AI×金融知识站
–

kp-011 · 组合优化方法学概览

核心 模块：量化与风险 预计 25 分钟 更新 2026-10-02

一句话定义

组合优化研究"在风险与收益的权衡下如何分配权重"，以均值-方差框架为起点，衍生出协方差收缩、Black-Litterman、风险平价等分支——本知识点止于方法学介绍，仅供学习研究，不构成投资建议。

为什么重要

组合优化是量化体系从"选什么"（因子，kp-010）走向"配多少"的桥，也是理解金融 AI 边界的最佳教材：优化器在数学上无可挑剔，但对输入误差极其敏感——预期收益估计的小偏差会被放大成权重的剧烈摆动。业内共识"垃圾进、垃圾出，优化器是垃圾放大器"指的就是这个机制。理解它，就理解了为什么金融工程的大量工作是"给优化器喂更稳的输入"（收缩估计、约束、贝叶斯先验），而不是发明更复杂的优化目标。

前置知识

kp-010。数学基础：矩阵乘法、方差-协方差概念、带约束的最优化直觉。

直观类比

均值-方差优化像配一顿"性价比最高的营养餐"：收益是味道，方差是热量，优化器是营养师。但营养师有个毛病——你报告"牛肉比鸡肉好吃 1%"，它会把菜单改成 95% 牛肉。所以现实中的营养师都会加规矩：每种食材不超过三成（约束）、口味估计取保守值（收缩）、按热量贡献均衡配比（风险平价）。

核心概念

  • 均值-方差框架（Markowitz，1952）：给定预期收益向量与协方差矩阵，求"方差最小且收益达标"或"效用最大"的权重；所有可行组合中风险-收益最优的集合构成有效前沿（efficient frontier）。
  • 协方差估计难题：资产数 N 大于样本期数 T 时样本协方差矩阵病态（条件数大），优化解对噪声敏感；收缩估计（shrinkage，如 Ledoit-Wolf）把样本估计向结构化目标（如单因子模型或常数相关矩阵）收缩以提高稳定性。
  • 约束的现实作用：个股上限、行业中性、换手上限、禁止做空——约束既表达投资纪律，也是对估计误差的正则化；无约束优化常给出极端权重。
  • Black-Litterman：把市场均衡权重作先验、主观观点作更新，输出温和的权重调整，缓解"观点输入→权重剧变"问题。
  • 风险平价（risk parity）：按风险贡献（而非资金）均衡配置，规避对预期收益估计的依赖——代价是通常需加杠杆达到目标收益。
  • 优化器的脆弱性：误差放大机制——预期收益的估计误差会通过求逆运算被放大到权重上，这是所有改进分支的共同出发点。

原理与机制

均值-方差的核心机制：组合方差由协方差矩阵决定，分散化的收益来自低相关资产的组合方差低于成分方差加权和；但求最优权重需要对协方差矩阵求逆，求逆会把矩阵中的估计噪声放大——数学上表现为解的范数与矩阵最小特征值成反比。这解释了三个现象：为什么 N 大时优化器输出极端权重（多头+大额空头相抵）；为什么增加约束反而让实盘更接近纸面结果（约束截断了被放大的误差）；为什么收缩估计有效（牺牲无偏性换取数值稳定性）。风险平价的机制：不估计收益、只控制各资产风险贡献相等，把"最不准的输入"（预期收益）从问题中剔除，用稳定得多的波动与相关性估计支撑配置逻辑。

公式或模型

均值-方差目标: minw wᵀΣw − λ·μᵀw
约束: 1ᵀw = 1 (满仓) 及个股/行业/换手约束
组合收益 E[Rp] = μᵀw 组合方差 Var = wᵀΣw
收缩估计: Σshrunk = δ·S + (1−δ)·F S 样本协差阵 F 结构化目标
风险贡献: RCi = wi·(Σw)i / √(wᵀΣw) 风险平价要求 RCi 相等

本节为方法学介绍，不含任何可实盘配置参数；涉及交易的内容仅供学习研究。

图示

输入: μ(预期收益,不可靠) + Σ(协方差,较可靠) + 约束(纪律)
        │ 优化器(误差放大器!)
        ▼
无约束解 ──▶ 权重极端·换手剧烈     现实修正路线:
   ├── 收缩估计(Ledoit-Wolf) ── 稳定 Σ
   ├── Black-Litterman ──────── 稳定 μ(均衡先验)
   ├── 风险平价 ─────────────── 不用 μ
   └── 约束(上限/中性/换手) ──── 截断误差

实例或案例

一个经典的教学对照（方法学演示）：对同一批资产，无约束均值-方差优化给出"某资产 +180%、另一资产 −95%"的权重组合，而加入个股 ±10% 上限与换手约束后权重温和且年换手下降七成；回测显示约束版本样本外表现反而更稳。原因即误差放大机制——无约束解的最优性建立在"μ 估计正确"这一不可能前提上。这个演示常用于向非技术人员解释"为什么数学最优不等于业务最优"。

常见误区

  • 误区一：优化器输出就是"最优配置"。 最优性以输入估计为条件，μ 的误差会被放大；应把优化输出视为"敏感性分析的起点"而非答案。
  • 误区二：约束会损害收益所以越少越好。 约束是对估计误差的正则化，适度的约束通常改善样本外稳健性。
  • 误区三：风险平价"不需要估计所以无模型风险"。 它依赖波动与相关性估计的稳定性，且常需杠杆，杠杆的融资与流动性风险同样真实。

自测题

  1. 写出均值-方差目标函数并解释各项含义。

答案要点：min wᵀΣw − λμᵀw；第一项风险厌恶下的方差惩罚、第二项收益奖励、λ 是风险厌恶系数。

  1. 为什么说优化器是"误差放大器"？数学根源是什么？

答案要点：求逆运算把协方差与收益估计的噪声放大到权重，解对最小特征值敏感。

  1. 收缩估计、Black-Litterman、风险平价分别稳定哪个输入？

答案要点：Σ（收缩）、μ（均衡先验替代主观估计）、剔除 μ（只用波动与相关性）。

图示

见上节「图示」：输入—优化器—修正路线的结构图。

与其他知识点的关系

kp-010 的因子是优化的收益端输入；kp-015 的风险计量提供 Σ 的另一来源与压力视角；kp-029 的过拟合教训同样适用于"优化参数寻优"；kp-002 的非平稳提醒 Σ 与 μ 都需要滚动更新。

延伸阅读

  • Markowitz（1952）："Portfolio Selection"——现代组合理论开山之作。
  • Ledoit & Wolf（2004）：协方差收缩估计的代表性论文。
  • Black & Litterman（1992）："Global Portfolio Optimization"。