現代投資組合理論(Modern Portfolio Theory, MPT)的核心洞見只有一句話:一檔資產的好壞,不能只看它自己的報酬與波動,而要看它「放進整個組合後,對組合總風險的貢獻」。1952 年,25 歲的 Harry Markowitz 在《Journal of Finance》發表〈Portfolio Selection〉,把「風險」正式定義為報酬的變異數(variance),並用數學證明:只要各資產之間不是完全同漲同跌,把它們組合起來,總風險就會低於個別風險的加權平均。這個看似樸素的結論,把投資從「挑好股票」推進到「設計好組合」的層次,也讓他在 1990 年與 William Sharpe、Merton Miller 共同拿下諾貝爾經濟學獎。昨天談的夏普比率是評分單一標的或組合的「效率指標」;今天要往上一層,看整個組合是怎麼被最佳化出來的。
📖 學
從「個別資產」到「組合」:報酬相加、風險不相加
組合的期望報酬很直觀,就是各資產期望報酬的加權平均。真正反直覺的是風險。兩檔資產組成的組合,其變異數不只等於各自變異數的加權和,還要加上一項「兩者的共變異數(covariance)」。用相關係數 ρ 來寫,兩資產組合的變異數是:
σ_p² = w₁²σ₁² + w₂²σ₂² + 2·w₁w₂·ρ·σ₁σ₂
關鍵就在最後那個 ρ。當 ρ = 1(完全正相關),平方項展開後組合標準差剛好等於加權平均,分散化毫無好處;但只要 ρ < 1,那一項就被壓低,組合的實際風險低於加權平均;若 ρ 為負,兩者一漲一跌互相抵銷,風險下降更劇烈。這就是分散化的數學本質——降低風險靠的不是「持有很多檔」,而是「持有彼此低相關的資產」。持有 30 檔高度連動的台股金融股,分散效果遠不如持有台股、美債、黃金這三類低相關資產。
效率前緣:所有「最划算」組合的集合
把所有可能的資產配置畫在一張圖上(橫軸是標準差/風險,縱軸是期望報酬),會得到一片區域,稱為可行集合(feasible set)。這片區域的左上緣有一條弧線,就是效率前緣(efficient frontier)。它的定義是:在給定的風險水準下,提供最高期望報酬的那些組合;或等價地說,在給定的報酬目標下,風險最低的那些組合。
效率前緣之所以重要,在於它把選擇範圍大幅收斂。落在前緣下方的組合都是「被支配的」(dominated)——你總能找到另一個組合,風險一樣但報酬更高,理性投資人沒理由持有它們。於是問題從「無窮多種配置」縮小成「在這條弧線上,挑一個符合我風險偏好的點」。弧線本身是往左上凸的,正是低相關性帶來的分散效果把整條線往左「拉彎」的結果。
最小變異數組合與前緣的兩段
效率前緣的最左端點,是整個可行集合中風險最低的組合,稱為最小變異數組合(Global Minimum Variance Portfolio, GMVP)。它有個實務上很有意思的特性:計算 GMVP 只需要共變異數矩陣,不需要估計各資產的期望報酬——而期望報酬恰恰是最難估、估錯後傷害最大的參數。因此近年不少實證研究發現,單純持有 GMVP 或低波動組合,長期表現往往不輸、甚至勝過費力估算報酬去做的「完整最佳化」。
要注意的是,整條包住可行集合的弧線叫最小變異數前緣(minimum-variance frontier),但只有 GMVP 以上、往右上延伸的那一段才叫「效率」前緣;GMVP 以下那段報酬更低、風險卻更高,是無效率的,理性投資人不會選。
加入無風險資產:資本市場線與最適組合
當投資組合裡可以納入一項無風險資產(通常以短期公債利率為代表,報酬確定、標準差為零),整個圖景會被改寫。從縱軸上無風險利率那一點,往右上畫一條直線,與風險性資產的效率前緣「相切」,這條切線就是資本市場線(Capital Market Line, CML),切點稱為切線組合(tangency portfolio)。
CML 上的每一個組合,都優於(或等於)原本彎曲效率前緣上的組合,因為直線始終位於弧線的上方。這帶出 Tobin 的分離定理(Separation Theorem):所有理性投資人持有的「風險性資產部分」,比例完全相同——都是那個切線組合;人與人的差別只在於「把多少錢放無風險資產、多少錢放切線組合」。想更保守就多配無風險資產(落在切點左側);想更積極,甚至可以借錢(以無風險利率融資)加碼切線組合(落在切點右側)。選標的與選風險程度,被拆成兩個獨立步驟。
而切線組合,正是所有風險性組合中夏普比率最高的那一個——CML 的斜率就等於切線組合的夏普比率。這裡跟昨天的主題接上了:夏普比率不只是事後評分工具,它在 MPT 裡就是「找出最適風險組合」的最佳化目標。在理論的均衡假設下,這個切線組合就是市場組合(market portfolio),也就是 CAPM 的起點。
MPT 的假設與現實裂縫
MPT 的優雅建立在一組理想化假設上:報酬服從常態分布、投資人只在意均值與變異數且完全理性、市場無摩擦(無稅、無交易成本、可無限制以無風險利率借貸)、參數(期望報酬、變異數、相關性)已知且穩定。現實會在三個地方咬回來。
第一,常態分布假設低估了極端事件。真實市場報酬有「肥尾」(fat tails),1987 崩盤、2008 金融危機這類理論上「幾萬年才一次」的走勢,實際上幾十年就撞上一次;用變異數當風險唯一度量,會系統性低估尾端災難。第二,相關性不是常數。MPT 假設一個靜態的共變異數矩陣,但在系統性危機中,原本低相關甚至無關的資產會一起暴跌,相關性趨近於 1——分散化恰恰在你最需要它的時候失效。第三,參數估計誤差。期望報酬極難準確估計,而最佳化程序對輸入極度敏感:輸入的微小偏差會被放大成配置的巨大差異,常把權重全押到「估計值剛好偏高」的少數資產上,產出直覺上荒謬、且樣本外表現很差的組合。這也是為什麼實務界發展出 Black-Litterman、重抽樣前緣(resampled frontier)、加權重上下限、風險平價等修正手法,用來馴服這隻對誤差過度反應的野獸。
🧠 記
- 組合報酬是加權平均,但組合風險「不是」——因為有共變異數項;相關係數 ρ < 1 就能降低總風險,這是分散化的數學根源。
- 效率前緣 = 在每個風險水準下報酬最高的組合集合;下方組合都被支配,理性投資人不選。
- 最小變異數組合(GMVP)是前緣最左點,只需共變異數、不需期望報酬;前緣只有 GMVP 以上那段才「有效率」。
- 加入無風險資產後,效率前緣變成一條直線(CML),切點就是夏普比率最高的切線組合;分離定理:選組合與選風險程度可分開。
- MPT 三大現實裂縫:常態分布低估肥尾、危機時相關性趨近 1、參數估計誤差被最佳化放大。
✍️ 實踐
- 拿出你目前的持股清單,別看單檔,先問一個問題:這些標的彼此的相關性高嗎?如果多數是同一產業或同一市場,你的「檔數」再多也接近沒分散。列出 3–5 個彼此相關性低的資產類別(如本地股、海外股、債券、抗通膨資產)作為配置骨架。
- 用試算表算一次「兩資產組合標準差」:找兩檔歷史相關性低的標的,代入 σ_p² 公式,分別試 ρ=1、ρ=0.3、ρ=-0.2,親眼看組合風險怎麼隨相關性下降而縮小。
- 對你現在的配置做一次「危機壓力測試」:假設所有風險性資產相關性都跳到 0.9,你的組合還撐得住嗎?這能揭露帳面上的分散是不是危機時會蒸發的假分散。
🔗 延伸學習
- Nobel Prize 1990 — Sveriges Riksbank Prize press release — 官方頒獎說明,一頁看懂 Markowitz、Sharpe、Miller 各自的貢獻。
- Capital market line — Wikipedia — CML、切線組合與市場組合的定義與圖解,補足無風險資產如何改寫效率前緣。
- Modern Portfolio Theory — Britannica Money — 平實的 MPT 總覽與限制討論,含肥尾與相關性問題。
- MPT: Bruised, Broken, Misunderstood, or Misapplied? — CFA Institute — 從業界角度平衡討論 MPT 到底哪裡失靈、哪裡被誤用。
💬 問 AI
把你真實的配置貼給 AI,請它用 MPT 的視角幫你檢查分散化是真是假:
我是一位長期投資人,目前的資產配置如下(請用我實際的內容替換):
- 台股 ETF 50%、美股科技股 30%、現金 20%
請以現代投資組合理論(MPT)的框架幫我分析:
1. 這個組合的分散化程度如何?哪些部位彼此相關性可能偏高,構成「假分散」?
2. 在市場系統性危機(相關性趨近 1)時,這個組合最大的脆弱點在哪裡?
3. 若要往效率前緣靠近,你會建議加入哪一類「與現有部位低相關」的資產?為什麼?
4. 提醒我:MPT 的哪些假設(常態分布、靜態相關性、參數估計)可能讓上述分析失真?
請用具體、可執行的方式說明,並指出你的建議背後有哪些不確定性。