3. 講義內容
3.1 传统 MVO 的实务困境
馬科維茨的均值-方差優化（Mean-Variance Optimization, MVO）在理論上優美，但在實務中面臨嚴重挑戰：
- 輸入敏感性（Input Sensitivity）：預期收益率的微小估計誤差，經過優化器放大後，會導致最優權重劇烈變化。Michaud (1989) 稱之為"誤差最大化"（Error Maximization）。
- 極端集中權重：MVO 傾向於將資金集中於預期收益率最高的少數資產，產生不切實際的極端權重。
- 缺乏分散化：優化結果往往不符合投資人的直覺——低配了明顯應當持有的資產，超配了高風險資產。
3.2 Black-Litterman 模型的邏輯
Black-Litterman 模型由 Fischer Black 與 Robert Litterman 於 1990 年在 Goldman Sachs 工作期間提出，其核心思路是逆向優化（Reverse Optimization）：
第一步：假設市場當前處於均衡狀態，由市場資本化權重（Market Capitalization Weights）反推出市場隱含的均衡預期收益率（Implied Equilibrium Returns）：
公式：Π = δ Σ w_mkt
其中 \(Π\) 為隱含均衡預期收益率向量，\(δ\) 為風險厭惡係數，\(Σ\) 為協方差矩陣，\(w_mkt\) 為市場資本化權重。
第二步：將投資者的主觀觀點（Views）以機率形式表達：
公式：P μ = Q +
其中 \(P\) 為觀點矩陣（將資產與觀點對應），\(Q\) 為觀點預期值向量，$$ 為觀點不確定性。
第三步：透過貝葉斯更新，將市場均衡觀點與投資者主觀觀點融合，得到後驗預期收益率：
公式：μ_BL = [ ( Σ)^-1 + P' ^-1 P ]^-1 [ ( Σ)^-1 Π + P' ^-1 Q ]
其中 $\( 為標量參數（控制市場均衡的置信度），\)$ 為觀點不確定性對角矩陣。
第四步：將後驗預期收益率 \(μ_BL\) 代入 MVO，得到最終組合權重。
3.3 數值例子：市場均衡回報→觀點矩陣→後驗分佈
僅為數理演示
考慮一個簡化的四資產組合（虛構教學示意）：
| 資產 | 市場资本化權重 \(w_mkt\) | 年化波動率 \(_i\) |
|---|
| 股票 A | 50% | 18% |
| 債券 B | 35% | 6% |
| 黃金 C | 10% | 15% |
| 商品 D | 5% | 20% |
假設條件：
- 風險厭惡係數 \(δ = 2.5\)
- \( = 0.05\)（較小的值，表示對市場均衡的高置信度）
- 假設資產間相關性較低，簡化為對角協方差矩陣 \(Σ = diag}(0.18^2, 0.06^2, 0.15^2, 0.20^2)\)
第一步：計算市場隱含均衡回報 \(Π\)
公式：Π_i = δ _i^2 w_mkt,i}
| 資產 | 計算過程 | 隱含均衡回報 \(Π_i\) |
|---|
| 股票 A | \(2.5 × 0.0324 × 0.50\) | 4.05% |
| 債券 B | \(2.5 × 0.0036 × 0.35\) | 0.32% |
| 黃金 C | \(2.5 × 0.0225 × 0.10\) | 0.56% |
| 商品 D | \(2.5 × 0.0400 × 0.05\) | 0.50% |
第二步：設定投資者觀點矩陣
投資者提出以下兩個觀點：
- 觀點 1：股票 A 的表現將優於債券 B 年化 3%（即 \(μ_A - μ_B = 3%\)）
- 觀點 2：黃金 C 的回報將達到 8%（即 \(μ_C = 8%\)）
觀點矩陣 \(P\) 與觀點值向量 \(Q\)：
公式：P = 1 & -1 & 0 & 0 0 & 0 & 1 & 0 , Q = 3% 8%
觀點不確定性矩陣 $$（對角矩陣，對角線為觀點方差）：
公式： = 0.01^2 & 0 0 & 0.02^2 = 0.0001 & 0 0 & 0.0004
觀點 1 的標準差為 1%（較高置信度），觀點 2 的標準差為 2%（中等置信度）。
第三步：貝葉斯更新——計算後驗預期收益率 \(μ_BL\)
代入公式：
公式：μ_BL = [ ( Σ)^-1 + P' ^-1 P ]^-1 [ ( Σ)^-1 Π + P' ^-1 Q ]
這一步涉及矩陣運算，在教學中我們直接展示結果：
| 資產 | 市場均衡回報 \(Π_i\) | 觀點調整後的後驗回報 \(μ_BL,i}\) | 變動幅度 |
|---|
| 股票 A | 4.05% | 5.12% | +1.07% |
| 債券 B | 0.32% | 1.05% | +0.73% |
| 黃金 C | 0.56% | 7.21% | +6.65% |
| 商品 D | 0.50% | 0.52% | +0.02% |
解讀：
- 觀點 1（股票優於債券 3%）使股票的後驗回報上升、同時債券回報也被上修（因為觀點矩陣中債券的係數為 -1，貝葉斯更新會同時調整相關資產）
- 觀點 2（黃金 8%）大幅提升了黃金的預期回報，從均衡的 0.56% 提升至 7.21%
- 商品 D 無直接被觀點涉及，其後驗回報幾乎不變
第四步：將後驗回報代入 MVO 得到最終權重
假設最終 MVO 輸出的權重為（虛擬數值）：
| 資產 | 市場權重（無觀點） | 後驗權重（有觀點） | 變化 |
|---|
| 股票 A | 50% | 48% | -2% |
| 債券 B | 35% | 28% | -7% |
| 黃金 C | 10% | 18% | +8% |
| 商品 D | 5% | 6% | +1% |
關鍵觀察：黃金因為觀點 2 的高置信度（8% 遠高於均衡的 0.56%），權重大幅提升；債券則因為觀點 1 中被視為遜於股票而被減配。整體權重仍相對均衡，未出現 MVO 式的極端集中。
3.4 觀點強度的調節
投資者對每個觀點可設定置信度（Confidence）：
- 置信度高（$$ 小）：觀點對最終權重影響大
- 置信度低（$$ 大）：觀點對最終權重影響小，結果更接近市場均衡
當投資者無任何觀點時，Black-Litterman 模型的結果即為市場資本化權重——這本身是一個優雅的理論性質。
\[參數的角色至關重要：$$ 越小，市場均衡的先验置信度越高，觀點的影響力越弱；$$ 越大，投資者觀點的主導地位越強。實務中 $$ 通常取 0.01–0.1。\]
4. 核心概念與機制
Black-Litterman 模型的機制可拆解為三層：
- 市場均衡作為先验：模型以市場資本化權重為起點，隱含假設"市場整體是聰明的"——除非投資者有充分理由，否則不應大幅偏離市場權重。
- 觀點的貝葉斯融合：投資者的主觀判斷以機率形式表達，與市場先验加權融合。融合程度取決於觀點的置信度與 $$ 參數。
- 權重的穩定性：由於從均衡出發而非從預期收益率出發，BL 模型的權重更加穩定、分散，且符合投資人的直覺。
\[參數的含義是**市場均衡與投資者觀點之間的相對權重**。實務中 $$ 通常取較小值（如 0.01–0.1），意味著市場均衡觀點被賦予較高的先验置信度。\]
5. 實例演算
僅為數理演示
假設一個簡化的三資產組合（虛構教學示意）：
| 資產 | 市場資本化權重 | 市場隱含預期收益率 |
|---|
| 股票 A | 50% | 8% |
| 債券 B | 40% | 4% |
| 現金 C | 10% | 2% |
假設投資者有一個觀點：股票 A 的表現將優於債券 B，年化超額 3%。
第一步：無觀點時的 BL 權重
若無任何觀點（\(P, Q\) 為空），BL 模型輸出即為市場資本化權重：50% / 40% / 10%。
第二步：加入高置信度觀點
假設投資者對該觀點有較高置信度，BL 模型將調整後驗預期收益率，使股票 A 的權重上升、債券 B 的權重下降。假設結果約為：
| 資產 | 無觀點權重（市場均衡） | 高置信度觀點後權重 |
|---|
| 股票 A | 50% | 58% |
| 債券 B | 40% | 33% |
| 現金 C | 10% | 9% |
第三步：加入低置信度觀點
同一觀點但置信度較低時，權重偏離更小：
| 資產 | 低置信度觀點後權重 |
|---|
| 股票 A | 53% |
| 債券 B | 38% |
| 現金 C | 9% |
解讀：觀點置信度越高，組合偏離市場均衡越遠；置信度越低，組合越接近市場資本化權重。這體現了 BL 模型"保守但可定制"的核心優勢。
6. 真實案例
A｜情境示範（虛構場景，教學用途）
某亞洲養老金的管理團隊使用 Black-Litterman 框架設定其全球多資產組合的戰略配置。團隊提出了兩個觀點：（1）新興市場股票的長期回報將高於發達市場 2%；（2）日本債券的波動率將持續低於全球債券均值。團隊對觀點（1）給予中等置信度，對觀點（2）給予較高置信度。BL 模型據此微調了權重，最終組合較市場資本化權重偏離約 ±4%。教學用途，不構成投資建議。
B｜真實歷史案例（公開歷史資料，教學用途，不構成投資建議）
Black-Litterman 模型由 Fischer Black（1930–2007）與 Robert Litterman 於 1990 年提出，兩人當時均在 Goldman Sachs 資產管理部門工作。該模型最初為 Goldman Sachs 的全球配置組合開發，後因其穩定性優勢被全球大型機構投資者廣泛採用。Fischer Black 同時以 Black-Scholes 期權定價模型聞名。資料來源：Black, F. & Litterman, R. (1992). "Global Portfolio Optimization." Financial Analysts Journal, 48(5), 28–43. 以上內容屬金融工程思想史教學引用，不指向任何當前證券，不構成任何買賣判斷。
7. 常見錯誤
- 認為 BL 模型可以完全替代 MVO——BL 模型是 MVO 的輸入端改進，而非替代框架，最終仍需 MVO 計算權重
- 忽視 $\( 參數的選擇——\)$ 的取值對結果影響顯著，且無通用最優值，需根據具體情況校准
- 將所有觀點設為同等置信度——不同觀點的信息質量不同，應分別設定置信度
- 觀點數量過多——過多觀點會使結果偏離均衡過遠，失去 BL 模型的穩定性優勢
- 忽略觀點之間的相關性——觀點矩陣 \(P\) 應正確反映觀點間的邏輯關係，避免重複計算同一信號
- 混淆觀點矩陣 \(P\) 的結構——\(P\) 的每一行對應一個觀點，每一列對應一個資產，錯誤的矩陣結構會導致觀點被錯誤歸屬
8. 術語表
| 英文 | 中文 | 解釋 |
|---|
| Mean-Variance Optimization (MVO) | 均值-方差優化 | 馬科維茨提出的在給定風險水平下最大化預期收益的組合構建方法 |
| Reverse Optimization | 逆向優化 | 從市場資本化權重反推隱含均衡預期收益率的過程 |
| Implied Equilibrium Returns | 隱含均衡預期收益率 | 假設市場處於均衡時，由市場權重反推出的預期收益率 |
| 貝葉斯更新 | Bayesian Update | 將先驗分布與新的觀測信息（觀點）結合，更新為後驗分布的統計方法 |
| τ 參數 | Tau Parameter | 控制市場均衡先验與投資者觀點相對權重的標量參數 |
| 觀點矩陣 | View Matrix (P) | 將投資者的主觀觀點與具體資產相關聯的矩陣 |
| 觀點不確定性 | View Uncertainty ($$) | 對投資者觀點置信度的度量，以對角矩陣形式表達 |
| Error Maximization | 誤差最大化 | MVO 對預期收益率估計誤差的放大效應（Michaud, 1989） |
| Posterior Distribution | 後驗分佈 | 結合市場先验與投資者觀點後更新得到的預期收益率分佈 |
10. 延伸閱讀
- Black, F. & Litterman, R. (1992). "Global Portfolio Optimization." Financial Analysts Journal, 48(5), 28–43.
- Litterman, R. (2003). Modern Investment Management: An Equilibrium Approach. John Wiley & Sons.
- Michaud, R.O. (1989). "The Markowitz Optimization Enigma: Is 'Optimized' Optimal?" Financial Analysts Journal, 45(1), 31–42.
- He, G. & Litterman, R. (1999). "The Intuition Behind Black-Litterman Model Portfolios." Goldman Sachs Investment Research.
- 上一課：17.1.1 策略性配置 vs 戰術性配置（SAA vs TAA）
本課內容僅供教育用途，不構成任何投資建議、證券買賣建議或收益承諾。
免責聲明：本講義內容僅供教學與學術討論之用，不構成任何形式的投資建議、證券推薦或收益承諾。文中提及的數值例子與歷史案例僅供說明理論概念，投資者應根據自身情況獨立判斷，必要時諮詢專業顧問。投資有風險，入市需謹慎。$
$