熵池化观点融合：用相对熵把主观观点揉进先验分布

先说结论：熵池化（Entropy Pooling）把『融合主观观点』这件事从参数空间搬到了概率空间——不动场景数据，只把每个场景的概率从均匀的 p 倾斜成新的 q，倾斜幅度由相对熵（KL 散度）最小化控制。这一步换掉了 Black-Litterman 的两个硬约束：分布不必是正态，观点不必是线性期望。代价是你需要一个足够大的场景库，以及对『观点太强会压垮先验』这件事保持警惕。本文在 20000 个 t 分布肥尾场景上完整走一遍：对偶求解、相关性传导、置信度权重路径，以及三个教科书不会提醒你的陷阱。

一、Black-Litterman 的天花板：正态 + 线性#

Black-Litterman（BL）是观点融合的经典答案：市场均衡收益做先验，主观观点做似然，贝叶斯公式合成后验期望收益。它解决了 Markowitz 优化对期望收益极端敏感的问题，1992 年以来一直是机构标配。

但 BL 的整个推导建立在两个假设上：

1. 收益服从多元正态分布——先验是正态，观点误差是正态，后验才有解析解；
2. 观点必须是线性的——只能表达”资产组合 P 的期望收益是 q”这种形式。

这两条在实践中经常撞墙。你想表达”我认为下个月黄金收益的 5% 分位不会低于 -3%“（分位数观点）？BL 表达不了。你想表达”我认为股债相关性会转正”（相关性观点）？表达不了。你的场景库是用 GARCH + t 分布生成的肥尾场景？BL 的正态框架直接不兼容——你辛苦建模的肥尾在合成后验的那一刻被抹平了。

Meucci 在 2008 年提出的熵池化换了一个思路：别在参数上做贝叶斯，在场景概率上做投影。

二、核心机制：改概率，不改数据#

设你有 J 个蒙特卡洛场景 $\{x_1, \dots, x_J\}$（每个场景是一组资产收益向量），先验概率 $p = (1/J, \dots, 1/J)$。观点被写成对后验概率 q 的线性约束：

$\sum_j q_j \, g(x_j) = b$

比如”股票B的期望收益是 -1%“就是 $\sum_j q_j \, x_j^{(B)} = -0.01$。注意：约束对 q 线性，但 $g(\cdot)$ 可以是场景的任意函数——收益的平方（波动率观点）、两资产收益乘积（相关性观点）、示性函数（概率观点）都行。这就是熵池化比 BL 表达力强的根源。

在所有满足约束的 q 中，选与先验 p 相对熵最小的那个：

$q^* = \arg\min_q \; \sum_j q_j \ln\frac{q_j}{p_j} \quad \text{s.t.} \quad Aq = b, \; \textstyle\sum_j q_j = 1$

直觉是：观点要求你偏离先验，但只偏离到刚好满足观点为止，多一分都不偏。KL 散度就是”偏离量”的度量衡。

这个问题有优雅的对偶解。拉格朗日对偶把 J 维（本例 20000 维）的原问题降成”约束条数”维（本例 3 维：两条观点 + 归一化）的无约束凸问题：

from scipy.optimize import minimize
import numpy as np

def entropy_pooling(X, p, A, b):
    """min KL(q||p)  s.t.  A q = b, sum q = 1，对偶求解"""
    Aall = np.vstack([np.ones(len(p)), A])
    ball = np.concatenate([[1.0], b])

    def dual(lam):
        q = np.exp(np.log(p) - 1.0 - Aall.T @ lam)
        return q.sum() + lam @ ball

    def grad(lam):
        q = np.exp(np.log(p) - 1.0 - Aall.T @ lam)
        return ball - Aall @ q

    res = minimize(dual, np.zeros(Aall.shape[0]), jac=grad, method="L-BFGS-B")
    q = np.exp(np.log(p) - 1.0 - Aall.T @ res.x)
    return q / q.sum()

解的形式是指数倾斜：$q_j \propto p_j \exp(-\lambda^\top g(x_j))$。20000 个场景的求解在毫秒级完成——熵池化不是重采样、不是重新模拟，只是给已有场景重新发概率。

三、实验：肥尾场景库上的两条观点#

场景库刻意不用正态：4 个资产（股票A、股票B、债券、黄金），月度收益由 t(5) 分布 + 真实相关结构生成（股票A/B 相关 0.6，股债负相关），J = 20000。先验下股票B月度期望 +0.83%、黄金 +0.46%。

植入两条观点：

• 观点1：股票B月度期望收益 = -1%（看空，与先验方向相反）
• 观点2：黄金月度期望收益 = +1.5%（看多，约为先验 3 倍）

求解后验 q，检验三件事。

**第一，观点被精确满足，分布形态几乎不动。**后验下股票B期望 -1.0000%、黄金 +1.5000%，机器精度级命中。但直方图显示分布只是整体轻微平移倾斜——肥尾、偏度这些先验里的形态信息全部保留：

这正是”改概率不改数据”的价值：BL 会把你的 t(5) 肥尾投影回正态，熵池化不会。

**第二，倾斜的代价可以精确计量。**KL 散度 = 0.057，换算成有效场景比例 $\exp(-KL) = 94.4\%$——两条方向相反于先验的观点，只”消耗”了 5.6% 的场景多样性。概率比 q/p 的散点图直观展示了倾斜方向：股票B下跌且黄金上涨的场景被加权（q/p 最高约 3 倍），反方向场景被降权：

**第三，相关性传导自动发生。**我们没有对股票A下任何观点，但它的后验期望从 +0.68% 掉到了 -0.03%。原因：股票A与股票B相关 0.6，“股票B跌”的场景被加权后，这些场景里股票A大概率也在跌。这是熵池化最容易被低估的特性——观点会沿着先验的相关结构自动扩散到所有资产，就像 BL 里 $\tau\Sigma$ 项做的事，但这里是非参数的、对任意分布形态成立的。

四、置信度：从纯先验到完全采纳的连续路径#

实践中你很少 100% 相信自己的观点。Meucci 给的处方极简：置信度 $c \in [0,1]$ 下的后验就是线性混合

$q(c) = (1-c)\,p + c\,q^*$

对每个 c 用 $q(c)$ 加权计算期望和协方差，再跑均值方差优化，得到完整的权重路径：

三个端点值得细看（风险厌恶 γ=8，做多约束）：

被看空的股票B在 c ≈ 0.4 处清零；黄金从 14% 一路吃到 75%；没被下观点的股票A也因相关性传导被逐步挤出。权重对置信度的响应是连续、单调、可解释的——这比”拍脑袋在 BL 里调 Ω 矩阵对角线”透明得多。

五、三个陷阱#

**陷阱一：观点太强，概率质量坍缩。**KL 最小化不设防——如果你的观点离先验太远（比如”股票B月度期望 -15%“，先验分布里这种场景本来就稀少），求解器会把几乎所有概率压到极少数尾部场景上，有效场景比例掉到 1% 以下。此时后验的一切统计量都由几十个场景决定，噪声巨大。**每次求解后必须检查 $\exp(-KL)$，低于 50% 就该怀疑观点本身，或者扩大场景库让尾部更稠密。**本例 94.4% 是健康值。

**陷阱二：期望观点会悄悄改变波动率。**你只对期望下了观点，但倾斜概率必然重塑整条分布——本例中股票B的后验波动率从 8.10% 涨到了 8.89%（月度），因为看空观点加权了下尾场景，而下尾天然更分散。如果下游优化器对波动率敏感（它一定敏感），这个副作用会进入权重。想锁住波动率，就得显式加二阶矩约束 $\sum_j q_j (x_j - \mu)^2 = \sigma^2$——熵池化支持，但每加一条约束都在消耗有效场景。

**陷阱三：置信度 c 无处校准。**c = 0.5 是什么意思？“我有一半把握”在统计上没有可检验的定义。BL 的 Ω 至少还能挂靠到观点历史命中率上，熵池化的线性混合更像一个平滑旋钮。务实的做法是把 c 当敏感性参数用：报告整条 c 路径（如上图）而不是单点权重，让决策者看到”观点从不信到全信，组合怎么变”——路径中段的陡峭跳变（如股票B清零点）比任何单一 c 值都更有信息量。

六、什么时候用熵池化，什么时候老实用 BL#

熵池化的适用面是”场景库本身有价值”的情形：你已经花大力气建了肥尾/跳跃/regime 切换的蒙特卡洛引擎，不想让观点融合这一步把分布形态毁掉；或者你的观点天然是非线性的（波动率、相关性、尾部概率）。此时 BL 没有位置，熵池化是唯一顺手的工具。

反过来，如果你的输入就是期望收益向量 + 协方差矩阵、观点就是线性期望、正态假设你也不在乎——BL 的解析解更快、参数意义更被市场熟知，没必要为了新潮换工具。

还有一条实践红线：熵池化的输出质量上限就是场景库的质量上限。它不创造信息，只重新分配概率。场景库如果没覆盖”股票B跌 1% 同时黄金涨 1.5%“的联合区域，再优雅的 KL 投影也只能在错误的支撑集上打转。先验生成器（GARCH、copula、bootstrap）的功课，一分都省不掉。