在金融投资领域，由Markowitz提出的均值-方差（Mean-Variance, MV）投资组合理论构成了现代投资科学的基石。该框架因其策略清晰、数学解形式简洁、且存在大量表现稳健的估计器而被广泛使用。然而，大量证据表明，资产收益率并非服从高斯（正态）分布，而是表现出非高斯特性（如偏度、厚尾），且投资者偏好通常超越前两阶矩，从而对均值-方差理论构成了根本性质疑。由此，大量研究转向探索考虑高阶矩（如三阶偏度、四阶峰度）的投资组合策略作为替代。但这些高阶矩策略面临诸多挑战：目标函数繁多且选择不明确、数学模型与数值求解复杂，并且会显著加剧估计风险，导致样本外表现不佳。与此同时，已有大量文献表明，即便资产收益非高斯，对于一大类效用函数而言，投资者选择均值方差有效前沿上的投资组合，其效用损失也微乎其微。
在此背景下，一篇题为《Reconciling mean-variance portfolio theory with non-Gaussian returns》的论文在《European Journal of Operational Research》上发表。该研究由来自比利时鲁汶大学（UCLouvain）鲁汶金融学院与数据分析和建模研究所的Nathan Lassance完成，于2021年6月被接收并在线发表。研究旨在调和经典的均值-方差理论与非高斯收益率现实之间的矛盾，提出了一种新颖的投资组合构建框架。其核心思想并非抛弃均值-方差有效前沿，而是在该前沿上，寻找一个能最优地满足特定高阶矩准则的投资组合。换言之，作者提议通过调整二次效用函数中的风险容忍系数，来最大化一个选定的高阶矩目标函数，从而在保留均值-方差框架所有优势（目标清晰、解析解、估计风险相对较低）的同时，改善投资组合的高阶矩特性。
研究的学术背景根植于投资组合选择理论的核心争论。一方面，均值-方差理论因其简洁性和强大的理论延伸（如资本资产定价模型，CAPM）而经久不衰，并且存在诸如收缩估计、贝叶斯方法、稳健优化等一系列成熟的参数估计技术来应对估计风险。另一方面，资产收益的非高斯性（由Mandelbrot等人早期提出）和投资者对高阶矩的偏好（由Scott & Horvath等人论证）是公认的事实，推动了均值-方差-偏度、条件风险价值（Value-at-Risk, VaR）、期望损失（Expected Shortfall）、下方部分矩（Lower Partial Moment, LPM）等大量高阶矩模型的发展。然而，这些模型在实践中面临“目标函数选择困境”、“计算复杂性”和“估计风险加剧”三大难题。Simaan (2014) 等人的研究曾指出，即使在理想条件下，基于高阶矩的全局最优（Global-Optimal，GOPT）投资组合的样本外机会成本可能为正，意味着使用均值-方差前沿上的组合可能反而更好。本研究正是在此基础上，系统地提出并验证了一种“最优均值方差有效”（Optimal MVE， OMVE）投资组合策略，旨在样本外实现规格误差（使用错误模型）与估计误差（参数不准确）之间更优的权衡。
研究的工作流程包含理论框架构建、实证分析和蒙特卡洛模拟三个主要部分，环环相扣，论证严密。
第一部分：理论框架构建。 作者首先形式化地定义了问题。在静态单期框架下，设资产收益向量为x，其均值为μ，协方差矩阵为Σ。投资组合权重为w。均值方差有效前沿上的投资组合由风险容忍系数λ参数化：在有风险资产时，w(λ) = λΣ⁻¹μₑ（μₑ为超额收益）；在仅有风险资产时，w(λ) = w_GMV + λQμ，其中w_GMV为全局最小方差组合，Q为一个投影矩阵。给定一个高阶矩目标函数C(w)（例如基于Cornish-Fisher展开的VaR、基于Gram-Charlier展开的LPM、或基于泰勒展开的CRRA效用），其全局最优解为w_c。本研究提出的最优均值方差有效组合w(λ_c)则是前沿上使C(w(λ))最大化的那个组合，即λc = argmax{λ∈ℝ⁺} C(w(λ))。这将一个高维、非凸的优化问题（寻找w_c）转化为了一个单变量优化问题（寻找λ_c），极大地简化了计算并将高阶矩的估计风险集中到了一个参数上。
为了深入分析OMVE组合的性质并与GOPT组合进行理论对比，作者在第2.4节考虑了一个特定的、易于处理的场景：投资者具有常数绝对风险厌恶（CARA）效用函数，且资产收益服从高斯混合分布。该分布假设收益由一个高斯成分和一个以一定概率发生的跳跃成分组成，从而引入非高斯特性。在此设定下，作者推导了GOPT组合的近似解析解，它表现为一个三基金分离定理（无风险资产、针对高斯成分的最大夏普比率组合、以及一个针对跳跃成分的组合）。更重要的是，作者提出了一个新的命题，推导出了OMVE组合的近似封闭解。结果表明，OMVE组合是一个两基金组合（无风险资产与基于全体收益的MSR组合），并通过一个缩放因子φ₂来调整对跳跃成分的暴露。该因子与λ无关，意味着所有投资者都应同比例调整其MVE组合以优化CARA效用。理论分析清晰地揭示了两种策略在应对非高斯性上的本质差异：GOPT策略需要识别并额外投资于一个专门控制偏度的“偏度基金”，而OMVE策略则通过调整在原有均值方差两基金上的头寸比例来实现目标。
基于此理论模型，作者进行了蒙特卡洛模拟以比较不同组合的样本外期望CARA效用。模拟中固定了总体参数，重复生成收益数据，在样本内估计各种组合（包括GOPT、OMVE、以及Kan & Zhou提出的三基金组合等），并在样本外评估其效用。结果显示，在几乎所有考虑的样本量下，数值求解得到的真实OMVE组合的样本外表现都优于GOPT组合。此外，一个将OMVE组合与全局最小方差（GMV）组合相结合的三基金扩展版本表现最佳。这从理论上证实了，在存在参数估计误差的情况下，一个“错误设定”但估计更稳健的模型（OMVE）可以战胜“正确设定”但估计不稳定的模型（GOPT），即估计误差可以主导规格误差。
第二部分：实证分析。 为了在真实市场数据中检验OMVE策略的样本外表现，研究使用了五个数据集：三个来自Kenneth French图书馆的日收益率数据集（10个行业组合、25个规模与账面市值比组合、25个规模与盈利能力组合，时间跨度1970年至2020年），以及两个月度收益率数据集（五个MSCI国际指数和五个S&P资产类别指数）。研究考虑了六种投资组合策略：等权重组合（EW）、全局最小方差组合（GMV）、Kan等人提出的最优MVE组合（KWZ）、本研究提出的OMVE组合（w(λ_c)），以及作为对照的全局最优组合（w_c）。作者选用了三个具有代表性且彼此不同的高阶矩目标函数C(w)：1) Cornish-Fisher VaR；2) 基于Gram-Charlier展开的LPM（具体为半方差）；3) 基于四阶矩泰勒展开的常数相对风险厌恶（CRRA）效用。所有组合在仅有风险资产、允许卖空的设定下构建。
实证采用滚动窗口方法：使用5年的估计窗口计算组合权重，随后在1个月的测试窗口内计算样本外收益，每月滚动一次。绩效评估指标包括年化夏普比率、三个目标函数值以及投资组合换手率。为控制估计风险，作者使用了稳健的收缩估计器来估计协方差矩阵以及高阶共矩矩阵。尤为重要的是，所有样本外收益均扣除了交易成本（假设为30个基点），使得结果更具实际意义。
第三部分：蒙特卡洛模拟（深入评估权衡）。 为了更形式化地量化规格误差与估计误差之间的权衡，并验证实证结论在不同市场条件下的普适性，作者进行了大规模的蒙特卡洛模拟。研究采用了基于非高斯因子模型的数据生成过程，模拟资产日收益率。通过改变资产数量（n=10,30,50）和样本内观测值数量（相当于2到10年的日数据），重复生成数据并评估不同组合策略的样本外表现。绩效损失采用Ter Horst等人提出的期望效用损失框架来衡量，即比较样本外实现的C(w)与真实最优组合的C(w_c)之间的差异，该差异可分解为规格误差与估计误差之和。
研究取得的主要结果如下：
在理论分析部分，命题1给出了OMVE组合在高斯混合模型下的近似解析形式，揭示了其通过一个与风险容忍度无关的缩放因子来调整对非高斯（跳跃）风险暴露的机制。随后的模拟结果表明，即使在参数已知的理想情况下，通过数值优化得到的OMVE组合的样本外CARA效用也 consistently优于GOPT组合（见表1），而专门为高斯情形设计的Kan-Zhou三基金组合则表现较差。这初步证实了OMVE策略的理论优势。
在实证分析部分，结果极具说服力。对于三个日收益率数据集（见表3），OMVE组合在几乎所有情况下都实现了比GOPT组合更高的样本外夏普比率和更优的高阶矩目标函数值（即更小的CFVaR、更小的GCLPM、更大的CRRA效用），同时换手率显著更低。这意味着，在日频数据估计相对充分的条件下，脱离均值方差有效前沿去寻找GOPT组合没有任何样本外益处。不仅如此，在有效前沿内部，与常用的GMV组合和KWZ组合相比，OMVE组合通常能提供更好的高阶矩风险调整，同时保持有竞争力的夏普比率。例如，在25个规模与账面市值比组合数据上，以CFVaR为目标时，OMVE组合的夏普比率为1.55，优于GMV的1.56和GOPT的1.21；其CFVaR为-5.50%，优于GMV的-5.50%（持平）和GOPT的-5.51%。
对于月度收益率数据集（见表4），结论基本一致但略有细微差别。OMVE组合依然在绝大多数情况下优于对应的GOPT组合。然而，与日频数据不同，OMVE组合在高阶矩指标上并不总是优于GMV组合，但表现非常接近。同时，OMVE组合的夏普比率和均值通常高于GMV组合。这一发现与Martellini & Ziemann的结论一致，即对于月度数据，较小的样本量使得估计误差更为突出，GMV组合因其对均值估计的依赖度极低而获得了优势。此时，OMVE策略在有效前沿上提供了一个有吸引力的折衷：相比GOPT，它估计更稳健；相比GMV，它提供了更好的均值-方差权衡。
一个有趣的补充分析是探讨偏度与峰度在优化中的相对重要性（见表5）。作者测试了在优化CRRA效用时忽略峰度项（仅优化均值、方差、偏度）的效果。结果显示，即使最终以包含峰度的CRRA来评估，仅优化前三个矩的OMVE和GOPT组合，其表现与优化全部四个矩的组合相差无几，有时甚至更好。这突显了峰度估计的高度不稳定性，提示在实践中忽略峰度优化可能是一个更稳健的选择，但完全忽略偏度优化（即退回到GMV）则并非上策。
在蒙特卡洛模拟部分（见图4），结果有力地支撑了实证结论。在绝大多数模拟情境下（尤其是资产数量n=30,50时），OMVE组合的期望CFVaR损失（即规格误差与估计误差之和）是最小的。仅当资产数量很少（n=10）且样本量非常大时，GOPT组合才略有优势。这证明OMVE策略在广泛条件下实现了更优的误差权衡。此外，尽管OMVE并非为优化夏普比率而设计，但其期望夏普比率损失也 consistently低于GOPT和GMV组合，这得益于其始终位于样本外（近似）均值方差有效前沿上。
本研究得出的核心结论是： 均值-方差投资组合理论与非高斯收益率并非不可调和。通过在校正二次效用风险容忍系数的同时考虑高阶矩目标，投资者可以在均值方差有效前沿上找到一个“最优均值方差有效”组合。该策略样本外表现卓越，因为它巧妙地平衡了规格误差与估计误差。研究发现，从样本外角度看，脱离有效前沿并无益处；然而，在有效前沿上，选择OMVE组合通常优于选择常用的全局最小方差组合或最大夏普比率组合。这一结论在日数据和月数据、不同目标函数、以及考虑了交易成本后均保持稳健。
本研究的亮点与价值主要体现在以下几个方面： 1. 核心创新点：提出了一个新颖且实用的框架，将高阶矩优化嵌入到经典的均值-方差框架内，而非另起炉灶。通过将复杂的高维优化转化为单参数搜索，极大降低了计算复杂度和实施难度。 2. 重要的理论贡献：在特定分布假设下，推导了OMVE组合的近似解析解，并与GOPT组合进行了理论对比，清晰阐释了两类策略处理非高斯风险的本质区别（两基金调整 vs. 三基金分离）。 3. 全面而严谨的验证：研究结合了理论推导、基于真实数据的实证分析（涵盖多个数据集和频率）以及控制性的蒙特卡洛模拟，从多个角度严密地论证了OMVE策略的样本外优势及误差权衡机制。 4. 深刻的实践启示：研究证实了在投资组合实践中，一个估计更稳健的“错误”模型可能优于一个估计不稳定的“正确”模型。这为资产管理者和量化投资者提供了明确的指导：不必盲目追求复杂的高阶矩模型，通过对经典均值方差模型进行简单而巧妙的校准，即可在控制风险的同时提升高阶矩特性与样本外绩效。 5. 拓展了现有文献：本研究深化了Simaan等人关于均值方差近似有效性的研究，将其扩展到更一般的高阶矩目标函数，并明确将GMV组合纳入基准比较，得出了更精细、更具操作性的结论。
这项研究为在非高斯现实世界中应用和发展Markowitz投资组合理论提供了有力的理论支持和实证依据，是一项连接经典理论与现代实践的重要工作。