🤝 Black-Litterman 模型：观点的贝叶斯融合

Black-Litterman（1992）解决的是一个具体而普遍的病：均值-方差优化器对期望收益的估计过敏（过敏的病理见MPT 的两大顽疾）。它的药方 elegantly 贝叶斯：不要凭空估计 μ——市场组合本身就是一个隐含的期望收益估计（大家都按市值持有，说明市场在用脚投票），把它当先验，再把你自己的观点当证据，融合出后验。

模型的直觉版：三步故事

1. 反解均衡收益：给定市场权重 w_mkt 与风险厌恶 λ，反解出「恰好让市场组合成为最优」的隐含期望收益：π = λΣw_mkt。这是先验——不引入任何观点时，就按市场权重配置（合理、稳定、无观点风险）；
2. 表达观点：观点是「对某些资产的期望收益的判断 + 置信度」。例：观点 1——「未来一季 A 股跑赢债券 3%」（相对观点，置信度 60%）；观点 2——「黄金年化收益 5%」（绝对观点，置信度 40%）。相对观点是对冲友好的形态（市场整体方向的判断被约掉了）；
3. 贝叶斯融合：后验收益 μ_BL 是 π 与观点按置信度的加权调和——置信度高则后验偏向观点，置信度低则偏向市场均衡。置信度的另一面是观点的方差（Ω 矩阵）：它把「我觉得大概」与「我有充足证据」量化地区分开。

一个完整算例：观点如何拉动权重

1
2
3
4
5
6
7
8
9

资产池：A 股股票 70% / 债券 30%（简化为两资产，Σ 与 λ 已校准）
反解均衡收益：π = (股 6.2%, 债 2.8%)   → 无观点时最优权重 ≈ 市值权重

观点：未来一季股跑赢债 1.2%（年化 ≈ 4.8%），置信度 50%（Ω 设为该观点
     方差的一半——置信度越高 Ω 越小）

融合结果：
  μ_BL = (股 6.9%, 债 2.6%)     ← 股的预期被拉高、债被拉低（相对观点的两端）
  BL 最优权重 = 股 74% / 债 26%   ← 只偏了 4 个点，而不是「看多股票就满仓股」

注意这个例子的精髓：权重变化 ≈ 观点强度 × 置信度（4.8% 的观点、50% 置信 → 4% 的权重偏移），可解释、可审计。均值-方差的老做法里，「看多股票」的直接后果常常是 90% 股票仓位 + 杠杆——BL 把这个过激反应驯化了。

输入、输出与工程要点

输出三个：后验期望收益 μ_BL（喂给均值-方差优化器）、后验协方差（观点的不确定性也影响风险）、以及后验最优权重——第三项是最有价值的交付物。

工程要点三则：观点数量远小于资产数（5–10 条观点对 20 个资产是常态，观点太多则 Ω 的设定主导一切，模型名存实亡）；τ 参数（先验方差的缩放，常取 1/T ~ 0.05）控制「多信市场」——它是 BL 最敏感的旋钮，要做敏感性分析；观点置信度的自动化：Ω 可由观点的历史命中率校准（回测你的观点，看其误差分布）而不是拍脑袋。

量化策略怎么用 BL

BL 常被误解为「主观投资者的工具」，其实它是量化观点的正规化出口：

1. 因子信号 → 观点：多因子模型给出各资产的打分 zᵢ → 转化为相对观点（「Top 组跑赢 Bottom 组 x%」，置信度由因子 IC 稳定性定）——BL 把因子信号嵌入配置框架而不直接接管权重；
2. 策略组合层（Meta-Strategy）：各子策略输出观点（各自的预期超额 + 由历史跟踪误差定的置信度）→ BL 统一融合成总组合——比净额合并更优雅的多策略架构（见策略组合 ）；
3. 战术配置层：战略配置（战略权重，见资产配置 ）为市场均衡权重，宏观观点作为战术观点叠加——BL 生成的偏离自动带风险预算（偏离幅度与置信度成比例），治好了「战术观点一激动就大幅偏离」的老毛病。

与其他方法的坐标

• vs 纯均值-方差：BL 用均衡先验驯服了 μ 的估计噪声——权重稳定性大幅改善，代价是引入 τ/Ω 两个新旋钮；
• vs 风险平价：风险平价无观点（纯风险驱动），BL 是「均衡打底 + 有纪律的观点」——两者可分层组合（核心用风险平价，卫星用 BL 表达观点）；
• vs 等权：BL 在「无观点」时收敛回市场权重（≠ 等权）——它的起点是「承认市场」，这与等权的「承认无知」哲学不同；两者都对优化过敏免疫。

关联阅读：先验的数学概率论基础 的贝叶斯节；均衡与市场组合的源头MPT ；观点的自动化来源因子库 。