分散投资的科学：从马科维茨到现代投资组合

核心要点

"好的投资组合不仅仅是一长串好股票和好债券。它是一个平衡的整体，在广泛的不确定情境下为投资者提供保护和机会。" -- 哈里·马科维茨，《投资组合选择》(1952)

分散投资——将投资分配到多种资产以降低投资组合风险的做法——常被描述为金融中唯一的免费午餐。哈里·马科维茨在1952年发表于Journal of Finance的论文"投资组合选择"中将这一直觉形式化，引入均值-方差优化，数学证明了通过组合不完全相关的资产，投资者可以在不牺牲预期回报的情况下降低投资组合风险。这项工作使马科维茨获得了1990年诺贝尔经济学奖，奠定了现代投资组合理论（MPT）的基础。然而，均值-方差优化的实际应用比优雅的理论所暗示的要困难得多。预期回报、波动率和相关性的估计误差可能产生在样本外表现不佳的投资组合。DeMiguel、Garlappi和Uppal（2009）表明，考虑估计误差后，简单的等权重（1/N）投资组合往往优于优化组合。此外，Longin和Solnik（2001）记录了市场危机期间资产类别间相关性增加，恰恰在最需要分散化效益时降低了这种效益。理解分散投资的力量和局限性对于构建稳健的投资组合至关重要。

分散投资为何重要

分散投资的基本原理是，组合回报不完全同步的资产可以降低投资组合的整体变异性。考虑两种资产，各有10%的预期年回报和20%的波动率。如果它们的回报完全相关（相关系数+1.0），以任何比例组合都会产生波动率为20%的组合——没有分散化收益。但如果相关系数为0.5，等权组合的波动率约为17.3%。如果相关系数降至零，组合波动率降至约14.1%。而相关系数为-1.0（完全负相关）时，理论上可以构建一个波动率为零的无风险组合，同时仍能获得正的预期回报。

这一数学洞察揭示了分散投资为何如此强大：只要资产不是完全相关的，它允许投资者在不放弃预期回报的情况下降低风险。在实践中，大多数金融资产具有正但不完全的相关性，这意味着分散投资能持续地将组合风险降低到个别资产风险加权平均值以下。

分散投资的好处不仅限于简单的风险降低。通过降低组合波动率，分散投资提高了财富随时间的复合增长率。这是因为算术回报和几何（复合）回报之间的数学关系：几何回报约等于算术回报减去回报方差的一半。方差更低的组合复利效率更高，在相同的预期算术回报下产生更高的终端财富。

分散投资还降低了极端组合损失的概率和严重程度。大幅回撤对长期财富特别有害，因为恢复需要不成比例的大额收益。50%的损失需要100%的收益才能恢复，而25%的损失只需33%。通过缓和回撤，分散投资保护投资者免受可能永久损害其实现财务目标能力的最坏结果。

尽管好处明显，投资者经常分散不足。行为研究记录了阻碍充分分散化的多种偏差，包括母国偏差（过度配置国内股票）、熟悉度偏差（过度配置个人认识的公司）和控制幻觉（相信对熟悉股票的集中持仓比实际风险更低）。

马科维茨与现代投资组合理论

哈里·马科维茨1952年的论文代表了金融史上最重要的智识贡献之一。在马科维茨之前，投资分析几乎完全集中在个别证券上——评估特定股票是被低估还是被高估。马科维茨将焦点从个别证券转移到整个投资组合，认为重要的不是每个投资孤立的风险和回报，而是它们如何组合决定整个组合的风险和回报。

马科维茨将投资组合选择问题公式化为优化：找到在给定预期回报水平下最小化组合方差的投资组合权重，或等价地，在给定方差水平下最大化预期回报。解决这个问题的投资组合集合——每个在其风险水平提供最高回报——定义了有效前沿，这是风险-回报空间中代表投资者可获得的最佳权衡的曲线。

均值-方差优化所需的输入包括：每种资产的预期回报、每种资产回报的方差（或标准差），以及每对资产之间回报的协方差（或相关性）。对于N种资产的投资域，需要N个预期回报估计、N个方差估计和N(N-1)/2个协方差估计。对于100种资产的适度投资域，这意味着100个预期回报、100个方差和4,950个协方差——共计5,150个参数。

威廉·夏普1964年通过引入资本资产定价模型（CAPM）扩展了马科维茨的工作，在框架中加入了无风险资产，并表明在均衡状态下所有投资者应持有无风险资产和市场组合的某种组合。连接无风险利率和有效前沿上市场组合的资本市场线，代表了在可以以无风险利率借贷时可获得的最优风险-回报权衡。

詹姆斯·托宾的分离定理（1958）提供了另一个关键洞察：最优风险组合对所有投资者相同，与风险偏好无关。投资者仅在如何在最优风险组合和无风险资产之间分配上有所不同。更风险厌恶的投资者持有更多无风险资产，而更风险容忍的投资者持有更多风险组合（或通过以无风险利率借款来加杠杆）。

相关性的数学

相关性是分散投资的核心。理解相关性如何运作以及如何失灵，对投资组合构建至关重要。

相关系数范围从-1到+1。+1的相关性意味着两种资产完全同步运动；-1意味着它们以完全相反的方向运动；0意味着它们的运动无关。分散投资要有效，相关性必须小于+1；相关性越低（或越负），分散化收益越大。

在实践中，大多数股票市场之间呈正相关，根据国家对和时间段，相关性通常在0.4到0.8之间。美国和欧洲股票之间的相关性通常约为0.6-0.7，而美国和新兴市场股票之间的相关性略低，约为0.4-0.6。债券和股票历史上表现出低或负相关，使债券成为股票重仓组合的天然分散化工具。

另类资产类别——包括房地产、大宗商品、对冲基金和私募股权——常以与传统股票和债券的低相关性为基础被推广为分散化工具。然而，这些资产的真实分散化收益往往不如宣传的那样好，原因有几个。首先，许多另类资产是非流动性的，其表面上的低波动率和低相关性可能部分反映的是陈旧定价而非真正平稳的回报。其次，与传统资产的相关性往往在压力时期上升，而那恰恰是分散投资最有价值的时候。

相关性体制的概念对投资组合构建很重要。相关性不是静态的；它们随时间变化，在市场下跌期间倾向于增加。Erb、Harvey和Viskanta（1994）记录了熊市中国际股票相关性上升，恰恰在投资者最需要保护的时候降低了全球股票配置的分散化收益。

优化之谜

尽管理论上很优雅，均值-方差优化在应用于实际投资问题时产生令人失望结果的历史已有充分记录。主要原因是估计误差：优化的输入——预期回报、方差和相关性——必须从历史数据或预测模型中估计，而这些估计本质上是不确定的。

问题对于预期回报来说尤其严重，因为准确估计预期回报是出了名的困难。Merton（1980）表明，以合理精度估计预期回报需要极长的数据历史——远长于通常可用的。预期回报估计中的小误差可能产生截然不同的组合权重，常常导致极端和违反直觉的配置。

Michaud（1989）曾著名地将均值-方差优化描述为"误差最大化"工具，认为优化器通过超配预期回报被高估的资产和低配被低估的资产来积极利用估计误差。由此产生的组合是对估计误差而非真实风险-回报权衡的优化，导致样本外表现不佳。

为解决估计误差问题，已开发了多种方法。Black-Litterman模型（1992）使用市场均衡组合作为起点，允许投资者表达使组合偏离市场权重的主观观点。通过锚定于均衡回报，Black-Litterman方法比无约束均值-方差优化产生更稳定和直观的组合。

Ledoit和Wolf（2004）引入投资组合优化的收缩估计量，将样本协方差矩阵与结构化目标矩阵（如单因子模型协方差矩阵）结合，产生更稳定的估计。由此产生的"收缩"协方差矩阵降低了极端样本估计的影响，通常产生更好分散的组合。

Michaud（1998）提出的重采样效率使用蒙特卡洛模拟从不确定的输入生成多个有效前沿，然后对各模拟的组合权重取平均。这种方法承认输入的不确定性，产生比单点优化更平滑、更分散的组合。

朴素分散投资

DeMiguel、Garlappi和Uppal（2009）在Review of Financial Studies上发表了一篇挑战优化基础投资组合构建实际价值的煽动性论文。他们比较了14种优化投资组合策略的样本外表现与简单1/N（等权重）组合，发现没有优化策略能一致地超越等权基准。

作者评估的策略包括均值-方差优化、最小方差组合、贝叶斯估计方法、Black-Litterman模型以及其他各种复杂技术。使用跨不同资产类别和时间段的7个实证数据集，他们发现1/N组合在包括夏普比率、确定性等价回报和换手率等指标上令人惊讶地具有竞争力。

这一违反直觉结果的解释在于统计学习理论中的偏差-方差权衡。优化组合有较低偏差——使用更多信息来瞄准真正的最优组合——但较高方差，意味着它们对用于估计的特定历史时期更敏感。1/N组合有较高偏差——忽略关于预期回报、方差和相关性的所有信息——但较低方差，因为完全不需要估计。当估计误差相对于资产预期回报的真实差异较大时，1/N的方差优势超过其偏差劣势。

DeMiguel、Garlappi和Uppal的论文并不意味着分散投资不重要。相反，它表明分散投资的方式——组合权重如何确定——不如分散投资的广度——资产有多少种和多多样——重要。持有跨不同行业和地区的20只股票等权组合的投资者，即使组合权重确实朴素，也可能是充分分散的。

实际含义是，投资者应首先专注于确保跨资产类别、行业和地区的广泛分散，然后才考虑基于优化的方法来微调组合权重。复杂优化的价值在输入以相当不确定性估计时是有限的。

危机中的相关性不稳定

分散投资最重要的实际挑战之一是，市场危机期间资产类别间的相关性往往增加，恰恰在最需要保护时降低了分散投资应提供的保护。

Longin和Solnik（2001）在Journal of Finance上发表了具有里程碑意义的研究，证明熊市中国际股票相关性显著增加。使用极值理论，他们表明大幅负回报间的相关性远高于正常市场条件下的相关性。这种不对称的相关模式意味着在平静市场中衡量时分散化收益被高估，在动荡时期被低估。

这一现象在多次危机中都有记录。2008年全球金融危机期间，主要股票市场间的相关性飙升至0.90以上，几乎完全消除了国际股票配置的分散化收益。甚至传统上呈负相关的股票和政府债券之间的关系也受到压力，因为在一些市场中避险资金的涌入暂时失效。

对危机期间相关性崩溃已提出几种解释。共同因子暴露——在压力期间所有风险资产受到相同基础经济因素影响的倾向——可能是最直观的。在严重衰退期间，几乎所有公司都面临收入下降、违约增加和融资减少，导致股票无论基本面差异如何都一起下跌。

传染机制，包括追加保证金通知、强制平仓和羊群行为，可以放大危机期间的相关性增加。当大型金融机构在一个市场面临损失时，可能被迫出售所有市场的资产以满足保证金要求，传导冲击并增加原本不相关的资产类别之间的相关性。

流动性撤出发挥着关键作用。在危机期间，做市商扩大买卖价差并降低吸收卖压的意愿，导致所有资产的价格同时下跌。这种由流动性驱动的相关性增加特别成问题，因为它影响到甚至没有基本理由相关的资产。

对投资组合构建而言，相关性不稳定有几个重要含义。首先，分散化策略应使用危机期相关性而非平均相关性进行压力测试。依赖长期平均相关性可能产生在正常条件下看似良好分散但在保护最重要的时期提供不充分保护的组合。

其次，投资者应考虑跨风险因子而非仅跨资产类别的分散化。两个看似不相关的资产可能实际上共享对同一基础风险因子（如经济增长、利率或流动性）的暴露，导致在压力时期变得相关。

第三，明确以低相关性为目标的策略——如管理期货、尾部风险对冲或做多波动率头寸——可能比传统的资产类别分散提供更可靠的危机期分散化。

实证分析：分散化最需要时相关性如何变化

分散投资的理论力量取决于资产类别间的相关性结构。下表展示了主要资产类别在正常市场与危机时期的估计相关系数，证实了Longin和Solnik（2001）记录的现象：相关性恰恰在最需要分散化时向1.0收敛。

几个模式值得注意。首先，股票市场间的相关性在危机期间急剧飙升——发达市场股票与美国股票的相关性从正常市场的0.65跳升至2008 GFC期间的0.92，事实上消除了分散化收益。这证实了Erb、Harvey和Viskanta（1994）以及Campbell、Koedijk和Kofman（2002）的研究结论。

其次，2022年股债相关性的反转代表了对组合构建具有深远影响的结构性转变。从2000年到2021年，负的股债相关性是60/40组合模型和风险平价策略的基础。当这一相关性在2022年利率冲击中转正（+0.55）时，平衡组合经历了数十年来最严重的回撤。

第三，黄金和趋势跟踪策略是最可靠的危机分散化工具。黄金在四次危机体制中均与股票保持接近零或负相关。这一发现与Baur和Lucey（2010）一致，表明黄金更像是对冲工具而非安全避风港——它提供持续的分散化而非危机中保证正收益。

竞争框架：马科维茨 vs. 风险平价 vs. 等权重

如何分散化的问题产生的研究量不亚于是否应该分散化的问题。三个主要框架主导着讨论，各自具有独特的理论基础和实证记录。

均值-方差优化（马科维茨）。 原始框架通过求解基于预期回报、方差和协方差的最优组合权重，在给定风险水平下最大化预期回报。正如Michaud（1989）所证明的，对估计误差的敏感性削弱了理论优雅性。Black-Litterman模型（1992）和收缩估计量（Ledoit和Wolf, 2004）部分解决了这个问题，但未能完全消除。

风险平价。 不是均衡资本，而是均衡每种资产对总组合风险的贡献。由Qian（2005）形式化，由Bridgewater的全天候基金推广。历史表现强劲——Asness、Frazzini和Pedersen（2012）记录了杠杆风险平价组合1926-2010年的夏普比率为0.5-0.6，而单独股票仅为0.4。然而，该策略严重依赖债券风险溢价和低利率借款能力。2022年利率冲击挑战了这些假设。

等权重（1/N）。 DeMiguel、Garlappi和Uppal（2009）证明朴素等权重在7个数据集上优于14种优化策略。解释在于偏差-方差权衡：当估计误差相对于真实最优权重的差异较大时，更简单的方法胜出。Duchin和Levy（2009）的后续研究确认，当资产数量多、预期回报难以估计且投资期限短时，等权重表现最佳。

证据表明，分散化框架的选择不如分散化的广度本身重要。在各项研究中，组合风险降低的最大决定因素是包含的独立风险来源数量，而非用于加权的优化技术。

分散化悖论：重新审视证据

虽然分散投资无疑是投资中最重要的原则之一，但它有投资者应理解的重要局限性。

第一，分散投资降低但不消除风险。即使完美分散的组合仍暴露于系统性风险——由衰退、金融危机或其他宏观经济冲击驱动的广泛市场下跌的风险。2008年金融危机期间，大多数分散组合遭受了重大损失，因为几乎所有风险资产类别同时下跌。分散投资保护免受特质风险（特定于个别证券的风险），但不保护免受系统性风险。

第二，过度分散可能在不显著降低风险的情况下降低回报。超过一定数量的持仓——研究表明股票组合约30-40只——后，增加额外头寸带来的边际风险降低变得可忽略，而复杂性和交易成本继续增加。这一边际分散化收益递减的原则表明，投资者应寻求充分而非最大的分散化。

第三，分散化效益严重依赖于相关性估计的准确性，而这本身是不确定和不稳定的。如上所述，相关性在市场压力时倾向于增加，恰恰在最需要分散化收益时降低了这种收益。这种相关性不稳定代表了分散投资作为风险管理工具的根本局限。

第四，跨资产类别分散要求接受组合的某部分始终在表现不佳。这种心理挑战——看着组合的一部分下跌而另一部分上涨——导致许多投资者质疑他们的分散化策略并集中于近期赢家，这恰恰是错误的反应。

第五，分散化成本不应被忽视。国际分散涉及汇率风险、更高的交易成本和潜在的不利税务处理。另类资产分散可能涉及非流动性、高费用和有限的透明度。这些成本如果不仔细管理，可能部分或完全抵消分散化的风险降低收益。

第六，最优分散化的理论框架——均值-方差优化——对输入参数的估计误差高度敏感。正如DeMiguel、Garlappi和Uppal所展示的，等权重等简单方法往往优于复杂的优化技术，因为后者被估计误差所削弱。这一发现表明，投资者应对自己识别"最优"组合的能力保持谦逊，而应专注于使用稳健、简单的方法论构建广泛分散的组合。

最后，分散投资的概念假设过去的相关性结构将持续到未来。全球经济的结构性变化——包括经济一体化加深、被动投资的兴起和央行政策影响力的增长——可能正在根本性地改变相关性模式。投资者应根据不断演变的市场动态定期重新评估其分散化策略，而非假设历史关系将无限期持续。

研究现状

支持分散投资作为风险管理原则的证据是全部金融学中最强有力的之一，但马科维茨基础性工作以来七十年的研究也揭示了重要的细微差别。

证据强度：原则层面非常强，实施层面存在争议。 组合不完全相关的资产会降低组合方差这一数学事实无可争议——它直接源于方差作为统计度量的性质。分散投资在几乎所有历史时期和市场体制中都能降低已实现组合风险的实证证据同样稳健。合理分歧存在的领域是实施方法：如何估计输入参数、需要多少资产，以及优化相对于更简单的方法是否增加价值。

关键复制发现。 DeMiguel、Garlappi和Uppal（2009）确立了等权重与优化的竞争力，这一发现已被Duchin和Levy（2009）、Pflug、Pichler和Wozabal（2012）等复制。Longin和Solnik（2001）记录了危机期间的相关性不稳定，后续覆盖2008 GFC、2020新冠冲击和2022利率冲击的研究予以确认。Ledoit和Wolf（2004, 2017）证明协方差矩阵的收缩估计显著改善组合表现，该发现在多个数据集和时间段中得到复制。

挑战与完善。 2022年股债相关性体制变化挑战了60/40组合和风险平价策略的基础，正如Page和Panariello（2018）曾警告的那样。Bhansali（2011）以及Harvey、Liechty、Liechty和Mueller（2010）的研究表明，相关性估计本质上比波动率估计更困难，捕捉资产类别关系的非平稳性可能需要体制转换模型。

截至2025年的证据状况。 分散投资仍然是降低组合风险最可靠的工具，得到理论必然性和压倒性实证证据的双重支持。研究前沿已从是否分散化转向在体制依赖相关性的世界中如何稳健地分散化，探讨传统资产类别分散化是否应被因子基础的分散化方法补充或取代。