最小變異組合：更低風險，不減報酬

從馬可維茲到效率前緣的最左端

當哈里·馬可維茲（Harry Markowitz）在1952年發表他的投資組合選擇理論時，他為投資者提供了一幅風險與報酬的地圖。效率前緣描繪了在每個風險水準下提供最高預期報酬的投資組合集合。數十年來，金融學界將注意力集中在該曲線的右上方，即報酬最高的部分。幾乎沒有人關注另一端：最左端的那個點，即投資組合變異數達到絕對最小值的位置。這個被忽視的前緣角落，最終證明蘊含了資產定價中最持久的異常現象之一。

2006年，羅傑·克拉克（Roger Clarke）、哈林德拉·德席爾瓦（Harindra de Silva）和史蒂文·索利（Steven Thorley）在《投資組合管理期刊》（The Journal of Portfolio Management）上發表了「美國股票市場中的最小變異數投資組合」（"Minimum-Variance Portfolios in the U.S. Equity Market"）。他們的發現令人震驚：一個僅以最小化波動率為目標、完全不試圖最大化報酬的投資組合，在近四十年間的表現與市值加權市場指數幾乎無法區分，但風險卻降低了約25%。這一結果挑戰了現代金融學的一個基石假設：投資者必須犧牲報酬才能降低風險。

建構問題

建構最小變異數投資組合需要求解一個受限最佳化問題：在資產報酬的共變異數結構下，找到產生最低可能變異數的投資組合權重集合。目標函數完全取決於共變異數矩陣；與標準的均值-變異數最佳化不同，不需要預期報酬的估計值。

這既是該方法最大的優勢，也是其實務挑戰的來源。預期報酬是出了名地難以精確估計。米肖（Michaud, 1989）著名地將均值-變異數最佳化描述為一個「誤差放大器」，因為預期報酬中微小的估計誤差會產生截然不同的投資組合權重。透過完全繞過預期報酬，最小變異數投資組合避免了最佳化過程中最不可靠的輸入。

然而，共變異數矩陣本身也存在估計困難。對於一個包含1,000檔股票的投資範圍，共變異數矩陣包含約500,000個唯一項目。從歷史報酬數據估計這些項目中的每一個都會引入大量抽樣誤差，尤其是非對角線的共變異數項。克拉克、德席爾瓦和索利透過應用結構化共變異數估計量來解決這一問題，包括基於因子的模型，以減少需要估計的參數數量。

克拉克、德席爾瓦和索利的發現

作者們從美國最大的1,000檔股票中建構最小變異數投資組合，從1968年到2005年每月再平衡。他們的核心結果重塑了實務者對投資組合建構的思考方式。

報酬與風險特徵

最小變異數投資組合的報酬與市場僅相差30個基點，同時波動率降低了約四分之一。夏普比率的改善是顯著的：比市值加權基準高出約46%。

投資組合組成

最小變異數投資組合持續向特定的股票特徵傾斜。持股集中在大型股、低貝塔、低殘差波動率的標的。行業配置與市場投資組合產生了顯著偏離：低配科技和金融，同時高配公用事業和必需消費品。

這種集中並非偶然。它是最佳化目標的直接結果。個別變異數低且與其他持股共變異數低的股票獲得最大的權重。在實務中，這產生了一個與市場截然不同的投資組合，典型的主動份額超過70%。

約束悖論

該論文最違反直覺的發現之一涉及投資組合約束。當作者對個別持股權重施加上限（防止任何單一股票超過投資組合的2-3%）時，樣本外績效實際上比無約束解更好。

賈甘納坦和馬（Jagannathan and Ma, 2003）提供了理論解釋：對最小變異數最佳化施加權重約束，在數學上等同於對共變異數矩陣施加一種收縮。在無約束投資組合中，共變異數被低估的股票往往獲得過大的權重；限制這些權重隱含地修正了估計誤差。這一結果具有深遠的實務意義。它表明「錯誤的」約束——出於與統計理論無關的原因施加的約束——可以意外地透過抵消估計噪音來改善投資組合績效。

為什麼這種異常現象存在？

最小變異數投資組合的風險調整超額表現是低波動率異常的直接體現。在股票市場中，股票的貝塔（或波動率）與其後續報酬之間的實證關係，遠比資本資產定價模型（CAPM）預測的更為平坦。在許多樣本期間，這種關係實際上為零或略呈負值。

對於這種持續性定價偏差，已經提出了幾種解釋。

基準評估與職業風險

貝克、布萊德利和沃格勒（Baker, Bradley, and Wurgler, 2011）認為，機構投資者面臨的約束使他們無法充分利用低波動率異常。大多數專業資產管理人是根據市值加權基準來評估的。即使高貝塔股票提供的風險調整報酬較差，低配它們也會產生追蹤誤差和職業風險。結果是高貝塔股票獲得了超出其風險調整基本面所保證的需求，推高了價格並壓低了未來報酬。相反，低貝塔股票被系統性地忽視，使它們被低估。

槓桿約束與彩券偏好

弗拉齊尼和佩德森（Frazzini and Pedersen, 2014）提出，許多投資者面臨槓桿約束。由於無法借貸來放大低風險資產的報酬，他們轉而傾向高貝塔股票作為槓桿的替代品。這種對波動性股票的過度需求使證券市場線比理論預測的更為平坦。此外，行為研究記錄了散戶投資者表現出彩券偏好，過度配置具有正偏態報酬分佈的證券，而這些往往是高波動率股票。

分析師覆蓋的角色

第三個管道透過資訊不對稱來運作。波動性高、高成長的股票吸引更多的分析師覆蓋、媒體關注和投資者的興奮。乏味的低波動率股票受到的關注較少，為願意持有鮮少出現在頭條新聞中的標的的耐心投資者創造了機會。

共變異數估計：實務前緣

理論上的最小變異數投資組合需要一個完美估計的共變異數矩陣——而這是不存在的。每一個實務的實施都必須面對真實（不可觀測的）共變異數結構與其樣本估計之間的差距。

樣本共變異數及其局限

最簡單的估計量——從歷史報酬計算的樣本共變異數矩陣——隨著資產數量相對於時間序列觀測值數量的增長而變得不可靠。對於一個包含500檔股票、擁有60個月報酬數據的投資範圍，樣本共變異數矩陣甚至不是正定的，這意味著在不經修改的情況下無法用於最佳化。

基於因子的共變異數模型

克拉克、德席爾瓦和索利採用了基於因子模型的共變異數估計量。透過將報酬分解為共同因子曝險和個別殘差，這些模型大幅減少了需要估計的參數數量。例如，Fama-French三因子模型將一個500檔股票的共變異數矩陣從約125,000個唯一參數減少到約1,500個。代價是因子模型對共變異數矩陣施加的結構在實務中可能並不完全成立。

收縮估計量

萊多伊特和沃爾夫（Ledoit and Wolf, 2004）引入了一種被廣泛採用的收縮方法，將樣本共變異數矩陣與一個結構化目標（如單因子模型共變異數或單位矩陣）混合。最佳收縮強度可以從數據中估計，在樣本估計量的靈活性和結構化模型的穩定性之間提供有原則的平衡。使用收縮共變異數矩陣建構的最小變異數投資組合，比使用原始樣本共變異數的投資組合展現出更穩定的樣本外績效。

模擬績效：延伸至原始研究之外

考慮一個假設的最小變異數投資組合，由S&P 500成分股建構，從1990年1月至2025年12月按季度再平衡。該投資組合使用Ledoit-Wolf收縮共變異數估計量和252個交易日的回顧窗口來目標最小化總變異數。個別持股權重上限為3%，行業權重與基準的偏離不超過10個百分點。

估計參數：季度再平衡，每次再平衡15個基點的往返交易成本，完全投資無槓桿，僅做多約束。

假設的最小變異數投資組合在每個子期間都以顯著較低的實現風險實現了與S&P 500相當的累積報酬。最為顯著的分歧出現在2000-2009年的十年間，市值加權指數錄得負年化報酬，而最小變異數投資組合卻取得了正報酬。這個十年包含兩次嚴重的空頭市場（2000-2002年和2007-2009年），期間最小變異數投資組合較低的貝塔和防禦性行業傾斜提供了大量的下行保護。

這些數據來源於使用重建的歷史數據和標準估計技術的風格化模擬。它們不代表實際基金績效。交易成本、買賣價差、再平衡滑價和成分股選擇中的存活者偏差均已簡化或省略，在真實世界中會降低相對於所示數據的報酬。

與風險平價和因子投資的關聯

最小變異數投資組合在替代加權方案的更廣泛格局中佔據特定位置。理解它們與相鄰方法的關係，有助於釐清每種方法最適用的場景。

風險平價分配資本，使每個資產（或資產類別）對總投資組合風險的貢獻相等。相比之下，最小變異數投資組合分配資本以最小化總風險，而不考慮風險貢獻的均等性。在實務中，最小變異數傾向於更集中地配置在最低風險的資產上，而風險平價則更均勻地分配曝險。

等權重投資組合對每個持股分配相同的資本，避免了市值加權的集中偏差。它們降低了集中風險，但並未明確以降低風險為目標。最大分散化投資組合（Choueifaty and Coignard, 2008）最大化加權平均個別波動率與投資組合波動率的比率，代表了另一種收穫分散化收益的方法。

所有這些替代方法都有一個共同特點：它們利用了實證證券市場線的平坦性。透過減少對被高估的高貝塔資產的曝險，它們相對於市值加權改善了風險調整報酬。最小變異數是這些方法中在追求風險降低方面最為積極的，使其成為以波動率最小化為首要目標的投資者的自然選擇。

批評與局限性

集中度與容量

最小變異數投資組合將持股集中在相對狹窄的低波動率股票組合中。這引發了對容量的擔憂：隨著更多資本流入最小變異數策略，相同的股票會獲得越來越多的需求。謝爾（Scherer, 2011）發現，在調整常見因子曝險（規模、價值和動量）之後，最小變異數投資組合的阿爾法大幅減少，這表明其超額表現的很大一部分反映的是因子傾斜的補償，而非純粹的免費午餐。

估計敏感性

儘管避免了預期報酬估計，最小變異數投資組合仍然對共變異數估計方法敏感。不同的共變異數估計量（樣本、基於因子、收縮或其組合）可能產生顯著不同的投資組合組成。這種模型不確定性代表了一種在實務中經常被低估的風險。

行業集中

最小變異數建構中固有的防禦性傾斜導致持續高配公用事業、必需消費品和醫療保健，以及低配科技和金融。在這些被低配的行業驅動市場報酬的期間（例如2012-2021年由科技引領的多頭市場），最小變異數投資組合在絕對報酬方面將顯著落後於市值加權指數，即使在風險調整基礎上表現優異。

天真分散化的挑戰

德米格爾、加爾拉皮和烏帕爾（DeMiguel, Garlappi, and Uppal, 2009）證明，簡單的等權重（1/N）投資組合在樣本外績效方面經常匹配或超越包括最小變異數在內的更複雜的最佳化方法，特別是在較小的資產範圍和較短的估計窗口中。這一發現強調，最小變異數最佳化的收益並非有保證的，取決於是否擁有充足的數據和合理穩定的共變異數結構。

證據告訴我們什麼

跨越數十年和國際市場的證據權重支持以下幾個結論。最小變異數投資組合可靠地提供比市值加權基準更低的波動率，通常降低20-30%。這種風險降低的報酬犧牲小於標準理論的預測，在許多樣本期間中約為零。以夏普比率衡量的風險調整改善是穩健且具有經濟意義的。

這種表面上的異常現象的解釋並不神秘。它直接源於充分記錄的實證證券市場線的平坦性：低貝塔資產的報酬高於CAPM的預測，而高貝塔資產的報酬則低於預測。最小變異數投資組合只是一種系統性收穫這種定價偏差的方法。

對於實務者而言，關鍵的實施決策涉及共變異數估計方法、再平衡頻率以及投資組合約束的程度。證據表明，適度的約束（持股上限、行業限制）往往透過充當對估計誤差的隱性收縮來改善樣本外績效。該方法對於風險厭惡程度較高的投資者、尋求降低回撤風險的投資者，或作為分散化投資組合框架中其他因子策略的補充，最具吸引力。