标签： #熵池化

Black-Litterman 把主观观点融进市场先验，但它被锁死在正态分布和线性观点里：观点只能是『资产 X 的期望收益是多少』，遇到肥尾场景、非线性观点（波动率、相关性、分位数）就束手无策。Meucci 的熵池化换了一条路：不改场景数据，只改场景概率——在 20000 个蒙特卡洛场景上，找一组新概率 q，让它满足观点约束的同时与先验概率 p 的相对熵（KL 散度）最小。本文用 t(5) 肥尾场景库完整实现对偶求解：植入『股票B月度收益 -1%、黄金 +1.5%』两条观点，KL 散度仅 0.057、有效场景比例保留 94.4%——观点被精确满足，分布形态却几乎不动。相关性传导自动发生：没被下观点的股票A期望从 +0.68% 被拖到 -0.03%，因为它和股票B相关 0.6。置信度混合 q(c)=(1-c)p+cq 生成从纯先验到完全采纳的完整权重路径：黄金从 14% 一路吃到 75%，股票B在 c≈0.4 处清零。三个陷阱：观点过强导致概率质量坍缩到极少数场景、后验波动率被观点悄悄改变、置信度 c 本身无处校准（中高阶）。

传统压力测试要么拍脑袋设情景、要么只能重演历史。熵池化(Entropy Pooling, Meucci 2008)用最小相对熵(KL)，在「满足一个压力观点」的约束下，找离历史先验最近的那条后验分布——于是「2008 股灾概率抬到 22%」不再是凭空编的情景，而是对历史分布的一次可量化「最小手术」。本文用 3 资产、4000 情景从零复现，并点明离散约束数值不稳定、过拟合观点、灾难定义主观性三类真实陷阱（进阶）。

主观观点怎么严谨地织进概率分布？熵池化(Entropy Pooling)用最小相对熵(KL)在「满足观点」下找离先验最近的后验 q∝p·exp(λf)，从对偶推导到 numpy 实现全程跑通，并把观点变成可交易的组合权重变化（高阶）。