标签： #模糊厌恶

经典均值-方差把预期收益 μ 当成精确已知，可 μ 是噪声最大的量——样本一点抖，权重就飞到极端。鲁棒均值方差优化（RMV）在椭球模糊集下对每个权重取 worst-case 期望收益，把『我可能看错了』写进目标函数。本文用 numpy + scipy 从零实现 RMV，在 10 资产单因子合成数据上做 400 次蒙特卡洛：估计误差下名义组合样本外 Sharpe 中位仅 1.16、P5 跌到 −0.52，RMV(γ=2) 拉到 1.46(+25%)、P5 收到 −0.18，权重集中度 HHI 从 0.333 降到 0.185。附完整 Python 与四张真实计算图。

均值-方差只优化一个点估计的预期收益，等于默认『我对市场收益的看法百分之百正确』。模糊厌恶（ambiguity aversion）把『我可能看错了』显式写进目标函数：在最坏-case 的预期收益下做最大最小决策。本文用 numpy 从零实现 Garlappi-Uppal-Wang 凸组合形式，在 40 资产 / 2 因子合成数据上证明：模糊厌恶组合的 OOS 回撤 −1.65% 优于切线组合的 −2.03%，年化 Sharpe 3.48 也更高，且权重集中度（HHI）随厌恶系数单调下降。附完整 Python 与三张真实计算图。