⚖️ MPT 与均值-方差优化：洞见与局限

Markowitz（1952）用一个洞察开创了现代金融：组合的风险不是成分风险的加权和，相关结构才是风险的本质——这半个公式的分量值得一个诺贝尔奖（见线性代数 的协方差推导）。本篇讲 MPT 的构造、它著名的两大顽疾，以及工程界如何与它的缺陷共处。

均值-方差框架与有效前沿

问题形式化：给定期望收益向量 μ、协方差矩阵 Σ，求解

max wᵀμ − (λ/2)·wᵀΣw s.t. wᵀ1 = 1

λ 是风险厌恶系数——它就是「每承担一单位方差，要求多少期望收益补偿」的影子价格（拉格朗日的经济学含义，见优化 ）。对每个 λ 求解得到一条曲线：有效前沿——同等风险下期望收益最高的组合集合。前沿的两个极点值得记住：λ→0 得到全局最小方差组合（GMV）（不需要估计 μ！，后文有用），λ→∞ 得到最大收益组合（全是单一资产）。

MPT 的持久遗产不在于前沿本身，而在三个可操作的结论：分散化的价值可计算；「该持有什么」由 μ 与 Σ 共同决定；组合层决策优于标的层决策（先定组合再挑股票，而不是反过来）。

顽疾一：误差最大化（error maximization）

均值-方差优化器需要输入 μ 的估计——而 μ 恰好是金融里最难估计的量。难到什么程度，算一笔统计账：

1
2
3
4

用 10 年月度数据（120 个观测）估计某资产年化均值 μ：
样本均值的标准误 ≈ σ/√T = 20%/√10 ≈ 6.3%/年
也就是说：真实 μ = 8% 的资产，你的估计值有 68% 的概率落在 1.7%–14.3% 之间
而策略之间的真实 μ 差异，往往只有 1–3% —— 估计噪声比信号大一个数量级

更糟的是优化的数学性质：优化器会系统性地把估计误差最大的资产权重放到最大——μ 被高估最多的资产被超配（它「看起来」最好），Σ 低估的协方差被用作对冲杠杆。结果是：优化器的输出权重与「真实最优」的相关性常常是负的（Michaud 的经典批评：均值-方差优化器是「误差最大化器」）。

实证判决：全样本优化的组合在样本外普遍跑输 1/N 等权组合（DeMiguel 等人 2009 的著名研究：14 个优化模型在多项指标上无一稳定击败等权）——这是对过度优化最直接的判决。

顽疾二：权重的不稳定

μ 或 Σ 的微小扰动 → 权重剧烈翻转 → 巨额换手与交易成本。典型症状：「本月优化器说满仓 A，下月说清仓 A 买 B」——组合变成了参数噪声的放大器。权重不稳定还来自 Σ 的病态（N > T 时奇异，见线性代数 ），优化器在零空间方向上任意游走。一个诊断手法：把 μ 加减 10% 噪声重跑优化器 20 次，看每个资产权重的标准差——权重标准差超过权重均值一半的资产，说明优化器对它毫无把握。

工程修补：与 MPT 共处的五种方式

实务界的应对不是抛弃 MPT，而是给优化器「上枷锁」：

1. 收缩估计：Σ 用 Ledoit-Wolf 收缩（见线性代数 ）；μ 同样可收缩（向 GMV 隐含收益或横截面均值收缩）——用偏差换方差，权重稳定性显著改善；
2. 约束压制：权重上下限（单票 ≤ 5%）、换手约束（|w − w₀|₁ ≤ c）、行业偏离约束——约束本身就是正则化（见约束优化 ）。带约束的优化器输出更保守，但样本外更稳——这是「用最优性换稳健性」的经典交易；
3. 重采样优化（Resampled Efficiency）：在 (μ, Σ) 的估计不确定性下多次模拟重抽、各自求前沿、取平均权重——把「单点最优」平滑成「分布平均」；
4. 换掉 μ：风险平价思路——干脆不估计收益，只按风险贡献配置（见风险平价 ）。GMV 组合同理：它是前沿上唯一不需要 μ 的点，这也是其样本外表现常很稳健的原因；
5. 观点进模型：Black-Litterman——用市场均衡作为 μ 的先验、把主观/量化观点贝叶斯式融入，得到「稳中带观点」的期望收益（见Black-Litterman ）。

个体研究者的务实建议

• 默认起点是等权 + 约束，把优化器当「微调器」而不是「决策者」——等权是你的敌人，也是你的陪练；
• 每次优化输出必附权重稳定性检查（扰动 μ±10%、Σ 用收缩/未收缩两版，看权重翻转幅度）；
• 换手成本进优化目标（带交易成本的均值-方差，惩罚 |w−w₀|），否则优化器会用高频换权重「买」理论最优；
• 记住本篇的元教训：优化器的输出质量上限 = 输入估计的质量，而金融输入的估计质量天然糟糕——所有成功的「优化」都是被约束驯化过的优化。

关联阅读：输入的估计术线性代数 ；不估 μ 的路线风险平价 ；观点的正规化Black-Litterman 。