在本文中，我们回顾了现代投资组合理论的发展历史，并概述了均值-方差优化（MVO）方法的一些已知局限性。通过简单的例子和图示，我们描述了业内仍然广泛使用的大多数投资组合优化方法所固有的必要组成部分和假设，并主张采用一种比均值-方差优化更贴合实际、更具鲁棒性的方法。

我们提出了一种先进的方法，可以解决下行风险和实证现实中序列相关性以及收益率分布的厚尾效应。该方法属于条件在险价值或期望损失优化（或者简单的均值-CVaR）的范畴。我们展示了这两种优化方法在投资组合构成上的主要差异。从2005年1月到2021年12月的17年期间（样本外），均值-CVaR优化在夏普比率、最大回撤和累计投资绩效方面均优于均值-方差优化。

该框架可以很容易地用预期收益率的专有观点进行补充，以进一步提高已实现的投资组合绩效。我们希望，无论对于量化金融技术背景较强的从业者还是这方面薄弱的从业者来说，本文都是易于理解且直观的，并传达了更先进的投资组合构建方法所带来的绩效优势。本文既可以看作是一种如何更好的对相关性增加和厚尾效应进行建模的方法论介绍，也可以看作是其实现指南。