标签： #ledoit-wolf

信用债投资的核心不是猜方向，而是辨别「相对谁贵、相对谁便宜」。OAS（期权调整利差）相对自身历史的 z-score 是一个干净的信用相对价值信号：利差走阔往往伴随未来超额回报下行。但要把这个信号做成组合，估计利差变动的协方差又会踩进样本噪声的坑。用 Ledoit-Wolf 收缩把噪声压掉，篮子权重从尖峰回到分散。附完整 Python 与六类真实陷阱（高阶）。

样本协方差矩阵在 p 接近 n 时大半是噪声：最小方差组合权重会被压进少数几只股票、矩阵变得病态、样本外方差爆炸。Ledoit-Wolf(2004) 用解析线性收缩把样本协方差 Σ̂ 拉向一个结构化目标 F（清掉相关性、保留方差），自动算出最优收缩强度 δ。合成 30 资产 250 天里，精确收缩把样本 Σ 的条件数从 25.1 压到 11.3（降 2.2×）、Frobenius 误差从 2.22 降到 2.01，样本外最小方差组合更稳。附完整 Python 与六类真实陷阱（高阶）。

最小方差组合 w=Σ⁻¹ 1 对估计误差最敏感：25 资产/30 日样本下朴素样本法样本外方差是理论下界近 7 倍，Ledoit-Wolf 收缩与岭正则压回最优附近。附完整 Python 与五类真实陷阱。