均值方差模型在错位时会高估部分收益，根本原因是模型将收益中与风险因子无关的部分误判为无风险收益，从而在优化过程中未对其施加足够的波动惩罚，导致这部分收益被高估。该模型的核心逻辑是在给定预期收益下最小化投资组合的方差（即波动风险），但当模型与真实风险因子结构错位时，只有特质性风险（与因子无关的个别风险）会被惩罚，而因子风险被忽略，造成权重分配失衡。
模型错位与收益高估的机制
均值方差模型假设收益由单一均值与方差描述，但现实中资产收益受多个风险因子驱动（如市场、行业、流动性因子）。当模型错位时，它无法区分收益中哪些部分来自因子暴露、哪些来自特质性波动。优化过程仅对特质性风险进行惩罚，而对与风险因子相关的收益视若无物，将其当作“免费午餐”纳入组合。这导致组合对因子风险暴露过度，权重分配偏向那些因子收益高但波动被低估的资产。
关键点：高估的程度取决于模型遗漏的风险因子数量及其收益贡献。例如，若某资产收益主要来自行业因子，而模型未纳入该因子，则该资产的特质性波动被惩罚后，剩余收益被错误标记为无风险，从而推高了其在组合中的权重。
权重失衡与风险后果
由于因子收益未被惩罚，模型会过度配置于高因子收益的资产，而低因子收益但低特质性波动的资产则被低配。这种权重失衡使组合看似在低波动下获得高收益，实则隐含了未计量的因子风险。一旦因子环境变化（如行业景气度逆转），组合可能遭受集中损失。此外，均值方差模型对输入参数敏感，错位时参数估计误差会被放大，进一步加剧高估。
总结：均值方差模型在错位时高估部分收益，是因为它只惩罚特质性风险，而将因子风险收益误判为无风险，导致权重分配偏离真实风险收益平衡。投资者在使用该模型时，需先确认风险因子结构是否匹配，或结合多因子模型修正。
常见问题
如何判断均值方差模型是否错位？
检查模型是否遗漏了影响资产收益的重要风险因子。通常可以通过因子模型回归，看资产收益中未被解释的残差方差是否显著。如果残差方差小但因子收益贡献大，说明模型可能错位。
错位时如何调整权重分配？
引入多因子模型替代纯均值方差模型，或对因子风险施加额外约束。例如，限定单因子最大暴露比例，或使用风险平价方法将风险分散到多个因子维度。
高估的收益在现实中会怎样消失？
因子风险一旦暴露（如市场风格切换），高估部分对应的收益可能被损失抵消。历史上常见因子失效或逆转的案例，导致前期过度配置的资产大幅回撤。