Portfolio Selection (Markowitz 1952)

Harry Markowitz (The Rand Corporation) · The Journal of Finance, Vol. 7, No. 1 (Mar., 1952), pp. 77-91 · 15 页 · 同时以 Cowles Commission Paper, New Series, No. 60 重印本次归档: raw/papers/195203-portfolio-selection/ (paper.pdf 455 KB + extracted.md)

一句话核心

Markowitz 把「挑选一组证券持有多久」这一步单独拿出来研究：投资者对每只证券的预期收益与协方差形成信念后，如何在「组合期望收益」与「组合收益方差」两个维度上做选择。他先否定了「最大化贴现期望收益」这条规则（它推不出分散化优于集中），再给出期望收益-方差规则 (E-V rule)：投资者偏好高期望收益、低方差，并在几何上把可行组合投影到 (E, V) 平面上，得到有效前沿 (efficient frontier) —— 这套框架是后来所有组合构建与资产定价理论的公共底座。

问题与关键结构

论文把投资决策切成两段：第一段是信念形成（从观察与经验得到对证券未来表现的信念），第二段才是组合选择（从信念出发决定持有什么）。本文只处理第二段。

设第 i 只证券的期望收益为 \pi_i，协方差为 \sigma_{ij}，投资者持仓比例 X_i \ge 0 且 \sum_i X_i = 1（原文明确排除卖空）。组合期望收益与方差为

E = \sum_i X_i \pi_i, \qquad V = \sum_i \sum_j X_i X_j \sigma_{ij}

E-V 规则要求投资者在可行组合集合中挑出「有效」的：对给定的 E 取最小 V，或对给定的 V 取最大 E。作者自陈这只是一个规范性 (normative) 规则 —— 描述理性投资者应当怎么做，而不是对市场行为的实证解释。

关键发现

1. 「最大化贴现期望收益」规则被否决。 只要预期收益与贴现率独立于投资者持有的组合，组合的贴现收益就是各证券贴现收益的加权平均，最优解必然是「全部资金压在贴现价值最高的那一只上」。任何分散化组合都不可能优于它，因此这条规则推不出「分散化优于集中」，必须放弃。

2. 几何结构：等均值线与等方差线。 在三证券情形下，E 与 V 是 X_1, X_2 的函数。E 是平面、V 是抛物面。等均值线（isomean）是一族平行直线，等方差线（isovariance）是一族同心椭圆，椭圆中心即方差最小组合 X。有效组合集由一串连通的线段组成，一端是方差最小点，另一端是期望收益最大点；把 V 对 E 作图得到一串连通的抛物线段。四证券情形是同样的结论，只是可行域从三角形变成四面体。

3. 临界线 (critical line)。 在给定 E 的等均值线上取到 V 最小的点记为 X(E)；代数考虑表明 X(E) 随 E 描出一条直线，即临界线，它通过方差最小点。有效集的一段就是临界线的一部分，其余部分沿可行域边界延伸。

4. 分散化的正确理由是协方差，不是只数资产个数。 原文明确说：一个持有六十只铁路股票的组合，不会比「一些铁路股、一些公用事业股、采矿股、若干制造业股」的同规模组合更分散，因为同行业公司更可能同时表现糟糕。要把方差压小，必须避开彼此协方差高的证券。

5. 两个方差相同的组合合起来，方差通常低于任一单独组合（除非两者收益完全正相关，此时才相等）。

6. 风险测度可用标准差或变异系数替换方差，选择仍在有效集内；而三阶矩 M_3 与「赌博倾向」有关，若效用同时依赖 E, V, M_3 且 \partial U/\partial M_3 \ne 0，连「公允赌局也不接受」的结论都会失守。

重要 caveat

作者在正文里自列两条局限：(1) 没有对 n 证券情形做解析推导，只给出 3 证券与 4 证券的几何图形；(2) 假设信念是静态的，而收益的概率分布一般随时间变化。此外他明确说明本文不处理信念如何形成（「另一码事」），也不讨论卖空（原文写明若允许卖空，最优解会向贴现价值最高的证券投入无限资金）。要用这套框架做实际决策，还需要「合理的 \pi_i 与 \sigma_{ij}」，这需要统计技术加专家判断的结合。

对 quant wiki 的意义

本页讲的「有效前沿」是 Markowitz Curse 的源头：那条诅咒讨论的是 MVO 在估计误差下的病态性，而 MVO 这个优化器本身的形式定义就出自本文。
本文强调「协方差决定一只证券该不该持有」这一点，正是 Risk Parity 用边际风险贡献表达的东西在更早、更粗的形态。
组合层面「最优权重是 \Sigma^{-1} 的线性变换」这一结构，是 Decision-Focused Learning for MVO 一整套现代工作所依赖的决策层形式。