分散投資的科學：從馬科維茨到現代投資組合

核心要點

「好的投資組合不僅僅是一長串好股票和好債券。它是一個平衡的整體，在廣泛的不確定情境下為投資者提供保護和機會。」 -- 哈里·馬科維茨，《投資組合選擇》(1952)

分散投資——將投資分配到多種資產以降低投資組合風險的做法——常被描述為金融中唯一的免費午餐。哈里·馬科維茨在1952年發表於Journal of Finance的論文「投資組合選擇」中將這一直覺形式化，引入均值-變異數優化，數學證明了透過組合不完全相關的資產，投資者可以在不犧牲預期報酬的情況下降低投資組合風險。這項工作使馬科維茨獲得了1990年諾貝爾經濟學獎，奠定了現代投資組合理論（MPT）的基礎。然而，均值-變異數優化的實際應用比優雅的理論所暗示的要困難得多。預期報酬、波動率和相關性的估計誤差可能產生在樣本外表現不佳的投資組合。DeMiguel、Garlappi和Uppal（2009）表明，考慮估計誤差後，簡單的等權重（1/N）投資組合往往優於優化組合。此外，Longin和Solnik（2001）記錄了市場危機期間資產類別間相關性增加，恰恰在最需要分散化效益時降低了這種效益。理解分散投資的力量和局限性對於建構穩健的投資組合至關重要。

分散投資為何重要

分散投資的基本原理是，組合報酬不完全同步的資產可以降低投資組合的整體變異性。考慮兩種資產，各有10%的預期年報酬和20%的波動率。如果它們的報酬完全相關（相關係數+1.0），以任何比例組合都會產生波動率為20%的組合——沒有分散化收益。但如果相關係數為0.5，等權組合的波動率約為17.3%。如果相關係數降至零，組合波動率降至約14.1%。而相關係數為-1.0（完全負相關）時，理論上可以建構一個波動率為零的無風險組合，同時仍能獲得正的預期報酬。

這一數學洞察揭示了分散投資為何如此強大：只要資產不是完全相關的，它允許投資者在不放棄預期報酬的情況下降低風險。在實踐中，大多數金融資產具有正但不完全的相關性，這意味著分散投資能持續地將組合風險降低到個別資產風險加權平均值以下。

分散投資的好處不僅限於簡單的風險降低。透過降低組合波動率，分散投資提高了財富隨時間的複合成長率。這是因為算術報酬和幾何（複合）報酬之間的數學關係：幾何報酬約等於算術報酬減去報酬變異數的一半。變異數更低的組合複利效率更高，在相同的預期算術報酬下產生更高的終端財富。

分散投資還降低了極端組合損失的機率和嚴重程度。大幅回撤對長期財富特別有害，因為恢復需要不成比例的大額收益。50%的損失需要100%的收益才能恢復，而25%的損失只需33%。透過緩和回撤，分散投資保護投資者免受可能永久損害其實現財務目標能力的最壞結果。

儘管好處明顯，投資者經常分散不足。行為研究記錄了阻礙充分分散化的多種偏差，包括母國偏差（過度配置國內股票）、熟悉度偏差（過度配置個人認識的公司）和控制幻覺（相信對熟悉股票的集中持倉比實際風險更低）。

馬科維茨與現代投資組合理論

哈里·馬科維茨1952年的論文代表了金融史上最重要的智識貢獻之一。在馬科維茨之前，投資分析幾乎完全集中在個別證券上——評估特定股票是被低估還是被高估。馬科維茨將焦點從個別證券轉移到整個投資組合，認為重要的不是每個投資孤立的風險和報酬，而是它們如何組合決定整個組合的風險和報酬。

馬科維茨將投資組合選擇問題公式化為優化：找到在給定預期報酬水準下最小化組合變異數的投資組合權重，或等價地，在給定變異數水準下最大化預期報酬。解決這個問題的投資組合集合——每個在其風險水準提供最高報酬——定義了效率前緣，這是風險-報酬空間中代表投資者可獲得的最佳權衡的曲線。

均值-變異數優化所需的輸入包括：每種資產的預期報酬、每種資產報酬的變異數（或標準差），以及每對資產之間報酬的共變異數（或相關性）。對於N種資產的投資域，需要N個預期報酬估計、N個變異數估計和N(N-1)/2個共變異數估計。對於100種資產的適度投資域，這意味著100個預期報酬、100個變異數和4,950個共變異數——共計5,150個參數。

威廉·夏普1964年透過引入資本資產定價模型（CAPM）擴展了馬科維茨的工作，在框架中加入了無風險資產，並表明在均衡狀態下所有投資者應持有無風險資產和市場組合的某種組合。連接無風險利率和效率前緣上市場組合的資本市場線，代表了在可以以無風險利率借貸時可獲得的最優風險-報酬權衡。

詹姆斯·托賓的分離定理（1958）提供了另一個關鍵洞察：最優風險組合對所有投資者相同，與風險偏好無關。投資者僅在如何在最優風險組合和無風險資產之間分配上有所不同。更風險厭惡的投資者持有更多無風險資產，而更風險容忍的投資者持有更多風險組合（或透過以無風險利率借款來加槓桿）。

相關性的數學

相關性是分散投資的核心。理解相關性如何運作以及如何失靈，對投資組合建構至關重要。

相關係數範圍從-1到+1。+1的相關性意味著兩種資產完全同步運動；-1意味著它們以完全相反的方向運動；0意味著它們的運動無關。分散投資要有效，相關性必須小於+1；相關性越低（或越負），分散化收益越大。

在實踐中，大多數股票市場之間呈正相關，根據國家對和時間段，相關性通常在0.4到0.8之間。美國和歐洲股票之間的相關性通常約為0.6-0.7，而美國和新興市場股票之間的相關性略低，約為0.4-0.6。債券和股票歷史上表現出低或負相關，使債券成為股票重倉組合的天然分散化工具。

另類資產類別——包括房地產、大宗商品、對沖基金和私募股權——常以與傳統股票和債券的低相關性為基礎被推廣為分散化工具。然而，這些資產的真實分散化收益往往不如宣傳的那樣好，原因有幾個。首先，許多另類資產是非流動性的，其表面上的低波動率和低相關性可能部分反映的是陳舊定價而非真正平穩的報酬。其次，與傳統資產的相關性往往在壓力時期上升，而那恰恰是分散投資最有價值的時候。

相關性體制的概念對投資組合建構很重要。相關性不是靜態的；它們隨時間變化，在市場下跌期間傾向於增加。Erb、Harvey和Viskanta（1994）記錄了熊市中國際股票相關性上升，恰恰在投資者最需要保護的時候降低了全球股票配置的分散化收益。

優化之謎

儘管理論上很優雅，均值-變異數優化在應用於實際投資問題時產生令人失望結果的歷史已有充分記錄。主要原因是估計誤差：優化的輸入——預期報酬、變異數和相關性——必須從歷史資料或預測模型中估計，而這些估計本質上是不確定的。

問題對於預期報酬來說尤其嚴重，因為準確估計預期報酬是出了名的困難。Merton（1980）表明，以合理精度估計預期報酬需要極長的資料歷史——遠長於通常可用的。預期報酬估計中的小誤差可能產生截然不同的組合權重，常常導致極端和違反直覺的配置。

Michaud（1989）曾著名地將均值-變異數優化描述為「誤差最大化」工具，認為優化器透過超配預期報酬被高估的資產和低配被低估的資產來積極利用估計誤差。由此產生的組合是對估計誤差而非真實風險-報酬權衡的優化，導致樣本外表現不佳。

為解決估計誤差問題，已開發了多種方法。Black-Litterman模型（1992）使用市場均衡組合作為起點，允許投資者表達使組合偏離市場權重的主觀觀點。透過錨定於均衡報酬，Black-Litterman方法比無約束均值-變異數優化產生更穩定和直觀的組合。

Ledoit和Wolf（2004）引入投資組合優化的收縮估計量，將樣本共變異數矩陣與結構化目標矩陣（如單因子模型共變異數矩陣）結合，產生更穩定的估計。由此產生的「收縮」共變異數矩陣降低了極端樣本估計的影響，通常產生更好分散的組合。

Michaud（1998）提出的重取樣效率使用蒙地卡羅模擬從不確定的輸入生成多個效率前緣，然後對各模擬的組合權重取平均。這種方法承認輸入的不確定性，產生比單點優化更平滑、更分散的組合。

樸素分散投資

DeMiguel、Garlappi和Uppal（2009）在Review of Financial Studies上發表了一篇挑戰優化基礎投資組合建構實際價值的煽動性論文。他們比較了14種優化投資組合策略的樣本外表現與簡單1/N（等權重）組合，發現沒有優化策略能一致地超越等權基準。

作者評估的策略包括均值-變異數優化、最小變異數組合、貝葉斯估計方法、Black-Litterman模型以及其他各種複雜技術。使用跨不同資產類別和時間段的7個實證資料集，他們發現1/N組合在包括夏普比率、確定性等價報酬和週轉率等指標上令人驚訝地具有競爭力。

這一違反直覺結果的解釋在於統計學習理論中的偏差-變異數權衡。優化組合有較低偏差——使用更多資訊來瞄準真正的最優組合——但較高變異數，意味著它們對用於估計的特定歷史時期更敏感。1/N組合有較高偏差——忽略關於預期報酬、變異數和相關性的所有資訊——但較低變異數，因為完全不需要估計。當估計誤差相對於資產預期報酬的真實差異較大時，1/N的變異數優勢超過其偏差劣勢。

DeMiguel、Garlappi和Uppal的論文並不意味著分散投資不重要。相反，它表明分散投資的方式——組合權重如何確定——不如分散投資的廣度——資產有多少種和多多樣——重要。持有跨不同產業和地區的20檔股票等權組合的投資者，即使組合權重確實樸素，也可能是充分分散的。

實際含義是，投資者應首先專注於確保跨資產類別、產業和地區的廣泛分散，然後才考慮基於優化的方法來微調組合權重。複雜優化的價值在輸入以相當不確定性估計時是有限的。

危機中的相關性不穩定

分散投資最重要的實際挑戰之一是，市場危機期間資產類別間的相關性往往增加，恰恰在最需要保護時降低了分散投資應提供的保護。

Longin和Solnik（2001）在Journal of Finance上發表了具有里程碑意義的研究，證明熊市中國際股票相關性顯著增加。使用極值理論，他們表明大幅負報酬間的相關性遠高於正常市場條件下的相關性。這種不對稱的相關模式意味著在平靜市場中衡量時分散化收益被高估，在動盪時期被低估。

這一現象在多次危機中都有記錄。2008年全球金融危機期間，主要股票市場間的相關性飆升至0.90以上，幾乎完全消除了國際股票配置的分散化收益。甚至傳統上呈負相關的股票和政府債券之間的關係也受到壓力，因為在一些市場中避險資金的湧入暫時失效。

對危機期間相關性崩潰已提出幾種解釋。共同因子暴露——在壓力期間所有風險資產受到相同基礎經濟因素影響的傾向——可能是最直觀的。在嚴重衰退期間，幾乎所有公司都面臨收入下降、違約增加和融資減少，導致股票無論基本面差異如何都一起下跌。

傳染機制，包括追加保證金通知、強制平倉和羊群行為，可以放大危機期間的相關性增加。當大型金融機構在一個市場面臨損失時，可能被迫出售所有市場的資產以滿足保證金要求，傳導衝擊並增加原本不相關的資產類別之間的相關性。

流動性撤出發揮著關鍵作用。在危機期間，做市商擴大買賣價差並降低吸收賣壓的意願，導致所有資產的價格同時下跌。這種由流動性驅動的相關性增加特別成問題，因為它影響到甚至沒有基本理由相關的資產。

對投資組合建構而言，相關性不穩定有幾個重要含義。首先，分散化策略應使用危機期相關性而非平均相關性進行壓力測試。依賴長期平均相關性可能產生在正常條件下看似良好分散但在保護最重要的時期提供不充分保護的組合。

其次，投資者應考慮跨風險因子而非僅跨資產類別的分散化。兩個看似不相關的資產可能實際上共享對同一基礎風險因子（如經濟成長、利率或流動性）的暴露，導致在壓力時期變得相關。

第三，明確以低相關性為目標的策略——如管理期貨、尾部風險對沖或做多波動率部位——可能比傳統的資產類別分散提供更可靠的危機期分散化。

實證分析：分散化最需要時相關性如何變化

分散投資的理論力量取決於資產類別間的相關性結構。下表展示了主要資產類別在正常市場與危機時期的估計相關係數，證實了Longin和Solnik（2001）記錄的現象：相關性恰恰在最需要分散化時向1.0收斂。

幾個模式值得注意。首先，股票市場間的相關性在危機期間急劇飆升——已開發市場股票與美國股票的相關性從正常市場的0.65躍升至2008 GFC期間的0.92，實際上消除了分散化收益。這證實了Erb、Harvey和Viskanta（1994）以及Campbell、Koedijk和Kofman（2002）的研究結論。

其次，2022年股債相關性的反轉代表了對組合建構具有深遠影響的結構性轉變。從2000年到2021年，負的股債相關性是60/40組合模型和風險平價策略的基礎。當這一相關性在2022年利率衝擊中轉正（+0.55）時，平衡組合經歷了數十年來最嚴重的回撤。

第三，黃金和趨勢跟蹤策略是最可靠的危機分散化工具。黃金在四次危機體制中均與股票保持接近零或負相關。這一發現與Baur和Lucey（2010）一致，表明黃金更像是對沖工具而非安全避風港。

競爭框架：馬科維茨 vs. 風險平價 vs. 等權重

如何分散化的問題產生的研究量不亞於是否應該分散化的問題。三個主要框架主導著討論，各自具有獨特的理論基礎和實證記錄。

均值-變異數優化（馬科維茨）。 原始框架透過求解基於預期報酬、變異數和共變異數的最優組合權重，在給定風險水準下最大化預期報酬。正如Michaud（1989）所證明的，對估計誤差的敏感性削弱了理論優雅性。Black-Litterman模型（1992）和收縮估計量（Ledoit和Wolf, 2004）部分解決了這個問題，但未能完全消除。

風險平價。 不是均衡資本，而是均衡每種資產對總組合風險的貢獻。由Qian（2005）形式化，由Bridgewater的全天候基金推廣。歷史表現強勁——Asness、Frazzini和Pedersen（2012）記錄了槓桿風險平價組合1926-2010年的夏普比率為0.5-0.6，而單獨股票僅為0.4。然而，該策略嚴重依賴債券風險溢價和低利率借款能力。2022年利率衝擊挑戰了這些假設。

等權重（1/N）。 DeMiguel、Garlappi和Uppal（2009）證明樸素等權重在7個資料集上優於14種優化策略。解釋在於偏差-變異數權衡：當估計誤差相對於真實最優權重的差異較大時，更簡單的方法勝出。Duchin和Levy（2009）的後續研究確認，當資產數量多、預期報酬難以估計且投資期限短時，等權重表現最佳。

證據表明，分散化框架的選擇不如分散化的廣度本身重要。在各項研究中，組合風險降低的最大決定因素是包含的獨立風險來源數量，而非用於加權的優化技術。

分散化悖論：重新審視證據

雖然分散投資無疑是投資中最重要的原則之一，但它有投資者應理解的重要局限性。

第一，分散投資降低但不消除風險。即使完美分散的組合仍暴露於系統性風險——由衰退、金融危機或其他總體經濟衝擊驅動的廣泛市場下跌的風險。2008年金融危機期間，大多數分散組合遭受了重大損失，因為幾乎所有風險資產類別同時下跌。分散投資保護免受特質風險（特定於個別證券的風險），但不保護免受系統性風險。

第二，過度分散可能在不顯著降低風險的情況下降低報酬。超過一定數量的持倉——研究表明股票組合約30-40檔——後，增加額外部位帶來的邊際風險降低變得可忽略，而複雜性和交易成本繼續增加。這一邊際分散化收益遞減的原則表明，投資者應尋求充分而非最大的分散化。

第三，分散化效益嚴重依賴於相關性估計的準確性，而這本身是不確定和不穩定的。如上所述，相關性在市場壓力時傾向於增加，恰恰在最需要分散化收益時降低了這種收益。這種相關性不穩定代表了分散投資作為風險管理工具的根本局限。

第四，跨資產類別分散要求接受組合的某部分始終在表現不佳。這種心理挑戰——看著組合的一部分下跌而另一部分上漲——導致許多投資者質疑他們的分散化策略並集中於近期贏家，這恰恰是錯誤的反應。

第五，分散化成本不應被忽視。國際分散涉及匯率風險、更高的交易成本和潛在的不利稅務處理。另類資產分散可能涉及非流動性、高費用和有限的透明度。這些成本如果不仔細管理，可能部分或完全抵消分散化的風險降低收益。

第六，最優分散化的理論框架——均值-變異數優化——對輸入參數的估計誤差高度敏感。正如DeMiguel、Garlappi和Uppal所展示的，等權重等簡單方法往往優於複雜的優化技術，因為後者被估計誤差所削弱。這一發現表明，投資者應對自己識別「最優」組合的能力保持謙遜，而應專注於使用穩健、簡單的方法論建構廣泛分散的組合。

最後，分散投資的概念假設過去的相關性結構將持續到未來。全球經濟的結構性變化——包括經濟一體化加深、被動投資的興起和央行政策影響力的增長——可能正在根本性地改變相關性模式。投資者應根據不斷演變的市場動態定期重新評估其分散化策略，而非假設歷史關係將無限期持續。

研究現況

支持分散投資作為風險管理原則的證據是全部金融學中最強有力的之一，但馬科維茨基礎性工作以來七十年的研究也揭示了重要的細微差別。

證據強度：原則層面非常強，實施層面存在爭議。 組合不完全相關的資產會降低組合變異數這一數學事實無可爭議。分散投資在幾乎所有歷史時期和市場體制中都能降低已實現組合風險的實證證據同樣穩健。合理分歧存在的領域是實施方法：如何估計輸入參數、需要多少資產，以及優化相對於更簡單的方法是否增加價值。

關鍵複製發現。 DeMiguel、Garlappi和Uppal（2009）確立了等權重與優化的競爭力，這一發現已被Duchin和Levy（2009）、Pflug、Pichler和Wozabal（2012）等複製。Longin和Solnik（2001）記錄了危機期間的相關性不穩定，後續覆蓋2008 GFC、2020新冠衝擊和2022利率衝擊的研究予以確認。Ledoit和Wolf（2004, 2017）證明共變異數矩陣的收縮估計顯著改善組合表現，該發現在多個資料集和時間段中得到複製。

挑戰與完善。 2022年股債相關性體制變化挑戰了60/40組合和風險平價策略的基礎，正如Page和Panariello（2018）曾警告的那樣。Bhansali（2011）以及Harvey、Liechty、Liechty和Mueller（2010）的研究表明，相關性估計本質上比波動率估計更困難，捕捉資產類別關係的非平穩性可能需要體制轉換模型。

截至2025年的證據狀況。 分散投資仍然是降低組合風險最可靠的工具，得到理論必然性和壓倒性實證證據的雙重支持。研究前沿已從是否分散化轉向在體制依賴相關性的世界中如何穩健地分散化，探討傳統資產類別分散化是否應被因子基礎的分散化方法補充或取代。