一只特立独行的cherry做资产组合优化，谁都会背一句"不要把所有鸡蛋放在一个篮子里"，但真到了要把这句老话变成一串可执行的投资权重时，事情就完全不是直觉能扛住的了。你需要回答的问题是：每个资产配多少比例，才能在给定风险水平下拿到最高的期望收益？这个问题最早被马科维茨用均值-方差框架数学化，后面几十年，无数人在这套框架上做统计改良。我最早接触这个课题时，天真地以为难点在求解器或者优化算法，真正做下去才发现，卡脖子的从来都是输入参数——期望收益率怎么估、协方差矩阵怎么估、相关性结构在极端行情下还成不成立。这篇文章是系列第一篇，我会先把组合优化的统计地基讲透，包括资产组合收益与风险的统计语言、参数估计的坑、有效前沿的求解逻辑，以及一个在实战中最容易被忽略的问题：相关性结构在压力场景下的突变。内容适合有基本统计和线性代数基础、想真正理解组合优化原理并准备上手实操的读者，我会尽量把推导背后的直觉也讲清楚。
1. 均值-方差框架：组合优化的统计地基到底说了什么
1.1 从收益率到风险：为什么风险必须用方差来刻画
在进入组合优化之前，先把单个资产的统计画像说清楚。任何资产的收益都可以视为一个随机变量 (R)，它的期望值 (E(R)) 就是投资者最关心的"回报"，通常用历史样本均值来估计。而风险的定义相对复杂：金融学的标准做法是用方差或者标准差（波动率）来衡量，也就是 (\sigma^2 = E[(R - E(R))^2])。
为什么是方差？一方面，它简单、可解析，均值-方差框架下组合的方差可以直接用协方差矩阵表达，方便后续求导和优化；另一方面，如果假设资产收益近似服从正态分布，那么均值和方差就完全刻画了整个分布，风险和收益的权衡退化成两个数字之间的权衡。实操中大家都知道收益分布有肥尾特征，但在建模的第一步，正态假设至少给我们一个合理的起点——所有更复杂的模型（Copula、GARCH类波动率、极值理论）都是在某种程度上修正这个起点带来的偏差。
这里要提一个常见误区：风险并不是"亏钱的可能性"，方差衡量的其实是"收益偏离期望的程度"，无论偏离方向是正是负，都会算进风险里。所以两个期望收益相同、波动率相同的资产，哪怕一个总是小赚大亏、一个总是小亏大赚，在均值-方差框架里风险是一样的。这正是很多实战派诟病马科维茨模型的地方，但理解这个设定，你才能真正看懂后面所有"改良版模型"到底在改良什么。
1.2 组合收益的传递与风险的非线性叠加
当你持有 (N) 个资产，权重向量为 (\mathbf{w} = (w_1, w_2, ..., w_N)^T)，其中 (\sum w_i = 1)，组合的期望收益是各资产期望收益的加权平均：
[
\mu_p = \mathbf{w}^T \boldsymbol{\mu}
]
这很直观。但组合的方差就不是加权平均了，它的表达式是：
[
\sigma_p^2 = \mathbf{w}^T \Sigma \mathbf{w}
]
其中 (\Sigma) 是资产收益的协方差矩阵，第 (i) 行第 (j) 列的元素是 (\mathrm{Cov}(R_i, R_j))。展开来写就是：
[
\sigma_p^2 = \sum_{i=1}^N w_i^2 \sigma_i^2 + \sum_{i=1}^N \sum_{j \neq i} w_i w_j \sigma_i \sigma_j \rho_{ij}
]
这个式子是整个组合优化最核心的统计表达。它清楚地告诉我们三件事：
- 单项资产自身波动 (\sigma_i^2) 对组合风险的贡献按 (w_i^2) 递减，所以分散持有大量资产时，单项资产的特质风险会被有效摊薄。
- 组合风险里很大一部分来自资产之间的协方差项，也就是 (\rho_{ij})。相关性越低，协方差项越小，分散化的效果越好。
- 如果所有资产之间的相关系数都为1，协方差项无法被摊薄，组合的风险就是各资产风险的加权平均，组合优化就失去了意义。
我当年看这个公式时最有触动的一点在于：市场风险和管理风险在统计上的区分本质上是相关性的问题——特质风险（与市场无关的个股风险）可以通过分散化消除，因为它们的相关性趋于0；系统性风险（市场整体波动带来的风险）对所有资产都有影响，相关系数不会降为0，所以你永远无法通过组合化消除它。这个区分不是经验总结，而是直接从这个公式推出来的结论。
1.3 有效前沿：从"有没有可行集"到"哪个组合最优"
在均值-方差框架下，每个组合都对应 ((风险, 收益)) 平面上的一个点。全部可能组合构成的区域叫做可行集，而它的左上边界线就是有效前沿（Efficient Frontier）。有效前沿上的每一个点，都对应着"给定风险水平下，最大期望收益"或者"给定期望收益下，最小方差"的组合。
用户真正想解决的往往不是"画出完整前沿"，而是这个前沿上的某一个点。最常用的选择标准是最大化夏普比率：
[
\max_{\mathbf{w}} \frac{\mathbf{w}^T \boldsymbol{\mu} - r_f}{\sqrt{\mathbf{w}^T \Sigma \mathbf{w}}}
]
也就是"每单位风险能换来多少超额收益"的最优解，这个点通常被称为最大夏普组合，也是很多量化投顾策略的参考基准。
但要注意，有效前沿的求解结果非常依赖输入的 (\boldsymbol{\mu}) 和 (\Sigma\