华尔街公司从麻省理工学院招聘是有原因的。
对许多投资者来说，金融市场完全由数学方程控制，这些数学方程应用于证券价格和交易量等变量。他们通过评估回报率、波动性、平均值和平均水平来计算出哪种证券能让他们赚到最多的钱。它被认为是一种替代投资基于标的资产，你可以在投资该金融产品或证券之前，确定该公司的质量实力。虽然这些方法通常是相互排斥的，但大多数精明的投资者在分析时都考虑了这两种方法的因素。
均值-方差优化是基于数据的投资．它是衡量资产风险和可能回报的过程，并基于风险/回报比率进行投资。下面是它的工作原理。
什么是均值-方差优化?
均值-方差分析是投资者用来帮助分散投资组合风险的工具。在这种方法中，投资者测量资产的风险，用“方差”表示，然后将其与资产的可能回报进行比较。均值-方差优化的目标是基于风险使投资回报最大化。
这是投资组合优化的一般方法的一部分现代投资组合理论．正如我们在解释这个概念的文章中所写的，一个优化组合应根据投资者所选择的风险程度，产生可能的最高回报。它还应该为投资者的首选回报带来最小的风险。
投资者将使用均值-方差优化来创建各种资产的风险/回报数据集。他们可以根据这些信息进行投资。这种分析可以帮助投资者分散不同风险水平的投资组合，并根据优先回报选择投资。
实践中的均值-方差优化
均值-方差分析有两个要素:用方差表示的风险;奖励，表示回报。
方差
投资者会衡量基于波动性的风险给定资产的。这不是一个简单的平均数，而是一种基于资产价格在一段时间内变化幅度和变化速度的计算。重要的是要理解方差度量所有方向的波动性。例如，考虑两支股票:
- 股票A的价格在三个月的时间里分别上涨了10%、15%和12%。
- 股票B的价格在同一时期变化了1% - 2%和- 1%
尽管对投资者来说，B股的表现客观上较差，但其价格的变动幅度远小于a股，因此波动性较小。因此，股票a的方差比股票B的方差大。投资者也将其称为资产的“标准差”。投资者可以衡量不同时期的差异。通常在一年以上。
奖励
资产的预期回报是根据你对其过去收益及其过去波动率的了解来计算的。虽然计算预期收益的细节超出了本文的范围，但我们将在关于资本资产定价模型．然而预期收益很重要，因为它告诉你预期收益。
例如，股票A的预期回报率是5%。这意味着，根据它的收益、损失和波动性，它可能会增长约5%。这并不意味着它会在任何时候上升5%它可能会飙升50%，然后损失30%的价值，留给你的只有5%的总收益。或者它可能会跳涨50%，然后保持在那里，或者失去30%，没有最初的收益。
但总的来说，预期回报告诉你，根据过去发生的情况，长期内可能会发生什么。
优化
一旦你计算出了方差和预期回报，目标就是基于你的风险偏好进行理性投资。在所有条件相同的情况下，当两种证券有相同的预期收益时，你应该选择方差较小的那一种。同样地，当两种资产有相同的方差时，你应该选择具有较高的预期回报．
假设你有三支股票:
- A股-方差9% /预期回报率6%;
- 股票B -方差7% /预期收益率6%
- 股票C -方差9% /预期收益率8%
这意味着股票A的价格相对于假设的平均值波动约9%。这并不意味着股票A的价格会有接近9%的变动。它可能会上涨40%，然后贬值2%。它的价格变化总体上只有9%的波动。与此同时，根据A股的历史收益、损失和波动性，投资者应该预计A股在一段时间内将增值约6%。
预期回报告诉我们A股可能有多赚钱，而波动性告诉我们考虑它的风险有多大。粗略地说，随着时间的推移，它应该会增值约6%，但在任何特定的时间，它往往会波动9%。
作为投资者，我们可以从风险/回报的角度来看待这些资产:
- 股票B的回报较低，但也是所有资产中方差最低的。对于希望控制风险的投资者来说，这可能是一个很好的选择。
- C股的方差更高，但回报也最高。这可能是一个很适合的投资者寻求最大的回报。
- A股对所有投资者来说都不匹配。投资股票B可以以较低的风险获得相同的回报，投资股票C可以以相同的风险获得较高的回报。
底线
当涉及到建立你的投资组合时，你可以把这些数字作为你的起点。如果你已经确定了你满意的风险水平，你可以使用方差来定义你的潜在投资，然后选择表现最好的选项。在另一种选择中，如果你已经定义了一个特定的回报率，你可以选择具有预期回报率的资产，并选择方差最小的资产。
提示
- 考虑和财务顾问谈谈均值-方差优化，以及它如何提高你的投资组合的总回报。找到适合你需求的合适的财务顾问并不难。伟德ios appSmartAsset的免费工具五分钟内帮你找到你所在地区的理财顾问。如果你已经准备好与当地的顾问配对，帮助你实现财务目标，现在开始．
- 复杂的风险回报计算是由金融风险管理他们的见解对追求均值-方差优化的投资者是有用的。
照片出处:©iStock.com/porcorex，©iStock.com/RomoloTavani，©iStock.com/peshkov
