.什么是有效资产组合，最优资产组合如何确定？

1. .什么是有效资产组合，最优资产组合如何确定？

按照资产组合理论，有效资产组合是使风险相同但预期收益率最高的资产组合。最优资产组合是一个投资者选择的一个有效资产组合，并且具有最大的效用，它只能是在有效集和具有最大可能效用的无差别曲线的切点上。
关于资产组合效应,各经济学流派观点比较接近不同之处在于：凯恩斯学派强调利率变动在整个调整过程中的作用，而货币学派则强调价格变动的决定性作用后者认为，货币存量的变动，直接改变了支出单位资产组合中所有资产的价格，并由此而增加了支出单位的消费支出和资本品支出。

扩展资料：
资产组合的目的是通过对持有资产的合理搭配，使之既能保证一定水平的盈利，又可以把投资风险降到最低限度。
在证券投资中，人们总是期望收益越高越好，但是由于每种证券都有风险，因此若只考虑追求收益，资产过分集中和单一，一旦出现什么不测，遭受损失的程度就会很大。通过科学的分析和评估，将证券投资进行合理的搭配组合，就可以实现在收益最大的同时风险最小。
（1）实现了对汇率本质及汇率决定过程认识上得革新。以前的汇率理论，仅把汇率视为一种产出的价格，而非资产的价格，认为汇率决定于流量市场的均衡而非存量市场的均衡。
（2）该理论强调了资本项目交易对汇率的影响，纠正了过去的汇率理论只重视经常项目收支对汇率的影响这一片面倾向。
（3）该理论的某些假定比传统汇率理论的假定更为现实，例如，该理论假设各种资产之间具有高度可替代性，而不是完全的可替代性。
（4）该理论吸收了货币主义汇率理论得合理内容，既强调货币因素对汇率的影响，又强调了实体经济因素对汇率的影响。
参考资料来源：百度百科-资产组合

2. 金融经济学概念“前沿边界投资组合”是什么意思？可以讲讲吗？谢谢

前沿边界投资组合指收益相同风险最小或风险相同收益最大的组合。有效边界是用来描述一项投资组合的风险与回报之间的关系，在以风险为横轴，预期回报率为纵轴的坐标上显示为一条曲线，所有咯，在这条曲线上的风险，回报组合都是在一定风险和最低风险下，可以获得最大回报。这个概念，主要追求的是风险最小，收益最大。或者风险相同，收益最大。要留有一定的边界，也就是说实际价值和内在价值与价格的顺差，只有当股票合理价值被低估的时候才存在安全边际和安全边际为正。安全边际不能保证能避免损失，但能保证获利的机会比损失的机会更多。拓展资料：金融经济学：所谓金融经济学，它就是一门研究金融资源有效配置的科学。虽然，金融资源(也称金融工具)的形态有多种多样，有货币、债券、股票，也有它们的衍生产品，它们所带来的收益和风险也各不相同，但是，它们都有一个共同的特征：人们拥有它们不再是像经济学原理所描述的那样是为了想从使用这些“商品”的过程中得到一种满足，而是希望通过它们能在未来创造出更多的价值，从而在这种能够直接提高自身物质购买力的“金融资源配置”过程中得到最大的满足。经济理论界关于努力建立中国自己的经济学的呼声很高，其中以盛洪、茅以轼等学者的努力最为中国的经济学人所感动。中国的金融市场与美国、日本等国成熟的资本市场固然有着内在的千差万别，但是，可以借鉴它们的理论成果，来解释中国金融市场上的若干问题，来建立中国自己的金融经济学。90年代以来，中国金融理论界研究成果斐然，金融改革和国家宏观经济调控的实践可以说与之息息相关。货币政策问题、金融监管问题相通货膨胀(紧缩)问题固然要研究，股市评论和行业评论固然也要写，但是，对中国金融市场上的一些宏观问题绝不能掉以轻心，比如中国证券市场的有效性研究、中国证券市场上的金融资产的价格决定机制研究等。对这些宏观问题进行研究的时候，要善于利用当前现代微观经济学、制度经济学、博弈论和信息经济学的最新成果，特别要注重运用他们所蕴涵的最新研究方法。只要对中国金融市场上的宏观问题在理论上有了完整的认识，才有可能自如地发展和运用中国的金融市场。

3. 如何用python实现Markowitz投资组合优化

0.导入需要的包import pandas as pd
import numpy as np
import statsmodels.api as sm #统计运算
import scipy.stats as scs #科学计算
import matplotlib.pyplot as plt #绘图

1.选取几只感兴趣的股票
000413 东旭光电，000063 中兴通讯，002007 华兰生物，000001 平安银行，000002 万科A
并比较一下数据（2015-01-01至2015-12-31）
In[1]:
stock_set = ['000413.XSHE','000063.XSHE','002007.XSHE','000001.XSHE','000002.XSHE']
noa = len(stock_set)
df = get_price(stock_set, start_date = '2015-01-01', end_date ='2015-12-31', 'daily', ['close'])
data = df['close']
#规范化后时序数据
(data/data.ix[0]*100).plot(figsize = (8,5))
Out[1]:

2.计算不同证券的均值、协方差
每年252个交易日，用每日收益得到年化收益。计算投资资产的协方差是构建资产组合过程的核心部分。运用pandas内置方法生产协方差矩阵。
In [2]:
returns = np.log(data / data.shift(1))
returns.mean()*252
Out[2]:

000413.XSHE    0.184516
000063.XSHE    0.176790
002007.XSHE    0.309077
000001.XSHE   -0.102059
000002.XSHE    0.547441

In [3]:
returns.cov()*252
Out[3]:

3.给不同资产随机分配初始权重
由于A股不允许建立空头头寸，所有的权重系数均在0-1之间
In [4]:
weights = np.random.random(noa)
weights /= np.sum(weights)
weights
Out[4]:

array([ 0.37505798,  0.21652754,  0.31590981,  0.06087709,  0.03162758])

4.计算预期组合年化收益、组合方差和组合标准差
In [5]:
np.sum(returns.mean()*weights)*252
Out[5]:

0.21622558669017816

In [6]:
np.dot(weights.T, np.dot(returns.cov()*252,weights))
Out[6]:

0.23595133640121463

In [7]:
np.sqrt(np.dot(weights.T, np.dot(returns.cov()* 252,weights)))
Out[7]:

0.4857482232609962

5.用蒙特卡洛模拟产生大量随机组合
进行到此，我们最想知道的是给定的一个股票池（证券组合）如何找到风险和收益平衡的位置。
下面通过一次蒙特卡洛模拟，产生大量随机的权重向量，并记录随机组合的预期收益和方差。
In [8]:
port_returns = []
port_variance = []
for p in range(4000):
  weights = np.random.random(noa)
  weights /=np.sum(weights)
  port_returns.append(np.sum(returns.mean()*252*weights))
  port_variance.append(np.sqrt(np.dot(weights.T, np.dot(returns.cov()*252, weights))))
port_returns = np.array(port_returns)
port_variance = np.array(port_variance)
#无风险利率设定为4%
risk_free = 0.04
plt.figure(figsize = (8,4))
plt.scatter(port_variance, port_returns, c=(port_returns-risk_free)/port_variance, marker = 'o')
plt.grid(True)
plt.xlabel('excepted volatility')
plt.ylabel('expected return')
plt.colorbar(label = 'Sharpe ratio')
Out[8]:

6.投资组合优化1——sharpe最大
建立statistics函数来记录重要的投资组合统计数据（收益，方差和夏普比）
通过对约束最优问题的求解，得到最优解。其中约束是权重总和为1。
In [9]:
def statistics(weights):
   weights = np.array(weights)
   port_returns = np.sum(returns.mean()*weights)*252
   port_variance = np.sqrt(np.dot(weights.T, np.dot(returns.cov()*252,weights)))
   return np.array([port_returns, port_variance, port_returns/port_variance])
#最优化投资组合的推导是一个约束最优化问题
import scipy.optimize as sco
#最小化夏普指数的负值
def min_sharpe(weights):
  return -statistics(weights)[2]
#约束是所有参数(权重)的总和为1。这可以用minimize函数的约定表达如下
cons = ({'type':'eq', 'fun':lambda x: np.sum(x)-1})
#我们还将参数值(权重)限制在0和1之间。这些值以多个元组组成的一个元组形式提供给最小化函数
bnds = tuple((0,1) for x in range(noa))
#优化函数调用中忽略的唯一输入是起始参数列表(对权重的初始猜测)。我们简单的使用平均分布。
opts = sco.minimize(min_sharpe, noa*[1./noa,], method = 'SLSQP', bounds = bnds, constraints = cons)
opts
Out[9]:
status: 0
success: True
njev: 4
nfev: 28
fun: -1.1623048291871221
x: array([ -3.60840218e-16,   2.24626781e-16,   1.63619563e-01,        -2.27085639e-16,   8.36380437e-01])
message: 'Optimization terminated successfully.'
jac: array([  1.81575805e-01,   5.40387481e-01,   8.18073750e-05,         1.03137662e+00,  -1.60038471e-05,   0.00000000e+00])
nit: 4

得到的最优组合权重向量为：
In [10]:
opts['x'].round(3)
Out[10]:
array([-0.   ,  0.   ,  0.164, -0.   ,  0.836])

sharpe最大的组合3个统计数据分别为：
In [11]:
#预期收益率、预期波动率、最优夏普指数
statistics(opts['x']).round(3)
Out[11]:

array([ 0.508,  0.437,  1.162])

7.投资组合优化2——方差最小
接下来，我们通过方差最小来选出最优投资组合。
In [12]:
#但是我们定义一个函数对 方差进行最小化
def min_variance(weights):
   return statistics(weights)[1]
optv = sco.minimize(min_variance, noa*[1./noa,],method = 'SLSQP', bounds = bnds, constraints = cons)
optv
Out[12]:
status: 0
success: True
njev: 7
nfev: 50
fun: 0.38542969450547221
x: array([  1.14787640e-01,   3.28089742e-17,   2.09584008e-01,         3.53487044e-01,   3.22141307e-01])
message: 'Optimization terminated successfully.'
jac: array([ 0.3851725 ,  0.43591119,  0.3861807 ,  0.3849672 ,  0.38553924,  0.        ])
nit: 7

方差最小的最优组合权重向量及组合的统计数据分别为：
In [13]:
optv['x'].round(3)
Out[13]:
array([ 0.115,  0.   ,  0.21 ,  0.353,  0.322])

In [14]:
#得到的预期收益率、波动率和夏普指数
statistics(optv['x']).round(3)
Out[14]:
array([ 0.226,  0.385,  0.587])

8.组合的有效前沿
有效前沿有既定的目标收益率下方差最小的投资组合构成。
在最优化时采用两个约束，1.给定目标收益率，2.投资组合权重和为1。
In [15]:
def min_variance(weights):
   return statistics(weights)[1]
#在不同目标收益率水平（target_returns）循环时，最小化的一个约束条件会变化。
target_returns = np.linspace(0.0,0.5,50)
target_variance = []
for tar in target_returns:
  cons = ({'type':'eq','fun':lambda x:statistics(x)[0]-tar},{'type':'eq','fun':lambda x:np.sum(x)-1})
  res = sco.minimize(min_variance, noa*[1./noa,],method = 'SLSQP', bounds = bnds, constraints = cons)
  target_variance.append(res['fun'])
target_variance = np.array(target_variance)

下面是最优化结果的展示。
叉号：构成的曲线是有效前沿（目标收益率下最优的投资组合）
红星：sharpe最大的投资组合
黄星：方差最小的投资组合
In [16]:
plt.figure(figsize = (8,4))
#圆圈：蒙特卡洛随机产生的组合分布
plt.scatter(port_variance, port_returns, c = port_returns/port_variance,marker = 'o')
#叉号：有效前沿
plt.scatter(target_variance,target_returns, c = target_returns/target_variance, marker = 'x')
#红星：标记最高sharpe组合
plt.plot(statistics(opts['x'])[1], statistics(opts['x'])[0], 'r*', markersize = 15.0)
#黄星：标记最小方差组合
plt.plot(statistics(optv['x'])[1], statistics(optv['x'])[0], 'y*', markersize = 15.0)
plt.grid(True)
plt.xlabel('expected volatility')
plt.ylabel('expected return')
plt.colorbar(label = 'Sharpe ratio')

4. 投资组合和资产配置两个概念的异同，谢谢！

投资组合是由投资人或金融机构所持有的股票、债券、金融衍生产品等组成的集合。目的是分散风险。投资组合可以看成几个层面上的组合。第一个层面组合，由于安全性与收益性的双重需要,考虑风险资产与无风险资产的组合，为了安全性需要组合无风险资产，为了收益性需要组合风险资产。第二个层面组合，考虑如何组合风险资产，由于任意两个相关性较差或负相关的资产组合，得到的风险回报都会大于单独资产的风险回报，因此不断组合相关性较差的资产，可以使得组合的有效前沿远离风险。

资产配置(Asset Allocation)是指根据投资需求将投资资金在不同资产类别之间进行分配，通常是将资产在低风险、低收益证券与高风险、高收益证券之间进行分配。
通过以上可以看出都是对个人财产的一种管理。投资组合着重点在股票，债券等。而资产配置则比较广泛。包括黄金，房产，债券，股票。

5. 如何用python实现Markowitz投资组合优化

多股票策略回测时常常遇到问题。
仓位如何分配？
你以为基金经理都是一拍脑袋就等分仓位了吗？
或者玩点玄乎的斐波拉契数列？
OMG，谁说的黄金比例，让我看到你的脑袋（不削才怪）！！



其实，这个问题，好多好多年前马科维茨（Markowitz）我喜爱的小马哥就给出答案——投资组合理论。

根据这个理论，我们可以对多资产的组合配置进行三方面的优化。
1.找到有效前沿。在既定的收益率下使组合的方差最小。
2.找到sharpe最优的组合（收益-风险均衡点）

3.找到风险最小的组合



跟着我，一步两步，轻松实现。
该理论基于用均值和方差来表述组合的优劣的前提。将选取几只股票，用蒙特卡洛模拟初步探究组合的有效前沿。
通过最大Sharpe和最小方差两种优化来找到最优的资产组合配置权重参数。
最后，刻画出可能的分布，两种最优以及组合的有效前沿。



注：
文中的数据API来自量化平台聚宽，在此表示感谢。
原文见【组合管理】——投资组合理论（有效前沿）（包含正态检验部分）



0.导入需要的包
import pandas as pd
import numpy as np
import statsmodels.api as sm #统计运算
import scipy.stats as scs #科学计算
import matplotlib.pyplot as plt #绘图




1.选取几只感兴趣的股票
000413 东旭光电，000063 中兴通讯，002007 华兰生物，000001 平安银行，000002 万科A
并比较一下数据（2015-01-01至2015-12-31）
In[1]:
stock_set = ['000413.XSHE','000063.XSHE','002007.XSHE','000001.XSHE','000002.XSHE']
noa = len(stock_set)
df = get_price(stock_set, start_date = '2015-01-01', end_date ='2015-12-31', 'daily', ['close'])
data = df['close']
#规范化后时序数据
(data/data.ix[0]*100).plot(figsize = (8,5))
Out[1]:



2.计算不同证券的均值、协方差
每年252个交易日，用每日收益得到年化收益。计算投资资产的协方差是构建资产组合过程的核心部分。运用pandas内置方法生产协方差矩阵。
In [2]:
returns = np.log(data / data.shift(1))
returns.mean()*252
Out[2]:

000413.XSHE 0.184516
000063.XSHE 0.176790
002007.XSHE 0.309077
000001.XSHE -0.102059
000002.XSHE 0.547441



In [3]:
returns.cov()*252
Out[3]:




3.给不同资产随机分配初始权重
由于A股不允许建立空头头寸，所有的权重系数均在0-1之间
In [4]:
weights = np.random.random(noa)
weights /= np.sum(weights)
weights
Out[4]:

array([ 0.37505798, 0.21652754, 0.31590981, 0.06087709, 0.03162758])



4.计算预期组合年化收益、组合方差和组合标准差
In [5]:
np.sum(returns.mean()*weights)*252
Out[5]:

0.21622558669017816



In [6]:
np.dot(weights.T, np.dot(returns.cov()*252,weights))
Out[6]:

0.23595133640121463



In [7]:
np.sqrt(np.dot(weights.T, np.dot(returns.cov()* 252,weights)))
Out[7]:

0.4857482232609962



5.用蒙特卡洛模拟产生大量随机组合
进行到此，我们最想知道的是给定的一个股票池（证券组合）如何找到风险和收益平衡的位置。
下面通过一次蒙特卡洛模拟，产生大量随机的权重向量，并记录随机组合的预期收益和方差。
In [8]:
port_returns = []
port_variance = []
for p in range(4000):
weights = np.random.random(noa)
weights /=np.sum(weights)
port_returns.append(np.sum(returns.mean()*252*weights))
port_variance.append(np.sqrt(np.dot(weights.T, np.dot(returns.cov()*252, weights))))
port_returns = np.array(port_returns)
port_variance = np.array(port_variance)
#无风险利率设定为4%
risk_free = 0.04
plt.figure(figsize = (8,4))
plt.scatter(port_variance, port_returns, c=(port_returns-risk_free)/port_variance, marker = 'o')
plt.grid(True)
plt.xlabel('excepted volatility')
plt.ylabel('expected return')
plt.colorbar(label = 'Sharpe ratio')
Out[8]:



6.投资组合优化1——sharpe最大
建立statistics函数来记录重要的投资组合统计数据（收益，方差和夏普比）
通过对约束最优问题的求解，得到最优解。其中约束是权重总和为1。
In [9]:
def statistics(weights):
weights = np.array(weights)
port_returns = np.sum(returns.mean()*weights)*252
port_variance = np.sqrt(np.dot(weights.T, np.dot(returns.cov()*252,weights)))
return np.array([port_returns, port_variance, port_returns/port_variance])
#最优化投资组合的推导是一个约束最优化问题
import scipy.optimize as sco
#最小化夏普指数的负值
def min_sharpe(weights):
return -statistics(weights)[2]
#约束是所有参数(权重)的总和为1。这可以用minimize函数的约定表达如下
cons = ({'type':'eq', 'fun':lambda x: np.sum(x)-1})
#我们还将参数值(权重)限制在0和1之间。这些值以多个元组组成的一个元组形式提供给最小化函数
bnds = tuple((0,1) for x in range(noa))
#优化函数调用中忽略的唯一输入是起始参数列表(对权重的初始猜测)。我们简单的使用平均分布。
opts = sco.minimize(min_sharpe, noa*[1./noa,], method = 'SLSQP', bounds = bnds, constraints = cons)
opts
Out[9]:
status: 0
success: True
njev: 4
nfev: 28
fun: -1.1623048291871221
x: array([ -3.60840218e-16, 2.24626781e-16, 1.63619563e-01, -2.27085639e-16, 8.36380437e-01])
message: 'Optimization terminated successfully.'
jac: array([ 1.81575805e-01, 5.40387481e-01, 8.18073750e-05, 1.03137662e+00, -1.60038471e-05, 0.00000000e+00])
nit: 4



得到的最优组合权重向量为：
In [10]:
opts['x'].round(3)
Out[10]:
array([-0. , 0. , 0.164, -0. , 0.836])



sharpe最大的组合3个统计数据分别为：
In [11]:
#预期收益率、预期波动率、最优夏普指数
statistics(opts['x']).round(3)
Out[11]:

array([ 0.508, 0.437, 1.162])



7.投资组合优化2——方差最小
接下来，我们通过方差最小来选出最优投资组合。
In [12]:
#但是我们定义一个函数对 方差进行最小化
def min_variance(weights):
return statistics(weights)[1]
optv = sco.minimize(min_variance, noa*[1./noa,],method = 'SLSQP', bounds = bnds, constraints = cons)
optv
Out[12]:
status: 0
success: True
njev: 7
nfev: 50
fun: 0.38542969450547221
x: array([ 1.14787640e-01, 3.28089742e-17, 2.09584008e-01, 3.53487044e-01, 3.22141307e-01])
message: 'Optimization terminated successfully.'
jac: array([ 0.3851725 , 0.43591119, 0.3861807 , 0.3849672 , 0.38553924, 0. ])
nit: 7



方差最小的最优组合权重向量及组合的统计数据分别为：
In [13]:
optv['x'].round(3)
Out[13]:
array([ 0.115, 0. , 0.21 , 0.353, 0.322])



In [14]:
#得到的预期收益率、波动率和夏普指数
statistics(optv['x']).round(3)
Out[14]:
array([ 0.226, 0.385, 0.587])



8.组合的有效前沿
有效前沿有既定的目标收益率下方差最小的投资组合构成。
在最优化时采用两个约束，1.给定目标收益率，2.投资组合权重和为1。
In [15]:
def min_variance(weights):
return statistics(weights)[1]
#在不同目标收益率水平（target_returns）循环时，最小化的一个约束条件会变化。
target_returns = np.linspace(0.0,0.5,50)
target_variance = []
for tar in target_returns:
cons = ({'type':'eq','fun':lambda x:statistics(x)[0]-tar},{'type':'eq','fun':lambda x:np.sum(x)-1})
res = sco.minimize(min_variance, noa*[1./noa,],method = 'SLSQP', bounds = bnds, constraints = cons)
target_variance.append(res['fun'])
target_variance = np.array(target_variance)



下面是最优化结果的展示。
叉号：构成的曲线是有效前沿（目标收益率下最优的投资组合）
红星：sharpe最大的投资组合
黄星：方差最小的投资组合
In [16]:
plt.figure(figsize = (8,4))
#圆圈：蒙特卡洛随机产生的组合分布
plt.scatter(port_variance, port_returns, c = port_returns/port_variance,marker = 'o')
#叉号：有效前沿
plt.scatter(target_variance,target_returns, c = target_returns/target_variance, marker = 'x')
#红星：标记最高sharpe组合
plt.plot(statistics(opts['x'])[1], statistics(opts['x'])[0], 'r*', markersize = 15.0)
#黄星：标记最小方差组合
plt.plot(statistics(optv['x'])[1], statistics(optv['x'])[0], 'y*', markersize = 15.0)
plt.grid(True)
plt.xlabel('expected volatility')
plt.ylabel('expected return')
plt.colorbar(label = 'Sharpe ratio')
Out[16]:

6. 资产配置的三大理论

资产配置理论资产配置可以报据其策略的不同，大致分为战略IV资产、资产配置故术资产配置和两行的结合旦等三大类。战略旦资产配过程的目的是在投资组合中以某种方式将资产配里在一起，以满足投资者在一定风险水平上回报率最大的目标。我们可以将战略旦资产配世决策粗略地看成是一种长期资产配置决策。长期资产组合一且确定，资产配置投资者还可以试图确定资产类别定价差异，并适时改变资产类别组合，这被称为战术型资产配世。战略型资产配置主要是为投资者建立最佳长期资产组合，资产配置而相对较少关注短期市场的波动。(1)体现投资者对金融市场和具体资产类别的中长期用法。(2)资产配置容易受不同目标所得到的着法的影响.资产配置从而使资产配置变得倾斜。比如，资产配置对于坚持特定币种或较低的投资流动性，投资收益的波动性更大。(3)包括监控并锌理长期风险的各种手段和可橄性。资产配置推荐金斧子，金斧子致力从家庭目标与规划出发，为客户提供一站式的家庭财务分析、投资策略、以及跨周期、全品类、多元化的基金配置方案，服务涵盖移动端、PC端、微信端便捷的产品搜索、基金申赎、净值查询、财富记账、配置规划、投资咨询等，最终帮助家庭实现财富的保值、增值和传承。迄今为止，金斧子平台中产以及高净值注册用户已突破80万，累计为客户配置的公募基金、阳光私募、私募股权等基金规模已超350亿，超过10万个家庭得到了专业、独立、实时、高效的一站式资产配置建议与基金交易服务。

7. 无风险资产与市场组合的连线，形成了新的有效前沿，被称为( )。

资产配置线若不考虑无风险借贷，由风险资产构成的有效前沿在标准差一预期收益率平面中的形状为双曲线上半支。当引入无风险资产后，有效前沿变成了射线。这条射线从纵轴上无风险利率点rf处向上延伸，与原有效前沿曲线相切于点M，它包含了所有风险资产投资组合M与无风险借贷的组合。这条射线即是资本市场线。拓展资料：无风险资产（risk-free asset），指未来收益率没有不确定性的资产。它的标准差为0，实际收益率将永远等于期望收益率。严格地讲，绝对无风险的资产是不存在的；但为了研究的方便，我们通常把中央政府发行的债券作为无风险资产的代表。道格拉斯·R·爱默瑞将美国政府的90天国库券看作无风险资产，因为美国国库券在发行90天内发生违约的风险是可以忽略不计的。陈雨露（2003）认为长期国债是无风险资产的最佳代表，因为短期国库券不仅面临因利率上升而损失的利率风险，也未考虑长期通货膨胀的影响。上海财经大学《公司金融》编写组将一年期国债作为无风险资产的代表。无风险资产是指具有确定的收益率，并且不存在违约风险的资产。从数理统计的角度看，无风险资产是指投资收益的方差或标准差为零的资产。当然，无风险资产的收益率与风险资产的收益率之间的协方差及相关系数也为零。从理论上看，只有由中央政府发行的、期限与投资者的投资期长度相匹配的、完全指数化的债券才可视作无风险资产。在现实经济中，完全符合上述条件的流通中的有价证券非常少。故在投资实务中，一般把无风险资产看作是货币市场工具，如国库券利率

8. 什么是风险预算

风险就是指某种特定的危险事件（事故或意外事件）发生的可能性与其产生的后果的组合。