标签： #估计误差

马科维茨有效前沿的最优权重是「误差最大化器」——样本估计里一点噪声，权重就跳到极端。Michaud(1998) 的重抽样有效性换思路：自助抽样 B 次重估前沿，在同一目标下取权重再平均，把估计误差摊平去噪。本文用 5 资产真实风格参数从零实现，对照经典 MV，把目标组合波动从 12.0% 压到 7.9%、样本外累计更平滑，附完整 Python 与五类真实陷阱（中阶）。

最小方差组合 w=Σ⁻¹ 1 对估计误差最敏感：25 资产/30 日样本下朴素样本法样本外方差是理论下界近 7 倍，Ledoit-Wolf 收缩与岭正则压回最优附近。附完整 Python 与五类真实陷阱。

均值-方差组合对预期收益的估计误差极度敏感：一个被噪声推高的资产会被配到极端权重。鲁棒优化把「估计可能错了」写进目标——在椭球不确定性集的最坏情形下求最优，用 κ 控制保守程度。附完整 Python 与五类真实陷阱（高阶）。