本文题为《Index-tracking portfolio selection with background risk》（基于背景风险的指数追踪投资组合选择），发表于运筹学领域重要期刊《Annals of Operations Research》，在线发表时间为2024年，DOI编号为10.1007/s10479-024-05901-0。论文三位作者分别为：Xiaoxia Huang（黄晓霞）和Tian Sang（桑田），来自中国北京科技大学经济管理学院（School of Economics & Management, University of Science and Technology Beijing）；Chanaka Edirisinghe，来自美国伦斯勒理工学院拉利管理学院（Lally School of Management, Rensselaer Polytechnic Institute）。通讯作者为Chanaka Edirisinghe。该研究得到了北京社会科学基金（项目号23GLA006）的部分资助。
本文属于金融工程与投资组合优化领域的基础性原创研究。研究的核心问题是将“背景风险”（background risk）纳入指数追踪投资组合模型，并分析背景风险对最优投资组合构成、追踪误差（tracking error）以及组合方差风险（variance risk）的影响。
传统Markowitz均值-方差（mean-variance, MV）模型是现代投资组合理论（modern portfolio theory, MPT）的基石，旨在通过分配风险资产权重，在给定收益目标下最小化组合方差。而指数追踪（index tracking）作为一种被动投资策略，则追求尽可能贴近某一市场基准指数（如S&P 500）的表现。Roll（1992）指出，基金经理通常以相对基准指数的表现来评价绩效，此后指数基金快速发展。截至2019年，美国追踪市场指数的基金资产已达4.27万亿美元，被动资金净流入持续超过主动管理基金。
然而，纯粹的指数追踪（pure index tracking, PIT）模型忽视了投资者面临的、无法通过分散化消除的“背景风险”。这些背景风险包括自营收入波动、房地产投资、健康问题导致的意外支出、人力资本与劳动收入变动等，且可能与整体市场具有相关性（Jiang等，2009；Calvet和Sodini，2014）。已有研究表明，背景风险的存在会使投资者表现出更强的风险厌恶倾向（Guiso和Paiella，2008），从而改变标准投资组合选择理论的有效性。
本文的研究目的在于：提出一种在背景风险存在下仍然有效的指数追踪模型，称为“背景风险下的均值增强指数追踪模型”（mean-enhanced index tracking under background risk，简称MTBR模型），并系统地分析背景风险对最优投资组合的影响机制、追踪误差与风险评价的偏差，以及背景资产最优资本配置比例问题。
本研究采用理论建模与数值实证相结合的路径，主要包含以下五个步骤：
第一步：回顾基础模型。 作者首先回顾了Markowitz均值-方差模型（MV模型）与纯指数追踪模型（PIT模型）。在MV模型中，投资者面临期望收益目标约束和全额投资约束，最小化组合方差，其最优解由固定矩阵 r和q 决定，其中 q 依赖于均值向量与协方差矩阵的正交补结构。在PIT模型中，目标函数变为最小化组合收益与基准指数收益之差的方差，即追踪误差方差，最优解在MV解的基础上增加一个由风险资产与市场指数协方差向量（v_rm）以及矩阵q共同决定的修正项。
第二步：引入背景风险并构建MTBR模型。 作者假设投资者将财富分为两部分：比例为w的部分配置于追踪风险资产组合，比例为(1-w)的部分配置于背景资产（background asset），其随机收益记为r_b。模型的目标是使总投资收益（w*r_p + (1-w)*r_b）与市场指数收益r_m之间的追踪误差方差最小化。在背景资产期望收益为零的简化假设下，作者推导出MTBR模型的最优解表达式（命题1）。该解的结构表明：最优组合权重由两部分构成——第一部分是基于调整后目标收益的PIT形式解，第二部分是由背景资产与各风险资产协方差向量（v_rb）以及矩阵q、比例w共同决定的修正项。在背景资产期望收益非零的一般情形下，作者进一步给出了推广的最优解形式（命题2），并通过目标收益的线性变换实现了与PIT模型的可比性。
第三步：进行数值示例验证。 作者选取五只美国股票——Apple、Amazon、IBM、Visa和Google——作为追踪资产，以美国人均可支配个人收入（disposable personal income per capita）作为背景资产，使用2016年10月至2019年9月的月度价格数据估计参数。数值结果显示，设定目标收益t=1%、背景资产配置比例w=0.8时，纯指数追踪组合与MTBR组合的权重构成存在显著差异，组合方差也从0.0027上升至0.0036。这初步验证了背景风险对最优组合构成的实质性影响。
第四步：进行理论比较与敏感性分析。 作者在相同目标收益和相同财富分割条件下，系统比较了MTBR组合与PIT组合在追踪误差和方差风险上的差异。命题3表明，MTBR组合的追踪误差严格低于PIT组合，差异为-(1-w)^2(u-2s+v)，其中u、s、v分别是由风险资产与市场指数及背景资产协方差结构决定的常数。这一结果显示背景风险的存在会使得纯指数追踪投资者的真实追踪误差被显著低估。命题4进一步给出了两者方差风险差异的解析表达式，并指出该差异与目标收益无关，仅依赖于财富分割比例w和协方差结构。命题5和命题7分别分析了方差差异和MTBR组合方差对背景资产配置比例的敏感性，给出了单调递增、单调递减或存在极值点的充分条件。命题6则刻画了追踪误差对w的四种可能敏感性状态，并给出了最优阈值w*的解析公式。
第五步：进行美国市场案例研究。 作者利用道琼斯30只成分股追踪S&P 500指数，背景资产仍为美国人均实际可支配个人收入，数据期间为2009年1月至2018年12月，共120个月。作者首先比较了不同背景资产配置比例下（w=0.8和w=0.9）的最优组合权重，发现部分股票（如AMZN、CVX、INTC、MCD、WMT）的投资方向发生了完全反转。其次，作者进行了样本内模拟，结果显示MTBR组合的追踪误差低于PIT组合，但方差风险更高，验证了忽略背景风险会导致风险低估的结论。最后，作者应用命题6和命题7中的阈值条件，计算出在当前市场条件下，投资者将17.04%的财富配置于背景资产时可使追踪误差最小化，但组合方差随背景资产比例增加而单调上升，因此不存在同时最小化两者的单一最优配置。
本研究的主要理论结果包括：第一，背景风险的存在显著改变最优指数追踪组合的构成，且改变的方向和幅度依赖于风险资产与市场指数、背景资产之间协方差的相对大小。第二，忽略背景风险必然导致追踪误差的系统性低估，低估程度与目标收益和背景资产期望收益无关，但随着配置于背景资产的财富比例增加而以二次函数形式扩大。第三，忽略背景风险同样会导致组合方差风险的评价偏差，偏差方向取决于协方差结构满足的条件。第四，追踪误差和组合方差对背景资产配置比例w的敏感性可由给定的市场参数条件进行分类，在特定条件下存在最优配置阈值。
研究结论指出：投资者在存在背景风险时，不能仅依赖传统的纯指数追踪策略；将背景风险纳入MTBR模型能够有效降低追踪误差。由于最优MTBR组合的追踪误差低于最优PIT组合，所谓的“切点组合”（tangency portfolio）的构成实际上依赖于背景资产的配置比例，这意味着从投资者个体角度看，资产定价应考虑背景投资的影响。该发现对传统指数基金理论和被动投资实践具有重要修正意义。
本研究的亮点主要体现在三个方面：其一，首次将背景风险直接嵌入指数追踪投资组合优化模型，填补了经典指数追踪理论忽略不可保险、不可分散个体风险的空白；其二，推导出MTBR模型与PIT模型在追踪误差和方差风险上的解析差异公式，并给出了完整的敏感性分类条件，具有较强的理论完整性和可操作性；其三，通过美国市场案例研究验证了理论结果，并给出了具有实践指导意义的最优背景资产配置阈值计算方法。该研究不仅为学术研究者提供了在背景风险框架下理解指数追踪效率的新工具，也为个人投资者和财富管理机构在劳动收入风险、房地产等非金融资产存在时的资产配置决策提供了量化依据。