Graphical Lasso 稀疏逆协方差：用 L1 惩罚画出资产间的条件依赖网络
协方差矩阵的逆（精度矩阵）编码的是条件依赖：Θ_ij=0 意味着控制其他所有资产后 i 和 j 无关。但样本逆矩阵永远给你满图——40 资产 126 天数据，真实网络只有 44 条边，样本逆矩阵画出全部 780 条，精确率 6%。Graphical Lasso 在对数似然上加 L1 惩罚直接把弱边压成精确零。本文 40 资产实验：α 扫描的两个最优点并不重合——结构恢复 F1 在 α=0.25 达 0.86，而 GMV 组合样本外波动率在 α=0.15 触底 5.63%（样本协方差 6.48%、Ledoit-Wolf 5.87%、理论最优 5.38%）；估计组合两开花是幻觉，选 α 前先想清楚你要图还是要组合。与 LW 收缩的本质区别：LW 均匀缩所有元素但保满图，GLasso 假设图本身稀疏——真实结构确实稀疏时（本实验）GLasso 全程压 LW 一头，T=63 时 5.84% vs 6.00%；结构不稀疏时这个先验会反噬。诚实边界：金融资产共享市场因子，原始收益的条件依赖图并不稀疏，实操应先剥离市场因子再对残差跑 GLasso；α 需要交叉验证（不如 LW 有解析解）；非零边的估计值仍有收缩偏差，要图结构可信、要数值精确需二次拟合。