本文作者为 N. C. P. Edirisinghe，来自 University of Tennessee, USA。该研究发表于 *Quantitative Finance Letters*，2013年第1卷第1期，页码为16–20。

本研究属于金融工程与投资组合优化领域，核心问题是基准指数跟踪（index-tracking）下的最优投资组合选择。传统 Markowitz 均值–方差（mean-variance, MV）模型以组合收益率的方差作为风险度量，而指数跟踪型基金管理实践中更关注组合收益率与目标指数收益率之间偏差的波动性。作者在此背景下提出将跟踪误差方差（tracking error variance）作为风险目标，构建一种新的指数跟踪优化模型，并系统比较其与经典 MV 最优组合之间的结构与性质差异。文章的创新之处在于不依赖历史收益序列进行误差最小二乘拟合，而是直接从资产收益参数和指数协方差结构出发，以解析形式刻画跟踪有效（tracking-efficient, TE）组合。

在方法上，作者首先定义组合收益率 rp 与指数收益率 rm 之间跟踪误差的方差 var(rp − rm)。根据协方差展开，该跟踪误差方差等于组合方差 σ²p 加上指数方差 σ²m，再减去 2σ²mβp，其中 βp 为组合的 β 值，即组合相对于指数的系统性风险暴露。由于指数方差与组合权重无关，原最小化问题可等价转化为最小化 ¹⁄₂ x′Vx − σ²m β′x，并满足期望收益率约束 μ′x = m 和预算约束 1′x = 1。模型中的 x 为 n 个风险资产的投资权重向量，V 为资产收益协方差矩阵，μ 为期望收益率向量，β 为资产 β 向量。

作者构造拉格朗日函数并导出 Karush–Kuhn–Tucker（KKT）一阶条件，得到线性系统 A [x; λ; ρ] = [σ²mβ; m; 1]，其中 A 由资产协方差矩阵 V 和约束矩阵 b = [μ : 1] 组成。为得到解析解，作者引入 b 的正交补矩阵 b⊥，并利用分块矩阵求逆公式证明 A 在 b′⊥Vb⊥ 满秩时非奇异。由此，TE 最优组合权重可表示为 x* = r [m; 1] + σ²m qβ，其中 q = b⊥(b′⊥Vb⊥)⁻¹b′⊥，r = (Iₙ − qV)(b′)r。这里 q 仅依赖于资产参数 μ 和 V，而不依赖目标收益率 m。该表达式奠定了与 MV 模型对比的理论基础。

经典 MV 模型同样为最小化 ¹⁄₂ x′Vx，并具有相同的收益与预算约束，其最优权重为 x̃ = r [m; 1]。比较两式可得核心命题：TE 组合等于 MV 组合加上一个常数调整向量 σ²m qβ。该调整量与目标收益率 m 无关，但正比于指数方差 σ²m，并依赖于资产 β 向量和 q 矩阵。因此，任意 MV 有效组合均可通过固定权重调整快速扩展为对应收益水平下的指数跟踪组合，反之亦然。

作者进一步分析 TE 组合与 MV 组合在 β 值和方差上的差异。首先证明 q 为正定矩阵，因此 β′qβ > 0。由此可得：在相同期望收益水平下，TE 组合的 β 值比 MV 组合高 σ²m β′qβ；TE 组合收益率方差比 MV 组合高 (σ²m)² β′qβ；而 TE 组合的跟踪误差方差比 MV 组合低 (σ²m)² β′qβ。三者之间的变化幅度均与目标收益率 m 无关，只由指数方差、资产 β 向量以及 q 矩阵决定。这一性质说明，指数跟踪优化并不会改变 MV 有效前沿的形状，而是使有效前沿在风险轴方向上发生横向平移。在低风险区域，TE 组合的分散化程度明显优于 MV 组合；随着期望收益和风险水平提高，跟踪调整项在总方差中所占比例相对减小，因此两条有效前沿逐渐靠近并趋于重合。

在实证示例部分，作者选取 2009 年至 2012 年五只科技股 AAPL、CSCO、IBM、MSFT 和 ORCL 的月度收益数据，以 S&P 500 指数为跟踪基准。样本期内 S&P 500 指数的月度收益标准差 σm 为 4.28%，平均收益 μm 为 1.23%。资产收益均值向量、标准差、相关系数矩阵和 β 向量由历史数据估计得到。通过 MATLAB 中的 null 函数和矩阵运算可方便地计算 b⊥ 和 q 矩阵。数值结果显示 β′qβ = 152.9525，因此 σ²m β′qβ = 0.2799，(σ²m)² β′qβ = 5.13 × 10⁻⁴。

当设定目标收益率 m = 1.23%，即等于 S&P 500 指数平均收益时，MV 最优组合权重为 x̃ = [−0.1843, −0.0963, 0.9751, 0.4345, −0.1290]′，其中有三只股票为卖空头寸，且 IBM 的多头头寸高达 97.51%。相应地，调整向量 σ²m qβ = [0.1346, 0.1917, −0.4404, −0.0969, 0.2109]′。将其加到 MV 组合上，得到 TE 组合权重 x* = [−0.0497, 0.0955, 0.5347, 0.3376, 0.0819]′。可以看出，TE 组合仅保留 AAPL 一只股票的卖空头寸，且 IBM 的头寸由 97.51% 大幅降至 53.47%，组合权重分布更为均衡。MV 组合方差为 1.67 × 10⁻³，加上常数增量 5.13 × 10⁻⁴ 后得到 TE 组合方差 2.183 × 10⁻³。MV 组合的 β 值为 0.6289，TE 组合 β 值则提高至 0.9089。该结果与理论命题完全一致。

在组合绩效模拟中，作者比较了 2009 年 4 月至 2012 年 12 月的累计月度收益表现。结果显示，TE 组合的跟踪误差均方根（RMS）为 2.71%，低于 MV 组合的 3.53%，表明 TE 组合在样本期内更紧密地跟随 S&P 500 指数的波动路径。作者也指出，该示例仅使用五只科技股，覆盖范围远小于 S&P 500 指数本身涵盖的十大经济板块，因此并非旨在实际复制指数，而仅用于演示所提出的方法。在现实中，运行良好的 S&P 500 指数基金的跟踪误差通常不超过 0.05%。

文章的结论是：本文提供了一种指数跟踪最优组合的闭式解。TE 组合可通过在 MV 组合的基础上施加常数权重调整而得到，该调整与目标收益无关，但依赖于指数方差和资产收益协方差参数。TE 组合相比 MV 组合具有更高的 β 值和更高的组合方差，但同时具有更低的跟踪误差方差。随着风险阈值提高，TE 组合与 MV 组合权重逐渐趋同。在低风险区域，TE 组合具有更好的分散化表现。由于解析表达式可直接用于快速再平衡，该模型可支持投资者在指数跟踪模式与 MV 有效模式之间灵活切换，以适应市场状态和资产参数的变化。

本文的主要亮点在于：第一，从跟踪误差方差出发构建了指数跟踪组合优化的解析框架，区别于传统基于历史样本的最小二乘跟踪误差方法；第二，通过分块矩阵求逆和正交补技术，清晰揭示了 TE 组合与 MV 组合之间的线性调整关系；第三，得到了 β 增量、方差增量和跟踪误差降幅的精确解析表达式，且这些量均不随目标收益变化；第四，实证结果表明在相同期望收益下，TE 组合具有更低的跟踪误差 RMS 和更均衡的权重结构。上述结论为指数基金管理中的组合构建与再平衡提供了理论依据和计算上的便利。