现代投资组合理论的困境#
马科维茨均值-方差优化（MVO）在实践中常常失效：
- 输入敏感性极高：预期收益率微小变化 → 权重剧烈调整
- 集中化倾向：输出权重集中在少数资产，缺乏分散性
- 估计误差放大：历史收益率的噪声被优化器放大
Black-Litterman（BL）模型正是为解决这些问题而生。
Black-Litterman 的核心思想#
BL 模型由 Fischer Black 和 Robert Litterman 在 1992 年提出，核心创新是把主观观点与市场均衡收益相结合。
两大约束#
- 均衡约束：在无观点时，组合权重应等于市场权重（CAPM 隐含收益）
- 观点约束：允许投资者输入”相对观点”或”绝对观点”，并赋予置信度
数学框架（简化版）#
第1步：计算隐含均衡收益#
[ E[R_{eq}] = \lambda \cdot \Sigma \cdot w_{mkt} ] 其中：
- (\lambda) 为风险厌恶系数（通常取 2.5-3.0）
- (\Sigma) 为资产协方差矩阵
- (w_{mkt}) 为市场权重
第2步：融合主观观点#
[ E[R] = [( \tau \Sigma )^{-1} + P^T \Omega^{-1} P]^{-1} [(\tau \Sigma)^{-1} E[R_{eq}] + P^T \Omega^{-1} Q] ] 其中：
- (P) 为观点矩阵（k × n，k 个观点，n 个资产）
- (Q) 为观点收益向量
- (\Omega) 为观点不确定性的协方差矩阵
实战案例：A股行业配置#
场景设定#
假设我们在 2025 年初配置 A 股 6 个行业 ETF：
- 消费、医药、科技、金融、周期、公用事业
输入市场权重#
| 行业 | 市场权重 |
|---|---|
| 消费 | 25% |
| 医药 | 18% |
| 科技 | 22% |
| 金融 | 20% |
| 周期 | 10% |
| 公用 | 5% |
输入主观观点#
- 相对观点（置信度 65%）：科技未来半年跑赢消费 5%
- 绝对观点（置信度 80%）：医药年化收益将达到 12%
BL 输出权重#
| 行业 | MVO 权重 | BL 权重 |
|---|---|---|
| 消费 | 8% | 22% |
| 医药 | 35% | 21% |
| 科技 | 42% | 28% |
| 金融 | 5% | 18% |
| 周期 | 10% | 7% |
| 公用 | 0% | 4% |
BL 权重明显更分散、更稳健。
Python 实现要点#
import numpy as np
from scipy.optimize import minimize
def black_litterman(mu_eq, Sigma, P, Q, Omega, tau=0.05):
"""
mu_eq: 均衡预期收益 (n,)
Sigma: 协方差矩阵 (n, n)
P: 观点矩阵 (k, n)
Q: 观点收益 (k,)
Omega: 观点不确定性 (k, k)
tau: 缩放因子（通常 0.02-0.05）
"""
tau_Sigma = tau * Sigma
M_inv = np.linalg.inv(tau_Sigma) + P.T @ np.linalg.inv(Omega) @ P
M = np.linalg.inv(M_inv)
mu_bl = M @ (np.linalg.inv(tau_Sigma) @ mu_eq + P.T @ np.linalg.inv(Omega) @ Q)
Sigma_bl = M @ tau_Sigma # 后验协方差（可选）
return mu_bl, Sigma_bl实践中的注意事项#
- 观点置信度不要设太高：建议单个观点置信度 ≤ 80%
- 协方差矩阵需要收缩：Ledoit-Wolf 收缩能显著改善稳定性
- 观点要可回溯测试：记录每次观点的准确性，迭代优化
- 定期重新校准：市场结构变化后需重新估计均衡收益
延伸阅读#
- Black, F. & Litterman, R. (1992). Global Portfolio Optimization
- He, G. & Litterman, R. (1999). The Intuition Behind Black-Litterman Model Portfolios
系列回顾：本文是量化配置系列第3篇，前篇参见《因子拥挤与拥挤崩塌》《均值回归验证》。