标签： #投资组合优化

马科维茨最大夏普对协方差估计极度敏感——样本噪声一来，权重就爆成几十倍杠杆、还冒出一堆空头。等风险贡献(ERC / Risk Parity)干脆放弃预测收益，只要求「每个资产对组合总波动率的边际贡献完全相等」。本文用固定点迭代 w∝1/(Σw) 在 6 资产合成上求解：ERC 收敛 263 步、风险贡献精确 16.67%×6(方差 9.7e−33，而等权 9.5e−07)，权重向低波动资产倾斜(最低波动资产拿 41% 权重)；并在高/低相关市场下验证风险贡献依旧均匀。附完整 Python 与六类真实陷阱(中阶)。

样本协方差矩阵在 p 接近 n 时大半是噪声：最小方差组合权重会被压进少数几只股票、矩阵变得病态、样本外方差爆炸。Ledoit-Wolf(2004) 用解析线性收缩把样本协方差 Σ̂ 拉向一个结构化目标 F（清掉相关性、保留方差），自动算出最优收缩强度 δ。合成 30 资产 250 天里，精确收缩把样本 Σ 的条件数从 25.1 压到 11.3（降 2.2×）、Frobenius 误差从 2.22 降到 2.01，样本外最小方差组合更稳。附完整 Python 与六类真实陷阱（高阶）。

风险平价只把风险切匀，最大分散化组合(MDP)更进一步——直接把「分散化比率」最大化：用 Σ^{-1}σ 把低波动、低相关的资产推到前台，让组合波动远低于等权平均水平。从零推导、与风险平价/最小方差对比，并给出真实陷阱。