作 者：老余捞鱼
原创不易，转载请标明出处及原作者。
文中示例仅用于技术讨论，不构成任何操作建议。
量化策略开发应以学习和技术交流为目的。
本号不荐股、不卖课、不承诺收益。
市场有风险，请合法合规投资。
本文约 3900 字 | 预计阅读 8-12 分钟，建议先收藏。
· · ·
每个考过CFA的量化人都能背这段话：均值方差优化（MVO）脆弱，预期回报输入不可靠，吐出来的组合对估计噪音极度敏感。1989年，Richard Michaud给它起了个外号叫”误差放大器”，这个标签一贴就是三十多年。2009年有篇研究更扎心：在实测中，最简单粗暴的”等权重策略”（就是把钱平均分给每只股票）居然跑赢了14种MVO的变种。
批评的声音没毛病，但也只说对了一半。
圈子里流传的版本大致是：马科维茨1952年提出这个理论，后来发现实战根本扛不住，学界就转向了风险平价、Black-Litterman、机器学习这些新方向。听起来，MVO好像已经退居二线了，顶多在课堂上当个历史案例讲讲。
但在真正做量化交易的人眼里，那些天天跑Barra或者Aladdin系统的，这完全不是事实。有意思的不是MVO还在用，而是它到底怎么被”救活”的、为什么这套修复方案一直没变便宜，以及这对你挑选基金经理意味着什么。义。
一、问题到底出在哪儿，其实早就被算清楚了
Michaud 1989年那篇论文被引用了无数次，但很少有人准确说清楚他发现了什么。核心问题就一句话：MVO总是倾向于重仓那些”输入数据最不靠谱”的资产。因为优化器分不清”这个资产真的回报高”和”数据误差看起来像回报高”的区别，所以它会把钱猛砸到那些数据噪音最大的地方。这不是数学的错，数学只是老实执行了指令。错的是把一堆充满噪声的历史数据喂给了一台根本没有”误差”概念的线性代数机器。
四年后，Chopra和Ziemba更狠，直接把哪种输入最致命给量化了。他们模拟了一个大型机构投资者的风险承受能力，然后发现：预期回报的估计误差对最终组合的破坏力，是方差误差的11倍，而方差误差又是协方差误差的2倍。换算下来，回报误差的总杀伤力是协方差误差的22倍。把三个误差放同一把尺子上看：协方差算1，方差算2，回报算22。也就是说，在所有估计误差里，回报预测不准占了整整88%的锅。
▲ MVO估计误差贡献占比：回报88%，方差8%，协方差4%（Chopra & Ziemba, 1993）
88%，这不是四舍五入能糊弄过去的，这是一个数量级的碾压。绝大多数科普文章跳过这个数字，因为它把一个模糊的”MVO不行”变成了一句具体的工程指令：只要把回报估计修好了，大部分问题就解决了。
2009年，DeMiguel、Garlappi和Uppal给出了实证”判决书”。他们在7组真实数据上测试了14种MVO变种，没有一个能在实际交易中稳定跑赢等权重组合。他们还算了笔账：如果你有25只股票，需要大约3000个月（也就是250年）的历史数据，MVO才能在统计上”可靠地”击败平均分配；50只股票的话，需要6000个月（500年）。现实中没有哪个基金有250年干净的数据。2024年有人把测试窗口又延长了20年重新验证，结论纹丝不动。
光看字面，这个结论说的是：用历史平均值猜回报、用样本数据算协方差的”原始版”MVO，在任何现实规模下都不靠谱。这是批评中正确且致命的部分。
但它从没说过MVO框架本身该死。它说的是那两个输入不能直接从原始历史数据里生搬硬套。这是两个独立的工程问题，业界几十年前就分别解决了。2009年那篇论文得出”等权跑赢MVO”的结论，恰恰是因为他们故意测的是没修过的”原厂版”，人家就是要测那个版本。
二、修复第一块短板：把”猜回报”变成”反推回报”
1992年，Fischer Black和Robert Litterman在高盛工作时发表了他们最知名的模型。初衷很实际：帮客户构建全球债券组合，但客户不可能对每个市场的预期回报都有独立、自信的判断。
他们的创新叫反向优化。不让分析师估回报再喂进优化器，而是反过来：拿市场实际的市值加权组合作为给定输入（这是整个市场已经集体愿意持有的那个组合），反解出让这个组合最优的预期回报。这些”隐含均衡回报”成了一个有纪律的、市场衍生出来的先验。投资者的实际观点只在有具体量化判断时才叠加进去，按信心程度加权。
Black-Litterman没有把MVO踢出流水线。它本身就是MVO。只是把”从历史猜回报向量”替换成”从无套利市场价格倒推回报，再在有观点的地方调整”。它大幅缓解了Chopra和Ziemba 1993年量化出来的那个主要误差源，而非完全消除。残留通道是投资者自己输入的观点，仍然是不确定的人为输入，但比”对整个资产空间做无约束的历史均值估计”小得多、有纪律得多。
这个模型标准到进了CFA课程，不是当历史冷知识讲的，是当工作技术教的。它也作为命名模块出现在多个主流机构组合构建平台里。
三、修复第二块短板：把协方差矩阵”压缩”一下
协方差矩阵的问题有自己的解法，甚至比第一个输入修得更早。
N只股票的协方差矩阵有多少个独立参数呢？N×(N+1)/2个。500只股票的话，就是125,250个方差和协方差项。可现实中你能用的数据大概只有5到10年的月度回报，每只股票顶多60到120个数据点。用这么少的数据去估算125,250个参数，怎么算都不靠谱。这个规模下的样本协方差矩阵基本被噪音淹没了，正好就是Michaud说的那种优化器会放大不稳定的源头。
Barr Rosenberg 1974年的论文给了行业沿用至今的思路：多因子协方差模型。简单说，就是每只股票的回报不是孤立的，而是由它对少数几个”公共因子”的暴露程度决定的（这些因子来自财报、行业属性、历史走势等），剩下的那点特有风险假设各只股票互不相关。
维度压缩的逻辑很直观。商业股票风险模型一般用40到100个因子。按70个因子算，需要估算的因子协方差矩阵只有70×71÷2=2,485项：比125,250少了98%。而且这2,485项可以用几十年的因子回报历史来稳定估算。
Rosenberg创立的Barra公司就靠这套模型做成了商业业务。2004年摩根士丹利花了约8.16亿美元把Barra买下来，并入了MSCI。Ledoit-Wolf收缩估计法是另一个补充技术，它把样本协方差矩阵往一个更稳定的”目标结构”拉。两位作者的原话很直白：”这篇论文的核心信息就是，任何人都不该用原始样本协方差矩阵做组合优化”。
▲ MVO修复路径：原始框架保留，两个输入被分别工程化替换，最终被工业化为Barra和Aladdin平台
两个修复放一结合：用市场隐含基准代替历史均值回报，用因子压缩加收缩稳定的协方差矩阵代替原始样本协方差。你基本搞定了Michaud识别的那两个失效模式，也解决了Chopra-Ziemba量化出来的主要破坏结构，但优化问题本身一点没变。这套组合拳不是”放弃MVO”，它就是MSCI Barra优化器在跑的东西，也是贝莱德Aladdin优化模块的底层逻辑之一。
四、明明公式都公开了，为什么还是那么贵？
单独看，每个零件都不是秘密。Black-Litterman的数学是公开的，Ledoit-Wolf的收缩公式也是公开的，连免费的开源代码都有。甚至有人用免费数据模仿Barra风格的因子模型。
如果只是”套公开公式”就完事了，那这个误差优势几十年前就该被抹平了，每个有笔记本电脑的量化人都能复现，大机构和小团队之间的差距早就没了。
但事实是差距一直没关上，因为公式从来不是真正的门槛。一个商业化的因子风险模型不是一套公式，而是一个被持续维护了几十年的数据库：跨市场周期验证过的因子定义、覆盖全球数万只股票的逐点基本面和交易数据、以及估计因子风险所需要的几十年历史回报。你花钱买牌照，真正买到的是这些基础设施的使用权，而不是底层的数学。
行业里有个参照价：竞品厂商把Barra级别的机构许可标在每年10万美元以上（这个数字来自竞争对手的报价，有动机把在位者说贵，所以只能当个方向参考，MSCI和贝莱德都不公开价格）。
就算按这个数当真，六位数的年费其实算不上真正的护城河。对任何大到需要它的基金来说，这点钱在整体盈亏面前微不足道。真正的护城河是牌照背后那几十年逐点积累的因子历史，买不到也建不快。开源的模仿品存在，但模仿不了那段历史。一个只有10年因子历史的自建模型，在2008年或2020年的危机中会得出完全不同的协方差估计，这就是为什么很多自建模型回测好看，实盘第一年就翻车。小管理人要么买平台，要么自己搭近似版本的技术。但他们没办法把50年验证过的因子历史压缩到现在，也没办法轻松验证自己建的因子模型在那些没经历过的市场周期里到底靠不靠谱。
这是一个产能瓶颈，跟智商没关系。
五、双头垄断的盲区
MSCI的Barra和贝莱德的Aladdin，在机构组合构建领域基本上形成了事实上的双头垄断。Barra优化器就是一个显式的均值方差引擎，产品白皮书明确写着”均值方差优化”和”有效前沿优化”。Aladdin的优化模块跑同样的数学，只不过嵌在了一个更大的风险管理和运营平台里。
规模有多大呢？2020年，Aladdin为第三方客户托管了约21.6万亿美元资产，这还只是约240家机构客户中的三分之一。贝莱德自己的管理规模在2026年二季度到了15.3万亿美元，技术服务收入（Aladdin授权那一块）同比增长了13%。不管用哪个口径，这个平台的体量从2020年以来只增不减。
垄断的好处是标准化和规模效应。坏处是：如果所有人用同一套因子模型和同一个优化器，”不同”机构的组合在风险维度上会趋同。趋同意味着拥挤。拥挤意味着一旦某个因子反转，踩踏的幅度和速度都会超预期。这不是假设性风险，2020年3月的流动性急跌已经演示过一次。
六、对大家的意义
如果你是是个人投资者，或者替机构挑选基金管理人，这篇文章的意义其实很实用：
别听那些张口闭口”我们用机器学习做资产配置”的漂亮话。直接问三个问题：你们的优化器核心是不是均值方差？预期回报是猜的历史均值还是反推的市场隐含？协方差是原始样本算的还是有因子模型？
三个问题都能答清楚的管理人，大概率在用某种修过的MVO。答不上来的，要么是真的不懂，要么是不想让你知道他们还在用原始版本。
如果你是自己做量化的个人投资者，含义更直接：别把历史均值直接喂给优化器。要么用Black-Litterman（开源实现很多），要么干脆用最小方差组合（只用协方差那一半，彻底扔掉回报输入）。等权和最小方差在实盘中都跑赢过原始MVO，这已经不是新发现了。
马科维茨1952年的框架没有被抛弃。它被拆成两个零件换掉，重新装好，然后被打包成不同的名字卖给了全球最大的机构们。批评的人说得没错，但他们批评的是那台没修过的原型机。修过的那台，管理的资产规模在15万亿美元以上。
Be First to Comment