Black-Litterman 模型：Goldman Sachs 的组合构建框架

1990 年，Goldman Sachs 的 Fischer Black 和 Robert Litterman 解决了组合理论中最难堪的问题：Markowitz 优化会给出荒唐的结果（把 100% 都押在某个冷门资产类别上），因为它把充满不确定性的回报估计当成了确凿事实。Black-Litterman 模型从市场均衡出发——即要让当前价格站得住脚，回报必须是多少——再根据你的具体观点温和地作出调整，并明确写出置信度。结果是：既体现市场智慧、又体现你自己见解的稳定而合理的组合。

内容摘要

Black-Litterman 要解决的问题：

• 经典的均值-方差优化（Markowitz 1952）只要输入稍有变化，就会产生极端而不稳定的组合
• 把美国股票的预期回报从 7.0% 改成 7.1%：美国股票的最优配置就从 40% 跳到 95%
• 组合经理"没法"直接用 Markowitz——他们必须不停地推翻它的结果
• Black-Litterman 通过锚定一个合理的起点，让优化真正可用

两步框架：

• 第一步：市场均衡回报 —— 由当前的市值权重和风险，反推回报必须是多少
• 第二步：与观点融合 —— 按你写明的置信度加权，把均衡回报朝你的预测方向调整

谁在用它：

• Goldman Sachs Asset Management：模型的原创方，内部所有多资产组合都在用
• BlackRock：使用改良版，称为"Aladdin Factor Model"
• JP Morgan Asset Management、Vanguard Quantitative Equity
• 任何管理多资产类别组合的成熟机构投资者

第 1 部分：Markowitz 为什么在实务中失灵

误差放大问题

Markowitz 证明了最优组合权重高度取决于预期回报、波动率和相关性。问题在于：预期回报是最不确定的输入，优化器却把它当成事实。

数学敏感性分析：五资产组合

把美国股票的预期回报只加 0.5%，配置就从 45% 变成 78%——一个比回报估计标准误还小的差异，带来了 33 个百分点的摆动。

这就是从业者把 Markowitz 称作"误差放大器"的意思。它把你的估计误差拿来，放大成巨大的配置摆动。

从业者的两难

在 Black-Litterman 出现之前，从业者只有两个糟糕的选择：

• 方案 A：直接采用 Markowitz 的输出。 结果：极端配置（100% 押在一个资产上），任何理性投资者都无法接受，也无法向客户解释。
• 方案 B：用"判断"推翻 Markowitz。 结果：那你当初跑优化器干什么？你只是把直觉包装成了科学。

Black-Litterman 提供了 方案 C：以市场的集体判断为基准，再用一套数学上说得通的方法，用你自己的观点去微调它。

第 2 部分：第一步 —— 市场均衡回报（先验）

CAPM 的逆向推导

资本资产定价模型（CAPM）说：在均衡状态下，市场组合就是均值-方差最优的。这意味着我们可以从当前的市场权重倒推，找出隐含的预期回报——也就是能让今天的市场权重成为最优解的那组回报。

公式：

Π = λ × Σ × w_mkt

其中：
  Π = 均衡超额回报向量（我们要求解的对象）
  λ = 风险厌恶系数（全球股票市场通常取 2.5）
  Σ = 资产回报的协方差矩阵
  w_mkt = 市值权重
                    

用大白话说：均衡回报与各资产对组合整体风险的贡献成正比。 给市场组合增加更多风险的资产，必须有更高的预期回报，才有理由被纳入。

实例：五资产全球组合

当前市值权重（2026 年全球可投资市场的近似值）：

注意均衡算出了什么：

• 美国股票：6.8%（高权重 + 高波动 = 高要求回报）
• 全球债券：1.8%（波动更低，要求回报也更低）
• 这些数字合理、符合直觉——不像 Markowitz 用天真的输入吐出来的垃圾
• 如果你没有任何观点，就照市值权重持有。这就是"中性"的起点。

第 3 部分：第二步 —— 纳入观点（更新）

用 Black-Litterman 的语言表达观点

在 BL 的术语里，"观点"是一句关于相对回报或绝对回报的陈述，并配上一个置信度。共有三类：

绝对观点：

• "我认为美国股票未来一年的年化回报会是 9%"
• 写作：E[r_US] = 9.0%
• 置信度："我有 80% 的把握"→ 通过观点的方差来表达

相对观点（机构实务中更常见）：

• "我认为美国股票会跑赢国际股票 1.5%"
• 写作：E[r_US - r_Intl] = +1.5%
• 避免了必须给出绝对回报预测（那是出了名的不靠谱）

置信度：

• 用你这个观点的方差（不确定性）来表达
• 高置信度 → 低方差 → 观点强烈影响最终配置
• 低置信度 → 高方差 → 观点几乎撼动不了均衡
• 经验法则：先从 50% 置信度起步（观点与均衡各占一半权重），直到你有证据证明自己的预测好过随机

贝叶斯更新公式

Black-Litterman 用贝叶斯定理，把均衡回报（先验）和你的观点（似然）结合起来：

E[R] = [(τΣ)⁻¹ + PᵀΩ⁻¹P]⁻¹ × [(τΣ)⁻¹Π + PᵀΩ⁻¹Q]

其中：
  E[R] = 后验（更新后）预期回报 —— 我们想要的结果
  τ    = 标量（均衡先验的不确定性；通常为 0.025-0.05）
  Σ    = 协方差矩阵
  Π    = 均衡回报（先验）
  P    = 挑选矩阵（你的观点作用于哪些资产）
  Q    = 你的观点向量（观点给出的回报估计）
  Ω    = 观点不确定性的对角矩阵（你的置信度）
                    

别被数学吓住。 直觉很简单：结果就是均衡回报和你的观点的加权平均。如果你非常有把握（Ω 很小），你的观点占主导；如果你心里没底（Ω 很大），均衡占主导。

完整走一遍一个例子

设定：一个 50 万美元退休组合的三个观点

观点 1："我认为美国股票每年会跑赢国际发达市场 2%。"（置信度：60%）

观点 2："我认为新兴市场的回报会是 8.5%。"（置信度：40% —— 置信度较低，不确定区间更宽）

观点 3："我认为债券的回报会是 3%（高于 1.8% 的均衡值，因为利率近期下行）。"（置信度：70%）

纳入观点之前（均衡）：

• 美国：6.8%，国际：5.9%，新兴市场：7.2%，债券：1.8%，黄金：3.1%
• 最优权重：约 42% 美国、28% 国际、12% 新兴市场、14% 债券、4% 黄金

经 Black-Litterman 更新之后（后验）：

• 美国：7.8%（+1.0%），国际：5.2%（-0.7%），新兴市场：7.8%（+0.6%），债券：2.6%（+0.8%），黄金：3.1%（不变——没有观点）
• 新的最优权重： 52% 美国、19% 国际、15% 新兴市场、11% 债券、3% 黄金

关键观察：

• 观点确实挪动了配置——但没有翻天覆地。美国从 42% 变成 52%（而不是像原始 Markowitz 那样冲到 90%）
• 黄金停留在它的均衡权重上（我们对黄金没有观点——模型尊重这一点）
• 部分置信度意味着部分调整：观点 1 的置信度为 60% → 大约施加了"完整"调整幅度的 60%
• 这个组合直观、可解释，同时体现了市场智慧和你自己的见解

第 4 部分：Python 实现

完整的 Black-Litterman 实现

import numpy as np
import pandas as pd
import yfinance as yf
from scipy.optimize import minimize

# ============================================================
# BLACK-LITTERMAN 模型：完整实现
# ============================================================

# 1. 定义资产与市场权重
tickers = ['VTI', 'VEA', 'VWO', 'BND', 'GLD']
names = ['US Equity', 'Intl Equity', 'Emerging', 'Bonds', 'Gold']
# 市值权重（近似的全球市场组合）
w_mkt = np.array([0.42, 0.28, 0.12, 0.14, 0.04])

# 2. 下载历史回报数据（3 年）
prices = yf.download(tickers, start='2022-01-01', end='2025-01-01')['Adj Close']
returns = prices.pct_change().dropna()

# 3. 计算协方差矩阵（年化）
Sigma = returns.cov() * 252  # 每年 252 个交易日

# 4. 计算均衡回报（逆向 CAPM）
lambda_risk = 2.5  # 风险厌恶系数（标准取值）
tau = 0.025        # 先验不确定性的缩放系数
Pi = lambda_risk * Sigma.values @ w_mkt  # 均衡超额回报

print("EQUILIBRIUM RETURNS (Prior):")
for i, (name, ret) in enumerate(zip(names, Pi)):
    print(f"  {name:20}: {ret:.1%}")

# 5. 定义观点
# 观点 1：美国股票跑赢国际股票 2%（相对观点）
# P_1 = [1, -1, 0, 0, 0]（做多美国，做空国际）
# Q_1 = 0.02（超额 2%）
# 置信度：60% → omega_1 与 1/0.60 成正比

# 观点 2：新兴市场回报 8.5%（绝对观点）
# P_2 = [0, 0, 1, 0, 0]
# Q_2 = 0.085
# 置信度：40%

# 观点 3：债券回报 3%（绝对观点）
# P_3 = [0, 0, 0, 1, 0]
# Q_3 = 0.03
# 置信度：70%

P = np.array([
    [ 1, -1,  0,  0,  0],  # 观点 1：美国对国际
    [ 0,  0,  1,  0,  0],  # 观点 2：新兴市场绝对观点
    [ 0,  0,  0,  1,  0],  # 观点 3：债券绝对观点
])

Q = np.array([0.02, 0.085, 0.03])  # 各观点的预期回报

# Omega：不确定性对角矩阵
# omega 越大 = 对该观点越没把握
# 规则：Omega_i = (1/confidence_i - 1) * P_i * tau*Sigma * P_i.T
confidence = np.array([0.60, 0.40, 0.70])
omega_diag = []
for i in range(len(Q)):
    p_i = P[i:i+1, :]
    var_view = float(p_i @ (tau * Sigma.values) @ p_i.T)
    omega_diag.append(var_view * (1/confidence[i] - 1))
Omega = np.diag(omega_diag)

# 6. BLACK-LITTERMAN 更新（后验）
tau_Sigma = tau * Sigma.values
tau_Sigma_inv = np.linalg.inv(tau_Sigma)
P_Omega_inv_P = P.T @ np.linalg.inv(Omega) @ P
P_Omega_inv_Q = P.T @ np.linalg.inv(Omega) @ Q

BL_expected = np.linalg.inv(tau_Sigma_inv + P_Omega_inv_P) @ (tau_Sigma_inv @ Pi + P_Omega_inv_Q)

print("\nBLACK-LITTERMAN RETURNS (Posterior):")
for i, (name, eq_ret, bl_ret) in enumerate(zip(names, Pi, BL_expected)):
    delta = bl_ret - eq_ret
    print(f"  {name:20}: {bl_ret:.1%}  (vs equilibrium {eq_ret:.1%}, delta {delta:+.1%})")

# 7. 基于 BL 回报做均值-方差优化
def neg_sharpe(weights, expected_returns, cov_matrix, rf=0.045):
    port_return = np.dot(weights, expected_returns)
    port_vol = np.sqrt(weights @ cov_matrix @ weights)
    return -(port_return - rf) / port_vol

constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1})
bounds = [(0, 0.60) for _ in range(len(tickers))]  # 单一资产上限 60%
x0 = w_mkt  # 从市场权重出发

result = minimize(neg_sharpe, x0,
                  args=(BL_expected, Sigma.values),
                  bounds=bounds, constraints=constraints)
BL_weights = result.x

print("\nOPTIMAL PORTFOLIO WEIGHTS (Black-Litterman):")
print(f"{'Asset':<20} {'Mkt Weight':>12} {'BL Weight':>12} {'Change':>12}")
print("-" * 60)
for name, mkt_w, bl_w in zip(names, w_mkt, BL_weights):
    print(f"{name:<20} {mkt_w:>11.1%} {bl_w:>11.1%} {bl_w-mkt_w:>+11.1%}")

port_return = np.dot(BL_weights, BL_expected)
port_vol = np.sqrt(BL_weights @ Sigma.values @ BL_weights)
print(f"\nPortfolio Expected Return: {port_return:.1%}")
print(f"Portfolio Volatility:      {port_vol:.1%}")
print(f"Sharpe Ratio:              {(port_return - 0.045)/port_vol:.2f}")
                    

第 5 部分：聪明地设定观点

你的观点从哪里来？

Black-Litterman 模型的好坏，取决于你的观点有多好。机构投资者的观点通常来自这些地方：

1. 基于估值的观点（长周期下最可靠）：

• Shiller CAPE 比率：美国为 35 倍 → 预期 7 年回报约 4-5%（Shiller 的公式：1/CAPE）
• 新兴市场 CAPE 为 15 倍 → 预期回报约 7-8%（更有吸引力）
• 信用利差：如果高收益债利差在 300 个基点 → 债券回报接近平价水平；如果在 150 个基点 → 就是贵了。
• 观点："未来 5 年新兴市场会跑赢美国 2-3%" —— 有强有力的历史证据

2. 基于宏观环境的观点：

• Fed 加息周期 → 债券表现落后 → 下调债券的均衡权重
• 高通胀 → 商品和 TIPS 表现领先 → 提高黄金／商品的权重
• 美元走强 → 以美元计价的国际股票表现落后

3. 基于因子的观点：

• 价值因子相对成长便宜 → "未来 3 年价值会跑赢成长 3%"
• 小盘股与大盘股的差距处于历史极值 → 预期会回归

校准置信度（最难的部分）：

"没有观点"的纪律

Black-Litterman 最重要的洞见之一： 如果你对某个资产没有观点，就不要硬编一个出来。 干脆把它从 P 矩阵里略去。模型会让那个资产保持在均衡权重上。

这条纪律能避免投资者最常犯的错误：对每个资产都抱着薄弱、缺乏支撑的观点，于是在每一处都让组合稍稍"偏离"指数——最后得到一个看起来像主动押注、实则没有任何实质依据的组合。

第 6 部分：把 Black-Litterman 用于退休组合

针对退休场景的调整

经典的 BL 模型以最大化 Sharpe 比率为优化目标。对退休组合来说，你需要修改这个目标，把以下因素考虑进去：

1. 负债匹配（收入需求）：

• 如果你每年需要 6 万美元收入：把它设定为一项"负债"，转而优化盈余的波动率（组合回报相对于收入需求）
• BlackRock 的 ALM（资产负债管理）版 BL 做的正是这件事

2. 回撤约束：

• 修改优化问题：在 95% CVaR 不超过 15% 的约束下最大化回报（即可接受的一年最大亏损）
• 在同样的预期回报下，这会把最优组合推向波动更低的资产

3. 通胀观点：

• 把 TIPS、商品、REITs 纳入作为通胀对冲工具
• 表达观点："美国股票的实际（经通胀调整后）回报会是 4%，而均衡值为 3.5%"
• 当通胀风险升高时，这会自然而然地提高抗通胀资产的配置

给 FIRE 投资者的三个实用 BL 组合

第 7 部分：把 Black-Litterman 与 HRP 结合

机构的组合拳

Goldman Sachs 和 BlackRock 并不会孤立地使用 BL。目前的最佳实践是：

第一步：用 Black-Litterman 生成预期回报 （"该持有什么"的决策）

第二步：用 HRP 或风险平价来确定权重 （"该持有多少"的决策）

为什么？BL 给出的预期回报估计比历史均值更好，但 Markowitz 优化算出的权重依然不稳定。而 HRP 的聚类方法能产出稳定的权重。把两者结合，就取到了双方的长处：

• BL 的预期回报：优于历史平均值，并体现你的观点
• HRP 的权重：稳定，对预期回报的微小变化不敏感
• 结合两者：样本外 Sharpe 比率比单用其中任何一个高 15-25%（学术研究，2020 年）

# 算出上面的 BL_expected 回报之后，改用 HRP 来定权重：
#（不要对 BL 回报做均值-方差优化，改用 HRP）

# 这样既避开了 MVO 的敏感性，又保留了 BL 在回报上的洞见
# BL 回报被用来给资产排序、并对 HRP 的配置作出倾斜
# 而不是直接喂给优化器
                    

结语：什么时候该用 Black-Litterman

BL 最有价值的场景：

• 你有一个包含 5 个以上资产类别的多资产组合
• 你有具体、有依据的观点（基于估值或宏观）想要表达出来
• 你想要一套有原则、透明的框架（每一个配置决策都能解释清楚）
• 你受够了标准 MVO 给出的极端优化结果

BL 用处不大的场景：

• 你持有的是简单的三基金组合（Bogleheads 的做法更简单，也完全够用）
• 你压根没有任何观点（那就照市场权重持有——反正那本来就是 BL 的均衡解）
• 你的观点置信度全都很低（不到 30%）——那么小的调整几乎无关紧要

Fischer Black 和 Robert Litterman 的核心智慧："不确定时，让市场说话。手上有信息时，谦逊地表达它。" 这就是机构做组合构建的方式——不是自负地宣称自己样样都比市场懂，而是有纪律地按照自己真实的置信程度，成比例地表达那些有充分依据的信念。

延伸阅读

原始研究：

• Black, F. & Litterman, R.（1992）：《Global Portfolio Optimization》——Financial Analysts Journal
• He, G. & Litterman, R.（1999）：《The Intuition Behind Black-Litterman Model Portfolios》——Goldman Sachs
• Meucci, A.（2010）：《The Black-Litterman Approach: Original Model and Extensions》——Bloomberg

相关文章：

• 层级风险平价
• 前瞻性回报假设
• 全天候组合
• 另类风险溢价

互动工具：

• 资产配置优化器
• 退休现金流分析器