歡迎來到資產配置流程與 MVO！

在另類投資的世界裡，挑選正確的「標的」（個別股票或債券）固然重要，但決定將總體「資產大餅」中多少比例配置到不同類別（如私募股權、房地產、對沖基金等）則更為關鍵。這就是所謂的資產配置 (Asset Allocation)。在本章中，我們將探討構建投資組合的正式流程，並深入研究實現此目的最著名的數學工具：均值-變異數最佳化 (Mean-Variance Optimization, MVO)。

如果剛開始覺得這些數學公式有點嚇人，別擔心——我們會把它們拆解成簡單易懂的部分！

1. 資產配置流程

你可以把資產配置想像成投資旅程的「GPS」。沒有這套流程，你就如同盲目駕駛。流程通常遵循特定的步驟：

第一步：確定目標與限制條件
在查看圖表之前，我們必須先問：目標是什麼？（例如：籌集退休金）以及規則有哪些？（例如：我們需要在 5 年內用到這筆錢，或者我們必須避開某些特定產業）。

第二步：資產類別定義
我們決定要使用哪些「容器」。在 CAIA 中，這些通常包含另類投資資產 (Alternative Assets)。一個好的資產類別應該具備相對同質性（類別內部的資產屬性相似），並與其他類別呈現低相關性。

第三步：資本市場預期 (Capital Market Expectations, CME)
這是我們「預測未來」的階段。我們需要為每一種資產類別估算三個數值：
1. 預期報酬 (Expected Returns)（均值）
2. 風險 (Risk)（標準差/變異數）
3. 相關係數 (Correlations)（資產間連動的程度）

第四步：制定策略性資產配置 (Strategic Asset Allocation, SAA)
這是長期的「政策性」投資組合。這是我們設定的目標組合，相信長期下來能達成我們的目標。

快速複習：策略性資產配置 (SAA) 是你的長期計劃；而戰術性資產配置 (TAA) 則是你為了利用短期的市場機會而進行的「短期博弈」。

2. 均值-變異數最佳化 (MVO) 基礎

MVO 是由哈里·馬科維茨 (Harry Markowitz) 所開創。其核心理念很簡單：投資人在給定風險水平下，希望能獲得盡可能高的報酬。

MVO 利用數學來找出投資組合中每一項資產「數學上完美」的權重。要運作 MVO，你必須將三個輸入值餵給這個「機器」：

1. 預期報酬 \( E(R_i) \)
2. 標準差 \( \sigma_i \)
3. 所有資產對之間的相關係數/共變異數 \( \rho_{ij} \)

「冰沙」類比：
將 MVO 想像成製作冰沙的食譜。預期報酬是甜度，而風險是苦味。有些食材（資產）非常甜但也非常苦。MVO 會精確告訴你應該加入多少克的草莓、羽衣甘藍和蛋白粉，才能在不感覺太苦的前提下，調配出最甜的冰沙。

關鍵公式：投資組合預期報酬

\( E(R_p) = \sum_{i=1}^{n} w_i E(R_i) \)

（這僅代表投資組合的報酬是個別資產報酬的加權平均數。）

關鍵公式：投資組合變異數

\( \sigma_p^2 = \sum_{i=1}^{n} \sum_{j=1}^{n} w_i w_j \sigma_{ij} \)

（這看起來很可怕，但它只是意味著投資組合的風險不僅取決於各個部分的風險，還取決於它們如何共同運作——即共變異數 (Covariance)。）

關鍵要點：MVO 證明了透過結合那些不會完全同步波動的資產（分散投資），你可以在不犧牲報酬的情況下降低風險。

3. 有效前緣與效用

如果你將所有可能的資產組合繪製在圖表上（橫軸為風險，縱軸為報酬），你會得到一個形狀類似橫放雨傘的圖形。這個圖形的頂部邊緣就是有效前緣 (Efficient Frontier)。

有效前緣：指在每個風險水平下能提供最大報酬的一組投資組合。沒有理性的投資人會選擇這條線下方的投資組合。

我們如何選擇線上的「正確」點？

這取決於投資人的效用函數 (Utility Function)。效用代表投資人從投資組合中獲得多少「幸福感」，並考慮了他們對風險的厭惡程度。

效用 (\( U \)) 的計算公式為：
\( U = E(R_p) - 0.5 \times A \times \sigma_p^2 \)

其中：
\( A \) = 投資人的風險厭惡係數 (Risk Aversion)。
記憶小撇步：把「A」想像成「Anxiety」（焦慮）係數。較高的 \( A \) 意味著投資人更焦慮/更討厭風險。

常見錯誤：學生經常忘記 MVO 識別的是*整個*有效前緣，而效用函數才是用來為特定客戶挑選該線上具體點位的工具。

4. MVO 的批評與限制

在 CAIA 考試中，你不僅需要知道 MVO 如何運作，還需要知道為什麼它在現實世界中經常失效，特別是涉及另類投資時。

1. GIGO (Garbage In, Garbage Out，垃圾進，垃圾出)
MVO 對輸入值極其敏感。如果你的預期報酬估算偏差僅僅 1%，「最佳」投資組合的權重可能會發生劇烈波動。這稱為估計誤差 (Estimation Error)。

2. 集中化（「角點」問題）
MVO 經常建議你將 100% 的資金投入到一兩種數值表現稍好的資產中，這與分散投資的目標背道而馳！

3. 常態分佈假設
MVO 假設資產報酬遵循「鐘形曲線」。然而，另類投資（如對沖基金）通常具有偏態 (Skewness)（傾向一側）和峰態 (Kurtosis)（厚尾效應/頻繁發生極端事件）。MVO 忽略了這些「黑天鵝」風險。

4. 流動性與交易成本
MVO 假設你可以即時且免費地重新平衡投資組合。對於私募股權或房地產，這是不可能的，因為這些資產缺乏流動性 (Illiquid)。

你知道嗎？由於 MVO 對報酬估計的微小變化非常敏感，許多從業者使用 Black-Litterman 模型或重抽樣效率法 (Resampled Efficiency) 來「平滑」結果，使其更具實用性。

5. 另類投資的實施挑戰

將另類投資納入 MVO 框架時，我們會遇到一些「減速帶」：

逐步挑戰：
1. 滯後定價 (Stale Pricing)：許多另類投資並不進行每日交易。它們的價格是「平滑化」的，這使得它們的波動率看起來比實際更低。
2. 調整數據：為了正確使用 MVO，你必須對房地產等資產的報酬進行「去平滑化 (Unsmooth)」，以找出它們真實的風險。
3. 非線性：具有類似選擇權報酬結構的資產（如某些對沖基金策略）並不適合放入均值-變異數的「盒子」裡。

關鍵要點：雖然 MVO 是一個強大的起點，但 CAIA 從業者必須調整另類投資的輸入值，以避免過度配置到那些僅僅因為定價不頻繁而看起來「安全」的資產。

快速摘要檢核

- MVO 的三個輸入值是什麼？ 預期報酬、標準差與相關係數。
- 什麼是有效前緣？ 代表最佳報酬與風險權衡的曲線。
- MVO 的主要弱點是什麼？ 它對輸入錯誤高度敏感 (GIGO)。
- 風險厭惡 (A) 如何影響選擇？ 較高的「A」會將投資人推向有效前緣的左側（較低風險/較低報酬）。

如果起初覺得這些很棘手，請別擔心！只要記住 MVO 只是一個試圖尋找平衡的計算器。真正的技術在於你提供給計算器數據的品質。