MARKOWITZ 组合理论综述

一般认为，现代投资理论起始于马柯维茨提出的证券投资组合理论。1952
年，哈里·
马柯维茨在美国金融杂志上发表了题为《Portfolio Selection》的文章，
第一次从风险资产的收益率和风险的关系出发，提出了证券的组合投资是为了实
现风险一定情况下的收益最大化或收益一定情况下的风险最小化，具有降低证券
投资活动风险的机制。同时，马柯维茨运用了数理统计方法全面细致地分析了何

为最优的资产结构和如何选择最优的资产结构，解决了资产组合的选择问题，从
而把投资理论从定性分析推向了科学的定量分析，为资产定价理论奠定了坚实的
基石。

马柯维茨提出和建立的现代证券投资组合理论，其核心思想是要解决长期困
扰证券投资活动的两个根本性问题。第一个问题是虽然证券市场上客观地存在着
大量的证券组合投资，但为何要进行组合投资，组合投资究竟具有何种机制和效
应，在现代证券投资组合理论提出之前，谁也无法做出令人信服的回答。针对这
一问题，现代证券投资组合理论给出了逻辑严密并能经得起实践检验的正确答

案，即证券的组合投资是为了实现风险既定而收益最大化或收益既定而风险最小
化，具有降低证券投资活动风险的机制。当然，人们用不着学习现代证券投资组
合理论就知道“不要把所有的鸡蛋放在一个篮子里”可以分散和降低风险，但此
谓知其然而不知其所以然。现代证券投资组合理论不仅是要告诉人们“不要把所
有鸡蛋放在一个篮子里”，更重要的是要告诉人们“不要把所有的鸡蛋放在一个

篮子里”为什么是真理而不是谬误。

第二个问题是证券市场的投资者除了通过证券组合来降低风险之外，应该如
何根据有关信息进一步实现证券市场投资的最优选择。对于这一问题，马柯维茨

的现代证券投资组合理论运用数理统计方法全面细致地分析了何为最优的资产
结构和如何选择最优的资产结构。

可以说，马柯维茨的历史贡献就在于他建立了一套运用数理统计工具来选择
最优投资组合的理论和方法，为证券投资组合研究开辟了新方向，成为后人继续
前进的基础。在投资者只关注“期望收益率”和“用方差来描述收益率的不确定
性”的假设前提下，他建立的均值——方差模型是严谨的。

一、哈里·
马柯维茨的组合理论

（一）模型假设

马柯维茨的组合投资思想被投资者广泛接受，但他的定量模型是建立在一系

列严格的假设基础之上。模型假设条件包括：　

（１）证券市场是有效的，证券的价格反映了证券的内在价值，每个投资
者都掌握充分的信息，了解每种证券的期望收益率及其标准差；　

（２）证券投资者以期望收益率来衡量未来收益的水平，以期望收益率的
方差来衡量收益率的波动情况（即风险）
，并以这两个指标作为选择投资
方案的依据；　

（３）投资者都是风险规避型的，都期望投资收益率越高越好，而期望收
益方差越小越好。他们都遵循着“主宰原则”
（Ｄｏｍｉｎａｎｃｅ　ｐｒｉｎｃｉｐｌｅ ），
追求在给定风险上收益最大，或者在给定收益水平上风险最低；如果要
他们选择风险较高的方案，他们都要求有额外的投资收益率作为补偿；　

（４）各种证券的收益率之间有一定的相关性，它们之间的相关程度可以
用相关系数或者收益率之间的协方差来表示；　

（５）每种证券的收益率都服从正态分布；　

（６）每一个资产都是无限可分的，这意味着，如果投资者愿意的话，他

可以购买一个股份的一部分；　

（７）投资者可以以一个无风险利率贷出（即投资）或借入任意资金；　

（８）交易是无摩擦的，税收和交易成本均忽略不计。　

其中假设条件 １）－－４）为马柯维茨对模型的假设，假设 ５）－－８）为模型的隐含

假设。这些假设简化了模型的理论推导，但这些假设又成为模型在实践应用中的
障碍，关于这一点我们将在后续部分进行分析。

（二）马柯维茨的均值－方差模型　　

马柯维茨认为投资者都是风险规避者，他们不愿承担没有相应期望收益加
以补偿的外加风险．投资者可以用多元化的证券组合，将期望收益率的方差减至

最小，因此马柯维茨根据风险分散的原则，应用二次规划建立一套复杂的数学方
法，来解决如何通过多元化的组合降低组合资产中的风险问题。马柯维茨的优化
模型为：

n n
min δ 2 = ∑ xi2 σ i2 + ∑x x i j ρ ijσ iσ j （1）
i =1 i , j =1
i≠ j

∑x R
i =1
i i =r
n
其中满足条件: ∑ xi = 1
i =1

xi ≥ 0, i = 1,2 ,......n

在上述模型中, δ 2 表示组合资产收益率的方差;

σ i 表示第 i 种风险资产收益率的方差;
2

x i 表示第 i 种风险资产在组合中的投资比例;

ρ ij 表示第 i种风险资产的收益率与第 j 种风险资产的

收益率的相关系数;

Ri 表示第 i 种资产的 n 年实际平均收益率;

r 表示组合资产的预期收益率。

上述模型是以投资比率为变量的二次规划，通过求解二次规划，可以确定
最优投资比例。马柯维茨模型用定量的方法研究投资组合问题，在理论上和实践
上都具有很强的指导意义。马柯维茨模型可进一步推广为不相关风险资产投资优
化模型（式 2）和存在无风险资产时风险资产组合优化模型（式 3）
。
 n
min δ 2 = ∑ xi2σ i2 （2）
i =1

RP = R f + [( R x − R f ) / σ x ]σ P （3）

此外，马柯维茨还研究了有效组合与投资决策者的机会集—有效边界问题，
并得出结论：无差异曲线和有效边界切点上的有效组合，使投资者在同样的风险
条件下选择最大的收益率，或在同样的收益率下选择最小的风险。（图一）

μＰ
S

可行集

σP

图一 可行集与有效集

马柯维茨为确定有效组合提供了两条技术路径。其一是图形法,该方法的基本
思路是建立 Ep-σｐ 坐标系，确定左边界，左边界的顶部即为有效边界。左边界上
任何一点均对应于某个给定期望收益率下的最小方差组合，因而也称左边界为最
小方差集合，于是求解最小方差集合就是求解优化问题（ １）
，对每一个给定的期

望收益值 Ep 求解上述问题的一组解 x=(x1,x2,… xn),该组合即为给定 Ep 下的最小方

差集合。但图形法只能在所考虑的证券不超过 4 种的情况下进行，并且主要依赖
数值计算，借助于计算机来实现，从而不能提供解析式，不利于有效边界的一些
好的性质的揭示。第二种方法是在利用上述方式的基础上，通过以任意λ为斜率
虚构直线形式的无差异曲线族，获得有效组合。随着无差异曲线族斜率λ的变化，
我们能够得到所有有效组合。该方法更多地依赖于数学推演，优点是能够给出全

体有效组合的解析表达式。　　

二、马柯维茨均值—方差模型的拓展　

马柯维茨的均值—方差模型揭开了现代投资组合理论的新纪元，但由于其苛
刻的假设条件导致了该模型的实用性不强，因此，几十年来，人们一直在努力对
马柯维茨的均值—方差模型进行拓展，以期找到理论与实践的结合点。目前，对
马柯维茨模型的拓广主要体现在改进目标函数、设法减少假设、降低计算的复杂

性及增加考虑的因素、缩小模型与现实应用之间的距离等方面。

（一）单因子模型（市场模型）

为了解决均值—方差模型应用于大规模市场所面临的计算量庞大的缺点，
1963 年，马柯维茨的学生威廉？夏普（William Sha rpe）在《A simplified Model for
Portfolio Analysis》一文中，提出了简化的计算方法，即单因子模型（市场模型）。

在数学上，单因子模型可表达为：

ri = α i + β i rM + ε i （4）

这里， ri 为资产 i 的收益率

α i 为资产 i 收益的截距项（即市场收益 rM =0 时资产 i 的预期收益率）

β i 为资产 i 的收益对市场收益变动的敏感程度

ε i 为只与企业个性有关的收益部分，同市场收益 rM 不相关

rM 为市场投资组合的收益，通常由某种市场指数代表

市场模型的关键在于捉住了个别资产的收益同整个市场的平均收益有相关

性。模型中的斜率 β i 为衡量证券收益对市场指数收益变动的敏感程度，它经常

被称为证券的 beta。Beta 值为正说明市场指数收益越高，该证券预期收益也越高；

beta 值为负说明市场指数收益越低，该证券预期收益越高。
 通常，市场模型中的参数可以通过 ri 和 rM 的时间序列数据估计出。利用 ri 和

rM 的时间序列数据，运用普通最小二乘（OLS）回归来估计 α i 、 β i 和 ε i 的标准

COV (ri , rM )
差 σ εi ，最小二乘估计法要求斜率即 beta 为 β i = ，这里， σ M 为市场
σ M2

指数收益的标准差， COV ( ri , rM ) 是 ri 和 rM 之间的协方差。

利用市场模型，我们能够识别多样化组合资产中风险的来源，

σ P2 = σ M2 β P2 + σ ε2P （5）

上式说明：

组合资产总风险=组合资产的市场风险+组合资产的个别性风险

大致来说，一个包含了 30 多种或更多随机选择的证券的组合资产，其特有
风险相当小，这意味着它的总风险将仅略高于各种个股的市场风险，这种组合资
产已经充分被“多样化了”。图三说明了多样化如何带来特有风险的降低。

σＰ

个别性
风险
βＰσＩ

总风险
市场风险

图三 风险与多样化

从图三我们也可以直观的看出，投资组合多样化的最优效果即是将个别性风

险抵消掉，但组合仍然要承担市场风险。
 （二）不同限制性卖空条件下的证券组合投资模型

在完全市场条件下的均值—方差模型，卖空没有任何限制条件，但现实证券
市场中的卖空常常受到限制，而且不同的证券市场对卖空的限制条件往往不同。
当卖空受到限制时，均值—方差模型作为证券投资组合的决策模型就需要得到调
整。

（1）不许卖空的投资组合决策模型

由于在实际交易中卖空在很多国家都受到限制，因此多对 Markowitz 的均值

—方差模型的约束条件进行修正以满足不能卖空的条件。这些模型的应用也是建
立在一系列假设条件之上的，模型的基本假设为

投资者在制定决策时以期望收益率和收益率的方差两参数为基础；

a) 投资者是马柯维茨的信徒，即他（她）是理性的和风险规避型的；

b) 投资者对市场的预期是一致的；

c) 市场是完全竞争和无磨擦的，不存在无风险套利机会；

d) 不存在无风险资产；

e) 不允许卖空。

此条件下投资组合决策的模型如下：

Minσ 2 = W T ∑W （6）

1T W = 1
s.t.
ω i ≥ 0 i = 1,2 ,......n

其中， µ = ( µ1 , µ 2 ,......µ n )T 为期望收益率向量；

W = (ω1 , ω 2 ,......ω n )T 为投资者在 n 种证券上的投资比例；

σ 2 为投资组合的风险；

∑ = (σ ij ) n×n 为收益率向量 r = (r1 , r2 ,......rn )T 的方差协方差矩阵。

 这一模型与 Markowitz 均值—方差模型的差别主要在限制投资者投资于每种
证券上的投资比例 ωi 大于等于零，其求解方法基本是沿袭标准的马氏模型。

（2）在有保证金要求和允许抵押两种限制条件下允许卖空的证券投资组合
决策模型。

该模型的主要思路是：投资者在进行卖空操作时，不但不能将卖空所得归己
支配，还需缴纳附加保证金。所以，将卖空第 i 种证券看作是投资于第 n+i 种证
券，其投资额为交纳的附加保证金。这样就将由 n 种证券构成的证券组合投资问
题处理成由 2n 种证券构成的证券组合投资问题。相应的组合投资比例系数向量

为 W = (ω1 ,ω 2 ,......,ω 2 n )T ≥ 0 ，其中， ω i 为持有证券 i 的投资比例系数， ω n+i 是用

于支付卖空证券 i 所需要的附加保证金占投资总金额的比例系数，i＝1，2，…，
n。

有保证金要求的卖空条件下证券组合投资决策模型为：

2n 2n
Minσ 2 = ∑∑ ω iω jσ ij = W T EW （7）
i =1 j =1

 2n _

∑ ω i Ri = W R = R
T

 i =1
 2n
s.t.∑ ω i = W T F = 1
 i =1
 xi ≥ 0, i = 1,2 ,......,2 n



其中，σ 为证券收益风险(标准差)， R = ( R1 , R2 ,..., Rn )T ，是证券收益率期望值

向量； R 为组合证券期望收益率。上述模型的约束式中引入允许抵押的卖空条
−

件，则可得到相应的允许抵押卖空的组合投资决策模型。

(四)、资本结构作用下的投资组合模型

在 Tobin—Sharpe—Lintner 模型中，以完全市场为条件，也就是说投资与融

资活动中借贷率为常数且借贷额不受限制，资本结构不影响投资与融资行为，这
是理想状态。但在实际的投资与融资活动中，一方面借款投资所形成的财务杠杆
将使组合投资的收益与风险放大，另一方面由于负债风险的存在，投资者的负债
率将受到限制。因此，投资者在考虑投资组合的构成时，往往要受到自己对负债
风险的承受能力。其模型为：

1
Minσ 2 ( x) = W ( x)T EW ( x) （8）
(1− x) 2

_ 1
 R( x ) = [W ( x) T R − xR f ]
s.t. 1− x
W ( x)T F = 1


可解得含负债率因子 x 的组合投资有效边界解析式为：

1 _
2 (b − cxR f ) _ 1
σ 2 ( x) = [c R 2
(x ) − R ( x) + ( a − 2bxRf + cx2 R 2f )]
ac − b 2
1− x (1 − x)2

其中， a = R T E −1 R, b = R T E −1 F , c = F T E −1 F 。

（五）、多目标投资组合模型

马柯维茨的标准均值—方差模型只有方差最小一个目标，多目标模型改进了
目标函数，力求使投资者的各种目标同时得到满足。这里我们介绍一种以收益最

大和方差最小为目标的多目标模型，它可以使投资者那种收益尽可能大、风险尽
可能小的理性观点得到体现。

多目标组合决策模型如下：

MaxE( R ) = µ T W
（9）
Minσ 2 = W T ∑W

1T W = 1
s.t.
ω i ≥ 0 i = 1,2 ,......n

其中， E (R ) 为资产组合的收益率；

µ = ( µ 1 , µ 2 ,......µ n )T 为期望收益率向量；

W = (ω1 , ω 2 ,......ω n )T 为投资者在 n 种证券上的投资比例；

σ 2 为投资组合的风险；
 ∑ = (σ ij ) n×n 为收益率向量 r = (r1 , r2 ,......rn )T 的方差协方差矩阵。

上述多目标规划模型可以转化为单一目标规划模型。设立单目标函数如下：
P 2 P
f ( E ( R),−σ 2 ) = E ( R ) − σ = µ TW − W T ∑ W (10)
2 2

其中 P 为单位风险 σ 2 的影子价格。

这样，上述多目标决策模型就化为：
P 2 P
Max : f ( E (R ),−σ 2 ) = E ( R ) − σ = µ TW − W T ∑ W
2 2
1T W = 1
s.t.
ω i ≥ 0 i = 1,2 ,......n

利用拉格郎日乘数法可求得模型的解：

1 −1 1T ∑ −! µ − P
W∗ = ∑ (µ − 1) 为最优投资组合
P 1T ∑−1 1

利用多目标投资组合模型计算出来的( E ( R),σ 2 )都在利用马柯维茨均值—方

差投资组合模型而求得的有效区域内。

(六)、 动态证券组合模型

在证券投资的定量分析中，描述投资的预期收益及风险的量分别为预期收益
率和风险损失率。为了处理上的方便，在以往的某一投资期内的预期收益率与风

险损失率均假设为已知的确定的常数，这通常不符合实际情况。因此，有文章讨
论了当投资的预期收益率和风险损失率为随机变量时，证券投资组合模型的优化
问题。

假设条件：M 为资金总额，n 为投资者选定的证券种类的数目，投资第 i 种

证券的预期收益率与风险损失率分别为 ri ， qi ,i=1,2,… n,它们分别为服从一定概

率分布的随机变量，r0 为银行利率，并假设其为常数（一般认为 r0 < ri ，i=1,2,… ,n，

它们分别为服从一定概率分布的随机变量，ω i 为第 i 种投资在总投资中所占的比

例， ω 0 为投资期内存款占总投资的比例， pi 为费用率，购买第 i 种证券的交易

费用为 A(ω i ) ：

ω i M ⋅ pi , ω i M ≥ ui
A(ω i ) = 
 u i pi, ω i M < ui

这里 ui ，i=1,2,… .,n 为预先给定的常数，假定投资者遵循主宰原则，即投资

者希望报酬越大越好。投资期内证券的净收益与总体风险分别为 R 和 V:

我们的目的是求出使 R 达到最大，且 V 达到最小的 WT。

显然，我们的优化目标净收益与风险是相互冲突的，对于这样两个冲突的目
标来说，无论使用何种方法，所得到的解应该是一个有效解，而不是每个目标均

达到最优的最优解。根据假设 ri , qi , i = 1,2,..., n 为随机变量，所以 R ,V 也是随机

变量。为了处理这种随机性，一个最自然的方法就是考虑期望收益与期望风险，
即使 E（R）和 E（V）分别达到最小和最大的问题。于是可以得到以下的期望
值模型。

其中 ri , qi , i = 1,2,..., n 为分布已知的随机变量。

如果决策给出了优先结构和目标值，我们就可以把上述的问题转化为一个期
望值目标规划：
 其中，P j 为优先因子，表示各个目标的相对重要性，且有 p1 ≥ p2 ； ui , j 为

优先因子 j 对第 i 个目标负偏差的权重因子； d 1+ (d 2+ ) 为 ER(EV)偏离目标值的正

偏差，定义为：

b1(b2)为目标 ER(EV)的目标值。

近年来，动态证券的研究成果是：Dumas 研究在交易条件下证券的组合动态
问题的精确解；Cox 研究的证券组合快车道问题及其求解方法。

(七)、证券投资组合的机会约束模型

处理随机性的另一种方法为机会约束规划，机会约束规划由 Charnes 和
Cooper 提出。该方法考虑到所做决策在不利情况发生时可能不满足约束条件，
故一般采取如下原则：即允许所做决策在一定程度上不满足约束条件，但该决策

应使约束条件成立的概率不小于某一置信水平。由此我们可得到如下的机会约束
模型：
 其中 r , qi , i = 1,2,3,...n 为分布已知的随机变量，α，β为决策者预先给定的净

收益和总风险的置信水平，同样，如果决策者给出了优先结构和目标值，我们也

可以把上述问题转化为一个目标规划：

其中， Pi 为优先因子，表示各个目标的相对重要性，且有 P1 ≥ P2 ； u i , j 为优

先因子 j 对第 i 个目标正偏离的权重因子， v i , j 为优先因子 j 对第 i 个目标负偏差

的权重因子； d1+ (d 2+ ) 为 R(V)偏离目标值的正偏离，定义为

d 1− (d 2− ) 为 R(V)偏离目标值的负偏差，定义为：

b1 (b2 ) 为 R(V)的目标值。

一般说来，如果机会约束规划可以转化为它们各自确定性问题的等价类，则

我们可以利用传统算法处理这些等价类，从而获得问题的解。但是能转化为确定
性问题的等价类的机会约束规划是很少的一部分。另外在期望模型中使用传统的
算法求复杂的随机向量的数学期望也是很困难的。鉴于上述原因，可以用随机模
拟的遗传算法用以解决证券投资组合模型的优化问题。
 此外，由于马柯维茨的均值—方差模型假设市场是无摩擦的，即没有考虑到
交易成本的影响，但在现实投资活动中，投资者往往面临着数量可观、不容忽视
的交易成本。Mao(1970)，Jacob(1974)，Brennan(1975)，Levy(1978)，Patel 和

Subrahmanyam(1982) 研究了固定交易费用问题。Pogue(1970) ，Chen、Jen、

Zionts(1971)和 Yoshimoto(1996)研究了变动交易费用问题。Amihud 和
Mendelson(1986)提出投资者需要得到更高的收益来弥补其交易成本。组合投资
均值—方差模型中引入交易成本的主要思路是：以交易值的固定比例作为交易成

本，引入单位时间交易量、收入流和消费流，确定证券组合存在的非交易的可变

区域。有交易成本时，若标的股票的投资比例在非交易区域时，投 资者不需要进
行交易；若标的股票的投资比例超出非交易区时，投资者需要进行交易，使标的
股票的投资比例回到非交易区域内。在一定的条件下，最优投资比例非交易区域
端点与模型的所有常系数有关，而与投资值无关；非交易区间长度关于交易成本
成递减关系。

三、马柯维茨理论的局限性

如同前面报告所说，马柯维茨组合理论的主要贡献在于建立了一套运用数理
统计工具来选择最优投资组合的理论与方法，为证券投资组合研究开辟了新方

向，成为后人继续前进的基础。然而，该组合理论也存在着一定的局限性，这从
前面介绍的各种修正上也能看出一些端倪：

1、将方差作为测量风险的参数具有理论色彩。该理论隐含的一个假设是，收益

的数学期望值附近结果的离中趋势是一个对称性的概率分布，但实证表明，
结果的离中趋势并不都是呈现对称性概率分布，尤其是，单个证券的结果趋
势更是如此。现实世界中收益率的离中趋势很难像理论中抽象的那样简单明
快，往往是非对称的。

2、该理论所假设的投资者均有相同的时间概念，这与现实相距较远。从现实投
资来看，该理论所表现的最优组合只是一种暂时的静态均衡组合，而实际上
投资的风险、价格以及收益都是不断变化着的。只有根据实际变化着的形势
及时进行调整，达到动态的相对较优的投资组合才是现实所要求的。
3、该理论使用预期收益和方差使得其在应用中也有风险。所谓预期收益和方差
等，是建立在过去状况的概率将在未来实现的主观评价上，鉴于未来的不可
知性，历史会有相似之处，但决不会相同或重复。

4、马柯维茨组合理论的最基本假设是证券市场是有效的。该条件是非常苛刻的，
即使在成熟的股票市场也是无法满足的。信息具有不对称性是普遍情况 ,我
国证券市场更是如此。

5、各种证券的收益率之间有一定的相关性 ,它们之间的相关程度可以用相关系
数或者收益率之间的协方差来表示。假设条件不仅要求每种证券收益率是相
互关联的 ,它还要求这种关联的相对稳定性。马柯维茨是根据以往各种证券
之间的关联方式和关联程度来推测它们未来的关联情况。由于投资者之间博

弈的影响，证券之间的关联情况常常发生较大的变化，这使得通过以往数据
计算出来的证券收益率的协方差矩阵未必能够代表未来的情况。

6、每一个资产都是无限可分的。这意味着如果投资者愿意的话，他可以购买一

个股份的一部分。假设条件是一种近似处理，但由于中国股票的最小交易单
位是一手（100 股），这种近似可能造成较大的误差。同时假设投资者可以无
限制地借入资金也是不现实的。

8、投资组合理论的最优解选取是要依靠投资者的效用函数曲线与有效边界的切
点来确定的，但投资者的效用函数是很难定义。虽然目前已经研究了很多种
方法来测试投资者的效用偏好，但这些方法无论在理论上还是在实践中都不
能准确描述投资者的效用函数曲线，并且投资者的效用还会随着年龄、生理
状况、经济状况和社会大环境的变化不断变化，因此想要准确评估投资者效

用函数几乎是不可能的。这也导致利用投资组合理论不能准确选取最优解。

虽然马柯维茨的均值—方差模型有许多局限性，但他对现代投资理论的发展
做出了不可磨灭的功绩，在马柯维茨的组合理论思想启发下，现代证券投资理论

在此后近 50 年间得到了长足发展。在马柯维茨所做研究的基础上，现代证券投
资组合理论在实务上被广泛应用于债券、股票、资产组合管理和指数基金投资等
领域。目前，现代证券投资组合主要沿着实用化、资本资产定价和套利定价等三
个方向发展，使自身的理论体系不断得到丰富和完善，关于投资组合理论的发展、
演变及应用我们将在后续报告中进行详细阐述。　
Reference：
（March
1. Harry M. Markowitz，Portfolio Selection，Journal of Finance，7，No.1
1952）：77-91
2. Harry M. Markowitz， Portfolio Selection： Efficient Diversification of
Investments（New York：John Wiley，1959）
3. Frankfurter, George M；Markowitz，Harry M.；Is Normative Portfolio Theory
Dead？； Normative Portfolio Analysis： Past，Present，and Future，Journal of
Economics and Business；New York； May 1990；
4. Markowitz H. Mean－ variance analysis in portfolio choice and capital
markets. New York: Basil Blackwell, 1987.
5. E.J. Elton， M. J. Gruber； Modern Portfolio Theory and Investment
Analysis, 3rd ed.，Wiley，New York，1987
6. Y.K. Haimlevy， H.M. Markowitz， Mean-variance versus direct utility
maximization，Journal of Finance 1 (1984)
7. J.B. Michael, R.G. Robert, Sensitivity analysis for mean variance portfolio
problems, Management Science 37 (1991)
8. Alchian, Armen A., 1953. The meaning of utility measurement. American
Economic Review 42, 26-50.
9. Markowitz, H., 1952. The utility of wealth. Journal of Political Economy 60,
151-158.
10. Teghem Jr., D. Dufraned, M. Thauvoye, STRANGE: An interactive method
for multi-objective linear programming under uncertainty, European Journal of
Operational Research 26 (1986) 65－82.
11. R.J. Benayoun de MontgolÞer, J. Tergny, Linear programming with multiple
objective functions: Step method (STEM), Mathematical Programming 1 (1971)
366－375.
12. Pliska, S.R., 1997. Introduction to Mathematical Finance: Discrete Time
Models. Blackwell,Oxford.
13. Whittle, P., 1990. Risk Sensitive Optimal Control. Wiley, New York.
14. Pliska, S.R., 1986. A stochastic calculus model of continuous trading:
optimal portfolios. Mathemat-ics of Operations Research 11, 371－384.
15. Pesaran, M.H., Timmermann, A., 1998. A recursive modelling approach to
predicting UK stock returns. Working Paper. Trinity College, Cam bridge.
16. Campbell, J.Y., Viceira, L.M., 1999. Consumption and portfolio decisions
when expected returns are time varying. Quarterly Journal of Economics 14(2)
(May 1999) 433－495.
17. Porter, R.B., 1974. Semivariance and stochastic dominance: A comparison.
The American Economic Review 64, 200－204.
18. Markowitz, H.M., Todd, P., Xu, G., Yamane, Y., 1993.Computation of mean
－semivariance efficient sets by the critical line algorithm. Annals of Operations
Research 45,307-317。
19. Arnone S, Loraschi A, Tettamanzi A. A genetic approach to portfolio
selection. Neural Network World 1993;6:597－604.
20. Rudd A, Rosenberg B. Realistic portfolio optimization. In: Elton EJ, Gruber
MJ editors. Portfolio theory, 25 years after. TIMS Studies in the Management
Sciences, vol. 11. Amsterdam: North-Holland, 1979. p. 21－46.
21. Sharpe,William F, A Simplified Model for Portfolio Analysis. Management
Science, January 1963, p. 277—293.
22. Amihud, Yakov; Mendelson, Haim;Asset Pricing and the Bid -Ask Spread；
Journal of Financial Economics; Amsterdam; Dec 1986;
23. Sarnat, Marshall;Capital-Market Imperfections and the Composition of
Optimal Portfolios ，The Journal of Finance; New York; SEPT. 1974;