最小方差组合：更低风险，不减回报

从马科维茨到前沿的最左端

1952年，哈里·马科维茨（Harry Markowitz）发表了他的投资组合选择理论，为投资者绘制了一幅风险与收益的地图。有效前沿描绘了在每个风险水平下提供最高预期收益的投资组合集合。几十年来，金融界将注意力集中在曲线的右上方——收益最高的区域。几乎没有人关注另一端：最左端的点，即投资组合方差达到绝对最小值的位置。前沿上这个被忽视的角落，后来被证明蕴含着资产定价中最持久的异象之一。

2006年，罗杰·克拉克（Roger Clarke）、哈林德拉·德席尔瓦（Harindra de Silva）和史蒂文·索利（Steven Thorley）在《投资组合管理杂志》（The Journal of Portfolio Management）上发表了"Minimum-Variance Portfolios in the U.S. Equity Market"。他们的发现令人震惊：一个仅以最小化波动率为目标、完全不尝试最大化收益的投资组合，在近四十年的时间里，其表现与市值加权市场指数几乎无法区分，但风险却低了大约25%。这一结果挑战了现代金融学的一个基本假设：投资者必须牺牲收益才能降低风险。

构建问题

构建最小方差投资组合需要求解一个约束优化问题：在给定资产收益的协方差结构下，找到能产生最低可能方差的投资组合权重集合。目标函数完全取决于协方差矩阵；与标准的均值-方差优化不同，不需要预期收益估计。

这既是该方法最大的优势，也是其实际挑战的根源。预期收益出了名的难以精确估计。米肖（Michaud, 1989）曾有一个著名的论断，将均值-方差优化描述为"误差最大化器"，因为预期收益中微小的估计误差会产生截然不同的投资组合权重。通过完全绕过预期收益，最小方差投资组合避免了优化过程中最不可靠的输入。

然而，协方差矩阵也有其自身的估计困难。对于一个包含1,000只股票的投资宇宙，协方差矩阵包含大约500,000个独立条目。从历史收益数据中估计每一个条目都会引入大量的抽样误差，特别是对角线以外的协方差项。克拉克、德席尔瓦和索利通过应用结构化协方差估计器来解决这一问题，包括减少需要估计参数数量的因子模型。

克拉克、德席尔瓦和索利的发现

作者们从美国最大的1,000只股票中构建最小方差投资组合，从1968年到2005年按月再平衡。他们的核心结果重塑了从业者对投资组合构建的思考方式。

收益与风险特征

最小方差投资组合的收益与市场仅相差30个基点，同时波动率降低了大约四分之一。夏普比率的改善非常显著：比市值加权基准高出约46%。

投资组合构成

最小方差投资组合持续倾向于具有特定特征的股票。持仓集中于大盘、低贝塔、低残余波动率的标的。行业敞口与市场投资组合有显著偏离：低配科技和金融，同时超配公用事业和日常消费品。

这种集中并非偶然，而是优化目标的直接结果。个体方差低且与其他持仓协方差低的股票获得最大权重。在实践中，这会产生一个与市场看起来截然不同的投资组合，主动份额通常超过70%。

约束悖论

论文中最违反直觉的发现之一涉及投资组合约束。当作者们对单个仓位权重施加上限（防止任何单只股票超过投资组合的2-3%）时，样本外表现实际上优于无约束的解。

Jagannathan和Ma（2003）提供了理论解释：对最小方差优化施加权重约束在数学上等价于对协方差矩阵应用一种收缩形式。协方差被低估的股票在无约束投资组合中往往获得过大的权重；限制这些权重隐含地纠正了估计误差。这一结果具有深远的实际意义。它表明，出于与统计理论无关的原因施加的"错误"约束，可能因抵消估计噪声而意外地改善投资组合表现。

为什么这个异象存在？

最小方差投资组合的风险调整后超额表现，是低波动率异象的直接体现。在股票市场中，股票贝塔（或波动率）与其后续收益之间的经验关系，远比资本资产定价模型预测的要平坦得多。在许多样本期间，这种关系实际上为零甚至略为负值。

对于这种持续的错误定价，已经提出了几种解释。

基准评价与职业风险

Baker、Bradley和Wurgler（2011）认为，机构投资者面临的约束阻止他们充分利用低波动率异象。大多数专业基金经理以市值加权基准作为评估标准。低配高贝塔股票——即使它们提供较差的风险调整后收益——会产生跟踪误差和职业风险。结果是高贝塔股票获得了超出其风险调整后基本面所应得的更多需求，推高了价格并压低了未来收益。相反，低贝塔股票被系统性地忽视，使其价格偏低。

杠杆约束与彩票偏好

弗拉齐尼和佩德森（Frazzini和Pedersen, 2014）提出，许多投资者面临杠杆约束。由于无法借贷来放大低风险资产的收益，他们转而倾向高贝塔股票作为杠杆的替代品。对波动性股票的过度需求使证券市场线比理论预测的更为平坦。另外，行为研究记录了散户投资者表现出彩票偏好——过度偏重具有正偏态收益分布的证券，而这些往往是高波动率股票。

分析师覆盖的角色

第三个渠道通过信息不对称起作用。波动性大、高成长的股票吸引更多分析师覆盖、媒体关注和投资者热情。低调的低波动率股票受到较少关注，为愿意持有那些很少出现在头条新闻中的标的的耐心投资者创造了机会。

协方差估计：实践前沿

理论上的最小方差投资组合需要一个完美估计的协方差矩阵——而这并不存在。每一种实际实施都必须面对真实（不可观测）协方差结构与其样本估计之间的差距。

样本协方差及其局限

最简单的估计器——从历史收益计算的样本协方差矩阵——当资产数量相对于时间序列观测值数量增长时变得不可靠。对于一个包含500只股票、60个月收益数据的投资宇宙，样本协方差矩阵甚至不是正定的，这意味着它在未经修改的情况下无法用于优化。

基于因子的协方差模型

克拉克、德席尔瓦和索利采用了基于因子模型的协方差估计器。通过将收益分解为共同因子敞口和特质残差，这些模型大幅减少了需要估计的参数数量。例如，Fama-French三因子模型将一个500只股票的协方差矩阵从大约125,000个独立参数减少到大约1,500个。代价是因子模型对协方差矩阵施加的结构在实践中可能并不完全成立。

收缩估计器

Ledoit和Wolf（2004）引入了一种被广泛采用的收缩方法，将样本协方差矩阵与结构化目标（如单因子模型协方差或单位矩阵）混合。最优收缩强度可以从数据中估计，在样本估计器的灵活性和结构化模型的稳定性之间提供了一种有原则的平衡。使用收缩协方差矩阵构建的最小方差投资组合，其样本外表现比使用原始样本协方差的投资组合更为稳定。

模拟表现：超越原始研究

考虑一个假设的最小方差投资组合，由S&P 500成分股构建，从1990年1月至2025年12月按季度再平衡。该投资组合使用Ledoit-Wolf收缩协方差估计器和252天回看窗口以最小化总方差为目标。单个仓位权重上限为3%，行业权重与基准的偏差不超过10个百分点。

估计参数：季度再平衡，每次再平衡15个基点的往返交易成本，满仓投资无杠杆，仅做多约束。

假设的最小方差投资组合在每个子期间都以明显更低的实现风险达到了与S&P 500相当的累计收益。最显著的分化出现在2000-2009年这个十年，市值加权指数录得负年化收益，而最小方差投资组合获得了正收益。这十年包含了两次严重的熊市（2000-2002年和2007-2009年），在此期间最小方差投资组合的较低贝塔和防御性行业倾斜提供了显著的下行保护。

这些数据来源于使用重建历史数据和标准估计技术的风格化模拟，不代表实际基金表现。交易成本、买卖价差、再平衡滑点以及成分股选择中的幸存者偏差均被简化或省略，这些因素会使真实世界的收益低于所示数字。

与风险平价和因子投资的关联

最小方差投资组合在更广泛的替代加权方案图景中占据特定位置。理解它与相邻方法的关系，有助于明确每种方法最适用的场景。

风险平价分配资本使每个资产（或资产类别）对总投资组合风险的贡献相等。相比之下，最小方差投资组合分配资本以最小化总风险，不考虑风险贡献的均等性。在实践中，最小方差倾向于更集中地配置于最低风险资产，而风险平价则更均匀地分配敞口。

等权重投资组合对每个持仓分配相同的资本，避免了市值加权的集中偏差。它们降低了集中度风险，但并不明确以风险降低为目标。最大分散化投资组合（Choueifaty和Coignard, 2008）最大化加权平均个体波动率与投资组合波动率的比率，代表了另一种获取分散化收益的方法。

所有这些替代方法都有一个共同线索：它们利用经验证券市场线的平坦性。通过减少对估值过高的高贝塔资产的敞口，它们相对于市值加权改善了风险调整后收益。最小方差是这些方法中最积极追求风险降低的，使其成为以波动率最小化为首要目标的投资者的天然选择。

批评与局限性

集中度与容量

最小方差投资组合将持仓集中于相对狭窄的低波动率股票集合。这引发了对容量的担忧：随着越来越多的资本流入最小方差策略，相同的股票获得不断增加的需求。Scherer（2011）发现，在调整了常见因子敞口（规模、价值和动量）后，最小方差投资组合的阿尔法大幅下降，这表明其大部分超额表现反映的是因子倾斜的补偿，而非纯粹的免费午餐。

估计敏感性

尽管避免了预期收益估计，最小方差投资组合仍对协方差估计方法论敏感。不同的协方差估计器（样本、基于因子、收缩或组合方法）可能产生差异显著的投资组合构成。这种模型不确定性代表了一种在实践中经常被低估的风险。

行业集中

最小方差构建中固有的防御性倾斜导致对公用事业、日常消费品和医疗保健的持续超配，以及对科技和金融的低配。在这些低配行业驱动市场收益的时期（如2012-2021年科技驱动的牛市），最小方差投资组合在绝对收益方面将显著落后于市值加权指数，即使在风险调整基础上表现优异。

朴素分散化挑战

DeMiguel、Garlappi和Uppal（2009）证明，简单的等权重（1/N）投资组合在样本外表现上往往能匹配甚至超越更复杂的优化方法（包括最小方差），特别是对于较小的资产宇宙和较短的估计窗口。这一发现强调，最小方差优化的收益并非有保障的，取决于是否拥有充足的数据和合理稳定的协方差结构。

证据告诉我们什么

跨越数十年和国际市场的证据权重支持以下几个结论。最小方差投资组合可靠地提供比市值加权基准更低的波动率，通常降低20-30%。为这种风险降低所付出的收益代价比标准理论预测的要小，在许多样本期间大约为零。以夏普比率衡量的风险调整后改善是稳健的且具有经济意义的。

对这一明显异象的解释并不神秘。它直接源于经验证券市场线有据可查的平坦性：低贝塔资产获得的收益高于CAPM预测，高贝塔资产获得的收益低于CAPM预测。最小方差投资组合只是一种系统性地收获这种错误定价的方式。

对于从业者而言，关键的实施决策涉及协方差估计方法论、再平衡频率和投资组合约束的程度。证据表明，适度的约束（仓位上限、行业限制）往往能通过充当估计误差的隐含收缩来改善样本外表现。该方法对于风险厌恶程度较高的投资者、寻求降低回撤风险的投资者最具吸引力，也可作为分散化投资组合框架中其他因子策略的补充。