跳到内容
菜单
EN登录
返回探索
应用数学 / 英语

慎入【量化劝退】均值方差最优化投资组合 - 拉格朗日乘数法| 资产组合 均值方差理论

Devils-Advocate · 哔哩哔哩 · 6:38

打开原视频
哔哩哔哩 · Devils-Advocate原视频
阅读与收藏

把讲解展开来看。

被收藏 0

已审核学习内容 · 视频分析 · 中文
阅读完整概览

片段前 62 秒为课程导入，标题页出现“Mean Variant - Lagrange / Lagrangian Method”和中文“均值方差最优化资产组合 / 拉格朗日乘数法”，旁白提到 Markowitz、Ray Dalio、Gary Brinson，并列出微积分、偏微分、线性代数、CAPM、NumPy matrix 等前置要求；背景还浮现 Python 代码与旋转几何图形。62 秒后切到公式板，先给出组合收益 μπ=wTμ+rf(1−wT∗1)=rf+wT(μ−rf1)\mu_{\pi}=w^{T}\mu+r_f(1-w^{T}*1)=r_f+w^{T}(\mu-r_f1)，旁白逐项解释 μ\mu、ww、wTw^{T}、rfr_f、11 的含义，并说明这是风险资产与无风险资产组合的收益表达。随后画面继续列出 Risk Premia、最大化目标函数 max⁡V(w)=[rf+wT(μ−rf1)]−λ2wTΣw\max V(w)=[r_f+w^{T}(\mu-r_f1)]-\frac{\lambda}{2}w^{T}\Sigma w、一阶条件与二阶条件，但这些后续公式在本片段内主要以展示为主，未展开完整推导。 片段先用静态公式页讲均值方差最优化资产组合：把组合收益写成 μp=wTμ+rf(1−wT⋅1)=rf+wT(μ−rf⋅1)μ_p = w^Tμ + r_f(1 - w^T\cdot 1) = r_f + w^T(μ - r_f\cdot 1)，指出 μ−rf⋅1μ - r_f\cdot 1 是风险溢价；再构造目标 max V(w)=[rf+wT(μ−rf⋅1)]−λ/2wTΣwV(w) = [r_f + w^T(μ - r_f\cdot 1)] - λ/2 w^TΣw，解释 λ 为风险厌恶、方差项为惩罚。随后对 w 求偏导得一阶条件 (μ−rf⋅1μ - r_f\cdot 1) - λΣw^*，并用 Hessian HV(w^*) = -λΣ<0Σ < 0 确认最大值。约 105 秒后切到拉格朗日乘数法页，给出一般式 f(x)+Σj=1mλj(gj(x)−bj)f(x) + Σ_{j=1}^m λ_j(g_j(x)-b_j)，并把组合问题写成最小化 1/2wTΣw1/2 w^TΣw，受限于 wTμ=mw^Tμ = m 与 wT1=1w^T1 = 1。 这段 120 秒视频用拉格朗日乘数法推导均值方差最优投资组合。前半页先给出原始问题：最小化 1/2wTΣw1/2 w^TΣw，受限于 wTμ=mw^Tμ=m 与 wT1=1w^T1=1；随后构造拉格朗日函数 L(w,λ,γ)L(w,λ,γ)，并逐项解释风险、收益约束和权重和约束。中段对 w 求一阶条件，得到 Σw+λμ+γ1=0Σw+λμ+γ1=0，再变形为 w*=Σ−1(λμ+γ1)Σ^{-1}(λμ+γ1)。接着把 w* 代回两条约束，引入 A=1TΣ−11A=1^TΣ^{-1}1、B=1TΣ−1μB=1^TΣ^{-1}μ、C=μTΣ−1μC=μ^TΣ^{-1}μ，解出 λ=(Am-B)/(AC-B^2) 与 γ=(C-Bm)/(AC-B^2)，最后回代得到最优权重。结尾右侧出现 Python 代码，把公式中的 A、B、C、Lam、Gamma、weights 逐项实现。 本片段以左右分栏方式讲解均值-方差投资组合优化的拉格朗日乘数法。左侧给出拉格朗日函数、一阶条件、最优权重表达式、代入约束后的二元方程组以及乘子闭式解；右侧用 Python 代码展示如何由标准差和相关系数构造协方差矩阵 SRS，再计算 A、B、C、Lam、Gamma 和最终 weights。讲者重点说明代码变量与公式符号的对应关系，如 U 代替 μ\mu、SRS 对应 Σ\Sigma，并按“先算 A B C，再求 lambda 和 gamma，最后回代得到最优组合”的顺序总结求解流程。片段末尾提到推导与代码已发布到公众号，未展示最终数值输出。

在学习检查器中查看要点和时刻，或切换阅读标签查看完整笔记。

章节

0:00课程导入与前置要求1:02均值方差优化公式板：组合收益与最优性条件2:00组合收益与风险溢价2:20均值方差目标函数2:55一阶条件3:26二阶条件与极大值验证3:45拉格朗日乘数法与约束示例4:00原始优化问题与两条约束4:3.5构造拉格朗日函数并解释三项4:30对 w 求一阶条件4:41解出 w* 的显式表达4:52把 w* 代回约束5:16引入 A、B、C 并求 λ、γ5:40回代得到最终权重并展示代码6:00SRS 与协方差矩阵构造6:08拉格朗日函数与一阶条件6:15A、B、C 与乘子求解6:24回代得到最优权重6:29资源说明与收尾

学习解说文稿

依据视频画面与讲解整理，并非逐字语音转写。

开场先用投资名言引入主题，说明资产配置与长期稳定收益之间的关系，并点名 Markowitz、Ray Dalio、Gary Brinson 等人物，作为课程动机。

随后明确本讲主题是 mean variance optimization 与 Lagrange method，并给出学习前置：数学上需要微积分、偏微分、线性代数，金融上最好了解 CAPM，编程上最好熟悉 NumPy 的矩阵运算。

进入公式板后，先定义组合收益 μπ\mu_{\pi}。画面把收益拆成两部分：wTμw^{T}\mu 表示风险资产带来的收益，rf(1−wT∗1)r_f(1-w^{T}*1) 表示无风险资产带来的收益；接着整理为 rf+wT(μ−rf1)r_f+w^{T}(\mu-r_f1)，把无风险收益提前，剩余部分写成权重与风险溢价的乘积。

旁白逐项解释符号：μ\mu 是各资产期望收益，ww 是权重，wTw^{T} 是权重转置，rfr_f 是无风险收益率，11 是由 1 组成的对象。这里可直接记住公式结构，但要注意视频对 11 的口头表述较简略。

在同一页下方，视频继续展示 Risk Premia、最大化目标函数、一阶条件和二阶条件。目标函数写成 max⁡V(w)=[rf+wT(μ−rf1)]−λ2wTΣw\max V(w)=[r_f+w^{T}(\mu-r_f1)]-\frac{\lambda}{2}w^{T}\Sigma w，一阶条件写成 ΔV(w∗)=∂V∂w(w∗)=(μ−rf1)−λΣw∗\Delta V(w^*)=\frac{\partial V}{\partial w}(w^*)=(\mu-r_f1)-\lambda\Sigma w^*，二阶条件写成 HV(w∗)=−λΣ<0H V(w^*)=-\lambda\Sigma<0，并注明用于确认 Maximum。本片段主要是把这些公式摆出来，尚未展开完整推导与符号含义说明。

这一段先处理组合收益的表示。画面上方给出 μp=wTμ+rf(1−wT1)=rf+wT(μ−rf1)\mu_p = w^T\mu + r_f(1 - w^T\mathbf{1}) = r_f + w^T(\mu - r_f\mathbf{1})，其中 rfr_f 是无风险收益，ww 是风险资产权重，1\mathbf{1} 是全 1 向量。把右边展开再合并后，收益被写成“无风险基准 + 超额收益加权项”。

紧接着，视频把 μ−rf1\mu - r_f\mathbf{1} 单独命名为 Risk Premia，也就是风险溢价向量。这里的重点是：组合收益并不只看绝对期望收益，而是先看相对无风险利率的超额部分。

下一步进入目标函数。画面写出 max⁡V(w)=[rf+wT(μ−rf1)]−λ2wTΣw\max V(w) = [r_f + w^T(\mu - r_f\mathbf{1})] - \frac{\lambda}{2}w^T\Sigma w。前一项承接上面的收益表达，后一项把组合方差作为惩罚项扣除；λ\lambda 越大，说明越厌恶风险。

这里还要注意一个记号差异：音频把方差项读成 wωww\omega w，但画面实际写的是 wTΣww^T\Sigma w。两者在本片段里指同一个二次型风险项，只是口头记号和板书记号不一致。

有了目标函数后，视频开始求极值。因为要最大化 V(w)V(w)，所以对权重向量 ww 求偏导，得到一阶条件 ΔV(w∗)=∂V∂w(w∗)=(μ−rf1)−λΣw∗\Delta V(w^*) = \frac{\partial V}{\partial w}(w^*) = (\mu - r_f\mathbf{1}) - \lambda\Sigma w^*。这一步的含义是：在最优权重 w∗w^* 处，边际超额收益与边际风险惩罚相互抵消。

视频还解释了 w∗w^* 的意义：它不是单个数，而是包含各资产权重的向量；若有四个资产，w∗w^* 就含有四个分量。

一阶条件只给出驻点，还需要判断它是极大还是极小。于是画面继续给出二阶条件 HV(w∗)=−λΣ<0HV(w^*) = -\lambda\Sigma < 0，并标注 confirms we found Maximum。也就是说，Hessian 为负时，驻点对应最大值。

这里音频用了“开口向下/开口朝上”的说法，这是一元函数的直观比喻；严格对应到本片段的多变量优化，应理解为 Hessian 的负定性判别。

随后页面切换到 Lagrange Method。新的公式页先给出一般拉格朗日函数 f(x)+∑j=1mλj(gj(x)−bj)f(x) + \sum_{j=1}^{m}\lambda_j(g_j(x) - b_j)，其中求和项被标注为 Penalty，表示乘子项用来施加约束惩罚。

接着视频把这个一般形式落到组合优化上：目标写成 min⁡(w):12wTΣw\min(w): \frac{1}{2}w^T\Sigma w，旁边注明这是“风险”；约束写成 wTμ=mw^T\mu = m 与 wT1=1w^T\mathbf{1} = 1，分别表示组合回报等于目标 mm、所有权重之和等于 1。片段在这里结束，尚未继续求解乘子和最优权重。

视频一开始先把问题摆明：这是一个均值方差优化问题，目标是最小化组合风险 12wTΣw\frac{1}{2}w^{T}\Sigma w，同时要满足两条约束，一条是组合期望收益 wTμ=mw^{T}\mu=m，另一条是所有资产权重相加 wT1=1w^{T}\mathbf{1}=1。这里的 ww 是待求的资产权重向量，Σ\Sigma 是协方差矩阵，μ\mu 是期望收益向量，mm 是目标收益。

接着画面把原问题展开成拉格朗日函数 L(w,λ,γ)=12wTΣw+λ(m−wTμ)+γ(1−wT1)L(w,\lambda,\gamma)=\frac{1}{2}w^{T}\Sigma w+\lambda(m-w^{T}\mu)+\gamma(1-w^{T}\mathbf{1})。讲解者按顺序说明这三项分别对应风险项、收益约束项和权重和约束项，因此 λ\lambda 与 γ\gamma 是两个约束对应的乘子。

然后进入求解第一步：对 ww 求偏导。屏幕上写出一阶条件 ∂L(w,λ,γ)∂w=Σw+λμ+γ1=0\frac{\partial L(w,\lambda,\gamma)}{\partial w}=\Sigma w+\lambda\mu+\gamma\mathbf{1}=0。这一步的作用是把“最优权重应满足什么条件”从函数形式转成方程形式。

在这个方程里，视频继续做代数变形，把 ww 单独解出来，得到 w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})。这说明如果乘子 λ\lambda、γ\gamma 已知，最优权重就能直接写出；问题于是转化为怎样确定这两个乘子。

接下来把 w∗w^* 代回原来的两条约束。收益约束变成 μTΣ−1(λμ+γ1)=m\mu^{T}\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})=m，权重和约束变成 1TΣ−1(λμ+γ1)=1\mathbf{1}^{T}\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})=1。展开后，就得到一个只含 λ\lambda 和 γ\gamma 的二元线性方程组。

为了让方程组更好看，视频引入三个标量 A=1TΣ−11A=\mathbf{1}^{T}\Sigma^{-1}\mathbf{1}、B=1TΣ−1μB=\mathbf{1}^{T}\Sigma^{-1}\mu、C=μTΣ−1μC=\mu^{T}\Sigma^{-1}\mu。于是前面的两条方程可以压缩成 λC+γB=m\lambda C+\gamma B=m 与 λB+γA=1\lambda B+\gamma A=1。这一步不是新结论，而是把复杂表达式重新命名，方便求解。

随后直接给出解：λ=Am−BAC−B2\lambda=\frac{Am-B}{AC-B^{2}}，γ=C−BmAC−B2\gamma=\frac{C-Bm}{AC-B^{2}}。视频没有逐步展示消元过程，但公式结构表明这是由二元线性方程组解出的闭式结果，并要求分母 AC−B2AC-B^{2} 不为零。

最后，讲解者强调真正的目标不是乘子本身，而是权重向量 ww。把求得的 λ\lambda、γ\gamma 代回 w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})，就得到最优投资组合中每个资产的权重。右侧同时出现 Python 代码，依次构造 `SRS`、`ones`，再计算 `A`、`B`、`C`、`Lam`、`Gamma` 和 `weights`，把左侧公式逐项翻译成可执行实现。

画面一开始就是左右对照：左边写着 Lagrange Method / 拉格朗日乘数法，右边是一段 Python 代码。讲者先指着代码里的 SRS，说它等于 sigma 乘以 correlation 乘以 sigma 的转置。这里的数学含义很清楚：公式中的协方差矩阵 Σ\Sigma 在代码里被命名为 SRS，而它是用标准差向量和相关系数矩阵拼出来的。

接着镜头仍停留在同一页，左侧公式区能看到拉格朗日函数 L(w,λ,γ)=12wTΣw+λ(m−wTμ)+γ(1−wT1)L(w,\lambda,\gamma)=\frac12 w^T\Sigma w+\lambda(m-w^T\mu)+\gamma(1-w^T\mathbf{1})，下面是一阶条件 Σw+λμ+γ1=0\Sigma w+\lambda\mu+\gamma\mathbf{1}=0，再下面是 w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})。讲者此时补充说，代码里的 B 和 C 与 A 同理算出，并且公式中的 μ\mu 在代码里用 U 代替。这一段把理论符号和编程变量正式对齐。

随后讲者进入求解顺序：先把 A、B、C 算出来，再代入 lambda 和 gamma。画面上，左侧已经把权重表达式代回两个约束，整理成 Cλ+Bγ=mC\lambda+B\gamma=m 与 Bλ+Aγ=1B\lambda+A\gamma=1；右侧代码则分别用矩阵乘法计算 A、B、C。这里的推理依据是：只要把 w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1}) 代入收益约束和预算约束，就会得到一个只含两个未知乘子的线性方程组。

接下来画面给出乘子的闭式解 λ=Am−BAC−B2\lambda=\frac{Am-B}{AC-B^2}、γ=C−BmAC−B2\gamma=\frac{C-Bm}{AC-B^2}，右侧代码也对应写成 Lam 和 Gamma。讲者说最后把 lambda 和 gamma 带入 weights，得到最优组合。这一步衔接的是最底部的公式 w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})：一旦两个乘子确定，最优权重就能直接算出。

最后十几秒没有新增推导，画面仍是同一张左右分栏图，底部出现“公众号:魔鬼代言者”水印。讲者说明这里的推导和代码都贴到了公众号上，感谢观看。就数学内容而言，这一段是对前面完整求解链的收束：从拉格朗日函数出发，经一阶条件、约束回代、求解乘子，再到代码实现最优权重。

知识卡片

01

课程主题与前置知识

本片段开头把主题定为“均值方差最优化资产组合”和“拉格朗日乘数法”。旁白先以资产配置的重要性作导入，再列出学习门槛：数学上需要微积分、偏微分、线性代数；金融上最好懂 CAPM；编程上最好会 NumPy 的 matrix 矩阵运算。此卡对应导入部分，不涉及具体推导。

02

组合收益 μπ\mu_{\pi} 的定义

画面给出 μπ=wTμ+rf(1−wT∗1)=rf+wT(μ−rf1)\mu_{\pi}=w^{T}\mu+r_f(1-w^{T}*1)=r_f+w^{T}(\mu-r_f1)。旁白解释 μ\mu 是各风险资产的期望收益，ww 是权重，wTw^{T} 是权重转置，rfr_f 是无风险收益率，11 是由 1 组成的对象。公式前半段把收益分成风险资产部分与无风险资产部分，后半段把它整理成无风险收益加权风险溢价的形式。

μπ=wTμ+rf(1−wT∗1)=rf+wT(μ−rf1)\mu_{\pi}=w^{T}\mu+r_f(1-w^{T}*1)=r_f+w^{T}(\mu-r_f1)
03

Risk Premia 表达式

片段把 (μ−rf∗1)(\mu-r_f*1) 单列为 Risk Premia。它表示各风险资产期望收益减去无风险收益率后的向量形式，并直接进入组合收益的整理式与后续目标函数。视频在本片段内没有进一步口头解释其经济学定义。

μ−rf∗1\mu-r_f*1
04

最大化目标函数的展示

画面给出 max⁡V(w)=[rf+wT(μ−rf1)]−λ2wTΣw\max V(w)=[r_f+w^{T}(\mu-r_f1)]-\frac{\lambda}{2}w^{T}\Sigma w。可以直接确认的是：目标函数由组合收益项减去一个含 λ\lambda 与 Σ\Sigma 的二次型项组成。本片段没有解释 V(w)V(w)、λ\lambda、Σ\Sigma 的含义，也没有说明最大化问题的完整约束。

max⁡V(w)=[rf+wT(μ−rf1)]−λ2wTΣw\max V(w)=[r_f+w^{T}(\mu-r_f1)]-\frac{\lambda}{2}w^{T}\Sigma w
05

一阶条件与二阶条件

在同一公式板上，视频继续给出 ΔV(w∗)=∂V∂w(w∗)=(μ−rf1)−λΣw∗\Delta V(w^*)=\frac{\partial V}{\partial w}(w^*)=(\mu-r_f1)-\lambda\Sigma w^*，以及 HV(w∗)=−λΣ<0H V(w^*)=-\lambda\Sigma<0，后者旁边注明“confirms we found Maximum”。这说明画面按“目标函数—一阶条件—二阶条件”的顺序展示最优性判据，但本片段没有展示从目标函数到这两个条件的推导过程，也没有解释矩阵不等式的严格含义。

ΔV(w∗)=∂V∂w(w∗)=(μ−rf1)−λΣw∗,HV(w∗)=−λΣ<0\Delta V(w^*)=\frac{\partial V}{\partial w}(w^*)=(\mu-r_f1)-\lambda\Sigma w^*,\quad H V(w^*)=-\lambda\Sigma<0
06

含无风险资产的投资组合收益率

视频把组合收益写成风险资产收益与无风险资产收益的加权和，再改写成以无风险利率为基准的形式。

μp=wTμ+rf(1−wT1)=rf+wT(μ−rf1)\mu_p = w^T\mu + r_f(1 - w^T\mathbf{1}) = r_f + w^T(\mu - r_f\mathbf{1})
07

风险溢价向量

在组合收益改写式中，μ−rf1\mu - r_f\mathbf{1} 被定义为风险溢价，表示各资产相对无风险利率的超额期望收益。

μ−rf1\mu - r_f\mathbf{1}
08

均值方差优化目标函数

目标函数把收益最大化与方差惩罚放在一起：收益项来自前面的组合收益表达，风险项是 λ2wTΣw\frac{\lambda}{2}w^T\Sigma w，λ\lambda 衡量风险厌恶程度。

max⁡V(w)=[rf+wT(μ−rf1)]−λ2wTΣw\max V(w) = \left[r_f + w^T(\mu - r_f\mathbf{1})\right] - \frac{\lambda}{2}w^T\Sigma w
09

一阶条件

对 V(w)V(w) 关于权重 ww 求偏导并令其为零，得到最优权重 w∗w^* 满足的条件。

ΔV(w∗)=∂V∂w(w∗)=(μ−rf1)−λΣw∗\Delta V(w^*) = \frac{\partial V}{\partial w}(w^*) = (\mu - r_f\mathbf{1}) - \lambda\Sigma w^*
10

二阶条件与最大值判定

视频用 Hessian 判断驻点性质，给出 HV(w∗)=−λΣ<0HV(w^*) = -\lambda\Sigma < 0，并据此确认求得的是最大值。

HV(w∗)=−λΣ<0HV(w^*) = -\lambda\Sigma < 0
11

拉格朗日函数一般形式

带 mm 个等式约束的优化问题可写成目标函数加乘子惩罚项之和。

f(x)+∑j=1mλj(gj(x)−bj)f(x) + \sum_{j=1}^{m}\lambda_j(g_j(x) - b_j)
12

风险最小化与组合约束

在拉格朗日示例中，目标是最小化半方差风险，同时要求组合收益等于 mm、权重和等于 1。

min⁡(w):12wTΣw,s.t. wTμ=m,  wT1=1\min(w): \frac{1}{2}w^T\Sigma w,\quad \text{s.t. } w^T\mu = m,\; w^T\mathbf{1} = 1
13

均值方差优化原始问题

视频先给出待求解的优化问题：在目标收益和预算约束下最小化组合风险。目标函数是 12wTΣw\frac{1}{2}w^{T}\Sigma w，两条约束分别是 wTμ=mw^{T}\mu=m 与 wT1=1w^{T}\mathbf{1}=1。其中 ww 是资产权重向量，Σ\Sigma 是协方差矩阵，μ\mu 是期望收益向量，mm 是目标组合收益，1\mathbf{1} 是全 1 向量。

min⁡w  12wTΣws.t.wTμ=m,  wT1=1\min_{w}\;\frac{1}{2}w^{T}\Sigma w\quad\text{s.t.}\quad w^{T}\mu=m,\;w^{T}\mathbf{1}=1
14

拉格朗日函数的三项含义

为了把带约束优化转成可求导的问题，视频构造拉格朗日函数 L(w,λ,γ)=12wTΣw+λ(m−wTμ)+γ(1−wT1)L(w,\lambda,\gamma)=\frac{1}{2}w^{T}\Sigma w+\lambda(m-w^{T}\mu)+\gamma(1-w^{T}\mathbf{1})。第一项是风险，第二项对应收益约束，第三项对应权重和约束；λ\lambda、γ\gamma 是相应约束的乘子。

L(w,λ,γ)=12wTΣw+λ(m−wTμ)+γ(1−wT1)L(w,\lambda,\gamma)=\frac{1}{2}w^{T}\Sigma w+\lambda(m-w^{T}\mu)+\gamma(1-w^{T}\mathbf{1})
15

对权重求一阶条件

最优权重必须让拉格朗日函数对 ww 的偏导为零。视频写出 ∂L(w,λ,γ)∂w=Σw+λμ+γ1=0\frac{\partial L(w,\lambda,\gamma)}{\partial w}=\Sigma w+\lambda\mu+\gamma\mathbf{1}=0。这一步把原问题转化为一个线性方程。

∂L(w,λ,γ)∂w=Σw+λμ+γ1=0\frac{\partial L(w,\lambda,\gamma)}{\partial w}=\Sigma w+\lambda\mu+\gamma\mathbf{1}=0
16

最优权重的显式表达

由一阶条件移项并左乘 Σ−1\Sigma^{-1}，得到 w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})。这表示一旦知道两个乘子，最优权重就能直接算出。

w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})
17

把 w* 代回约束

为了确定 λ\lambda 和 γ\gamma，视频把 w∗w^* 代回原始两条约束，得到 μTΣ−1(λμ+γ1)=m\mu^{T}\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})=m 与 1TΣ−1(λμ+γ1)=1\mathbf{1}^{T}\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})=1。展开后就是关于 λ\lambda、γ\gamma 的二元线性方程组。

{μTΣ−1(λμ+γ1)=m1TΣ−1(λμ+γ1)=1\begin{cases}\mu^{T}\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})=m\\\mathbf{1}^{T}\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})=1\end{cases}
18

A、B、C 三个中间量

视频把代入约束后反复出现的标量记为 A=1TΣ−11A=\mathbf{1}^{T}\Sigma^{-1}\mathbf{1}、B=1TΣ−1μB=\mathbf{1}^{T}\Sigma^{-1}\mu、C=μTΣ−1μC=\mu^{T}\Sigma^{-1}\mu。这样方程组可以简写成 λC+γB=m\lambda C+\gamma B=m 与 λB+γA=1\lambda B+\gamma A=1。

A=1TΣ−11,B=1TΣ−1μ,C=μTΣ−1μA=\mathbf{1}^{T}\Sigma^{-1}\mathbf{1},\quad B=\mathbf{1}^{T}\Sigma^{-1}\mu,\quad C=\mu^{T}\Sigma^{-1}\mu
19

拉格朗日乘子的闭式解

由简化后的二元方程组，视频直接给出 λ=Am−BAC−B2\lambda=\frac{Am-B}{AC-B^{2}}，γ=C−BmAC−B2\gamma=\frac{C-Bm}{AC-B^{2}}。这一步要求 AC−B2≠0AC-B^{2}\neq 0。

λ=Am−BAC−B2,γ=C−BmAC−B2\lambda=\frac{Am-B}{AC-B^{2}},\qquad \gamma=\frac{C-Bm}{AC-B^{2}}
20

最终最优权重公式

最后把求得的 λ\lambda、γ\gamma 代回 w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})，得到最优投资组合中每个资产的权重。视频特别强调，最终要求的是 ww，不是中间的乘子。

w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})
21

公式到 Python 代码的对应

右侧代码把解析推导逐项实现：先用 `sigma` 与 `correlation` 构造 `SRS`，再用 `ones` 表示全 1 向量，随后计算 `A`、`B`、`C`、`Lam`、`Gamma`，最后通过 `weights = np.matrix(SRS).I * (Lam*u+Gamma*ones)` 得到最优权重。

weights=np.matrix(SRS).I∗(Lam∗u+Gamma∗ones)weights = np.matrix(SRS).I * (Lam*u+Gamma*ones)
22

拉格朗日函数设定

视频把均值-方差优化写成带两个等式约束的拉格朗日问题：目标是最小化 12wTΣw\frac12 w^T\Sigma w，同时满足期望收益约束 m−wTμ=0m-w^T\mu=0 与预算约束 1−wT1=01-w^T\mathbf{1}=0。对应乘子分别为 λ\lambda 和 γ\gamma。

L(w,λ,γ)=12wTΣw+λ(m−wTμ)+γ(1−wT1)L(w,\lambda,\gamma)=\frac12 w^T\Sigma w+\lambda(m-w^T\mu)+\gamma(1-w^T\mathbf{1})
23

一阶条件与权重表达式

对 ww 求导并令梯度为零，得到 Σw+λμ+γ1=0\Sigma w+\lambda\mu+\gamma\mathbf{1}=0。若 Σ\Sigma 可逆，则可左乘 Σ−1\Sigma^{-1}，得到最优权重的显式形式 w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})。

Σw+λμ+γ1=0,w∗=Σ−1(λμ+γ1)\Sigma w+\lambda\mu+\gamma\mathbf{1}=0,\quad w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})
24

代入约束得到二元方程组

把 w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1}) 代回两个原始约束，视频整理出关于 λ,γ\lambda,\gamma 的线性方程组。为简洁起见，引入标量系数 A=1TΣ−11A=\mathbf{1}^T\Sigma^{-1}\mathbf{1}、B=μTΣ−11B=\mu^T\Sigma^{-1}\mathbf{1}、C=μTΣ−1μC=\mu^T\Sigma^{-1}\mu，于是方程组写成 Cλ+Bγ=mC\lambda+B\gamma=m 与 Bλ+Aγ=1B\lambda+A\gamma=1。

{Cλ+Bγ=mBλ+Aγ=1\begin{cases} C\lambda+B\gamma=m \\ B\lambda+A\gamma=1 \end{cases}

详细学习笔记

按知识点查看条件、步骤和证据。补充解释与视频直接内容分别标明。

符号定义 · 62

μπ\mu_{\pi}

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面 Portfolio Return 下方显示 μπ=wTμ+rf(1−wT∗1)=rf+wT(μ−rf1)\mu_{\pi}=w^{T}\mu+r_f(1-w^{T}*1)=r_f+w^{T}(\mu-r_f1)

  2. 声音
    观察依据

    旁白说“portfolio 的 return，也就是这里的 mu pi”

符号

μπ\mu_{\pi}

含义

投资组合收益

适用范围

标量收益量；视频未说明具体单位

ww

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    μπ\mu_{\pi} 公式中出现 wTμw^{T}\mu 与 (1−wT∗1)(1-w^{T}*1)

  2. 声音
    观察依据

    旁白说“而 w 呢则是我们的权重”

符号

ww

含义

风险资产权重向量

适用范围

视频未明确写出维数；从矩阵运算看为列向量形式参与转置运算

wTw^{T}

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    公式中反复出现 wTw^{T}

  2. 声音
    观察依据

    旁白说“W to the power of T，也就是 W 的 T 次方，代表这个矩阵的转置，也就是它权重的转置”

符号

wTw^{T}

含义

权重向量的转置

适用范围

行向量；用于与列向量做矩阵乘法

μ\mu

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    μπ\mu_{\pi} 公式中出现 wTμw^{T}\mu 与 (μ−rf1)(\mu-r_f1)

  2. 声音
    观察依据

    旁白说“等号后面的 mu 代表这个投资组合里面的每一个资产的期望值”

符号

μ\mu

含义

各风险资产的期望收益向量

适用范围

向量；视频未说明维数

rfr_f

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    μπ\mu_{\pi} 公式中出现 rf(1−wT∗1)r_f(1-w^{T}*1) 与 rf+wT(μ−rf1)r_f+w^{T}(\mu-r_f1)

  2. 声音
    观察依据

    旁白说“Rf 是 risk free rate，也就是无风险收益率”

符号

rfr_f

含义

无风险收益率

适用范围

标量；视频未说明单位

11

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    公式中出现 11，如 (1−wT∗1)(1-w^{T}*1) 与 (μ−rf1)(\mu-r_f1)

  2. 声音
    观察依据

    旁白说“里面的一则是由一组成的矩阵”

待核验内容

  1. 旁白称“矩阵”，但画面公式中该符号承担的是全 1 向量角色；视频未进一步区分向量与矩阵。

符号

11

含义

由 1 组成的向量/矩阵记号

适用范围

视频未明确维数；在公式中与 wTw^{T}、μ\mu、rfr_f 配合使用

(μ−rf∗1)(\mu-r_f*1)

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面显示 Risk Premia 为 (μ−rf∗1)(\mu-r_f*1)

符号

(μ−rf∗1)(\mu-r_f*1)

含义

风险溢价向量

适用范围

向量；视频未说明维数

V(w)V(w)

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面显示 max⁡V(w)=[rf+wT(μ−rf1)]−λ2wTΣw\max V(w)=[r_f+w^{T}(\mu-r_f1)]-\frac{\lambda}{2}w^{T}\Sigma w

待核验内容

  1. V(w)V(w) 的名称未在音频中解释；视频未说明其是否为效用函数。

符号

V(w)V(w)

含义

目标函数

适用范围

以 ww 为自变量的标量函数；视频未说明定义域与值域

λ\lambda

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    目标函数中出现 λ2wTΣw\frac{\lambda}{2}w^{T}\Sigma w；二阶条件中出现 −λΣ-\lambda\Sigma

待核验内容

  1. 视频未解释 λ\lambda 的含义、取值范围或经济意义。

符号

λ\lambda

含义

目标函数中的参数

适用范围

标量；视频未说明定义域

Σ\Sigma

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    目标函数中出现 wTΣww^{T}\Sigma w；二阶条件中出现 −λΣ-\lambda\Sigma

待核验内容

  1. 视频未解释 Σ\Sigma 的含义；从记号看通常为协方差矩阵，但这不是本片段直接说明的内容。

符号

Σ\Sigma

含义

目标函数中出现的矩阵符号

适用范围

矩阵；视频未说明维数与性质

w∗w^*

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    一阶条件写为 ΔV(w∗)=∂V∂w(w∗)=(μ−rf1)−λΣw∗\Delta V(w^*)=\frac{\partial V}{\partial w}(w^*)=(\mu-r_f1)-\lambda\Sigma w^*

待核验内容

  1. 视频未解释 w∗w^* 的求取过程，也未说明它是否唯一。

符号

w∗w^*

含义

一阶条件与二阶条件中讨论的点

适用范围

向量；视频未说明维数

HV(w∗)H V(w^*)

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面标题为 Second order condition (Hessian)，下方给出 HV(w∗)=−λΣ<0H V(w^*)=-\lambda\Sigma<0

待核验内容

  1. 视频未解释 Hessian 的定义；仅以标题和公式呈现。

符号

HV(w∗)H V(w^*)

含义

目标函数在 w∗w^* 处的 Hessian 记号

适用范围

矩阵；视频未说明维数

知识点 · 30

均值方差最优化资产组合

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面顶部标题为 Mean Variance Optimization / 均值方差最优化资产组合

定义
解释

本片段后半部分以“Mean Variance Optimization / 均值方差最优化资产组合”为标题，围绕组合收益、风险溢价和一个含 wTΣww^{T}\Sigma w 项的目标函数展开。视频直接给出的是标题与公式框架，未在本片段内完整解释“均值方差”这一名称的全部含义。

适用条件

  1. 片段内仅展示标题与公式，未给出完整定义展开

投资组合收益公式

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    Portfolio Return 下显示 μπ=wTμ+rf(1−wT∗1)=rf+wT(μ−rf1)\mu_{\pi}=w^{T}\mu+r_f(1-w^{T}*1)=r_f+w^{T}(\mu-r_f1)

  2. 声音
    观察依据

    旁白逐项解释 μπ\mu_{\pi}、μ\mu、ww、wTw^{T}、rfr_f、11 的含义，并说明这是由风险资产和无风险资产组合而成的 portfolio

公式
解释

画面给出组合收益 μπ\mu_{\pi} 的两种等价写法：先写成风险资产收益与无风险资产收益之和，再整理为无风险收益加上权重与风险溢价的内积。旁白明确说明 μ\mu 是各资产期望值，ww 是权重，wTw^{T} 是权重转置，rfr_f 是无风险收益率，11 是由 1 组成的矩阵/向量记号。

公式
μπ=wTμ+rf(1−wT∗1)=rf+wT(μ−rf1)\mu_{\pi}=w^{T}\mu+r_f(1-w^{T}*1)=r_f+w^{T}(\mu-r_f1)
适用条件

  1. 视频未说明 ww、μ\mu、11 的具体维数

  2. 视频未说明权重是否满足和为 1 以外的其他约束

先修条目
  1. μπ\mu_{\pi}
  2. ww
  3. wTw^{T}
  4. μ\mu
  5. rfr_f
  6. 11

风险溢价表达式

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面在 Portfolio Return 下方单列 Risk Premia 为 (μ−rf∗1)(\mu-r_f*1)

待核验内容

  1. 视频未口头解释“Risk Premia”的经济学定义，仅以公式形式给出。

定义
解释

片段将 (μ−rf∗1)(\mu-r_f*1) 标为 Risk Premia，即各风险资产期望收益减去无风险收益率后的向量形式。该表达式随后进入组合收益的整理式和目标函数中。

公式
μ−rf∗1\mu-r_f*1
适用条件

  1. 视频未说明 μ\mu 与 11 的维数匹配细节

先修条目
  1. μ\mu
  2. rfr_f
  3. 11
  4. (μ−rf∗1)(\mu-r_f*1)

最优化目标函数

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面显示 In a market with N risky assets 且 a risk-free as: max⁡V(w)=[rf+wT(μ−rf1)]−λ2wTΣw\max V(w)=[r_f+w^{T}(\mu-r_f1)]-\frac{\lambda}{2}w^{T}\Sigma w

  2. 声音
    观察依据

    本片段音频未解释该目标函数，仅解释了上方组合收益公式

待核验内容

  1. V(w)V(w)、λ\lambda、Σ\Sigma 的含义在本片段内未被口头解释

  2. 画面英文句子末尾为 “risk-free as:”，疑似截断或排版不完整

公式
解释

画面给出一个最大化问题：目标函数 V(w)V(w) 等于组合收益项 rf+wT(μ−rf1)r_f+w^{T}(\mu-r_f1) 减去 λ2wTΣw\frac{\lambda}{2}w^{T}\Sigma w。视频直接展示了公式本身，但没有在本片段内解释为何这样构造、λ\lambda 的作用以及 Σ\Sigma 的具体含义。

公式
max⁡V(w)=[rf+wT(μ−rf1)]−λ2wTΣw\max V(w)=[r_f+w^{T}(\mu-r_f1)]-\frac{\lambda}{2}w^{T}\Sigma w
适用条件

  1. 视频未说明 NN 个风险资产与一个无风险资产之外的其他假设

  2. 视频未说明最大化问题的约束条件

先修条目
  1. 投资组合收益公式
  2. 风险溢价表达式
  3. V(w)V(w)
  4. λ\lambda
  5. Σ\Sigma

一阶条件

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面 First order condition 下显示 ΔV(w∗)=∂V∂w(w∗)=(μ−rf1)−λΣw∗\Delta V(w^*)=\frac{\partial V}{\partial w}(w^*)=(\mu-r_f1)-\lambda\Sigma w^*

待核验内容

  1. 视频未展示该一阶条件的推导过程

  2. 未说明 w∗w^* 如何求得

公式
解释

片段直接给出目标函数在 w∗w^* 处的一阶条件，形式为梯度等于 (μ−rf1)−λΣw∗(\mu-r_f1)-\lambda\Sigma w^*。画面把 ΔV(w∗)\Delta V(w^*) 与 ∂V∂w(w∗)\frac{\partial V}{\partial w}(w^*) 并列写出，表明这里讨论的是对 ww 的一阶导数/梯度条件。

公式
ΔV(w∗)=∂V∂w(w∗)=(μ−rf1)−λΣw∗\Delta V(w^*)=\frac{\partial V}{\partial w}(w^*)=(\mu-r_f1)-\lambda\Sigma w^*
适用条件

  1. 视频未说明该条件是极大值、极小值还是驻点条件本身

  2. 视频未给出求导步骤

先修条目
  1. 最优化目标函数
  2. w∗w^*
  3. (μ−rf∗1)(\mu-r_f*1)
  4. λ\lambda
  5. Σ\Sigma

二阶条件与最大值判断

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面 Second order condition (Hessian) 下显示 HV(w∗)=−λΣ<0H V(w^*)=-\lambda\Sigma<0，并附注 (confirms we found Maximum)

  2. 声音
    观察依据

    本片段音频未解释二阶条件

待核验内容

  1. 视频未解释 Hessian 的定义

  2. 未解释为何 −λΣ<0-\lambda\Sigma<0 就能确认最大值，也未说明 λ\lambda 与 Σ\Sigma 的性质假设

公式
解释

画面给出二阶条件 HV(w∗)=−λΣ<0H V(w^*)=-\lambda\Sigma<0，并在旁边注明这用于确认找到的是 Maximum。片段直接展示了结论式，没有给出判定定理的完整前提说明。

公式
HV(w∗)=−λΣ<0H V(w^*)=-\lambda\Sigma<0
适用条件

  1. 视频未说明矩阵不等式的具体含义

  2. 视频未说明 λ\lambda 和 Σ\Sigma 需要满足什么条件

先修条目
  1. 一阶条件
  2. HV(w∗)H V(w^*)
  3. λ\lambda
  4. Σ\Sigma
  5. w∗w^*

含无风险资产的投资组合收益率

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面给出 Portfolio Return: μp=wTμ+rf(1−wT⋅1)=rf+wT(μ−rf1)μ_p = w^T μ + r_f(1 - w^T \cdot 1) = r_f + w^T(μ - r_f 1)。

  2. 声音
    观察依据

    音频解释 rf 是无风险资产收益，并将式子变换为 rf 加上 w 乘以 μ 减 risk free rate 乘以 1。

公式
解释

视频先写出组合收益由风险资产权重贡献和无风险资产权重贡献组成，再把无风险部分分离出来，得到以 rfr_f 为基准、以超额收益向量加权的形式。

公式
μp=wTμ+rf(1−wT1)=rf+wT(μ−rf1)\mu_p = w^T\mu + r_f(1 - w^T\mathbf{1}) = r_f + w^T(\mu - r_f\mathbf{1})
适用条件

  1. 存在 N 个风险资产和一个无风险资产

  2. w 表示风险资产权重向量

  3. 1\mathbf{1} 为全 1 向量

风险溢价向量

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面在组合收益式下方标注 Risk Premia (μ−rf⋅1μ - r_f \cdot 1)。

  2. 声音
    观察依据

    音频称 μ 减去 risk free rate 再乘以 1 就是 risk premium，并提到熟悉 CAPM 的话这就是风险溢价。

定义
解释

视频把 μ−rf⋅1μ - r_f\cdot 1 定义为风险溢价，即各风险资产期望收益相对无风险利率的超额收益向量。

公式
μ−rf1\mu - r_f\mathbf{1}
适用条件

  1. 用于含无风险资产的组合收益表达

先修条目
  1. 含无风险资产的投资组合收益率

均值方差优化目标函数

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面显示 max V(w)=[rf+wT(μ−rf1)]−λ/2wTΣwV(w) = [r_f + w^T(μ - r_f 1)] - λ/2 w^TΣw。

  2. 声音
    观察依据

    音频称在后面减去 lambda 除以 2 再乘以 w omega w，lambda 是风险厌恶的程度，w omega w 是方差，是为了将风险作为惩罚项。

待核验内容

  1. 音频把协方差矩阵读作 omega，画面写作 Σ。

公式
解释

视频构造最大化目标 V(w)V(w)：第一项是组合收益，第二项是以 λ/2λ/2 加权的组合方差惩罚；λ 越大，风险对目标的扣减越强。

公式
max⁡V(w)=[rf+wT(μ−rf1)]−λ2wTΣw\max V(w) = \left[r_f + w^T(\mu - r_f\mathbf{1})\right] - \frac{\lambda}{2}w^T\Sigma w
适用条件

  1. N 个风险资产和一个无风险资产

  2. λ 为风险厌恶系数

  3. Σ 为协方差矩阵

先修条目
  1. 含无风险资产的投资组合收益率
  2. 风险溢价向量

一阶条件与最优权重含义

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面显示 First order condition 与 ΔV(w^*) = ∂V/wV/w(w^*) = (μ−rf1μ - r_f 1) - λΣw^*。

  2. 声音
    观察依据

    音频称为了取得最大值要对它进行求导，使用偏微分 partial v 除以 partial w，并说 w 是我们的权重。

方法
解释

视频对 V(w)V(w) 关于权重向量 w 求偏导并令其为零，得到最优权重 w^* 满足的一阶条件；w^* 表示收益最大化时各资产的权重组合。

公式
ΔV(w∗)=∂V∂w(w∗)=(μ−rf1)−λΣw∗\Delta V(w^*) = \frac{\partial V}{\partial w}(w^*) = (\mu - r_f\mathbf{1}) - \lambda\Sigma w^*
适用条件

  1. 对 w 求导

  2. w^* 为候选最优权重

先修条目
  1. 均值方差优化目标函数

二阶条件判定极大值

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面显示 Second order condition (Hessian) 与 HV(w^*) = -λΣ<0Σ < 0，并注明 confirms we found Maximum。

  2. 声音
    观察依据

    音频称要求二阶导验证最大值还是最小值，开口向下求到最大值，开口朝上求到最小值，最后发现小于零所以求最大值没有问题。

方法
解释

视频用 Hessian 判断驻点性质，给出 HV(w^*) = -λΣ<0Σ < 0，并据此确认求得的是最大值。

公式
HV(w∗)=−λΣ<0HV(w^*) = -\lambda\Sigma < 0
适用条件

  1. λ 大于 0

  2. Σ 正定或至少使 -λΣ 负定

先修条目
  1. 一阶条件与最优权重含义

拉格朗日函数形式

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面显示 Lagrangian Function: f(x)+Σj=1mλj(gj(x)−bj)f(x) + Σ_{j=1}^m λ_j(g_j(x) - b_j)，并在求和项下标注 (Penalty)。

  2. 声音
    观察依据

    音频称接下来看拉格朗日乘数法，刚才的公式用 fx 表示，后面的是它的限制也就是 constraint。

公式
解释

视频引入带约束优化的拉格朗日函数，把原目标 f(x)f(x) 与各约束偏差 gj(x)−bjg_j(x)-b_j 的加权和合并，权重 λjλ_j 起惩罚作用。

公式
f(x)+∑j=1mλj(gj(x)−bj)f(x) + \sum_{j=1}^{m}\lambda_j(g_j(x) - b_j)
适用条件

  1. 存在 m 个等式约束

定理与条件 · 9

一阶驻点条件

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面写出 First order condition: ΔV(w∗)=∂V∂w(w∗)=(μ−rf1)−λΣw∗\Delta V(w^*)=\frac{\partial V}{\partial w}(w^*)=(\mu-r_f1)-\lambda\Sigma w^*

待核验内容

  1. 视频未说明该条件对应的完整定理名称与前提

  2. 未说明是否要求可微性以外的条件

命题
命题

在片段给出的记号下，目标函数 V(w)V(w) 在 w∗w^* 处的一阶条件被写为 ∂V∂w(w∗)=(μ−rf1)−λΣw∗\frac{\partial V}{\partial w}(w^*)=(\mu-r_f1)-\lambda\Sigma w^*。

前提

  1. 存在目标函数 V(w)V(w)

  2. 可在 w∗w^* 处对 ww 求偏导/梯度

  3. 视频未说明其他前提

量词

针对片段中出现的 w∗w^* 与给定符号 μ,rf,λ,Σ\mu,r_f,\lambda,\Sigma

二阶条件确认最大值

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面写出 Second order condition (Hessian): HV(w∗)=−λΣ<0H V(w^*)=-\lambda\Sigma<0

  2. 公式
    观察依据

    旁边注明 (confirms we found Maximum)

待核验内容

  1. 视频未给出判定最大值所需的全部前提

  2. 未解释矩阵不等式 <0<0 的精确定义

命题
命题

片段声称若二阶条件 HV(w∗)=−λΣ<0H V(w^*)=-\lambda\Sigma<0 成立，则可确认找到 Maximum。

前提

  1. 已讨论目标函数 V(w)V(w) 在 w∗w^* 处的二阶条件

  2. 视频未说明 λ\lambda、Σ\Sigma 的性质假设

  3. 视频未说明是否需要结合一阶条件共同使用

量词

针对片段中出现的 w∗w^*

负定 Hessian 确认最大值

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面显示 HV(w^*) = -λΣ<0Σ < 0，并写有 confirms we found Maximum。

  2. 声音
    观察依据

    音频称如果开口向下我们求到的则是最大值，最后发现小于零，所以求最大值没有问题。

待核验内容

  1. 视频未明确说明该结论所需的 λ 与 Σ 的正定性前提。

命题
命题

若二阶条件给出 HV(w^*) = -λΣ<0Σ < 0，则所求驻点对应目标函数的最大值。

前提

  1. 已得到一阶条件驻点 w^*

  2. λ 大于 0

  3. Σ 使 -λΣ 为负定

量词

对给定目标函数 V(w)V(w) 的驻点 w^* 成立。

风险溢价与 CAPM 的口头联系

时间近似
视频直接表达
来源依据
  1. 声音
    观察依据

    音频称如果熟悉 CAPM 模型的话，这里就是它的风险溢价。

  2. 公式
    观察依据

    画面标注 Risk Premia (μ−rf⋅1μ - r_f \cdot 1)。

待核验内容

  1. 视频只是口头类比，未展开 CAPM 的正式定义或推导。

命题
命题

视频将 μ−rf⋅1μ - r_f\cdot 1 称为 risk premium，并口头指出熟悉 CAPM 时这就是其风险溢价。

前提

  1. 使用含无风险利率的组合收益表达

量词

仅作为视频中的类比说明。

两条约束的含义

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    屏幕写出 Subject to: wTμ=mw^Tμ=m, wT1=1w^T1=1。

  2. 字幕依据
    观察依据

    绿色注释说明 m 是组合回报，所有权重之和为 1。

命题
命题

在均值方差优化中，wTμ=mw^Tμ=m 表示组合期望收益等于目标值 m，wT1=1w^T1=1 表示所有资产权重之和等于 1。

前提

  1. w 为权重向量

  2. μ 为期望收益向量

  3. 1 为全 1 向量

量词

对所有满足题设的 w 成立。

拉格朗日函数三项分别对应什么

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    讲解者明确说这个公式有三个部分，第一部分是风险，第二部分是投资组合回报，第三部分代表权重等于 1。

  2. 公式
    观察依据

    屏幕对应写出三项。

命题
命题

L(w,λ,γ)L(w,λ,γ) 的三项分别对应组合风险项、收益约束惩罚项和权重和约束惩罚项。

前提

  1. 使用视频给出的 L(w,λ,γ)L(w,λ,γ) 形式

量词

针对该优化问题的拉格朗日函数。

引入 A、B、C 的目的

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    讲解者说为了方便解这个公式，把比较复杂的部分分别用 A、B、C 来表示。

  2. 公式
    观察依据

    屏幕给出 A、B、C 定义。

命题
命题

引入 A、B、C 是为了把代入约束后得到的较复杂表达式压缩成更易求解的二元线性方程组。

前提

  1. 已得到 w^* 代回约束后的表达式

量词

在该推导过程中。

最终求解对象

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    讲解者说 w 是我们最优投资组合的每一个资产的权重，w 是我们要求的最后的结果。

命题
命题

该推导的最终目标是求出最优投资组合中每个资产的权重向量 w。

前提

  1. 问题为均值方差优化

量词

针对该优化问题。

求出乘子后即可回代得到最优组合权重

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    讲者说把 A B C 算出来以后，代入 lambda 和 gamma……最后我们把 lambda 和 gamma 带入 weights 里面，得到我们的最优组合

  2. 公式
    观察依据

    左侧同时展示 λ\lambda、γ\gamma 公式与 w^*=Σ−1(λμ+γ1)\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})

命题
命题

若已求得 λ\lambda 与 γ\gamma，则最优权重可由 w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1}) 直接计算。

前提

  1. 一阶条件成立

  2. Σ\Sigma 可逆

  3. λ\lambda、γ\gamma 已由约束方程组确定

量词

对给定 m、μ\mu、Σ\Sigma 的最优解成立

推导与证明 · 12

组合收益公式的改写

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面同一行给出 μπ=wTμ+rf(1−wT∗1)=rf+wT(μ−rf1)\mu_{\pi}=w^{T}\mu+r_f(1-w^{T}*1)=r_f+w^{T}(\mu-r_f1)

  2. 声音
    观察依据

    旁白解释 wTμw^{T}\mu 是风险资产收益，(1−wT∗1)(1-w^{T}*1) 对应无风险资产权重部分，再乘以 rfr_f

待核验内容

  1. 视频未逐步写出代数展开过程，只给出首尾等价形式

直观解释
步骤
  1. 公式
    μπ=wTμ+rf(1−wT∗1)\mu_{\pi}=w^{T}\mu+r_f(1-w^{T}*1)
    解释

    画面先把组合收益写成风险资产部分与无风险资产部分之和。

    步骤依据

    直接来自视频公式与旁白对各项含义的解释。

    视频直接表达
  2. 公式
    =rf+wT(μ−rf1)=r_f+w^{T}(\mu-r_f1)
    解释

    同一行继续给出整理后的等价形式，把常数项 rfr_f 提前，并把剩余部分写成权重与风险溢价的乘积。

    步骤依据

    视频直接展示了等号连接的两个表达式；本片段未展示中间代数步骤。

    视频直接表达
结论

片段展示了组合收益从“风险资产收益加无风险资产收益”改写成“无风险收益加权风险溢价”的等价形式。

从目标函数到一阶、二阶条件的展示

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面依次列出目标函数、一阶条件、二阶条件

  2. 声音
    观察依据

    本片段音频未解释这些后续公式

待核验内容

  1. 视频没有展示从目标函数到一阶条件、再到二阶条件的推导过程

  2. 未说明矩阵求导规则

视觉说明
步骤
  1. 公式
    max⁡V(w)=[rf+wT(μ−rf1)]−λ2wTΣw\max V(w)=[r_f+w^{T}(\mu-r_f1)]-\frac{\lambda}{2}w^{T}\Sigma w
    解释

    画面先给出最大化目标函数。

    步骤依据

    直接来自视频板书。

    视频直接表达
  2. 公式
    ΔV(w∗)=∂V∂w(w∗)=(μ−rf1)−λΣw∗\Delta V(w^*)=\frac{\partial V}{\partial w}(w^*)=(\mu-r_f1)-\lambda\Sigma w^*
    解释

    随后画面直接给出一阶条件。

    步骤依据

    视频展示了结果式，但未展示求导过程。

    视频直接表达
  3. 公式
    HV(w∗)=−λΣ<0H V(w^*)=-\lambda\Sigma<0
    解释

    最后画面给出二阶条件并注明用于确认最大值。

    步骤依据

    视频展示了结果式与注释，但未给出判定定理的完整说明。

    视频直接表达
结论

片段以展示结论式为主，未提供从目标函数到最优性判据的完整推导链。

组合收益式的代数改写

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面一行内写出 μp=wTμ+rf(1−wT⋅1)=rf+wT(μ−rf1)μ_p = w^T μ + r_f(1 - w^T \cdot 1) = r_f + w^T(μ - r_f 1)。

  2. 声音
    观察依据

    音频称然后我们变换一下，变成 rf 加上一个 w 乘以 μ 减 risk free rate 乘以 1。

严格证明
步骤
  1. 公式
    μp=wTμ+rf(1−wT1)\mu_p = w^T\mu + r_f(1 - w^T\mathbf{1})
    解释

    从视频给出的组合收益原始表达式出发。

    步骤依据

    画面直接给出的 Portfolio Return 公式。

    视频直接表达
  2. 公式
    =rf+wT(μ−rf1)= r_f + w^T(\mu - r_f\mathbf{1})
    解释

    把 rf(1−wT1)r_f(1 - w^T\mathbf{1}) 展开并重新分组，得到无风险基准加超额收益项。

    步骤依据

    代数展开与合并同类项。

    依据视频推导
结论

组合收益可写成 rfr_f 加上风险资产超额收益向量的加权项。

对均值方差目标求一阶条件

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面显示 ∂V/∂w(w^*) = (μ−rf1μ - r_f 1) - λΣw^*。

  2. 声音
    观察依据

    音频称要对它进行求导，使用偏微分 partial v 除以 partial w。

待核验内容

  1. 视频未逐步展示对二次型 wTΣww^TΣw 求导的中间过程。

严格证明
步骤
  1. 公式
    V(w)=[rf+wT(μ−rf1)]−λ2wTΣwV(w) = \left[r_f + w^T(\mu - r_f\mathbf{1})\right] - \frac{\lambda}{2}w^T\Sigma w
    解释

    以待最大化的目标函数为起点。

    步骤依据

    画面给出的 max V(w)V(w) 表达式。

    视频直接表达
  2. 公式
    ∂∂wwT(μ−rf1)=μ−rf1\frac{\partial}{\partial w}w^T(\mu - r_f\mathbf{1}) = \mu - r_f\mathbf{1}
    解释

    线性项对 w 求导得到超额收益向量。

    步骤依据

    向量微分规则；视频未展开但可由画面公式验证。

    依据视频推导
  3. 公式
    ∂∂wλ2wTΣw=λΣw\frac{\partial}{\partial w}\frac{\lambda}{2}w^T\Sigma w = \lambda\Sigma w
    解释

    二次型求导得到 λΣw。

    步骤依据

    标准矩阵微分规则；视频跳过中间步骤。

    依据视频推导
  4. 公式
    ΔV(w∗)=∂V∂w(w∗)=(μ−rf1)−λΣw∗\Delta V(w^*) = \frac{\partial V}{\partial w}(w^*) = (\mu - r_f\mathbf{1}) - \lambda\Sigma w^*
    解释

    合并两项导数并令其为最优权重处的一阶条件。

    步骤依据

    画面直接给出的 First order condition。

    视频直接表达
结论

最优权重 w^* 满足 (μ−rf⋅1μ - r_f\cdot 1) - λΣw^* = 0 的一阶条件。

用 Hessian 判别极值类型

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面显示 HV(w^*) = -λΣ<0Σ < 0，并注明 confirms we found Maximum。

  2. 声音
    观察依据

    音频称求了二阶导以后发现开口向下，我们求到的是最大值，也就是它是小于零的。

待核验内容

  1. 视频用一元函数“开口向上/向下”的语言解释多元 Hessian 判别，属于直观说法。

直观解释
步骤
  1. 公式
    ∂2V∂w∂wT=−λΣ\frac{\partial^2 V}{\partial w\partial w^T} = -\lambda\Sigma
    解释

    对一阶导再求导得到 Hessian。

    步骤依据

    由画面中的 V(w)V(w) 二次型结构可直接推出。

    依据视频推导
  2. 公式
    HV(w∗)=−λΣ<0HV(w^*) = -\lambda\Sigma < 0
    解释

    视频给出 Hessian 为负。

    步骤依据

    画面直接写出的 Second order condition。

    视频直接表达
  3. 公式
    negative definite Hessian⇒maximum\text{negative definite Hessian} \Rightarrow \text{maximum}
    解释

    由此确认驻点是最大值而不是最小值。

    步骤依据

    二阶充分条件；视频以开口方向作直观解释。

    依据视频推导
结论

在给定条件下，w^* 对应目标函数的最大值。

把组合优化写成拉格朗日形式

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面显示 f(x)+Σj=1mλj(gj(x)−bj)f(x) + Σ_{j=1}^m λ_j(g_j(x) - b_j)，以及 min(w): 1/2wTΣw1/2 w^TΣw，Subject to: wTμ=mw^Tμ = m, wT1=1w^T1 = 1。

  2. 声音
    观察依据

    音频称刚才的公式我们用 fx 表示，而后面的是它的限制，也就是它的 constraint。

待核验内容

  1. 片段在示例代入处结束，未展示完整求解过程。

严格证明
步骤
  1. 公式
    f(x)+∑j=1mλj(gj(x)−bj)f(x) + \sum_{j=1}^{m}\lambda_j(g_j(x) - b_j)
    解释

    先给出一般拉格朗日函数模板。

    步骤依据

    画面直接展示的 Lagrangian Function。

    视频直接表达
  2. 公式
    min⁡(w):12wTΣw\min(w): \frac{1}{2}w^T\Sigma w
    解释

    把组合问题中的目标取为半方差风险。

    步骤依据

    画面 Constrains 区域给出的目标。

    视频直接表达
  3. 公式
    wTμ=m,wT1=1w^T\mu = m,\quad w^T\mathbf{1} = 1
    解释

    把目标收益和权重和作为两个约束条件。

    步骤依据

    画面 Subject to 区域直接给出。

    视频直接表达
结论

该片段把风险最小化组合问题表述为带两个等式约束的拉格朗日优化框架。

由拉格朗日函数得到一阶条件

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    屏幕从 L(w,λ,γ)L(w,λ,γ) 过渡到 First order condition。

  2. 声音
    观察依据

    讲解者先解释三项，再说明对 w 求偏微分。

严格证明
步骤
  1. 公式
    L(w,λ,γ)=12wTΣw+λ(m−wTμ)+γ(1−wT1)L(w,\lambda,\gamma)=\frac{1}{2}w^{T}\Sigma w+\lambda(m-w^{T}\mu)+\gamma(1-w^{T}\mathbf{1})
    解释

    从视频给出的拉格朗日函数出发。

    步骤依据

    屏幕公式直接给出。

    视频直接表达
  2. 公式
    ∂L(w,λ,γ)∂w=Σw+λμ+γ1=0\frac{\partial L(w,\lambda,\gamma)}{\partial w}=\Sigma w+\lambda\mu+\gamma\mathbf{1}=0
    解释

    对 w 求偏导并令其等于零。

    步骤依据

    讲解者说明“这里我们对 w 求偏微分”，屏幕同步写出该式。

    视频直接表达
结论

得到最优权重必须满足的一阶条件 Σw+λμ+γ1=0Σw+λμ+γ1=0。

由一阶条件解出 w*

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    屏幕由 Σw+λμ+γ1=0Σw+λμ+γ1=0 转为 w*=Σ−1(λμ+γ1)Σ^{-1}(λμ+γ1)。

  2. 声音
    观察依据

    讲解者说把这个公式转换一下，把 w 单独提出来。

严格证明
步骤
  1. 公式
    Σw+λμ+γ1=0\Sigma w+\lambda\mu+\gamma\mathbf{1}=0
    解释

    以一阶条件为起点。

    步骤依据

    上一步已得到。

    视频直接表达
  2. 公式
    Σw=−λμ−γ1\Sigma w=-\lambda\mu-\gamma\mathbf{1}
    解释

    把含 w 的项留在左边，其余项移到右边。

    步骤依据

    代数移项。

    依据视频推导
  3. 公式
    w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})
    解释

    左乘 Σ−1Σ^{-1} 并吸收负号，得到 w* 的显式表达。

    步骤依据

    屏幕直接给出该结果，讲解者称“把 w 单独提出来”。

    视频直接表达
结论

最优权重可写成 w^*=Σ−1(λμ+γ1)Σ^{-1}(λμ+γ1)。

将 w* 代回两条约束

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    屏幕写出 μTΣ−1(λμ+γ1)μ^TΣ^{-1}(λμ+γ1)=...=m 与 1TΣ−1(λμ+γ1)1^TΣ^{-1}(λμ+γ1)=...=1。

  2. 声音
    观察依据

    讲解者说把这个公式带回到它的 constraint 里面。

严格证明
步骤
  1. 公式
    w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})
    解释

    使用已求得的权重表达式。

    步骤依据

    上一步结论。

    视频直接表达
  2. 公式
    μTΣ−1(λμ+γ1)=λμTΣ−1μ+γμTΣ−11=m\mu^{T}\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})=\lambda\mu^{T}\Sigma^{-1}\mu+\gamma\mu^{T}\Sigma^{-1}\mathbf{1}=m
    解释

    把 w* 代入收益约束 wTμ=mw^Tμ=m。

    步骤依据

    屏幕公式与讲解一致。

    视频直接表达
  3. 公式
    1TΣ−1(λμ+γ1)=λ1TΣ−1μ+γ1TΣ−11=1\mathbf{1}^{T}\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})=\lambda\mathbf{1}^{T}\Sigma^{-1}\mu+\gamma\mathbf{1}^{T}\Sigma^{-1}\mathbf{1}=1
    解释

    把 w* 代入权重和约束 wT1=1w^T1=1。

    步骤依据

    屏幕公式与讲解一致。

    视频直接表达
结论

得到关于 λ 和 γ 的两个线性方程。

引入 A、B、C 并解出乘子

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    屏幕先定义 A、B、C，再写出 λ=(Am-B)/(AC-B^2)，γ=(C-Bm)/(AC-B^2)。

  2. 声音
    观察依据

    讲解者说为了方便解这个公式，把复杂部分用 A、B、C 表示，最后分别求出 lambda 和 gamma。

待核验内容

  1. 视频没有逐步展示从二元方程组到 λ、γ 公式的行列式或消元过程，只给出定义和结果。

严格证明
步骤
  1. 公式
    A=1TΣ−11,B=1TΣ−1μ,C=μTΣ−1μA=\mathbf{1}^{T}\Sigma^{-1}\mathbf{1},\quad B=\mathbf{1}^{T}\Sigma^{-1}\mu,\quad C=\mu^{T}\Sigma^{-1}\mu
    解释

    把代入约束后出现的三个固定标量分别记为 A、B、C。

    步骤依据

    屏幕定义直接给出。

    视频直接表达
  2. 公式
    {λC+γB=mλB+γA=1\begin{cases}\lambda C+\gamma B=m\\\lambda B+\gamma A=1\end{cases}
    解释

    用 A、B、C 重写前面的两条约束方程。

    步骤依据

    由上一步代入结果整理得到。

    依据视频推导
  3. 公式
    λ=Am−BAC−B2,γ=C−BmAC−B2\lambda=\frac{Am-B}{AC-B^{2}},\qquad \gamma=\frac{C-Bm}{AC-B^{2}}
    解释

    解这个二元线性方程组，得到乘子闭式解。

    步骤依据

    屏幕直接给出结果，讲解者称“最后我们分别求出 lambda 和 gamma”。

    视频直接表达
结论

得到 λ 与 γ 的显式表达式，为回代求 w* 做准备。

回代得到最终组合权重

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    屏幕底部写出最后带回 w*=Σ−1(λμ+γ1)Σ^{-1}(λμ+γ1)。

  2. 声音
    观察依据

    讲解者说最后把 lambda 和 gamma 带回到 w 这个公式里。

严格证明
步骤
  1. 公式
    λ=Am−BAC−B2,γ=C−BmAC−B2\lambda=\frac{Am-B}{AC-B^{2}},\qquad \gamma=\frac{C-Bm}{AC-B^{2}}
    解释

    先取得两个乘子。

    步骤依据

    上一步结论。

    视频直接表达
  2. 公式
    w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})
    解释

    把 λ、γ 代回权重表达式。

    步骤依据

    屏幕底部公式与讲解一致。

    视频直接表达
结论

最终最优投资组合权重由 w^*=Σ−1(λμ+γ1)Σ^{-1}(λμ+γ1) 给出。

从拉格朗日函数到最优权重的推导链

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    左侧依次展示 L(w,λ,γ)L(w,\lambda,\gamma)、一阶条件、w^*=Σ−1(λμ+γ1)\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})、代入约束后的方程组、λ\lambda 与 γ\gamma 的解、最后回代 w^*

  2. 声音
    观察依据

    讲者按 A B C、lambda gamma、weights 的顺序说明求解流程

严格证明
步骤
  1. 公式
    L(w,λ,γ)=12wTΣw+λ(m−wTμ)+γ(1−wT1)L(w,\lambda,\gamma)=\frac12 w^T\Sigma w+\lambda(m-w^T\mu)+\gamma(1-w^T\mathbf{1})
    解释

    先写出带收益约束和预算约束的拉格朗日函数。

    步骤依据

    视频左侧公式区直接给出。

    视频直接表达
  2. 公式
    ∂∂wL(w,λ,γ)=Σw+λμ+γ1=0\frac{\partial}{\partial w}L(w,\lambda,\gamma)=\Sigma w+\lambda\mu+\gamma\mathbf{1}=0
    解释

    对 w 求一阶偏导并令其为零，得到最优性条件。

    步骤依据

    视频左侧 First order condition 直接给出。

    视频直接表达
  3. 公式
    w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})
    解释

    将一阶条件移项并左乘 Σ−1\Sigma^{-1}，得到权重的显式表达。

    步骤依据

    视频左侧“转换”行直接给出。

    视频直接表达
  4. 公式
    {Cλ+Bγ=mBλ+Aγ=1\begin{cases} C\lambda+B\gamma=m \\ B\lambda+A\gamma=1 \end{cases}
    解释

    把权重表达式代回两个约束，整理为关于 λ\lambda、γ\gamma 的二元线性方程组。

    步骤依据

    视频左侧“后得到”区域直接给出。

    视频直接表达
  5. 公式
    λ=Am−BAC−B2,γ=C−BmAC−B2\lambda=\frac{Am-B}{AC-B^2},\quad \gamma=\frac{C-Bm}{AC-B^2}
    解释

    解上述二元线性方程组，得到两个乘子的闭式解。

    步骤依据

    视频左侧下方公式直接给出。

    视频直接表达
  6. 公式
    w∗=Σ−1(λμ+γ1)w^*=\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1})
    解释

    最后把求得的 λ\lambda、γ\gamma 代回权重公式，得到最优组合。

    步骤依据

    视频底部“最后带回”行与讲者口述一致。

    视频直接表达
结论

视频完整展示了从拉格朗日函数出发，经一阶条件、约束回代、求解乘子，最终得到最优权重的推导路径。

例题详解 · 4

均值方差最优化资产组合示例

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    整页标题为 Mean Variance Optimization / 均值方差最优化资产组合，并依次列出 Portfolio Return、目标函数、一阶条件和二阶条件。

  2. 声音
    观察依据

    音频逐段解释风险溢价、惩罚项、求导和二阶导验证。

题目

在含 N 个风险资产和一个无风险资产的市场中，构造并求解均值方差优化问题。

已知条件

  1. 组合收益公式 μp=wTμ+rf(1−wT⋅1)μ_p = w^Tμ + r_f(1 - w^T\cdot 1)

  2. 风险溢价 μ−rf⋅1μ - r_f\cdot 1

  3. 目标函数 max V(w)=[rf+wT(μ−rf1)]−λ/2wTΣwV(w) = [r_f + w^T(μ - r_f 1)] - λ/2 w^TΣw

目标

求出使 V(w)V(w) 最大的权重 w^*，并验证其确为最大值。

步骤
  1. 公式
    μp=rf+wT(μ−rf1)\mu_p = r_f + w^T(\mu - r_f\mathbf{1})
    解释

    先把组合收益改写为无风险收益加超额收益项。

    步骤依据

    画面给出的代数恒等变形。

    视频直接表达
  2. 公式
    max⁡V(w)=[rf+wT(μ−rf1)]−λ2wTΣw\max V(w) = \left[r_f + w^T(\mu - r_f\mathbf{1})\right] - \frac{\lambda}{2}w^T\Sigma w
    解释

    把收益最大化与方差惩罚合并成单一目标函数。

    步骤依据

    画面直接给出的优化目标。

    视频直接表达
  3. 公式
    ΔV(w∗)=∂V∂w(w∗)=(μ−rf1)−λΣw∗\Delta V(w^*) = \frac{\partial V}{\partial w}(w^*) = (\mu - r_f\mathbf{1}) - \lambda\Sigma w^*
    解释

    对 w 求偏导并令其为零，得到一阶条件。

    步骤依据

    画面 First order condition。

    视频直接表达
  4. 公式
    HV(w∗)=−λΣ<0HV(w^*) = -\lambda\Sigma < 0
    解释

    再求二阶导，用 Hessian 的符号确认极值类型。

    步骤依据

    画面 Second order condition (Hessian)。

    视频直接表达
结果

w^* 满足 (μ−rf⋅1μ - r_f\cdot 1) - λΣw^* = 0，且在 HV(w^*) = -λΣ<0Σ < 0 时对应最大值。

检验

视频通过二阶条件 HV(w^*) = -λΣ<0Σ < 0 以及“confirms we found Maximum”进行验证。

拉格朗日乘数法下的组合优化建模示例

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面标题为 Lagrange Method / 拉格朗日乘数法，并给出一般式与组合优化约束示例。

  2. 声音
    观察依据

    音频称接下来看拉格朗日乘数法，并说明要最小化风险同时投资组合回报的收益等于 m。

待核验内容

  1. 片段只展示建模，未展示乘子求解或最终权重表达式。

题目

用拉格朗日乘数法描述最小化风险并满足收益与权重约束的组合优化问题。

已知条件

  1. 一般拉格朗日函数 f(x)+Σj=1mλj(gj(x)−bj)f(x) + Σ_{j=1}^m λ_j(g_j(x) - b_j)

  2. 目标 min(w): 1/2wTΣw1/2 w^TΣw

  3. 约束 wTμ=mw^Tμ = m 与 wT1=1w^T1 = 1

目标

把组合优化问题写成带约束的拉格朗日形式。

步骤
  1. 公式
    f(x)+∑j=1mλj(gj(x)−bj)f(x) + \sum_{j=1}^{m}\lambda_j(g_j(x) - b_j)
    解释

    先给出带 m 个约束的一般拉格朗日函数。

    步骤依据

    画面直接展示。

    视频直接表达
  2. 公式
    min⁡(w):12wTΣw\min(w): \frac{1}{2}w^T\Sigma w
    解释

    将目标函数设为半方差风险。

    步骤依据

    画面 Constrains 区域。

    视频直接表达
  3. 公式
    wTμ=m,wT1=1w^T\mu = m,\quad w^T\mathbf{1} = 1
    解释

    加入目标收益约束和权重和约束。

    步骤依据

    画面 Subject to 区域。

    视频直接表达
结果

该问题的拉格朗日建模为：最小化 1/2wTΣw1/2 w^TΣw，受限于 wTμ=mw^Tμ = m 与 wT1=1w^T1 = 1。

检验

视频未在本片段内继续求解，因此只能核对建模式与画面一致。

用 Python 实现拉格朗日法求最优权重

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    右侧代码区显示 m=0.1m=0.1，u、sigma、cor、SRS、ones、A、B、C、Lam、Gamma、weights 的计算。

  2. 声音
    观察依据

    讲解者说然后我们来看一下代码，代码得从中间开始看，我们要求到 A、B、C。

待核验内容

  1. 代码中 sigma 的具体含义从单帧看不完全明确；它可能是标准差向量，也可能被直接当作矩阵输入的一部分。

  2. 视频未展示运行输出结果，因此无法核验最终 weights 的数值。

题目

给定目标收益 m=0.1m=0.1、期望收益向量 u、协方差相关信息 sigma 与 cor，以及全 1 向量 ones，按照前面推导计算 A、B、C、Lam、Gamma 和 weights。

已知条件

  1. m等于零点一

  2. u等于一个四行一列的数组，元素依次为零点零五、零点零七、零点一五和零点二七

  3. sigma等于一个四行一列的数组，元素依次为零点零七、零点一二、零点三零和零点六零

  4. cor 为 4×44\times 4 对称矩阵

  5. ones等于一个四行一列的数组，四个元素都是一

  6. SRS等于sigma乘以相关系数矩阵再乘以sigma的转置

目标

用代码复现解析推导中的 A、B、C、λ、γ 和最优权重 w。

步骤
  1. 公式
    SRS=sigma∗correlation∗sigma.TSRS = sigma * correlation * sigma.T
    解释

    先由 sigma 与相关矩阵构造协方差矩阵 SRS。

    步骤依据

    代码行直接显示。

    视频直接表达
  2. 公式
    A=float(np.dot(np.dot(ones.T,np.matrix(SRS).I),ones))A = float(np.dot(np.dot(ones.T, np.matrix(SRS).I), ones))
    解释

    计算 A=1TΣ−11A=1^TΣ^{-1}1 的数值版本。

    步骤依据

    代码与左侧公式对应，讲解者说要求到 A、B、C。

    视频直接表达
  3. 公式
    B=float(np.dot(np.dot(u.T,np.matrix(SRS).I),ones))B = float(np.dot(np.dot(u.T, np.matrix(SRS).I), ones))
    解释

    计算 B=μTΣ−11B=μ^TΣ^{-1}1 的数值版本。

    步骤依据

    代码行直接显示。

    视频直接表达
  4. 公式
    C=float(np.dot(np.dot(u.T,np.matrix(SRS).I),u))C = float(np.dot(np.dot(u.T, np.matrix(SRS).I), u))
    解释

    计算 C=μTΣ−1μC=μ^TΣ^{-1}μ 的数值版本。

    步骤依据

    代码行直接显示。

    视频直接表达
  5. 公式
    Lam=(A∗m−B)/(A∗C−np.power(B,2))Lam = (A*m-B)/(A*C-np.power(B,2))
    解释

    按闭式公式计算 λ。

    步骤依据

    对应左侧 λ=(Am-B)/(AC-B^2)。

    视频直接表达
  6. 公式
    Gamma=(C−B∗m)/(A∗C−np.square(B))Gamma = (C-B*m)/(A*C-np.square(B))
    解释

    按闭式公式计算 γ。

    步骤依据

    对应左侧 γ=(C-Bm)/(AC-B^2)。

    视频直接表达
  7. 公式
    weights=np.matrix(SRS).I∗(Lam∗u+Gamma∗ones)weights = np.matrix(SRS).I * (Lam*u+Gamma*ones)
    解释

    最后回代得到最优权重向量。

    步骤依据

    对应左侧 w*=Σ−1(λμ+γ1)Σ^{-1}(λμ+γ1)。

    视频直接表达
结果

视频展示了完整的代码实现流程，但未给出运行后的数值答案。

检验

可通过将代码中的 SRS、u、ones 与左侧公式逐项对照来核验实现是否对应解析推导。

四资产均值-方差优化的数值实现示例

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    右侧代码给出 m=0.1m=0.1，U、sigma、icor 的数值数组，并据此计算 SRS、A、B、C、Lam、Gamma、weights

  2. 声音
    观察依据

    讲者说明 SRS、B、C、lambda、gamma、weights 的计算顺序

待核验内容

  1. 画面未展示最终 weights 的数值输出，只展示计算代码

  2. sigma 数组在画面中显示不完整，需回查原片确认完整维度

题目

给定目标收益 m=0.1m=0.1、期望收益向量 U、标准差向量 sigma 与相关系数矩阵 icor，求满足预算约束的最优组合权重。

已知条件

  1. m 等于零点一

  2. U 是一个列向量，其元素依次为零点零五、零点零七、零点一五和零点二七

  3. sigma 为各资产标准差向量（画面显示不完整）

  4. icor 是一个四乘四的相关系数矩阵，第一行是 1、0.8、0.5、0.4；第二行是 0.8、1、0.7、0.5；第三行是 0.5、0.7、1、0.8；第四行是 0.4、0.5、0.8、1

  5. ones 是一个列向量，其四个元素都是 1

目标

计算 SRS、A、B、C、Lam、Gamma，并最终得到 weights。

步骤
  1. 公式
    SRS=sigma∗correlation∗sigma.TSRS = sigma * correlation * sigma.T
    解释

    先由标准差与相关系数构造协方差矩阵。

    步骤依据

    右侧代码与讲者口述一致。

    视频直接表达
  2. 公式
    A=float(np.dot(np.dot(ones.T,np.matrix(SRS).I),ones))A = float(np.dot(np.dot(ones.T, np.matrix(SRS).I), ones))
    解释

    计算 A=1TΣ−11A=\mathbf{1}^T\Sigma^{-1}\mathbf{1}。

    步骤依据

    右侧代码直接给出。

    视频直接表达
  3. 公式
    B=float(np.dot(np.dot(U.T,np.matrix(SRS).I),ones))B = float(np.dot(np.dot(U.T, np.matrix(SRS).I), ones))
    解释

    计算 B=μTΣ−11B=\mu^T\Sigma^{-1}\mathbf{1}。

    步骤依据

    右侧代码直接给出。

    视频直接表达
  4. 公式
    C=float(np.dot(np.dot(U.T,np.matrix(SRS).I),U))C = float(np.dot(np.dot(U.T, np.matrix(SRS).I), U))
    解释

    计算 C=μTΣ−1μC=\mu^T\Sigma^{-1}\mu。

    步骤依据

    右侧代码直接给出。

    视频直接表达
  5. 公式
    Lam=(A∗m−B)/(A∗C−np.power(B,2))Lam = (A * m - B) / (A * C - np.power(B, 2))
    解释

    按闭式公式计算 λ\lambda。

    步骤依据

    右侧代码与左侧公式一致。

    视频直接表达
  6. 公式
    Gamma=(C−B∗m)/(A∗C−np.square(B))Gamma = (C - B * m) / (A * C - np.square(B))
    解释

    按闭式公式计算 γ\gamma。

    步骤依据

    右侧代码与左侧公式一致。

    视频直接表达
  7. 公式
    weights=np.matrix(SRS).I∗((Lam∗U+Gamma∗ones))weights = np.matrix(SRS).I * ((Lam * U + Gamma * ones))
    解释

    把 λ\lambda、γ\gamma 回代，得到最优权重向量。

    步骤依据

    右侧代码与底部公式 w^*=Σ−1(λμ+γ1)\Sigma^{-1}(\lambda\mu+\gamma\mathbf{1}) 一致。

    视频直接表达
结果

视频给出完整的数值求解流程，但未展示最终 weights 的具体数字结果。

检验

可通过检查代码是否依次实现左侧公式 SRS、A/B/CA/B/C、λ/γ\lambda/\gamma、w^* 来验证流程一致性；最终数值结果需回看原片运行输出。

图示与动画 · 12

开场标题页上的代码与几何动画

依据清楚
视频直接表达
来源依据
  1. 动画
    观察依据

    标题页背景逐渐浮现 Python 代码，可见 `cor = np.array([[1, 0.8, 0.5, 0.4], ...])` 与 `def lagrangian(u, sigma, cor, m):` 等片段

  2. 动画
    观察依据

    左下区域出现旋转的多边形/几何图形，中心有黄色六边形

待核验内容

  1. 代码后半部分被遮挡或截断，无法完整辨认

  2. 几何图形的数学含义在本片段内未被解释

图中对象

  1. 标题文字 Mean Variant - Lagrange / Lagrangian Method

  2. 中文副标题 均值方差最优化资产组合 / 拉格朗日乘数法

  3. Python 代码片段

  4. 旋转多边形与中心黄色六边形

变化过程

  1. 代码从不可见到半透明浮现

  2. 几何图形持续旋转

不变量

  1. 主标题与副标题位置基本保持不变

  2. 黑色背景与白色/橙色文字配色保持不变

数学含义

这一段主要是课程导入视觉包装。代码中出现了 `lagrangian`、`sigma`、`cor`、`m` 等符号，暗示后续会涉及拉格朗日方法与矩阵运算，但本片段内没有对这些代码做数学解释。

公式板布局

依据清楚
视频直接表达
来源依据
  1. 图示
    观察依据

    画面切换为黑底公式板，自上而下排列 Portfolio Return、Risk Premia、目标函数、First order condition、Second order condition (Hessian)

  2. 动画
    观察依据

    右上角有一个小型旋转几何图形持续存在

待核验内容

  1. 右上角小图形与公式之间没有文字说明其关系

图中对象

  1. Mean Variance Optimization 标题

  2. Portfolio Return 公式

  3. Risk Premia 表达式

  4. 最大化目标函数

  5. 一阶条件

  6. 二阶条件

  7. 右上角旋转小图形

变化过程

  1. 内容从标题页切换到公式板

  2. 公式按板块自上而下静态展示

不变量

  1. 黑底白字/橙字的版式保持不变

  2. 右上角小图形持续旋转

数学含义

视觉上把组合收益、风险溢价、目标函数和一阶/二阶条件放在同一页，形成从定义到最优性条件的连续展示。

从均值方差页切到拉格朗日页

依据清楚
视频直接表达
来源依据
  1. 动画
    观察依据

    画面从 Mean Variance Optimization 页面切换到 Lagrange Method 页面。

  2. 声音
    观察依据

    音频同步说“然后我们来看一下拉格朗日乘数法”。

图中对象

  1. 标题 Mean Variance Optimization / 均值方差最优化资产组合

  2. 标题 Lagrange Method / 拉格朗日乘数法

  3. 公式区块

变化过程

  1. 页面整体替换

  2. 公式从组合收益与一阶二阶条件改为拉格朗日函数与约束示例

不变量

  1. 黑底白字橙标题的版式保持不变

  2. 左侧圆形装饰图标持续存在

数学含义

视觉转场对应讲解主题从无约束均值方差目标转到带约束优化方法。

均值方差公式的分层排版

依据清楚
视频直接表达
来源依据
  1. 图示
    观察依据

    画面自上而下排列 Portfolio Return、In a market with N risky assets 且 a risk-free as、First order condition、Second order condition (Hessian)。

图中对象

  1. Portfolio Return 区块

  2. 目标函数区块

  3. 一阶条件区块

  4. 二阶条件区块

变化过程

  1. 讲解顺序沿页面从上到下推进

不变量

  1. 所有公式在同一静态页面内同时可见

数学含义

版式把定义、目标、求解条件和极值检验按逻辑层次排布，便于跟随推导。

拉格朗日页的中文注释

依据清楚
视频直接表达
来源依据
  1. 图示
    观察依据

    画面在求和项下标注 (Penalty)，在 1/2wTΣw1/2 w^TΣw 旁标注“风险”，在 wTμ=mw^Tμ = m 旁标注“m 是组合回报”，在 wT1=1w^T1 = 1 旁标注“所有权重之和”。

图中对象

  1. (Penalty) 标注

  2. 风险 标注

  3. m 是组合回报 标注

  4. 所有权重之和 标注

变化过程

  1. 抽象符号被逐项赋予金融含义

不变量

  1. 公式本体保持不变

数学含义

注释把一般优化记号映射回组合优化语境，说明乘子项是惩罚、目标项是风险、两个约束分别是收益目标和预算归一。

从问题陈述切到完整推导页

依据清楚
视频直接表达
来源依据
  1. 动画
    观察依据

    开头先显示 Lagrangian Function、Constrain、Subject to 三个区块，随后切到完整推导页。

图中对象

  1. 标题 Lagrange Method / 拉格朗日乘数法

  2. Lagrangian Function 区块

  3. Constrain 区块

  4. Subject to 区块

变化过程

  1. 画面从简化的问题陈述切换到包含一阶条件、代入约束、A/B/CA/B/C 定义和最终公式的完整推导页。

不变量

  1. 主题始终是均值方差优化的拉格朗日法。

数学含义

视觉上先给出优化问题和约束，再展开整套求解流程。

逐项解释拉格朗日函数三部分

依据清楚
视频直接表达
来源依据
  1. 动画
    观察依据

    讲解者按顺序解释拉格朗日函数三项，屏幕对应保持完整公式可见。

图中对象

  1. L(w,λ,γ)L(w,λ,γ) 公式

  2. 风险项

  3. 收益约束项

  4. 权重和约束项

变化过程

  1. 注意力从整个公式转向三个组成部分。

不变量

  1. 公式本身不变。

数学含义

帮助观众把抽象公式与优化问题中的三类信息对应起来。

从一阶条件到显式 w*

依据清楚
视频直接表达
来源依据
  1. 动画
    观察依据

    屏幕依次突出 First order condition 和 w*=Σ−1(λμ+γ1)Σ^{-1}(λμ+γ1)。

图中对象

  1. L对w的偏导数等于零

  2. w* 表达式

变化过程

  1. 推导焦点从求导转到解出 w。

不变量

  1. λ、γ 仍作为未知乘子保留。

数学含义

展示如何把极值条件转化为权重表达式。

把 w* 代回约束

依据清楚
视频直接表达
来源依据
  1. 动画
    观察依据

    屏幕继续显示代入约束后的两行等式，右侧分别等于 m 和 1。

图中对象

  1. μ的转置乘以Σ的逆矩阵，再乘以括号内λ乘以μ加γ乘以一，结果等于m

  2. 一的转置乘以Σ的逆矩阵，再乘以括号内λ乘以μ加γ乘以一，结果等于一

变化过程

  1. 表达式从权重形式转为关于 λ、γ 的方程。

不变量

  1. 右端仍分别是 m 与 1。

数学含义

说明原始约束如何变成可解的二元方程组。

引入 A、B、C 并给出乘子解

依据清楚
视频直接表达
来源依据
  1. 动画
    观察依据

    屏幕先给出 A、B、C 定义，再给出 λ、γ 的闭式解。

图中对象

  1. A

  2. B

  3. C

  4. λ

  5. γ

变化过程

  1. 复杂二次型表达式被压缩成三个标量，随后直接给出乘子公式。

不变量

  1. 推导目标仍是求最优权重。

数学含义

视觉上强调简化记号和最终可解性。

公式旁并列展示代码实现

依据清楚
视频直接表达
来源依据
  1. 动画
    观察依据

    右侧出现 Python 代码面板，左侧保留公式推导。

图中对象

  1. 左侧公式推导

  2. 右侧 Python 代码

变化过程

  1. 内容从纯数学推导扩展到数值实现。

不变量

  1. 左右两侧对应同一套 A、B、C、λ、γ、w* 关系。

数学含义

把解析公式映射到可执行代码，便于理解实现路径。

左侧理论与右侧代码同步展示

依据清楚
视频直接表达
来源依据
  1. 图示
    观察依据

    整段画面保持左右分栏：左侧为 Lagrange Method 推导，右侧为 Python 代码实现

  2. 动画
    观察依据

    约 00:00:00–00:00:29 期间，圆形高亮框依次移动到 SRS、A/B/CA/B/C、Lam/Gamma、weights 等代码行

图中对象

  1. 左侧拉格朗日公式推导板

  2. 右侧 Python 代码编辑器

  3. 圆形高亮指示框

变化过程

  1. 高亮框从 SRS 行移动到 A/B/CA/B/C 行，再移动到 Lam/Gamma 行，最后移动到 weights 行

  2. 底部在约 00:00:29 后出现“公众号:魔鬼代言者”水印

不变量

  1. 左右分栏布局保持不变

  2. 左侧核心公式始终可见

  3. 右侧代码整体结构保持不变

数学含义

画面通过同步高亮，把左侧理论量 A、B、C、λ\lambda、γ\gamma、w^* 与右侧代码变量一一对应，强调这是同一推导的数值实现。

易错点 · 7

关于符号 11 的表述

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    旁白说“里面的一则是由一组成的矩阵”

  2. 公式
    观察依据

    画面公式中 11 出现在 wT∗1w^{T}*1 与 rf1r_f1 中，承担向量式作用

误区

把公式中的 11 直接说成“矩阵”，可能与画面中它作为全 1 向量参与运算的角色不完全一致。

说明

更稳妥的理解是：视频使用了简略记号 11 表示由 1 组成的对象；在本片段公式里它至少与向量运算相容。由于视频未进一步区分，不能把旁白措辞直接当成严格定义。

把多元 Hessian 判别说成一元开口方向

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    音频用“开口向下”“开口朝上”解释二阶导与最大值、最小值的关系。

  2. 公式
    观察依据

    画面同时写出 Hessian 条件 HV(w^*) = -λΣ<0Σ < 0。

误区

容易把多变量优化的 Hessian 判据理解为一元二次函数的开口向上或向下。

说明

视频此处是用一元直观语言解释多元二阶条件；严格地说应看 Hessian 的正定或负定性，画面给出的 HV(w^*) = -λΣ<0Σ < 0 才是正式判据。

口头记号与画面记号不一致

时间近似
视频直接表达
来源依据
  1. 声音
    观察依据

    音频把方差项读作 w omega w。

  2. 公式
    观察依据

    画面写的是 wTΣww^TΣw。

待核验内容

  1. 无法确认这是口误还是临时借用另一套记号。

误区

听众可能以为 omega 和 Σ 是两个不同矩阵。

说明

在本片段中，音频所说的 w omega w 对应画面中的 wTΣww^TΣw，二者都指组合方差的二次型表达。

误以为最终要求的是 λ 或 γ

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    讲解者专门补充：如果你还没反应过来，w 是我们最优投资组合的每一个资产的权重，w 是我们要求的最后的结果。

误区

看到推导中大量求解 λ、γ，可能误以为乘子本身就是最终答案。

说明

视频明确指出最终目标是权重向量 w，λ 和 γ 只是中间乘子，最后还要代回 w* 公式。

把公式中的 1 误解为标量 1

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    讲解者解释 1 的矩阵就是 ones，也就是 np array 里面的四个 1。

误区

在 wT1=1w^T1=1 或代码 ones 中，可能把 1 误看成普通数字。

说明

视频中的 1 表示全 1 向量，用来求权重总和；代码里对应 ones=np.array([[1,1,1,1]]).T。

不要把代码变量 U 误认为新的数学对象

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    讲者说其中的 mu 我用 u 来代替

  2. 公式
    观察依据

    左侧理论使用 μ\mu，右侧代码使用 U

误区

看到代码中的 U 时，可能误以为它不同于公式里的 μ\mu。

说明

视频明确说明代码中的 U 只是 μ\mu 的替代写法，二者表示同一个期望收益向量。

SRS 不是新概念，而是协方差矩阵的代码命名

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    讲者说这是我这里代码里面的 SRS，也就是 sigma 乘以 correlation 乘以 sigma 的转置

  2. 公式
    观察依据

    左侧公式使用 Σ\Sigma，右侧代码使用 SRS

误区

可能把 SRS 当成独立于 Σ\Sigma 的新矩阵。

说明

视频说明 SRS 就是代码里表示的协方差矩阵，对应左侧公式中的 Σ\Sigma。

概念关系 · 27

风险溢价表达式 → 投资组合收益公式

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    μπ=rf+wT(μ−rf1)\mu_{\pi}=r_f+w^{T}(\mu-r_f1) 中直接使用了 Risk Premia 表达式 (μ−rf1)(\mu-r_f1)

应用
解释

风险溢价表达式被直接代入组合收益的整理式中，成为组合收益公式的一部分。

投资组合收益公式 → 最优化目标函数

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    目标函数 V(w)V(w) 的第一部分正是 rf+wT(μ−rf1)r_f+w^{T}(\mu-r_f1)，与组合收益整理式相同

应用
解释

最大化目标函数直接复用了组合收益的表达式，再减去 λ2wTΣw\frac{\lambda}{2}w^{T}\Sigma w 项。

最优化目标函数 → 一阶条件

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面先给出 max⁡V(w)\max V(w)，随后给出 ∂V∂w(w∗)\frac{\partial V}{\partial w}(w^*) 的表达式

待核验内容

  1. 视频未展示求导过程

证明依赖
解释

一阶条件是对所示目标函数求导后得到的结论式；片段展示了依赖关系，但没有展示推导细节。

一阶条件 → 二阶条件与最大值判断

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面按顺序先列 First order condition，再列 Second order condition (Hessian)

待核验内容

  1. 视频未解释二者在最优性判别中的逻辑衔接

证明依赖
解释

二阶条件紧随一阶条件之后出现，视觉上构成最优性判断的连续步骤；但本片段没有说明完整判定链条。

λ\lambda → 二阶条件与最大值判断

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    λ\lambda 与 Σ\Sigma 同时出现在目标函数、一阶条件和二阶条件中

待核验内容

  1. 视频未解释这两个符号的含义与性质

应用
解释

参数 λ\lambda 和矩阵符号 Σ\Sigma 被直接用于二阶条件 −λΣ<0-\lambda\Sigma<0 的表达式中。

含无风险资产的投资组合收益率 → 风险溢价向量

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    Risk Premia (μ−rf⋅1μ - r_f \cdot 1) 直接写在 Portfolio Return 公式下方。

包含
解释

组合收益改写式中包含风险溢价向量 μ−rf⋅1μ - r_f\cdot 1 这一组成部分。

风险溢价向量 → 均值方差优化目标函数

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    目标函数 max V(w)V(w) 中直接使用 rf+wT(μ−rf1)r_f + w^T(μ - r_f 1)。

应用
解释

均值方差目标函数的收益项直接应用了风险溢价表达。

均值方差优化目标函数 → 一阶条件与最优权重含义

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    一阶条件由目标函数 V(w)V(w) 求导得到。

  2. 声音
    观察依据

    音频称为了取得最大值要对它进行求导。

证明依赖
解释

一阶条件的推导依赖前面给出的目标函数 V(w)V(w)。

一阶条件与最优权重含义 → 二阶条件判定极大值

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    页面先列 First order condition，再列 Second order condition (Hessian)。

  2. 声音
    观察依据

    音频称最后要来验证一下求到的是最大值还是最小值。

证明依赖
解释

二阶条件用于验证一阶条件得到的驻点是否为极大值。

均值方差优化目标函数 → 拉格朗日函数形式

依据清楚
视频直接表达
来源依据
  1. 动画
    观察依据

    页面从 Mean Variance Optimization 切到 Lagrange Method。

  2. 声音
    观察依据

    音频称然后我们来看一下拉格朗日乘数法。

对比
解释

前半段展示以惩罚项处理风险的无约束写法，后半段转向用显式约束和乘子处理的拉格朗日方法。

拉格朗日函数形式 → 风险最小化目标

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    一般拉格朗日函数下方紧接着给出 min(w): 1/2wTΣw1/2 w^TΣw。

应用
解释

一般拉格朗日框架被应用到组合优化中的风险最小化目标。

风险最小化目标 → 组合回报与权重和约束

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面在 min(w): 1/2wTΣw1/2 w^TΣw 下方列出 Subject to: wTμ=mw^Tμ = m, wT1=1w^T1 = 1。

包含
解释

风险最小化问题由两个等式约束共同限定可行权重集合。

问题定位 · 30

μπ\mu_{\pi} 在这个视频里代表什么？

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    旁白解释“portfolio 的 return，也就是这里的 mu pi”

  2. 公式
    观察依据

    画面给出 μπ\mu_{\pi} 公式

涉及知识点
  1. 投资组合收益公式
  2. μπ\mu_{\pi}

为什么公式里要用 wTw^{T} 而不是直接写 ww？

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    旁白说 wTw^{T} 是权重的转置，“这样是为了我们更方便地进行矩阵运算”

涉及知识点
  1. ww
  2. wTw^{T}
  3. 投资组合收益公式

组合收益公式里哪一部分对应风险资产，哪一部分对应无风险资产？

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    旁白说明整个公式代表由风险资产和无风险资产组合而成的 portfolio

  2. 公式
    观察依据

    投资组合的预期收益率等于权重向量与各资产预期收益率向量的点积，加上无风险利率乘以一减去权重之和

涉及知识点
  1. 投资组合收益公式
  2. μ\mu
  3. rfr_f
  4. ww

视频中的 Risk Premia 是怎么写的？

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面单列 Risk Premia 为 (μ−rf∗1)(\mu-r_f*1)

涉及知识点
  1. 风险溢价表达式
  2. (μ−rf∗1)(\mu-r_f*1)

这个片段里的最大化目标函数长什么样？

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面给出 max⁡V(w)=[rf+wT(μ−rf1)]−λ2wTΣw\max V(w)=[r_f+w^{T}(\mu-r_f1)]-\frac{\lambda}{2}w^{T}\Sigma w

待核验内容

  1. 视频未解释该目标函数的经济含义

涉及知识点
  1. 最优化目标函数
  2. V(w)V(w)
  3. λ\lambda
  4. Σ\Sigma

一阶条件在画面中是如何表达的？

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面给出 ΔV(w∗)=∂V∂w(w∗)=(μ−rf1)−λΣw∗\Delta V(w^*)=\frac{\partial V}{\partial w}(w^*)=(\mu-r_f1)-\lambda\Sigma w^*

待核验内容

  1. 视频未展示推导过程

涉及知识点
  1. 一阶条件
  2. w∗w^*

视频怎样用二阶条件说明找到的是最大值？

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面给出 HV(w∗)=−λΣ<0H V(w^*)=-\lambda\Sigma<0 并注明 confirms we found Maximum

待核验内容

  1. 视频未解释矩阵不等式含义

涉及知识点
  1. 二阶条件与最大值判断
  2. HV(w∗)H V(w^*)
  3. 二阶条件确认最大值

开头说学习这个内容需要先掌握哪些知识？

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    旁白列出数学、金融、编程方面的 prerequisite

涉及知识点
  1. 均值方差最优化资产组合

开场背景里的代码片段透露了哪些后续主题线索？

时间近似
视频直接表达
来源依据
  1. 动画
    观察依据

    标题页背景出现 Python 代码，其中可见 `def lagrangian(u, sigma, cor, m):`

待核验内容

  1. 代码未在本片段内被讲解，只能确认其出现

涉及知识点
  1. 开场标题页上的代码与几何动画

视频里的 risk premia 是什么，为什么写成 μ−rf⋅1μ - r_f\cdot 1？

依据清楚
视频直接表达
来源依据
  1. 公式
    观察依据

    画面标注 Risk Premia (μ−rf⋅1μ - r_f \cdot 1)。

涉及知识点
  1. 含无风险资产的投资组合收益率
  2. 风险溢价向量

为什么均值方差目标要在收益后面减去 λ/2wTΣwλ/2 w^TΣw？

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    音频称为了将风险作为一个惩罚项，我们在后面减去了 lambda 除以 2 w omega w。

涉及知识点
  1. 均值方差优化目标函数

λ 为什么要除以 2？

依据清楚
视频直接表达
来源依据
  1. 声音
    观察依据

    音频称 lambda 除以 2 纯粹是为了做微积分的时候方便。

涉及知识点
  1. 均值方差优化目标函数
  2. 对均值方差目标求一阶条件
覆盖情况与待核验内容

已覆盖 · 标题页与口头导入：出现课程标题、主题预告、前置知识说明，以及背景代码和几何动画；无可辨认的完整数学推导。

已覆盖 · 公式板：展示均值方差优化标题、组合收益、风险溢价、目标函数、一阶条件与二阶条件；音频主要解释组合收益各项含义，后续公式以画面展示为主。

已覆盖 · 讲解组合收益公式及其改写，并定义风险溢价。

已覆盖 · 给出均值方差目标函数，解释 λ 与方差惩罚项。

已覆盖 · 对目标函数求偏导，得到一阶条件并解释 w^* 的含义。

已覆盖 · 用 Hessian 的二阶条件验证驻点是最大值。

已覆盖 · 切换到拉格朗日乘数法，给出一般形式和组合优化约束示例。

已覆盖 · 画面给出优化目标与两条约束，音频说明权重和为 1。

已覆盖 · 完整拉格朗日函数出现，讲解者逐项解释三部分。

已覆盖 · 对 w 求偏导，得到一阶条件。

已覆盖 · 把 w 单独提出，得到 w* 表达式。

已覆盖 · 将 w* 代回两条约束，得到关于 λ、γ 的方程。

已覆盖 · 引入 A、B、C，并给出 λ、γ 的闭式解。

已覆盖 · 说明最终目标是权重 w，并并列展示 Python 代码实现。

已覆盖 · 讲者解释代码中的 SRS 由 sigma、correlation 和 sigma.T 构造，对应左侧公式中的协方差矩阵。

已覆盖 · 画面展示拉格朗日函数、一阶条件和权重表达式；讲者说明代码中的 U 代替公式中的 μ\mu。

已覆盖 · 讲者说明 A、B、C 同理算出，并把它们代入 lambda 和 gamma；画面同步展示理论方程组与代码计算。

已覆盖 · 讲者说明最后把 lambda 和 gamma 代入 weights 得到最优组合，画面展示闭式解与回代公式。

已覆盖 · 讲者说明推导和代码已贴到公众号，画面保持左右分栏并出现底部水印；此段无新增数学步骤。

探索视频中的知识

已审核的主题路径

同学科的更多视频

继续浏览同学科的相关视频。