平均數-變異數配置,用它自己該滿足的條件來檢查

Tam
Tam
·Founder & AI Builder·2026-09-27
Portfolio Optimisation: 24 Checks on the Optimum cover

投資組合最佳化:六個資產類別,一個最適解

案例背景。 輸入是六個資產類別 60 個月的月報酬:英國股票、美國股票、新興市場、政府公債、公司債與不動產,來自以 PDF 讀入的投資授權與報酬檔,每個資產 35% 上限,不准放空。預期報酬與共變異數矩陣是輸入,不是輸出;共變異數矩陣是樣本矩陣,沒有收縮估計或因子模型。一次最佳化執行產生權重。這是方法示範用的合成案例,不構成投資、稅務或法律建議。

六個資產類別、35% 上限、不准放空。模型的最佳化器回傳 29.6% 英國股票、0.4% 美國股票、0% 新興市場、35% 政府公債、0% 公司債、35% 不動產,Sharpe 比率 0.813。這些是樣本共變異數矩陣上一次執行的輸出,不是建議配置。

得到的權重:

資產類別權重
英國股票29.6%
美國股票0.4%
新興市場0.0%
政府公債35.0%
公司債0.0%
不動產35.0%
衡量項目結果
投資組合報酬,年化9.97%
投資組合波動度,年化7.43%
Sharpe 比率0.813
風險平價波動度6.23%
權重合計減一0.0000

二十四條檢查支撐這本活頁簿。全部通過。

這二十四條檢查證明最佳化器解了交給它的那道問題。預期報酬向量是問題陳述,不是它的答案之一。

二十四條檢查說明了什麼

四組,每一組測的是關於一次最佳化的不同主張。

限制條件(4 條檢查)。 權重合計為一;沒有權重低於零;沒有權重高於 35% 上限;最適解上零違反。有兩個資產正好貼在上限,這就是緊約束的樣子。

最適性(7 條檢查)。 KKT 條件(駐點條件、互補鬆弛、對偶可行性、非負乘數),加上共變異數矩陣的正定性與一條變異數對角線恆等式。這些檢查把「求解器算出某個可行解」與「求解器算出最適解」區分開來。

模型輸入(4 條檢查)。 共變異數矩陣是正定的;它的對角線等於標準差的平方;每個資產都有完整的 60 個月;觀察值數量符合投資授權。

穩健性與歸因(9 條檢查)。 Black-Litterman 後驗由先驗與觀點重建;風險平價的風險貢獻加總等於投資組合波動度,而且每一項都相等;Brinson 歸因精確拆成配置、選股與交互作用。

Walkthrough of the model and the checks behind it.
SUMMARY sheet of the portfolio workbook: 24 checks, 24 passed, and the optimised weights with a Sharpe ratio of 0.813
The scorecard and the allocation: two assets at the 35% cap, two at zero, and a Sharpe of 0.813.

投資組合權重與風險平價:兩個需要解釋的結果

兩個資產為零,兩個在上限。 最佳化器不持有新興市場與公司債,並把政府公債與不動產正好持有在 35%。那不是求解器失敗;那是有限制的平均數-變異數問題必然的結果。在 35% 上限、不准放空下,最適解會集中在風險調整後報酬最高的地方,而哪些資產落在界線上,這個型態透露的是共變異數矩陣的資訊。

風險平價產生不同的波動度。 等風險貢獻投資組合的年化波動度是 6.23%,對上最佳化組合的 7.43%。不同目標、不同答案:平均數-變異數最大化 Sharpe,風險平價則不論預期報酬、均等化風險貢獻。兩者都不是「那個」投資組合,而活頁簿兩個都報,不做挑選。

用白話說 KKT 檢查

有條件的最佳化器必須滿足 Karush-Kuhn-Tucker 條件,而大多數軟體只報權重。這本活頁簿對解檢查六個條件。

值得理解的是互補鬆弛:如果某個資產在它的限制內,那個限制上的乘數必須為零;如果乘數為正,資產就必須貼在限制上。一個內部資產帶著非零乘數的解,不管權重看起來多合理,都不是最適解。

活頁簿在這些條件上的殘差落在 10⁻¹⁰ 範圍,那是求解器精度,不是誰選的容差。讓這些檢查成為可能的工作表格式,在Excel 財務應用指南。

對最佳化器的其他測試

KKT 條件 是你怎麼知道求解器完成了。限制掃描 是讓答案可投資的四條斷言。Black-Litterman 是報酬向量不再是猜測的地方。風險平價 是同一組六個資產上的不同目標。歸因 是必須加得起來的拆解。壓力測試 是活頁簿沒有納入的檢查。整合文章 是二十四條檢查怎麼分成四種不同主張。

最佳化器看不見什麼

五條限制,而第一條最要緊。

預期報酬是輸入。 平均數-變異數最佳化對報酬向量極度敏感,而活頁簿把它視為給定。這裡沒有任何東西測試預期報酬好不好。這就是為什麼有 Black-Litterman 那一節,也是為什麼它是一篇獨立文章。

一個期間、一個樣本。 60 個月,沒有制度切分、沒有交易成本、沒有周轉率限制、沒有再平衡規則。

共變異數矩陣是樣本共變異數。 沒有收縮估計、沒有因子模型、沒有對估計誤差的穩健性。餵給共變異數矩陣的單一資產報酬與風險統計量,在量化活頁簿。

只做多。 沒有槓桿、沒有放空、沒有衍生性商品。

沒有壓力測試。 活頁簿沒有情境分析。壓力那篇 談那會多給什麼,以及為什麼它是自然的下一步檢查。從品類層次看,為什麼這件事要以本機 AI 代理、而不是聊天形式執行,在動作機器人那篇。

比較中肯的讀法是:二十四條檢查確立最佳化器確實對交給它的輸入,做了它被要求做的事。那些輸入是否產生一個任何人該持有的投資組合,是另一個問題,而活頁簿有說。

限制套成儲存格層級的檢查,緊約束因此會同時顯示在權重與 KKT 殘差上;Mica 的活頁簿就是這樣做的。

關於這個配置的問題

怎麼檢查一個投資組合最佳化對不對?

用最適解自己的第一階條件與限制來測它:權重合計為一、沒有權重超出限制、KKT 條件成立。這本活頁簿跑二十四條檢查,包括獨立的限制違反掃描,並發現零違反。

為什麼平均數-變異數最佳化會在某些資產類別放 0%?

因為最適解可能貼在限制上,或某個資產在它的預期報酬下不提供分散效果。這裡最佳化器持有 0% 新興市場與 0% 公司債,那是角解,不是漏掉輸入。

什麼樣的 Sharpe 比率算好?

沒有通用門檻;取決於資產類別、期間,以及報酬是否年化。這個投資組合在 9.97% 年化報酬與 7.43% 年化波動度下達到 0.813。

它有遵守限制嗎?

有:權重合計為一、沒有低於零、沒有高於 35% 上限,而且最適解上零違反。

本模型驗證系列使用合成案例進行方法示範,不構成投資、稅務或法律建議。

最後更新:2026-11-01 · 內部檢查,非獨立稽核。 · 方法與審閱

Tam
Tam

Tam is the Founder & CEO of MINDLINK TEC LTD, an AI creator and product builder building creative AI tools including Mica and Bobi.


Mica

在本機執行的 AI,讓試算表更聰明。用自然語言自動化 Excel 工作流程。

聯絡我們

電子郵件: service@mindlink.tools

公司:MINDLINK TEC LTD

© 2026 MINDLINK TEC LTD 保留所有權利。