做投资的朋友应该都有过这样的体验:手里拿了三五只股票,自以为已经分散了风险,结果大盘一调整,持仓几乎齐刷刷地往下掉。这时候才意识到,所谓的分散,远不只是“多买几只”那么简单。如果选到的资产彼此高度相关,那不管买多少只,风险其实都还抱成一团。
这个问题的答案,其实就是“投资组合优化”存在的原因。我入行做资产配置这几年,从最开始凭感觉搭组合,到后来老老实实用现代投资理论里的均值-方差框架去跑模型,中间踩了不少坑,也实打实感受到数据模型对投资的帮助。这篇文章就从我自己的实战视角出发,把投资组合优化的原理、建模方式、实操步骤和常见坑位完整梳理一遍。内容会比较适合两类朋友:一个是刚接触量化配置的个人投资者,另一个是想把分散投资从“口号”真正落到“计算”上的从业者。
先给你吃个定心丸:这篇文章不会堆一堆看不懂的数学,核心是讲清楚“为什么这样做”和“怎么一步步落地”。我在讲原理的时候会尽量拿生活化的例子类比,实操部分会附上可以直接跑的Python代码,你把这套流程跑通之后,就能把它用到自己的资产组合、基金组合甚至任何类型的多资产配置场景里。
1. 先从根上理解:投资组合优化到底在优化什么
很多人第一次听到“投资组合优化”这个词,下意识会以为这是个选股模型,用来找“哪只股票能涨”。这个理解其实偏差挺大的。投资组合优化做的事情并不是预测未来,而是在你已有的资产池里,找到一组权重分配,让整个组合在你愿意承受的风险范围内,收益尽量高;或者说,在你期望的收益目标下,风险尽量低。选的还是那些资产,但买多少、配多少,这就是模型要回答的问题。
现代投资组合理论的起点,是马科维茨在1952年提出的均值-方差模型,也叫现代组合理论(Modern Portfolio Theory,MPT)。这个理论拿过诺贝尔经济学奖,核心贡献就是把投资组合的“收益”和“风险”用两个数学指标量化了:收益用期望收益率来衡量,风险用收益率的标准差(波动率)来衡量。然后在此基础上,通过数学最优化方法,找到一套最佳的资金分配比例。
听起来好像不太难,但这里有一个非常关键、也非常反直觉的洞察:组合的风险并不等于各资产风险的简单加权平均。因为资产和资产之间是有相关性的,两个资产单独看波动都很大,但如果它们的走势刚好互补,一组亏损另一组盈利,那组合起来的整体波动反而会被熨平。马科维茨真正的贡献,就是第一次用数学语言把这个“分散化”效应给形式化了。
所以投资组合优化解决的核心问题,概括起来就是三件事:
- 如何量化单个资产的收益和风险;
- 如何量化多个资产之间的相关关系;
- 如何在“收益最大化”和“风险最小化”这两个互相冲突的目标之间,找到最合适的平衡点。
这里那组最好的平衡点连成一条线,就是传说中的“有效前沿”(Efficient Frontier)。在这条线上的任何一个组合,都是在同风险下收益最高的,或者在同收益下风险最低的。而你要做的,就是在有效前沿上挑一个最适合自己的位置。这个位置怎么挑?取决于你个人的风险承受能力——这也就是为什么同样的模型、同样的数据,不同的人会得到不同的“最优配置”。
提示:投资组合优化不是用来预测哪只股票涨的,它是在给定数据和风险偏好下,回答“各资产配多少”的数学工具。理解这一点,后面所有操作都不会跑偏。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心概念拆解:收益、风险与相关性
要动手建模之前,先把几个最基础的概念嚼透了。这几个概念在教科书里可能只是一行公式,但在实操中,每个都藏着自己的坑。
2.1 期望收益率:历史数据的平均还是未来预期的估计?
期望收益率,简单说就是“买入这个资产后,平均每期大概能赚多少”。在模型里,最常用的估算办法是取历史收益率的算术平均值。比如某只基金过去12个月的月度收益率分别是1%、2%、-1%、0.5%……把这些数加起来除以12,就当成了未来每个月的期望收益率。
听起来合理,但你要知道这里面的假设很强的:历史会重复。实际市场里,过去的平均收益并不等于未来的预期收益,尤其是市场风格切换的年份,用长期历史均值去预测短期未来,偏差会非常大。这一点在我后面“实操中的坑”部分会专门展开,现在先埋个伏笔。
实操里还有一个常见的做法:给不同的历史时点加权,近期的数据给更高的权重,远期的给低权重,也就是所谓的“指数加权平均”。这个办法能在一定程度上让模型更“贴近当下”,但也会带来一个问题——对短期波动过度敏感。我个人建议,起步阶段先用最简单的算术平均,把流程跑通,再去折腾加权方案。
2.2 风险为什么要用标准差来衡量
风险用标准差(或者说方差)来度量,这一点在扣细节的时候要自己想清楚。标准差描述的是“收益率偏离平均值的程度”,偏离越大,说明收益越不稳定,风险越高。
这有个天然的问题:在投资者心里,“亏钱”和“赚钱”带来的风险感受是完全不一样的。标准差分不清向上波动和向下波动,它把这两者一视同仁,都算作风险。这在学术界叫“方差作为风险度量”的缺陷。实际应用中,有人会改用下行标准差或者“在险价值”(Value at Risk,VaR)来衡量风险,这属于风险度量的进阶玩法,但对新手来说,标准差的优点是简单、稳定、好算,而且它已经足够支撑起组合优化的核心逻辑了。
注意:标准差度量的是“波动”,不是纯粹的“亏损风险”。如果你日后接触到更多风控工具,可以考虑用下行标准差、最大回撤等指标做补充,但作为第一版模型,标准差是性价比最高的选择。
2.3 相关性:组合风险的核心变量
这里要花点篇幅讲清楚,因为这是理解整个组合优化的钥匙。
先看一个简单例子。假设你手里有两个
