35%预期收益？看这个诺贝尔奖得主的”鸡蛋分篮”高级玩法

作 者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：今天给大家带来一篇更深入、更好玩的现代组合理论（MPT）实战攻略，用最接地气的示例和代码，教你玩转现代组合理论：从数据获取、Sharpe筛选、Riskfolio优化，到效率前沿可视化，最终开发出年化35%+、波动<20%的最优组合“智配通”Pro。

一、MPT：投资界的科学魔法

我发现70年前一个数学公式，至今让基金经理们偷偷赚钱。

1952年，马科维茨在菜场获得灵感。当大妈说”鸡蛋别放一个篮子”，他追问：”怎么放最稳妥？” 于是诞生了现代投资组合理论(MPT)——后来拿了诺贝尔奖。

当时，投资者大多靠直觉或小道消息选股，而马克维茨用数学方法证明：通过合理搭配资产，可以在不增加风险的情况下提高回报。这一发现不仅让他在1990年拿下诺贝尔经济学奖，也彻底改变了投资的游戏规则。

很多人以为买一堆股票就是分散，其实大错特错！

MPT不只是“分散投资”，而是“最佳分散投资”。最关键的不是把鸡蛋放满篮子，而是找到负相关（Correlation）资产。

举个例子：

☀ 晴天：🍦冰淇淋公司 ↗️，☂️雨伞公司 ↘️
🌧 雨天：🍦冰淇淋公司 ↘️，☂️雨伞公司 ↗️

晴天冰淇淋卖得好，雨伞卖得差；雨天则相反。这种“负相关”就是分散投资的精髓。

这就是真正的多样化。同理，很多人误以为买10只科技股就是分散投资，其实它们可能一起涨跌，根本没降低风险！

MPT虽然经典，但这40多年来也在不断进化：

• 套利定价理论（APT）：认为收益由多个因素驱动，如市场趋势，推动了智能beta策略。
• 经济周期：根据经济周期调整投资组合，比如用OECD指标预测市场趋势。
• ARCH模型：关注波动性变化，提醒我们在危机时分散效果可能减弱。
• 优化陷阱：优化结果依赖输入数据，需谨慎选择以避免错过次优组合。
• 长期 vs 短期：长期投资者的风险-回报权衡不同，需考虑投资期限。

这些进展让MPT更适应现代市场，但核心理念不变：科学分散，理性投资。

二、手把手教学：让MPT活起来

现在，我们用代码把MPT变成现实！以下是实现步骤，下面的代码基于澳大利亚股市数据，稍作调整也能用在A股或港股。

步骤1：收集和准备数据

我们需要历史股价数据来分析。以下代码获取过去5年的股票收盘价：

# 定义日期范围（从今天起 5 年前）
from datetime import datetime, timedelta
import yfinance as yf
end_date = datetime.now().strftime('%Y-%m-%d')
start_date = (datetime.now() - timedelta(days=5*365)).strftime('%Y-%m-%d')

# 下载数据
data = yf.download(all_assets, start=start_date, end=end_date, auto_adjust=False)
data = data.loc[:, ('Adj Close', slice(None))]

为什么选5年？太短数据不可靠，太长可能过时，5年是“刚刚好”的时间段。

步骤2：计算每日收益率

接下来，把股价变化转为收益率，并年度化：

# 计算每日收益
returns = data.pct_change().dropna()

# 年化收益和标准差
trading_days_per_year = 252
annualized_returns = returns.mean() * trading_days_per_year
annualized_volatility = returns.std() * np.sqrt(trading_days_per_year)

这里把每日收益率乘以252（一年交易日数），波动率用平方根缩放，这是金融学的基本原理。

步骤3：计算夏普比率

神奇公式：性价比 = （收益 – 保本收益）/ 波动风险

专业词叫”夏普比率”，我管它叫“投资性价比”，夏普比率衡量每单位风险带来的额外回报：

risk_free_rate = 0.04  # 假设无风险利率4%
sharpe_ratios = (annualized_returns - risk_free_rate) / annualized_volatility

# 按夏普比率选择前 12 只股票
top_n = 12
top_stocks = sharpe_ratios.sort_values(ascending=False).head(top_n).index.tolist()

以下是澳大利亚股市前12只股票的夏普比率（示例数据）：

普比率告诉我们，我们承担每单位风险能获得多少额外回报。生物科技公司Telix以1.17领先，但银行股也表现不俗。

步骤4：构建投资组合

我们用riskfolio库创建投资组合对象，计算预期收益率和协方差矩阵：

# 构建投资组合对象
import riskfolio as rp
port = rp.Portfolio(returns=returns)

# 选择方法并估计输入参数
method_mu = 'hist' # 根据历史数据估计预期收益的方法
method_cov = 'hist' # 根据历史数据估计协方差矩阵的方法

port.assets_stats(method_mu=method_mu, method_cov=method_cov)

这就像给投资组合装上“发动机”，准备优化！

步骤5：优化投资组合

现在，找到最大化夏普比率的投资组合：

w = port.optimization(model='Classic', rm='MV', obj='Sharpe', rf=0, hist=True)

这就是诺贝尔奖的魔力！我们告诉算法：“找到最大化夏普比率的投资组合权重。” 优化结果如下：

惊讶吗？只有6只股票有权重！这是因为优化器发现其他股票在风险-回报组合上“多余”，用数学筛选掉了“冗余”资产，留下最能互补的。

步骤6：可视化效率前沿

可视化“效率前沿”是MPT的精髓，展示风险和回报的最佳组合：

import matplotlib.pyplot as plt
# 构建效率前沿
ef = port.efficient_frontier(model='Classic', rm='MV', points=50, rf=rf, hist=True)
plt.plot(ef['Volatility'], ef['Return'])
plt.scatter(w.volatility, w.returns)
plt.title('效率前沿与最优点')
plt.xlabel('年化波动')
plt.ylabel('年化收益')
plt.show()

上图生成了一条曲线，标出最佳投资组合（红星）。

三、实战结果&实用建议

下面是实战后的数据结果：

🔍 优化投资组合表现：
📈 预期年化收益率：35.49% 
⚠️ 年化波动率：18.87% 
🎯 夏普比率：1.67 
🚀 超额收益（对比 4.00% 无风险收益率）：31.49%

性价比（夏普比率）1.67意味着什么？
<1.0：风险回报不佳；1.0-2.0：优秀表现；2.0：极罕见。

MPT的实用建议

1. 要做的事：

• 用好数据：5年历史数据是最佳选择，太短不可靠，太长可能过时。
• 定期调整：市场变化快，定期重新计算组合权重。
• 考虑交易成本：理论无成本，现实中要算上手续费。
  

2.不要做的事：

• 别假设相关性不变：2008年危机时，资产相关性突然飙升，分散失效。
• 别忽视黑天鹅：MPT假设正态分布，但市场可能出现极端事件。
• 别忘了流动性：理论上完美的组合，若无法买卖就没用。

3.下一步行动

准备好用MPT升级你的投资了吗？可以从下面这三点开始：

1. 检查你的投资组合：是否真正分散？
2. 计算夏普比率：你的风险回报合理吗？
3. 分析相关性：你的资产是“同进退”还是“互补”？

四、观点总结

现代组合理论（MPT）是投资界的经典工具，通过数学方法帮你平衡风险和回报。它的核心是分散投资，关注资产相关性，找到最佳组合。尽管它假设市场回报呈正态分布，可能忽视极端事件，但通过定期调整和结合最新进展（如PMPT），它依然是投资者的得力助手。

• 科学投资：用数学取代直觉，优化风险-回报。
• 分散为王：选择低相关资产，降低整体风险。
• 动态调整：市场变化，组合需定期优化。
• 注意局限：警惕黑天鹅事件和交易成本。
• 实践第一：用代码试试，亲手打造你的财富蓝图！

本文提供了完整详实的源代码中文注释和功能结构及使用说明，确保您能读懂代码的含义并能根据自身需求进行改写。

还等什么，立即行动起来！需要完整源代码请后台留言！

#关键词：#理财干货 #MPT #资产配置 #投资组合 #小白理财 #量化投资 #财富思维 #避坑指南 #投资策略 #分散投资 #夏普比率 #有效前沿 #财富管理 #澳洲股市 #澳大利亚股票

读到最后，希望这篇文章为您带来了新的启发和实用的知识！如果觉得有帮助，请不吝点赞和分享，您的支持是我持续创作的动力。祝您投资顺利，收益长虹！如果对文中内容有任何疑问，欢迎留言，我会尽快回复！

本文内容仅限技术探讨和学习，不构成任何投资建议。