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:
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:
| 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.