Black-Litterman模型：將投資觀點與市場均衡相融合

馬可維茲的困境

哈里·馬可維茲1952年的投資組合選擇框架獲得了諾貝爾獎並開創了現代財務學——但也引發了五十年的困惑。均值-變異數最佳化器在紙面上優雅，實務中卻極不穩定，以至於理查德·米肖（1989）將其標記為「誤差最大化器」：一台將預期報酬率的微小估計誤差放大為極端、反直覺組合權重的機器。到1980年代末，各大機構的量化組合經理面臨一個悖論——理論上最嚴謹的配置工具產出的配置方案，沒有一個投資委員會會批准。業界的應對是不斷增加臨時性約束條件——禁止放空、權重上限、追蹤誤差限制——實際上是用披著量化外衣的猜測取代了最佳化。高盛的費雪·布萊克和羅伯特·利特曼認識到，根本問題不在於最佳化器本身，而在於其輸入。他們1990年的工作論文提出了一個此後成為量化資產配置機構標準的解決方案：從市場自身的隱含預期出發，然後僅在有真正信念的地方謹慎、按比例地進行調整。

核心要點

均值-變異數最佳化是現代投資組合理論的基石，理論上十分優雅，但在實務中存在嚴重缺陷。預期報酬率估計的微小變化就會導致極端集中的投資組合劇烈波動。1990年在高盛開發的Black-Litterman模型提供了一個實用的解決方案：以市值權重中隱含的均衡報酬率為起點，按照投資者的信心程度將其觀點融入其中。結果是產生穩定、分散的投資組合，在不放棄市場智慧的前提下，向投資者的信念方向傾斜。

均值-變異數最佳化的問題

哈里·馬可維茲1952年的均值-變異數框架是財務學最偉大的智力成就之一。給定預期報酬率、波動率和相關性，最佳化器能找到單位風險報酬最大化的投資組合。理論上，這是資產配置的終極答案。

然而在實務中，它的不可靠是出了名的。理查德·米肖在1989年的論文中將其稱為「誤差最大化器」。核心問題在於均值-變異數最佳化將其輸入值——尤其是預期報酬率——視為確定已知的。

從業者發現，無約束的均值-變異數輸出本質上不可用。典型的解決辦法是添加約束條件——禁止放空、每項資產的最大權重、最低配置——直到輸出看起來合理。但這種臨時性方法意味著是約束條件而非最佳化本身在驅動配置。

Black-Litterman的核心洞見

高盛的費雪·布萊克和羅伯特·利特曼在1990年的工作論文中提出了一種根本不同的方法，後於1992年發表在Financial Analysts Journal上。

關鍵洞見在於市場本身提供了極佳的起點。如果市場大致處於均衡狀態，那麼每個資產類別的當前市值反映了所有投資者的集體智慧。我們可以反向推算，要使全球投資者自願按當前比例持有市場組合，預期報酬率應該是多少。

這就是隱含均衡報酬率，作為中性先驗（prior）發揮作用。

運作機制：分步解析

第一步：推導隱含均衡報酬率

利用CAPM框架計算隱含報酬率：

Pi = delta x Sigma x w_mkt

其中delta是風險趨避係數（通常用市場夏普比率校準），Sigma是資產報酬率的共變異數矩陣，w_mkt是市值權重向量。結果Pi是每項資產的隱含超額報酬率向量。

這些報酬率不是預測，而是用來解釋為什麼市場組合呈現當前面貌的報酬率。

第二步：表達投資者觀點

投資者可以表達關於預期報酬率的相對或絕對觀點：

• 「歐洲股票將每年跑贏美國股票2%」（相對觀點）
• 「新興市場債券將獲得7%的報酬」（絕對觀點）

關鍵在於每個觀點附帶一個信心水準。基於深入分析的強烈信念獲得高信心度，投機性直覺獲得低信心度。

第三步：融合觀點與均衡

模型使用貝氏更新將均衡報酬率與投資者觀點相結合。後驗預期報酬率是先驗（均衡）與觀點的加權平均，權重取決於相對信心程度。

直覺非常優雅：如果不表達任何觀點，模型返回均衡組合——即市場本身。隨著添加高信心度的觀點，組合向該信念方向傾斜。弱觀點產生小傾斜，強觀點產生大傾斜。幅度始終是成比例且可控的。

第四步：最佳化

將融合後的預期報酬率輸入標準均值-變異數最佳化器。由於輸入穩定且表現良好，輸出也同樣穩定。

為何效果出色

穩定的起點。 均衡報酬率來源於可觀測的市場數據，隨市值權重的演變而緩慢變化。

可控的偏離。 模型僅在投資者有具體的、具有可衡量信心度的觀點時，才偏離市場組合。

優雅處理部分資訊。 投資者不需要對每項資產都有觀點。模型用均衡假設自然填補空白。

直觀的輸出。 組合經理可以將每個權重追溯到市場均衡或某個具體觀點。配置結果可以向投資委員會和客戶解釋。

實務應用

主要注意事項

輸入品質至關重要。 如果共變異數矩陣估計不佳，隱含報酬率將被扭曲。使用穩健的共變異數估計方法（收縮估計、因子模型）非常重要。

觀點校準具有主觀性。 選擇觀點的不確定性（Omega矩陣）更像藝術而非科學。過度自信的觀點會壓倒均衡先驗，從而違背模型的初衷。

常態分配假設。 與所有均值-變異數框架一樣，Black-Litterman假設報酬率服從常態分配。尾部風險和非線性依賴關係無法被捕捉。

模擬績效

考慮一個假設的10萬美元投資組合，從2005年1月至2025年12月使用Black-Litterman框架管理。基礎配置使用五個資產類別的全球市值權重：美國股票、國際已開發市場股票、新興市場股票、全球債券和大宗商品。每季度融入2至3個戰術觀點——源自估值利差、動量訊號和總經指標。

Black-Litterman組合實現了0.54的夏普比率，相比市值基準的0.46提高了約17%。單一資產類別的最大權重從未超過45%，而同期無約束均值-變異數最佳化通常為單一資產開出80-100%的配置。

本模擬使用歷史數據，不代表實際交易結果。

證據崩壞之時

1980年代末的日本資產泡沫為所有錨定市值的模型提供了最具教益的失敗案例。1989年12月，日本股票佔全球股市市值的約45%——幾乎是美國份額的兩倍。使用全球市值權重作為先驗的Black-Litterman模型會將日本45%的權重視為均衡起點，暗示日本股票應獲得最高配置。隨後日經225從38,916跌至8,000以下，持續了二十年。Idzorek（2007）明確指出了這一脆弱性：當市場價格包含泡沫動態時，隱含均衡報酬率本身就成為扭曲的輸入。

2020-2022年的制度轉換中出現了第二種失敗模式。從2020年3月到2021年末，Black-Litterman模型的均衡反映了接近零利率、壓縮的信用利差和科技板塊主導的世界。當聯準會開啟1980年代以來最激進的緊縮週期時，共變異數結構發生了根本性變化——股債相關性在數十年負相關後轉為正相關，因子領導力突然逆轉。Meucci（2010）在其「完全靈活觀點」研究中形式化了這一擔憂。

Fabozzi, Focardi, Kolm（2006）證明從業者系統性地高估對觀點的信心，實際上壓倒了均衡先驗，重現了模型原本旨在消除的許多不穩定性。

從理論到機構實務

關於Black-Litterman的學術和從業者文獻自1990年原始工作論文以來已相當成熟。He and Litterman（1999）提供了權威的技術闡述。Idzorek（2007）開發了一種直觀方法，將觀點信心指定為隱含百分比傾斜，而非要求直接參數化Omega矩陣。Meucci（2010）將框架擴展為可容納非常態報酬分配和基於情境的觀點。

在批評方面，Kolm, Tutuncu, Fabozzi（2014）提供了全面的調查，識別了模型的實務弱點。Michaud and Michaud（2008）認為重抽樣效率前緣為解決估計誤差提供了比Black-Litterman更穩健的替代方案。

實務共識認為，Black-Litterman的最大價值不在於作為Alpha生成系統，而在於作為將定性投資洞見轉化為定量組合部位的紀律化框架。相對於樸素市值加權約10-20%的夏普比率改善，反映了透過結構化觀點整合獲得的溫和但可靠的收益。模型在制度變化、泡沫時期和跨資產相關性的結構性轉變期間最不可靠——恰恰是投資觀點最重要但均衡先驗本身可能受損的環境。