标签： #组合优化

经典 Markowitz 是一个二次规划，靠数值 solver 解出来，因此没法把梯度回传到前端的收益预测模型。本文把组合权重用 softmax 参数化、把均值-方差效用当作可微损失，用梯度上升直接「解」这个优化问题——整个优化层可反向传播。我们用 200 次蒙特卡洛证明：无正则的样本 Markowitz 样本外 Sharpe 被估计误差压到 4.90，把 L2 权重收缩(为主)与熵分散(为辅)写进可微目标后，样本外 Sharpe 回升到 5.98，逼近 Oracle 的 5.94。附完整 numpy 与四张真实计算图。

Markowitz 在欧氏空间里做组合优化，但权重本身活在概率单纯形上——一个有曲率的黎曼流形。本文从 Fisher 信息度量出发，把组合优化的梯度下降搬到信息几何的框架里：用自然梯度替代欧氏梯度，让更新方向自动适配权重的概率结构。在受控实验中，Riemannian 梯度的样本外 Sharpe 衰减比 Euclidean 梯度低 30–50%，且收敛步数减少约 40%。附完整 numpy 实现与三张真实计算图。

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。

传统 Markowitz 输出连续权重，但『选几只、选哪几只』本质是一个组合优化+排序问题。Pointer Net 把候选资产列表视为序列、用 attention 机制学会输出排列——直接产出 K 个选中的下标、从排序里导出权重。本文从 Pointer 机制的 softmax attention 出发，用 numpy+scipy 从零实现 Pointer-style scorer，在 8 资产 + 双因子的合成数据上对比 Equal-Weight/Markowitz/Risk-Parity，Pointer Net 的样本外 Sharpe 中位数 1.62、IQR 窄到 0.28，跑赢 Markowitz（1.05）53%。附完整 Python 与三张真实计算图。

Markowitz 组合优化在带非凸约束（交易成本、 Cardinality、行业上限）时变成 NP-hard，经典梯度法和模拟退火都容易卡在局部最优。量子退火用横场提供的量子涨落穿透势垒而非翻越势垒，在高维非凸目标函数上找到了更好的全局最优。本文从 Ising/QUBO 编码出发，用 numpy 从零实现量子退火的经典模拟器，在 12 资产 + 因子结构的数据上做 20 次滚动窗口测试，量子退火的样本外 Sharpe 中位数比模拟退火高 0.3–0.5，比 Markowitz 高 0.2。附完整 Python 与三张真实计算图。

本文通过两因子受控模拟实验回答：①增长/通胀两因子分别驱动股债强负相关(理论−0.97)与弱负相关(实测−0.36)；②滚动窗口识别regime切换滞后：60日43天、120日92天、250日188天；③通胀regime下60/40的Sharpe从0.197降至0.139(−29%)；④动态配置扣成本后Sharpe全面低于静态基准0.399(最好0.429)；⑤恒定相关市场动态策略Sharpe仅0.099，噪声主导信号；⑥Look-ahead bug使Sharpe虚高78%(0.255→0.454)。结论：滚动相关性信号几乎无法在成本内实现有效动态配置。

期望收益是组合优化里估计误差最恶劣的输入：20 只资产、真实年化期望收益都在 1%~11% 之间，一年日频数据估出来的样本均值却在 18%~120% 之间狂舞——截面标准差 27.6%，是真实值（2.2%）的 12 倍。Jorion (1986) 的 Bayes-Stein 估计量把每只资产的均值往全局最小方差组合收益收缩，收缩强度由数据里的信噪比自动决定。实测切点组合 OOS Sharpe：样本均值 T=252 时 -0.21（比扔硬币还差），Bayes-Stein 提到 -0.09，而干脆不用均值的全局最小方差组合 0.53、理论最优 0.57。最诚实的结论：收缩把灾难缓解成失望，但均值估计本身可能就不该做——这正是 Stein 悖论在金融里最疼的一课（中阶）。

Elton-Gruber（1973）的常相关模型：把 N(N-1)/2 个成对相关全部替换成一个平均相关系数 ρ̄——435 个参数压成 1 个，方差骤降换一身结构偏差。N=30 板块结构模拟实测：T=30 时 CCM 的 Frobenius 误差 2.56 vs 样本相关 4.38，交叉点在 T≈126，之后 CCM 被结构偏差下限 1.90 卡死永远追不上。GMV 组合判决更极端：T=30 样本协方差真实波动率 456%（近奇异优化器爆仓）vs CCM 17.5%；T=252 后样本反超。最有信息量的是混合曲线：最优混合权重 δ 随 T 单调爬升（T=60 时 0.35、T=252 时 0.65、T=1008 时 0.90）——这正是 Ledoit-Wolf 收缩的雏形，LW 恰以 CCM 为收缩靶心并把 δ 的选择自动化。诚实边界：ρ̄ 抹掉全部板块结构、对多板块 universe 偏差大；相关非平稳时单一 ρ̄ 追不上 regime；它是收缩靶子而非终点方案。