标签： #组合优化

Markowitz 优化器的误差会在相关资产之间共振：40 只资产、4 个板块的块状相关结构下，T=90 天样本协方差直接优化的 OOS 波动率 9.7%、总杠杆 3.1 倍。López de Prado 的 NCO 把问题切成两层：先按相关距离聚类把 40×40 矩阵切成 4 个小块，簇内各自优化、再在 4 个簇组合之间优化——T=90 时 OOS 波动率降到 8.1%、杠杆压到 2.0 倍，Bootstrap 权重标准差从 3.07pp 砍到 1.44pp（稳定性翻倍）。代价同样实测得到：T=1008 数据充足时 NCO（7.68%）反而略输给直接优化（7.52%），两层结构禁止跨簇对冲，是用偏差换方差的又一笔交易。与 HRP 的区别：HRP 全程不求逆，NCO 只是把求逆的规模变小——簇内维度低到样本够用时，二次优化的信息还能保留（中阶）。

Jagannathan & Ma（2003）的著名发现：给组合优化加约束——哪怕是'错误'的约束——往往改善样本外表现，因为约束数学上等价于对协方差矩阵做收缩。本文 30 资产实验实测：T=120 天时无约束样本 GMV 真实波动率 14.17%、杠杆 2.6 倍，加上 ‖w‖₁≤1.5 降到 13.59%——U 形曲线在 1.5~2.0 触底，太紧（long-only 14.31%）和太松都不行。与 Ledoit-Wolf 收缩的等价性同样实测：T=60 时范数约束（14.21%）与 LW 收缩（14.37%）几乎打平，两条完全不同的药方殊途同归；T=504 时两者都自动退场。Bootstrap 权重稳定性：无约束权重标准差 6.65pp，L1 约束砍到 3.09pp，L2 约束 2.00pp——换手率直接受益。L1 上限还有副产品：‖w‖₁≤1 等价 long-only 且自动稀疏化（30 资产只留 10 个非零）。诚实边界：约束上限 c 是要调的超参（不如 LW 的 δ* 有解析解）、约束绑定时最优性损失是结构性的、对期望收益误差无能为力。

N=100 只资产、T=252 天，样本相关矩阵的特征值里只有 3 个尖峰是真信号，噪声体占了迹的 59%。Marchenko-Pastur 定律给出纯噪声特征值的精确活动范围 [λ⁻, λ⁺]，越界的才配叫信号——把界内的噪声特征值压平成均值，尖峰原样保留，就是 RMT 去噪。实测最小方差组合：T=126 时样本协方差 OOS 波动率 24.1%，MP 裁剪直接砍到 12.6%，比 Ledoit-Wolf（14.5%）更狠，理论最优 11.1%。与 LW 收缩的本分工：数据极端稀缺时 MP 裁剪的谱手术更精准，数据充裕时两者殊途同归。附完整 Python 与裁剪保迹、相关口径、q>1 等工程细节（中阶）。

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）。

Sharpe 比率把整条收益分布压缩成两个数：均值和标准差——第三阶矩以上的信息全被扔掉。本文构造了两个均值、波动率几乎完全相同的策略：一个偏度 -0.05 的正态型，一个偏度 -3.37 的卖期权型，Sharpe 说它们一样好，但后者藏着单日 -5% 级别的崩盘尾巴。Omega 比率的修复思路是不做任何压缩：给定阈值 θ，把分布切成两半，上半部分的概率加权面积除以下半部分——Omega(θ) 曲线本身就携带全部分布信息，两个矩相同的策略在曲线上一眼分开。用 SLSQP 做 Omega 最优组合权重扫描，揭示一个教科书很少讲的相变：θ=0 时优化器抱紧高 Sharpe 但偏度 -9.3 的卖波动策略，θ 抬到 3.5bp/日后权重瞬间 100% 切换到低 Sharpe 但正偏 +2.7 的趋势策略——阈值就是你对『什么算亏』的定义，定义变了最优组合跟着突变。打穿 Omega 优化的三个死穴：非凸性带来的局部最优陷阱、θ 选择的隐蔽自由度（本质是另一个可过拟合参数）、样本内 Omega 对尾部事件计数的极端敏感（进阶）。

日线滚动协方差要 20 天才能看清资产联动的变化，而危机往往只给你 2 天。已实现协方差（Realized Covariance）把一天切成几百个高频区间，用日内收益的外积和直接『量出』当天的协方差矩阵——单日数据就能出一个完整估计。本文用纯 numpy 模拟 4 资产 60 天、每天 390 根分钟线的高频数据（内嵌相关性 regime 切换），完整走一遍 RC 的构建与三大实战陷阱：签名图显示 6bp 微观结构噪声把 1 分钟采样的估计误差推高 3 倍，最优采样退到 5 分钟；Epps 效应实验证明稀疏成交资产在 1 分钟粒度下相关被拉向 -0.04（真实 -0.10），采样越细越失真；响应速度对决中 RC 5 日均线只用 2 天就捕捉到相关性从 0.6 跳到 0.89 的 regime 切换，20 日日线滚动相关要 17 天。最小方差组合样本外对决：RC 组合次日实现波动 8.62% vs 日线协方差 8.75% vs 等权 16.95%。另拆穿维度灾难（资产数 > 日内区间数时 RC 必然奇异）与隔夜跳空缺口两类结构性坑（中高阶）。

均值方差优化是个『误差放大器』：一年日度样本估出的期望收益带着巨大噪声，优化器却把它当真理，全仓押给恰好被高估的资产。300 次重抽样实测：经典 MV 样本内承诺年化 16.5%，样本外只兑现 4.4%——乐观差距 12 个百分点。Wasserstein 分布鲁棒优化（DRO）的处方是承认『经验分布本身就是错的』：以样本分布为球心、Wasserstein 距离 ε 为半径画一个分布模糊球，对球内最坏分布优化。深刻之处在于对偶定理把这个无限维 min-max 问题坍缩成一行正则化——最坏期望 = 样本期望 − ε·‖w‖，鲁棒化在数学上恰好等价于给权重加范数惩罚，这解释了为什么正则化在组合优化里屡屡有效：它不是工程 trick，是对分布不确定性的精确定价。实测 ε 从 0 加到 2e-3：乐观差距 12.0%→8.5%，样本外 Sharpe 0.329→0.344，跨样本权重换手 0.86→0.65。半径扫描揭示倒 U 形与残酷基准：精心调参的 DRO 样本外 Sharpe 0.343，等权 1/N 是 0.335——鲁棒优化的真实收益是从『被估计噪声坑死』回到『略胜天真基准』。三个陷阱：ε 校准的理论速率在金融样本量下形同虚设、球内最坏分布可能毫无经济意义、DRO 防的是估计噪声而非 regime 切换（高阶）。

均值方差优化器每个月都想把组合翻个底朝天：估计噪声让最优权重月月剧烈跳动，5 资产月度调仓的年化换手高达 6.5 倍，30bp 单边成本直接把年化收益从 +1.75% 磨成 -0.22%。本文把 L1 换手惩罚项写进目标函数，用近端梯度求解：λ=0.0005 就把年化换手从 6.5 压到 2.4，净费后年化从 -0.22% 翻正到 +1.43%，最大回撤同步收窄 9 个百分点。5 组独立模拟扫描 λ 画出换手-净收益前沿，并诚实揭穿一个反直觉结论：10% 的无交易带几乎无效——因为估计噪声导致的权重摆动远大于 10%。附完整 Python 与四类真实陷阱（中高阶）。