Black-Litterman，从第一性原理出发

高盛的 Black & Litterman (1992) 解决了均值-方差优化给出疯狂组合的问题。反向优化、均衡先验与贝叶斯观点的完整推导。

第 10 篇 · 共 12 篇约 10 分钟

1990 年，高盛固收部门的两位策略师 Fischer Black 和 Robert Litterman 感到沮丧。他们用 Markowitz 风格的均值-方差优化为客户构建全球资产配置，优化器反复给出无法自圆其说的组合。它会因日本股票 5 年收益最高而把所有仓位放在日本，也会因美国国债近期表现平平而给到零权重。

问题不在 Markowitz。问题在于没人知道该怎么喂 $\mu$ 。历史均值是噪声，均衡收益是猜测，预测是观点。哪一项都不该直接喂给优化器。

他们 1991 年的工作论文 “Asset Allocation: Combining Investor Views with Market Equilibrium”（高盛固收研究）提出了一个贝叶斯模型，后来成为机构资产配置的事实标准。1992 年的后续论文 “Global Portfolio Optimization” 刊登在《Financial Analysts Journal》上。该模型被挪威主权财富基金、新加坡 GIC、高盛资产管理，以及几乎所有成立超过五年的量化多资产机构所使用。

本文给出完整推导。我们从 Black 和 Litterman 想要解决的问题开始，逐步推过反向优化、从市场均衡导出先验、用贝叶斯定理融合观点，最后给出 $\mu$ 的闭式后验均值，可以直接代回 MVO。

朴素 MVO 的问题

上一篇文章已经讨论过这个问题。MVO 需要预期收益 $\mu$ ，而你没有。你有：

历史收益（噪声大且有非平稳性问题）。
均衡收益（如 CAPM 这类从市场权重反推隐含收益的模型）。
你自己的观点（“明年石油股将跑赢公用事业股 3%”）。

这些都不是 MVO 的良好直接输入。历史收益不稳定。均衡收益是无条件且忽略你的观点的。观点是主观且量纲不对。

Black 和 Litterman 的洞察是：把它们组合起来。以均衡收益为先验，把观点视为有噪声的数据，应用贝叶斯定理。 $\mu$ 的后验均值就是最优点估计，后验协方差告诉你该给它多大信任。

整套机制本质上就是：

p(\mu | \text{views}) \propto p(\text{views} | \mu) \cdot p(\mu)

就是这样。巧妙之处在于选择先验和似然。

第一步：反向优化

从市值权重开始。对大多数资产集合， $w_{\text{mkt}}$ 是公开可观测的。假设市场组合是均值-方差有效组合，那么你可以反推出隐含 $\mu$ 。

MVO 的切线组合为 $w_{\text{tan}} = \frac{\Sigma^{-1} \mu}{\mathbf{1}^\top \Sigma^{-1} \mu}$ 。令 $w_{\text{tan}} = w_{\text{mkt}}$ 并对 $\mu$ 求解：

\mu_{\text{implied}} = \delta \Sigma w_{\text{mkt}}

其中 $\delta = \mathbf{1}^\top \Sigma^{-1} \mu$ 是市场组合的隐含风险溢价。实践中， $\delta$ 由市场风险溢价的外部估计给出（比如说，实际 4%、名义 6%）。

这就是反向优化。你不是在说”如果我喂入 $\mu$ ，MVO 会给我什么”，而是在说”既然市场是均值-方差有效的，那么 $\mu$ 必然是什么”。

结果是与观察到的市场权重和协方差矩阵内部一致的向量 $\mu_{\text{implied}}$ 。它不是预测，而是一个中性的起点。

Black 和 Litterman 称之为”隐含均衡收益”。现在的术语是”先验预期收益”。它是在你没有任何超出市场已定价信息的情况下应该预期的收益。

第二步：明确你的观点

Black-Litterman 中的”观点”是关于预期收益的陈述。两种常见形式：

绝对观点：“我预期资产 $i$ 明年收益 $q\%$ 。”

P \mu = Q + \epsilon, \quad \epsilon \sim \mathcal{N}(0, \Omega)

其中 $P$ 是”挑选矩阵”（对应资产 $i$ 的 one-hot 行）， $Q = q$ 是观点的标量值， $\epsilon$ 是观点噪声，其协方差为 $\Omega$ 。

相对观点：“我预期资产 $i$ 跑赢资产 $j$ 共 $q\%$ 。”

P = e_i - e_j, \quad Q = q

你可以把多个观点堆叠成 $P \in \mathbb{R}^{K \times N}$ 和 $Q \in \mathbb{R}^K$ 。观点协方差 $\Omega$ 编码你对每个观点的信心， $\Omega$ 小代表信心高。

第三步：贝叶斯更新

现在是数学部分。 $\mu$ 的先验为：

\mu \sim \mathcal{N}(\mu_{\text{implied}}, \tau \Sigma)

$\tau \Sigma$ 这种协方差是启发式的。Black 和 Litterman 认为， $\mu$ 的估计精度不应高于收益本身的精度，因此 $\mu$ 的方差应与收益方差成比例。 $\tau$ 是一个小标量（通常 0.05 到 0.10），反映 $\mu$ 的波动比收益本身的波动要小。

观点关于 $\mu$ 的似然为：

P \mu | \mu \sim \mathcal{N}(Q, \Omega)

由贝叶斯定理，后验也是高斯分布：

\mu | \text{views} \sim \mathcal{N}(\mu_{\text{BL}}, M)

其中

\mu_{\text{BL}} = \mu_{\text{implied}} + \tau \Sigma P^\top \left( P \tau \Sigma P^\top + \Omega \right)^{-1} (Q - P \mu_{\text{implied}})

以及

M = \tau \Sigma - \tau \Sigma P^\top \left( P \tau \Sigma P^\top + \Omega \right)^{-1} P \tau \Sigma

这就是公式。让我们拆开来看。

项 $(Q - P \mu_{\text{implied}})$ 是”观点残差”，你的观点与市场已定价之间的差距。如果你的观点恰好与隐含均衡一致，残差为零，后验等于先验。

矩阵 $\tau \Sigma P^\top (P \tau \Sigma P^\top + \Omega)^{-1}$ 是一种 Kalman 增益。当 $\Omega$ 小（观点信心高）时，增益大，观点占主导；当 $\Omega$ 大（信心低）时，增益收缩，先验占主导。

所以，如果你说”我高度确信苹果会跑赢微软 5%“，优化器会把苹果权重显著提高、微软权重显著降低。如果你只说”科技股应该还行”，权重几乎不会偏离市场组合。

第四步：代回 MVO

后验 $\mu_{\text{BL}}$ 是一个预期收益向量。它是比历史均值（被它向其收缩）和纯观点（被它向均衡稀释）更好的 $\mu$ 估计。现在你可以把它代回标准 MVO：

w^\star = \frac{1}{\delta} \Sigma^{-1} \mu_{\text{BL}} + \text{budget constraint adjustments}

实践中，标准形式是最大化

w^\top \mu_{\text{BL}} - \frac{\delta}{2} w^\top \Sigma w

约束为 $\mathbf{1}^\top w = 1$ 以及任何其他约束。这就是用更聪明的 $\mu$ 做 MVO。

结果是：权重锚定在市场组合上、按观点成比例地倾斜、并且表现良好，因为后验 $\mu$ 比历史均值稳定得多。

Idzorek 扩展

一个实践问题：怎么设 $\Omega$ ？Black-Litterman 提出了基于观点方差的启发式方法。Idzorek (2005) 引入了一种更直观的方法：把观点信心指定为 0% 到 100% 之间的百分比，并相应地转换为 $\Omega$ 。

对资产 $i$ 的绝对观点：

\Omega_{ii} = \alpha \cdot P_i \Sigma P_i^\top

其中 $\alpha$ 是从百分比导出的信心缩放因子。100% 信心对应 $\alpha \to 0$ （完美观点，权重拉满）；0% 信心对应 $\alpha \to \infty$ （忽略该观点）。

对相对观点，公式使用 $P$ 中对应的行。

精确关系为：

\Omega = \left( \frac{1}{c} - 1 \right) P \tau \Sigma P^\top

其中 $c \in (0, 1)$ 是信心水平。这就是 Idzorek 的贡献，它使 Black-Litterman 在实践中容易得多。

一个可运行的示例

假设我们有 3 个资产。市场权重为 60/30/10。已知协方差矩阵，我们认为资产 1 将以 70% 的信心跑赢资产 3 共 4%。

import numpy as np

# Inputs
w_mkt = np.array([0.6, 0.3, 0.1])
Sigma = np.array([
    [0.04, 0.01, 0.005],
    [0.01, 0.09, 0.01],
    [0.005, 0.01, 0.16]
])
delta = 0.04  # Implied market risk premium
tau = 0.05

# Step 1: Implied equilibrium returns
mu_prior = delta * Sigma @ w_mkt

# Step 2: View. asset 1 outperforms asset 3 by 4%
P = np.array([[1, 0, -1]])
Q = np.array([0.04])

# Step 3: View covariance (70% confidence via Idzorek)
c = 0.7
P_tau_Sigma_Pt = P @ (tau * Sigma) @ P.T
Omega = (1/c - 1) * P_tau_Sigma_Pt

# Step 4: Posterior expected returns
K = tau * Sigma @ P.T @ np.linalg.inv(P_tau_Sigma_Pt + Omega)
mu_bl = mu_prior + K @ (Q - P @ mu_prior)

# Step 5: Solve MVO with posterior mu
Sigma_inv = np.linalg.inv(Sigma)
ones = np.ones(3)
w_bl = Sigma_inv @ mu_bl / (ones @ Sigma_inv @ mu_bl)

print("Implied mu:", mu_prior.round(4))
print("Posterior mu:", mu_bl.round(4))
print("Posterior weights:", w_bl.round(4))

输出：后验权重会在 60/30/10 的市场权重基础上轻微向资产 1 倾斜、远离资产 3。如果你用 100% 信心配上历史均值，得到的倾斜会激进得多，可能全部押在资产 1 上。Black-Litterman 把你锚在市场附近。

它为什么更好

三件事，按重要性排序。

第一，锚定。在无观点时，后验等于先验，先验等于市场权重。优化器的”什么都不做”答案就是市场组合。这很合理：如果你没有观点，就不要试图战胜市场。

第二，观点的可缩放性。信心参数 $\Omega$ 让你表达对每个观点有多大信任。如果你对相对价值观点有 70% 信心，优化器会从市场权重向”观点隐含权重”方向倾斜 70% 的距离。这比”输入一个收益预测”直观得多。

第三，保留分散性。因为后验是你的观点的光滑函数（而非阶跃函数），所得组合不会像原始 MVO 那样集中到少数资产。在大多数情况下你会持有大多数资产，只是权重有所倾斜。

文献综述

Black & Litterman (1991). “Asset Allocation: Combining Investor Views with Market Equilibrium.” Goldman Sachs Fixed Income Research. 原始工作论文。
Black & Litterman (1992). “Global Portfolio Optimization.” Financial Analysts Journal 48(5): 28-43. 公开发表的后续，含全球资产配置示例。
Idzorek (2005). “A Step-by-Step Guide to the Black-Litterman Model.” Ibbotson Working Paper. 信心参数。
He & Litterman (1999). “The Intuition Behind Black-Litterman Model Portfolios.” Goldman Sachs Investment Management Research. 几何解释。
Litterman (2003). Modern Investment Management: An Equilibrium Approach. Wiley. 包含全球资产配置示例的整本书式处理。
Meucci (2005). “Beyond Black-Litterman: Views on Non-Normal Markets.” Risk 18(9): 87-92. 将 BL 扩展到非高斯收益。
López de Prado (2016). “A Robust Estimator of the Covariance Matrix for Portfolio Construction.” Journal of Risk Model Validation 10(1): 55-72. 最近的批评与扩展。

多观点的完整数值示例

把上面的例子再扩展，加入两个观点。资产 2 将跑输 2%，且我们对此高度确信。

import numpy as np

# Inputs (3 assets, same as before)
w_mkt = np.array([0.6, 0.3, 0.1])
Sigma = np.array([
    [0.04,  0.01, 0.005],
    [0.01,  0.09, 0.01],
    [0.005, 0.01, 0.16]
])
delta = 0.04
tau = 0.05

mu_prior = delta * Sigma @ w_mkt

# Two views
# View 1: asset 1 outperforms asset 3 by 4% (70% confidence)
# View 2: asset 2 underperforms by 2% (90% confidence)
P = np.array([
    [1, 0, -1],
    [0, 1, 0]
])
Q = np.array([0.04, -0.02])

# View covariances
c = np.array([0.7, 0.9])
P_tau_Sigma_Pt = P @ (tau * Sigma) @ P.T
Omega = np.diag((1/c - 1) * np.diag(P_tau_Sigma_Pt))

# Posterior
K = tau * Sigma @ P.T @ np.linalg.inv(P_tau_Sigma_Pt + Omega)
mu_bl = mu_prior + K @ (Q - P @ mu_prior)

# Solve MVO
Sigma_inv = np.linalg.inv(Sigma)
ones = np.ones(3)
w_bl = Sigma_inv @ mu_bl / (ones @ Sigma_inv @ mu_bl)

print("Implied mu:", mu_prior.round(4))
print("Posterior mu:", mu_bl.round(4))
print("Posterior weights:", w_bl.round(4))

输出：后验预期收益相比先验有轻微倾斜，权重相比市场权重也有轻微倾斜。资产 1 权重上升（正向观点），资产 2 权重下降（负向观点），资产 3 基本不受影响。

倾斜幅度与信心成正比。资产 2 上 90% 信心的观点比 70% 信心的”资产 1 vs 资产 3”观点移动得更多。

Meucci 扩展：超越高斯

原始 Black-Litterman 假设收益服从高斯分布。现实中收益是非高斯的：肥尾、偏度、状态切换。Meucci (2005) 通过”熵池化”（entropy pooling）将 Black-Litterman 扩展到非正态市场。

思路是：不再使用高斯观点似然，而是采用基于熵的更一般似然：

p(\mu | \text{views}) \propto \exp\left(-\sum_k \lambda_k \cdot g_k(\mu)\right)

其中 $g_k$ 是编码每个观点的函数， $\lambda_k$ 是拉格朗日乘子。

对高斯观点（标准情形）， $g_k$ 是 $\mu$ 的线性函数，从而恢复标准 Black-Litterman 后验。对非高斯观点（例如”资产收益的第 5 百分位最多 -20%”）， $g_k$ 更复杂，后验也是非高斯的。

实践中，Meucci 扩展很少被使用。对大多数机构组合，高斯近似已经足够。但在尾风险敏感的配置中，这个扩展很重要。

与熵组合理论的联系

Cover & Thomas (1991) 提出了最大熵组合。思路是：在满足约束的所有组合中，选择熵最大的那个（即最分散的）。

熵最大化的拉格朗日对偶给出形如下式的组合：

w_i \propto \exp(\lambda \mu_i)

其中 $\lambda$ 的选择满足方差约束。这是对预期收益做 softmax 加权，高 $\mu$ 资产获得指数级更高权重。

Black-Litterman 可以从最大熵论证推导出来：后验分布是与先验和观点一致的最大熵分布。数学形式不同于贝叶斯推导，但给出相同答案。

Black-Litterman 失败的情形

三种情形下 Black-Litterman 会给出糟糕组合。

糟糕情形 1：市场权重本身是错的。 Black-Litterman 锚定市值权重。如果市场被严重错估（泡沫、行业轮动、结构性变迁），先验就有偏，后验继承这种偏差。

糟糕情形 2：观点系统性地错。 Black-Litterman 按你声明的信心信任你的观点。如果你系统性过度自信，优化器就会倾斜过度。

糟糕情形 3：协方差矩阵是错的。 Black-Litterman 改善了 $\mu$ ，但 $\Sigma$ 是直接拿来的。如果 $\Sigma$ 估计错误，所得组合的风险敞口就是错的。

对这三种情形，修复办法相同：把 Black-Litterman 与 $\Sigma$ 收缩、 $\mu_0$ 的稳健估计以及观点信心的校准结合起来。这个模型是积木，不是完整答案。

Black-Litterman 与风险平价的对比

机构配置存在两套对立的哲学：

Black-Litterman：锚定市场，按观点倾斜。优化器使用预期收益。
风险平价：按风险贡献分配。不使用预期收益。

实践中，两者给出的组合差异很大。Black-Litterman 会集中于高 Sharpe 的资产（倾斜之后）；风险平价则把资本均匀分散到风险贡献上。

哪个更好取决于你的观点是否可靠。可靠则用 Black-Litterman，不可靠则用风险平价。

一些机构采用混合方案：在资产类别层面（观点较合理）用 Black-Litterman，在资产类别内部（观点较弱）用风险平价。

He-Litterman 的直观解释

He & Litterman (1999) 给出了最常被引用的模型直觉。核心洞察是：观点可以被拆成两部分，一部分与市场均衡一致，另一部分是”意外”部分（即观点残差）。

Black-Litterman 后验是先验加上”意外”，再按观点信心缩放。如果你的观点与市场已定价一致，后验等于先验。如果你的观点是强烈意外，后验相应偏移。

数学上：

\mu_{\text{BL}} = \mu_{\text{prior}} + (\text{view surprise}) \times (\text{confidence factor})

观点意外是 $(Q - P \mu_{\text{prior}})$ 。信心因子是 Kalman 增益。其余都是矩阵乘法。

这种直觉解释了 Black-Litterman 流行的原因：它符合机构投资者对观点的思考方式。“资产 A 将跑赢 4%，比市场已定价多 2%，我有 70% 信心”可以直接对应到数学上。

要点回顾

Black-Litterman 就是贝叶斯版的 MVO。先验是市场隐含均衡收益，似然是你的观点，后验就是你要用的东西。

数学上是两次矩阵求逆加一次 Kalman 更新。直觉上是”锚定市场，按观点倾斜，倾斜幅度由信心决定”。

完整模型可以处理多种观点、不同信心、绝对或相对形式。Idzorek 扩展让信心以百分比形式给出，更直观。

它以明显优势成为最广泛使用的机构资产配置模型。如果你要用 Markowitz，就用配上 Black-Litterman 输入的 Markowitz。

模型可以扩展到高斯之外（Meucci 的熵池化），与最大熵组合理论联系，并和风险平价混合。但核心的贝叶斯机制才是主力。

下一篇文章：风险平价，Bridgewater 的方法，按风险而非按资本分配。