Black-Litterman模型实战：融合市场均衡与主观观点的资产配置 • halo 的技术博客

Black-Litterman模型的核心思想#

Black-Litterman模型是由Fischer Black和Robert Litterman在1992年提出的资产配置模型，它巧妙地解决了传统均值方差模型的两个主要问题：

输入敏感性问题：传统模型对预期收益率的微小变化非常敏感
集中投资问题：往往产生极端集中的投资组合

模型的核心优势#

Black-Litterman模型通过以下方式改进资产配置：

基准组合：以市场均衡组合作为基准（CAPM均衡收益）
观点融合：允许投资者加入主观观点（绝对或相对观点）
置信度调整：为不同观点分配不同的置信水平
稳健性提升：输出更稳定的资产配置结果

数学模型详解#

1. 市场均衡收益（逆向优化）#

使用逆向优化方法从市场权重中推导出隐含均衡收益：

E[R] = λΣw_market

plaintext

其中：

E[R]：资产的均衡预期收益
λ：风险厌恶系数
Σ：资产收益率的协方差矩阵
w_market：市场权重向量

2. 投资者观点建模#

投资者可以表达两种观点：

绝对观点：资产A的年化收益将达到10% 相对观点：资产A的表现将比资产B高出5%

3. 后验收益计算#

融合市场均衡和投资者观点：

E[R] = [(τΣ)^(-1) + P'Ω^(-1)P]^(-1) * [(τΣ)^(-1)Π + P'Ω^(-1)Q]

plaintext

实战案例：A股行业配置#

数据准备#

import numpy as np
import pandas as pd
from scipy.optimize import minimize

# 假设我们有5个行业指数
industries = ['金融', '科技', '消费', '医药', '能源']
n_assets = len(industries)

# 模拟数据：预期收益、协方差矩阵、市场权重
mu_eq = np.array([0.08, 0.12, 0.10, 0.09, 0.06])  # 均衡收益
cov_matrix = np.array([
    [0.04, 0.02, 0.01, 0.01, 0.03],
    [0.02, 0.09, 0.03, 0.02, 0.01],
    [0.01, 0.03, 0.06, 0.02, 0.01],
    [0.01, 0.02, 0.02, 0.05, 0.01],
    [0.03, 0.01, 0.01, 0.01, 0.07]
])

market_weights = np.array([0.30, 0.25, 0.20, 0.15, 0.10])
risk_aversion = 2.5
tau = 0.05

python

加入投资者观点#

# 观点矩阵P（绝对观点 + 相对观点）
P = np.array([
    [1, 0, 0, 0, 0],  # 观点1：金融行业的绝对收益
    [0, 1, -1, 0, 0], # 观点2：科技相对消费的超额收益
])

# 观点向量Q
Q = np.array([0.10, 0.03])  # 金融10%收益，科技相对消费高3%

# 观点不确定性矩阵Ω
omega = np.diag([0.02, 0.01])  # 观点的置信度

python

Black-Litterman公式实现#

def black_litterman(mu_eq, cov_matrix, P, Q, omega, tau=0.05):
    """Black-Litterman模型实现"""
    # 后验收益计算
    M_inv = np.linalg.inv(tau * cov_matrix) + P.T @ np.linalg.inv(omega) @ P
    M = np.linalg.inv(M_inv)
    
    posterior_mean = M @ (np.linalg.inv(tau * cov_matrix) @ mu_eq + P.T @ np.linalg.inv(omega) @ Q)
    posterior_cov = cov_matrix + M
    
    return posterior_mean, posterior_cov

# 计算后验收益
post_mu, post_cov = black_litterman(mu_eq, cov_matrix, P, Q, omega, tau)
print("后验预期收益:", post_mu)

python

资产配置优化#

有效前沿对比#

def portfolio_optimization(mu, cov_matrix, risk_aversion=2.5):
    """均值方差优化"""
    n = len(mu)
    
    def objective(w):
        portfolio_var = w.T @ cov_matrix @ w
        portfolio_return = w.T @ mu
        utility = portfolio_return - (risk_aversion / 2) * portfolio_var
        return -utility  # 最小化负效用
    
    # 约束条件
    constraints = ({'type': 'eq', 'fun': lambda w: np.sum(w) - 1})
    bounds = tuple((0, 1) for _ in range(n))
    
    # 初始猜测
    w0 = np.ones(n) / n
    
    result = minimize(objective, w0, method='SLSQP', 
                     bounds=bounds, constraints=constraints)
    
    return result.x

# 优化配置
weights_eq = portfolio_optimization(mu_eq, cov_matrix)
weights_bl = portfolio_optimization(post_mu, post_cov)

print("均衡配置:", weights_eq)
print("Black-Litterman配置:", weights_bl)

python

模型优势与局限性#

优势#

稳定性：相比传统模型，配置结果更稳定
灵活性：可以融合不同置信度的观点
直观性：以市场均衡为基准，便于理解调整原因
实用性：广泛应用于机构资产配置

局限性#

参数敏感：τ和Ω的选择对结果影响较大
观点构建：需要投资者具备构建有效观点的能力
计算复杂：相比传统模型计算更复杂

结论#

Black-Litterman模型为量化投资提供了一套系统化的资产配置框架，特别是在融合主观观点和量化模型方面具有独特优势。对于希望结合定量分析和基本面判断的投资者来说，这是一个强大的工具。

Black-Litterman模型配置对比

观点融合过程示意图