标签： #再平衡

传统组合按月/季度再平衡，每次交易在月末造成冲击成本和暴露滞后；Neural ODE 把权重变化建模为连续时间常微分方程，用一个小 MLP 参数化漂移 f_theta(w,t)，通过 RK4 积分得到平滑调仓路径。本文用 numpy 从零实现 MLP、监督训练和 ODE 积分，证明在合成双资产组合上，连续控制的跟踪误差仅为月度离散的 1/170（0.0001 vs 0.0170），净财富追平理想目标跟随（0.977），且把月末交易尖峰摊成连续交易流。附完整 Python 与四张真实计算图。

「杠杆 ETF 长期必跌」是错的。真值精确设为 μ=6%、σ=25%，5 年 × 4 万条路径：损耗有闭式解 −½L(L−1)σ²，L=3x 实测 −18.770% 对理论 −18.750%（误差 2.05e-04），而 L=0 与 L=1 两个不动点处损耗精确为零——它是 L 的抛物线，不是「杠杆越高越亏」。零波动安慰剂让五档损耗全部归零（最大 4.29e-05）。真正的分水岭是漂移阈值 ½σ²(L+1)：3x 实测穿零 12.72% 对理论 12.50%，标的算术漂移超过它 3x 反而跑赢。最反直觉的是时间：持有 1 日到 1260 日，跑赢「3×标的收益」的概率恒为 0.0%，但跑赢标的本身的概率从 50.5% 只滑到 28.0%——时间不是敌人，波动才是。波动损耗 18.75%/年 是管理费+融资成本合计 9.97% 的 1.88 倍，最大成本项不在招募书上。再平衡频率是陷阱：每 252 日再平衡损耗看似从 −18.84% 改善到 −15.85%，代价是归零率从 1.34% 飙到 37.56%、峰值杠杆 95 分位达 54 亿倍。3x ETF 年化再平衡换手 1900% NAV 且全是顺势单，规模占 ADV 8% 时损耗自我放大 1.31 倍。12 宇宙 CV=0.0048

再平衡听起来只是「把漂移的权重拉回目标」。但朴素做法要先卖成现金、再买成目标，来回两道成本；真要做最小摩擦，应该让「谁该减仓的资产」直接换给「谁该加仓的资产」。本文用最优传输（Wasserstein / Earth Mover's Distance）把再平衡重写成一个最小成本运输问题，scipy 线性规划从零求解，量化它比现金中枢省 50% 摩擦，并利用折价配对（实物/篮子交易）再降一截，最后用 W1 距离作再平衡触发器，回测年化节省 41% 交易成本，附完整 Python 与五类真实陷阱（中阶）。

OLMAR 把移动平均反转写成在线组合更新：用 MA_w(p)/p 预测下期价格相对，沿被动-主动方向重配再投影回单纯形。6资产3年合成回测总收益 41.9%（买入持有 17.5%、UCRP 30.0%），20 种子 12/20 跑赢 UCRP，但日换手 104%、回撤 −42%（高阶）。

再平衡是组合管理的双刃剑：它控制风险，却也在税与交易摩擦里悄悄流血。本文用 lot 记账 + 税务感知模拟，量化月度朴素再平衡相对无摩擦上界被偷走的 1.23% 年化收益，并给出阈值带与税务感知两套可落地的止血方案。