長庚大學 數位金融科技學系Department of Digital Financial Technology · Chang Gung University
財金觀念辨析

FINANCE / MODELS & PRACTICE

Black–Litterman 模型的實務應用與誤用

The Use and Misuse of the Black–Litterman Model in Practice

從反向最佳化、投資觀點到均衡先驗的可信度,理解模型如何協助資產配置,以及哪些判斷仍須由使用者負責。

CONFIDENCE IN VIEWS

觀點有多可信?

預測是否有資訊,誤差與信心是否有可檢查的依據?

CREDIBILITY OF THE PRIOR

起點有多可信?

基準為何值得採用,資料是否支持其效率?

文章導覽

模型解決了什麼問題?

一談到資產配置,Black–Litterman 模型(以下簡稱 BL 模型)經常被介紹為「結合市場均衡與投資人觀點」的方法。這個說法沒有錯,卻容易讓人以為,只要把預測報酬輸入模型,再設定幾個信心數字,就能得到更好的投資組合。其實,模型的價值與限制,都在於這些輸入背後的依據。

傳統均數—變異數最佳化的一個實務難題,是最適權重對預期報酬非常敏感。歷史平均報酬稍有變動,就可能產生極端持股或大量放空;即使禁止放空,也可能把資金集中於少數資產。Black 與 Litterman 提出的做法,是先以市場均衡隱含的報酬作為起點,再依投資人的觀點及其不確定程度加以調整。投資人因此不必對每一項資產都提出精確預測,也能表達局部的相對看法[1]。

BL 模型提供的是整合資訊與形成配置的架構,本身不會創造預測能力。權重較平穩、配置較符合直覺,是有意義的優點;能否改善未來績效,仍取決於起點是否合理、觀點是否有資訊,以及實際交易的成本。

反向最佳化:能算出來,不等於已被驗證

理解 BL 模型,可以先把一般的最佳化問題倒過來。通常我們先給定預期報酬,再求最適權重;反向最佳化則先給定一組基準權重,推算什麼樣的預期報酬,會使這組權重成為最適選擇。

在標準的無限制均數—變異數設定中,若以超額報酬表示,可寫成:

π=δΣwb(1)

其中,π 是隱含預期超額報酬向量,Σ 是報酬共變異數矩陣,wb 是基準權重,δ 是正的風險趨避係數。在相同風險設定與目標函數下,把這組報酬放回最佳化程序,就會得到原來的基準權重。

這個結果是建構方式所保證的內部一致性,並非市場效率的實證證據。即使給定的是等權重、基金現有持股,或投資委員會指定的配置,也可以計算相應的隱含報酬;但不能僅憑這個計算,就稱它為資產定價理論中的市場均衡。

原始 BL 架構以市場均衡為經濟依據;實務上改採自訂基準,仍可建立有用的配置工具,但應交代基準的選擇理由,並將結果理解為「相對於該基準的調整」。同樣地,能解釋歷史報酬的多因子模型,也不會僅因配適良好,就自動成為市場均衡先驗的替代品。

觀點與信心:需要分開提出依據

BL 模型允許絕對觀點,也允許相對觀點。例如,「未來一年A市場的預期超額報酬為8%」,與「未來一年A市場的預期報酬比B市場高2個百分點」,是不同的輸入。後者沒有指定兩個市場各自的報酬,也不能直接寫成「A市場將上漲2%」。

觀點還必須搭配不確定程度。相同的報酬預測,若估計誤差較大,對配置的影響就應較小。Idzorek 的工作,提供了將使用者指定的信心水準轉為配置調整的方法[2]。但介面上的「80%信心」,不會僅因輸入了這個數字,就成為經統計校準的預測正確機率。

因此,觀點的數值與信心的大小,都需要各自的理由。分析師的判斷,可以回頭檢查過往預測誤差;機器學習的預測,則應以當時可取得的資料進行樣本外評估。若只因某套參數在同一段歷史資料上表現最好,就宣稱觀點可信,便可能把過度配適包裝成信心。

另外,若觀點與其他估計都來自相同資料,不能未加說明就當作彼此獨立的資訊,否則容易低估不確定性。Zhou 將報酬資料的概似資訊納入 BL 架構的研究,也提醒我們:資料如何進入模型,本身就是需要明確處理的問題[3]。

被忽略的問題:均衡先驗有多可信?

實務討論常問:「我們對投資人的觀點有多少信心?」另一個同樣重要的問題卻較少被提出:「我們對作為起點的均衡報酬,有多少信心?」

兩種信心不能混為一談。投資人可能沒有可靠的主動觀點,但這不代表所選基準必然有效率;也可能掌握有價值的新資訊,卻仍認為市場均衡是值得保留的起點。若只調整觀點的信心,卻把均衡先驗視為不容質疑,模型就可能過度貼近一個欠缺支持的基準。

這也是「均衡先驗可信度」這個研究問題的出發點:讓資料對起點的合理性提供證據,而不只是對主動觀點提供證據。例如,Gibbons、Ross 與 Shanken 提出的 GRS 檢定,可在其統計假設下,透過聯合檢驗報酬迴歸的截距是否為零,評估給定投資組合相對於受檢資產的均數—變異數效率[4]。

若資料明顯不支持基準效率,便有理由重新檢視對均衡先驗的依賴程度;若未拒絕,也只能說證據不足以否定,不能當成均衡已被證明正確。檢定結果會受到樣本期間、受檢資產與檢定力影響;其 p 值也不是「先驗正確的機率」,不能直接當作貝氏權重。

衡量觀點的可信度,也要檢視起點的可信度。穩定的配置,需要可說明的依據。

如何把模型用得更好?

BL 模型的實務應用,可以從幾個具體問題開始檢查:

從模型輸入到績效評估
環節合理的使用方式容易發生的誤用
基準說明市場範圍、權重來源與經濟依據。把任意權重反推出的報酬,視為已驗證的市場均衡。
觀點明確交代預測期間、絕對或相對報酬及資料來源。混用總報酬與超額報酬,或把年預測直接搭配月風險估計。
不確定性分別說明先驗與觀點的不確定性,檢查參數敏感度。把主觀信心當作客觀機率,或只用回測績效挑選參數。
績效與原基準及簡單策略比較,納入成本、換手率與樣本外表現。僅因權重看起來合理,或樣本內夏普比率較高,就認定模型有效。

其中,參數的意義也要配合模型設定理解。例如,常見設定以 τ 調整先驗不確定性、以 Ω 表示觀點誤差;若 Ω 同時按 τ 的相同比例縮放,τ 對後驗平均報酬的影響可能相消。因此,不能脫離 Ω 的設定,單獨宣稱「調整 τ 就能控制所有情況下的配置積極程度」。後續採用哪一種風險矩陣、是否納入放空與持股限制,也會影響最終權重。

BL 模型值得採用,因為它要求投資人把基準、觀點與不確定性放在同一個架構中討論。要發揮這個優點,就必須持續追問:為什麼選這個起點?為什麼相信這個預測?什麼證據足以支持配置的調整?能回答這些問題,模型才真正成為投資判斷的工具。

參考文獻

[1]Black, F., and Litterman, R. (1992). Global portfolio optimization. Financial Analysts Journal, 48(5), 28–43. doi:10.2469/faj.v48.n5.28.

[2]Idzorek, T. M. (2007). A step-by-step guide to the Black–Litterman model: Incorporating user-specified confidence levels. In S. Satchell (Ed.), Forecasting Expected Returns in the Financial Markets, 17–38. Academic Press. 出版社章節.

[3]Zhou, G. (2009). Beyond Black–Litterman: Letting the data speak. The Journal of Portfolio Management, 36(1), 36–45. doi:10.3905/JPM.2009.36.1.036.

[4]Gibbons, M. R., Ross, S. A., and Shanken, J. (1989). A test of the efficiency of a given portfolio. Econometrica, 57(5), 1121–1152. doi:10.2307/1913625.