投资组合优化实战：从均值-方差模型到Python实现

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。

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。假设你手里有两个资产，各自年化标准差都是20%，如果它们之间的相关系数是0，那么各配50%的组合标准差是多少？很多人会直觉认为是20%，其实算下来约是14.14%，比单个资产下降了近三成。这就是分散化的数学本质：组合的波动不是各资产波动的加权，而是要看它们之间的相关性。

组合方差的计算公式是：

• 当只有两个资产时：σp² = w₁²σ₁² + w₂²σ₂² + 2w₁w₂σ₁σ₂ρ₁₂

其中 w 是权重，σ 是标准差，ρ 是两个资产的相关系数。这里最关键的就是最后那一项 ρ₁₂。如果 ρ₁₂ = 1，组合的标准差就是两个资产标准差的加权平均，分散化一点效果都没有；如果 ρ₁₂ = -1，理论上组合甚至可以做到零风险；如果 ρ₁₂ 在0附近，那就处在两者之间。

放到实际场景里来理解：你配置了10只科技股，表面上“很分散”，但它们同涨同跌，相关性接近1，那整个组合的波动其实还是相当大的。反过来，你拿3只科技股加上2只公用事业股，虽然数量少，但因为两个行业的相关性低，组合整体波动反而更平滑。这是很多投资者最容易忽略的一点：分散化的关键是低相关，不是数量多。

所以在建模的时候，协方差矩阵就是整个模型的灵魂。它记录了每个资产自身的方差，也记录了任意两个资产之间的协方差（协方差的标准化形式就是相关系数）。后面你会发现，很多组合优化结果“不合理”，问题往往不是出在收益率的估计上，而是出在协方差矩阵的估计上。

2.4 有效前沿：所有“好组合”的集合

把上面的收益和风险放到一张图上，横轴是标准差，纵轴是期望收益，每一个权重分配方案都是图上的一点。把所有“在同风险下收益最高”的点连起来，就能画出一条曲线，这就是有效前沿。曲线上方的区域在数学上不可达，曲线下方的区域都是“次优选择”。

有效前沿曲线的形状，本质上是资产间相关性的体现。相关性越低，曲线越向左上方弯曲，代表分散化的效果越好；相关性越高，曲线越接近一条直线，分散化的意义就越小。

有了有效前沿之后，投资组合优化就变成了一个非常清晰的问题：在曲线上找一个点，这个点代表的组合让你的“效用”最大。教科书里的做法是引入一个无风险收益率（比如国债收益率），然后找到无风险资产和有效前沿的切点，这个切点就是“最优风险组合”。在实际的个人投资操作中，通常更简单的做法是直接设定一个目标收益率，然后让模型去最小化风险，或者设定一个最大风险容忍度，让模型去最大化收益。

3. 动手实现：用Python一步步构建组合优化模型

理论讲完了，是该上手的时候了。这套流程我给很多朋友推荐过，只要你本地有Python环境，哪怕没装金融数据库，用免费的接口也能把整个流程跑起来。我这里的示例会尽量完整，你可以直接复制下来改一改，用在自己的资产池上。

3.1 第一步：准备数据

构建模型的第一步是搞定数据。我们需要的是每只资产的历史价格序列。时间段上，我个人习惯用日线数据，拉两年左右（大约500个交易日），这样样本量足够，统计上比较稳定。

数据源方面，目前国内能用的免费接口里，比较推荐akshare和tushare。如果你是做美股或者全球资产，yfinance也可以。这里我以A股ETF为例，用akshare来拉数据。

python复制import akshare as ak
import pandas as pd
import numpy as np

# 定义一个资产池：5只不同行业的ETF（仅作示例，不构成投资建议）
tickers = {
    "510300": "沪深300ETF",
    "510500": "中证500ETF",
    "159915": "创业板ETF",
    "512800": "银行ETF",
    "518880": "黄金ETF",
}

# 拉取最近500个交易日的收盘价
price_data = {}
for code in tickers.keys():
    df = ak.fund_etf_hist_em(
        symbol=code,
        period="daily",
        start_date="20220101",
        end_date="20241231",
        adjust="qfq"
    )
    df = df.set_index("日期")
    df.index = pd.to_datetime(df.index)
    price_data[tickers[code]] = df["收盘"]
    
prices = pd.DataFrame(price_data).dropna()
print(prices.tail())

这边有两个细节要注意。第一是复权问题，ETF有分红和拆分，如果不做复权处理，价格序列会出现人为的跳空，直接影响收益率计算，建议一律用“前复权”数据。第二是日期对齐，不同资产的交易日期可能不完全一致，比如有的基金在某些交易日没有成交，直接合并DataFrame后要先dropna把缺失行删掉，避免后面计算协方差矩阵时出现NaN。

3.2 第二步：计算收益率与协方差矩阵

数据到手之后，下一步就把收盘价转换成收益率序列。一般用对数收益率，因为它具备时间可加性，更符合正态分布假设，计算上也更友好。不过如果只是做组合优化，用简单收益率（今天比昨天涨了百分之几）结果差异不大，我自己常用的是简单百分比收益率。

python复制# 计算日度收益率
returns = prices.pct_change().dropna()

# 年化期望收益率（日收益率均值 * 252）
mu = returns.mean() * 252

# 年化协方差矩阵（日协方差 * 252）
cov = returns.cov() * 252

print("年化期望收益率：")
print(mu.round(4))
print("年化协方差矩阵：")
print(cov.round(6))

这里乘以252是因为A股一年大约有252个交易日。如果你拉的是月度数据，就要乘以12。这一步很多人会漏掉，导致后续算出来的风险和收益量纲不统一，最优解也会跟着跑偏。

3.3 第三步：先跑一遍蒙特卡洛模拟，找找感觉

在敲最优化代码之前，我建议先做一次蒙特卡洛模拟。简单说就是随机生成大量权重组合，比如生成10万组，每一组都算一遍收益和风险，然后把这些点全部画在一张散点图上。这样你就能直观地看到“资产有哪些组合方式”以及“有效前沿大概长什么样”。这一步虽然不会直接给你最优解，但能让你对可行域的形状有个感性认识。

python复制# 蒙特卡洛模拟
num_portfolios = 100000
results = np.zeros((3, num_portfolios))

np.random.seed(42)
for i in range(num_portfolios):
    weights = np.random.random(len(tickers))
    weights /= np.sum(weights)
    
    port_return = np.dot(weights, mu)
    port_vol = np.sqrt(weights.T @ cov @ weights)
    
    results[0, i] = port_return
    results[1, i] = port_vol
    # 夏普比率（假设无风险利率为2%）
    results[2, i] = (port_return - 0.02) / port_vol

# 转成DataFrame方便画图
sim_df = pd.DataFrame(results.T, columns=["return", "volatility", "sharpe"])
print(sim_df.sample(5))

跑完模拟之后，你可以找一下这10万组里夏普比率最高的那一组，把它打印出来。这个结果虽然不保证是最优的，但它往往能给你一个很好的起点，也能让你快速发现一些特征，比如某个资产的权重被分到了很极端的数值。

sharpe最高的组合，往往就是“又准又稳”的参考系。我早期做模型的时候，经常先跑一遍蒙特卡洛，再拿结果去跟后面的数学最优化对照，如果两者差异很大，那说明代码或数据哪个地方出了问题。

3.4 第四步：用scipy做最优化求解

蒙特卡洛是在“大海捞针”，真正要拿到精确的最优解，还是得靠最优化求解器。Python里最常用的是scipy.optimize。

先演示一个最常见的场景：在给定目标收益率的情况下，最小化组合风险。这是一个典型的有约束最优化问题。

python复制from scipy.optimize import minimize

def portfolio_volatility(weights, cov):
    return np.sqrt(weights.T @ cov @ weights)

# 约束条件：权重和等于1
def check_sum(weights):
    return np.sum(weights) - 1

# 目标收益率设为15%
target_return = 0.15

def min_vol_for_target(weights, mu, cov, target):
    port_return = np.dot(weights, mu)
    # 加入惩罚项，让收益尽量贴近目标
    return portfolio_volatility(weights, cov) + 1e3 * (port_return - target) ** 2

# 初始权重：等权
init_weights = np.ones(len(tickers)) / len(tickers)

constraints = {"type": "eq", "fun": check_sum}
bounds = tuple((0, 1) for _ in range(len(tickers)))  # 限制最低0、最高1，不允许做空

result = minimize(
    min_vol_for_target,
    init_weights,
    args=(mu, cov, target_return),
    method="SLSQP",
    bounds=bounds,
    constraints=constraints,
    options={"maxiter": 1000}
)

opt_weights = result.x
opt_return = np.dot(opt_weights, mu)
opt_vol = portfolio_volatility(opt_weights, cov)

print("最优权重：")
for name, weight in zip(tickers.values(), opt_weights):
    print(f"{name}: {weight:.4f}")

print(f"组合年化收益: {opt_return:.4f}, 年化波动: {opt_vol:.4f}")

这里有几个写法上的细节值得说明。

第一个是把目标收益率的约束写成了损失函数里的惩罚项。严格来说，这不算真正的等式约束，而是一种“软约束”。好处是求解过程更稳定，不容易因为约束条件太硬而找不到可行解；坏处是结果可能跟目标收益率有一定偏差。如果你希望严格约束，可以改用下面的方式，把约束条件明确传给minimize函数：

python复制from scipy.optimize import LinearConstraint

constraints = [
    {"type": "eq", "fun": check_sum},
    {"type": "eq", "fun": lambda weights: np.dot(weights, mu) - target_return}
]

这两个方法我都用过，实际体验是：如果资产池比较大、相关性比较高，硬约束经常会导致求解器报“Inequality constraints incompatible”之类的错误。碰到这种情况，用惩罚项的写法往往更省心。我自己的习惯是先用惩罚项快速过一遍，再根据结果决定要不要换回硬约束。

第二个是bounds参数，也就是权重上下界。我在这里限制每个资产权重0到1之间，意思是只做多，不做空，也没有加杠杆。对大多数个人投资者来说，这个约束是合理的，毕竟做空和加杠杆的门槛和风险都比较高。但要注意，一旦加了这种约束，数学上的有效前沿会变成“受限前沿”，形状和教科书里的可能不太一样，这是正常的。

3.5 第五步：计算有效前沿曲线

把上面求解目标收益率的过程，从0%到25%取几十个点，每个点都跑一遍最优化，就可以描出完整的有效前沿曲线。这条曲线可以直接画图观察，也可以用来做后续的“选点”决策。

python复制targets = np.linspace(0.05, 0.25, 30)
frontier_vols = []

for target in targets:
    res = minimize(
        min_vol_for_target,
        init_weights,
        args=(mu, cov, target),
        method="SLSQP",
        bounds=bounds,
        constraints={"type": "eq", "fun": check_sum},
        options={"maxiter": 1000}
    )
    frontier_vols.append(portfolio_volatility(res.x, cov))

# 把结果画出来
import matplotlib.pyplot as plt

plt.figure(figsize=(10, 6))
plt.scatter(sim_df["volatility"], sim_df["return"], c=sim_df["sharpe"], cmap="viridis", s=5, alpha=0.5)
plt.plot(frontier_vols, targets, "r-", linewidth=3, label="Efficient Frontier")
plt.colorbar(label="Sharpe Ratio")
plt.xlabel("年化波动率")
plt.ylabel("年化收益率")
plt.title("投资组合有效前沿")
plt.legend()
plt.show()

跑完这一步，你应该能看到一条清晰的红色曲线，把所有模拟的散点包在上沿。这条曲线的左端，就是全局最小方差组合（Global Minimum Variance Portfolio），简称GMV。右端的点对应着高收益高波动的配置。你个人到底选哪个点，取决于你的风险偏好。如果倾向稳健，就选靠近左端的组合；如果愿意承担更多波动换收益，就往右选。

4. 实操中一定会遇到的几个坑

理论模型跑通之后，真正的挑战才刚刚开始。下面这几个坑是我自己踩过、也在跟朋友交流时反复被提到的，每一个都能直接让你的模型“失效”或者给出反直觉的结果。

4.1 输入参数太敏感，最优权重会“乱跳”

组合优化模型有一个令人头疼的特性：输入参数的微小变化，会导致输出权重发生剧烈变化。你今天用过去252天的数据算出银行ETF应该配35%，明天多增加一天的行情，结果可能就变成配5%。

这不是bug，而是模型对协方差矩阵和期望收益率“太敏感”了。尤其是期望收益率，本来就是用历史数据估算的，噪声非常大。一个最简单的解决办法是限制权重的上下界。比如把单个资产的权重上限定在40%、下限定在5%，这样哪怕模型很想激进地押注某个资产，也会被约束住。我在实盘里用的就是这个思路，本质上就是把数学上“最优”的解，往“稳健”的方向拉一拉。

提示：当你发现模型给出的权重很极端，比如某个资产权重超过50%，先别急着执行。加一道上下界约束，通常会得到更合理、更可落地的配置。

4.2 协方差矩阵的估计误差

协方差矩阵变量特别多。如果你有10个资产，那么协方差矩阵里就有10个方差项和45个协方差项。要在有限的历史数据里把这55个参数估计准确，数据量需求非常大。这就是所谓的“维度灾难”。

实操里，我建议资产数量控制在5到15个之间。太少了达不到分散效果，太多了估计误差会淹没真实信号。另外，如果两个资产高度相关（比如两只同行业ETF），可以考虑只留一只，否则协方差矩阵会出现多重共线性问题，最优化结果不稳定。

如果想更进阶一点，可以考虑给协方差矩阵做收缩估计（Shrinkage Estimation），把样本协方差矩阵向一个更结构化的目标矩阵（比如对角矩阵）收缩。Ledoit-Wolf收缩法是金融行业里最常见的处理方法，scikit-learn里有现成的实现：

python复制from sklearn.covariance import LedoitWolf

# 用收缩协方差矩阵替代样本协方差
lw = LedoitWolf().fit(returns.values)
cov_shrunk = lw.covariance_ * 252

这个操作看似简单，但对稳定性的提升非常明显。我第一次用收缩协方差矩阵替换掉原始样本协方差之后，发现最优权重不再那么“神经质”了。

4.3 用历史收益率做期望收益，效果差强人意

这是整个模型里最“看天吃饭”的环节。历史均值作为未来收益的估计值，回测里通常表现不好。原因很简单：过去涨得好的资产，未来不一定继续涨；过去跌得惨的，未来可能反而有修复行情。均值回归是市场里常见的现象。

我的处理办法有两类。一类是“去均值化”，不直接使用历史均值作为期望收益率，而是假设所有资产的期望收益率相同，只优化风险，得到全局最小方差组合。这个组合虽然不追求最高收益，但回撤控制得很出色。另一类是引入主观判断，调整期望收益率的输入值，比如你觉得新能源行业未来一年有明确利好，就手动把它的期望收益率调高一些。这个操作其实就是在模型里融入你的观点，本质上跟Black-Litterman模型的思路是一致的。

4.4 只看年度数据，忽略了再平衡成本

模型给出来的权重不是一个一劳永逸的答案。市场在变，资产价格在变，没过多久实际权重就会偏离目标权重。所以组合优化必须配合“再平衡”策略一起使用，比如每个季度重新计算一次权重，然后把仓位调回去。

但再平衡是有成本的，包括交易佣金、冲击成本和税费。所以频率不是越高越好。我个人的经验是：先设定一个再平衡阈值，比如当某个资产的权重偏离目标超过5个百分点时才触发调整，这样能大大减少不必要的交易。

5. 组合优化模型能用在哪些场景

这套模型的应用范围其实比想象中广。只要涉及“多个资产怎么分配资金”的问题，都可以套用。

5.1 大类资产配置

最常见的用途是在大类资产层面做配置，比如股票、债券、黄金、商品、房地产REITs等。5到6个大类资产之间的相关性相对较低，模型输出的结果比较稳定，是组合优化最容易见效的场景。

我自己给自己做的长期配置，就是在股票指数、债券、黄金之间做优化配置。这几个资产的相关性在大部分时间里都不算高，所以模型的解相对稳定，不需要频繁再平衡。拉长了看，组合收益不一定是最高的，但持有体验确实比单押某个资产好得多。

5.2 行业ETF轮动组合

如果你偏好股票市场，可以用行业ETF作为资产池，比如消费、医药、科技、银行、新能源、有色等。行业ETF之间的相关性整体偏高（毕竟都在A股市场里），所以有效前沿会比较“扁”，分散化效果不如大类资产组合。

但这个组合有个好处：如果某个行业有明显的景气度差异，模型会把更大的权重配给期望收益率更高的行业。此时你要多留个心眼——行业轮动的速度很快，历史收益的延续性并不强，好策略是配合趋势信号来做行业选择，而不是直接用长期历史均值当期望收益。

5.3 基金组合（FOF）的底层判断

在挑选基金构建组合的时候，同样的方法完全可以复用。把基金的历史净值当成价格序列，算出收益率和协方差，然后做组合优化，得到的权重就可以作为你买入不同基金的资金比例参考。

这里要注意的是，基金本身已经是分散化的组合，所以基金与基金之间的相关性往往偏高。尤其是指数基金，同类风格的基金相关系数经常在0.9以上。所以用基金做标的时，不要光看持仓是否相似，要去算净值相关性。我见过不少FOF产品，看起来买了好几只基金，结果回撤起来跟买一只基金没有区别，问题就出在这里。

6. 最后分享几个经验

组合优化模型我已经用了一段时间，积累了一些书本上不太会讲的感受。挑三个最想说的分享给你。

第一，模型是辅助，不是圣杯。无论参数算得多漂亮，模型始终建立在历史数据的假设之上，市场一旦发生结构性变化，模型输出就会失真。所以我自己会保留一部分主观判断空间，模型结果作为底色参考，最终决策还是投资人自己的事情。

第二，永远在组合里保留一些“低相关资产”。很多人建立组合时，关注的全是“哪些涨得好”，我反而建议先看“哪些跟我的重仓资产相关性低”。真正能在危机中对冲风险的，往往是那些平时不起眼、但跟股票负相关的资产，比如长期的国债、黄金等。它们平时可能拖累一点收益，但遇到极端行情时，是真正能让你睡得着觉的东西。

第三，想到投资组合优化的时候，别只盯着那组最优权重。整个流程里，计算协方差、分析相关性、设定约束条件的过程，其实比最终那组权重更有价值。你花时间梳理自己手里有哪些资产、它们之间有什么关系、你愿意承受多大风险，这些思考本身就能帮你避免大量不理性的投资决策。哪怕最后不套用公式，只做完了“算协方差”这一步，你的组合质量都会有一个明显的提升。