 3 权重为负（需卖空），高于 8/3 时资产 1 权重为负。禁止卖空后，有效前沿分为三段：低收益段（仅资产 1 和 2）、中收益段（所有资产）、高收益段（仅资产 2 和 3）。

实现步骤与代码框架

应用 Markowitz 模型的标准流程包括：

1. 数据准备：收集资产历史收益率，计算年化收益、协方差矩阵。
2. 参数估计：估计期望收益和协方差矩阵（可采用滚动窗口、指数平滑等方法）。
3. 优化求解：根据目标（最小方差/最大收益/最大夏普比率）和约束条件求解权重。
4. 回测评估：检验组合在样本外的表现（收益率、波动率、夏普比率等）。

以下是目标收益约束下最小方差优化的 Python 实现框架（基于 numpy 和 scipy）：

import numpy as np
from scipy.optimize import minimize

def markowitz_optimization(returns, target_return, risk_free_rate=0.03):
 # 计算协方差矩阵和期望收益
 cov_matrix = returns.cov().values
 exp_returns = returns.mean().values
 n = len(exp_returns)
 
 # 目标函数：最小化方差
 def objective(w):
 return 0.5 * np.dot(w.T, np.dot(cov_matrix, w)) # 0.5简化求导
 
 # 约束条件
 constraints = [
 {‘type’: ‘eq’, ‘fun’: lambda w: np.dot(w.T, exp_returns) - target_return}, # 收益约束
 {‘type’: ‘eq’, ‘fun’: lambda w: np.sum(w) - 1} # 预算约束
 ]
 # 可选：加入卖空约束
 bounds = tuple((0, 1) for _ in range(n)) # long-only
 
 # 初始猜测
 w0 = np.ones(n) / n
 
 # 求解优化问题
 result = minimize(objective, w0, constraints=constraints, bounds=bounds)
 return result.x

理论意义与局限性

Markowitz 模型的革命性贡献在于将投资组合选择从经验艺术转变为定量科学。它揭示的分散化原理，通过配置相关性低的资产降低非系统性风险 —— 成为现代投资管理的基石。模型推导出的有效前沿为投资者提供了清晰的决策框架：根据风险承受能力在前沿上选择最优组合。这一理论直接催生了后续的资本资产定价模型（CAPM）、套利定价理论（APT）等重要金融理论。

然而，模型的局限性也不容忽视：
风险度量缺陷：方差对上下波动同等对待，无法区分亏损风险与盈利波动，对非正态分布资产（如期权）适用性差。
单期假设：未考虑跨期动态调整，忽略流动性、再平衡成本等现实因素。
输入敏感性：期望收益估计误差对结果影响远大于协方差估计误差。

尽管如此，Markowitz 模型仍是量化投资的 “第一性原理”。后续的改进模型（如 Black-Litterman、风险平价）均是在其框架上的扩展，而非否定。“投资组合理论的价值不仅在于其直接应用，更在于它培养的风险 - 收益权衡思维”。在 AI 与大数据时代，这一 70 年前的理论依然为智能投顾、量化策略提供着核心方法论。

Markowitz 模型的故事也启示我们：伟大的理论往往源于对 “常识” 的质疑，为什么投资者要分散投资？这个看似简单的问题，在数学工具的解剖下，最终重塑了整个金融世界的投资逻辑。