标签： #估计误差

经典均值-方差把预期收益 μ 当成精确已知，可 μ 是噪声最大的量——样本一点抖，权重就飞到极端。鲁棒均值方差优化（RMV）在椭球模糊集下对每个权重取 worst-case 期望收益，把『我可能看错了』写进目标函数。本文用 numpy + scipy 从零实现 RMV，在 10 资产单因子合成数据上做 400 次蒙特卡洛：估计误差下名义组合样本外 Sharpe 中位仅 1.16、P5 跌到 −0.52，RMV(γ=2) 拉到 1.46(+25%)、P5 收到 −0.18，权重集中度 HHI 从 0.333 降到 0.185。附完整 Python 与四张真实计算图。

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。

vol-of-vol 在论文里是漂亮因子，拆到估计层却发现你测的东西 95.5% 是噪声。400 只股票、10 年、真实 ξ 已知的受控模拟：常规做法（21 日 RV + 63 日滚动标准差）与真实 vov 相关仅 0.212、水平高估 92.0%、回归斜率 0.027。噪声有解析形式：log(RV_w) 估计误差方差约 1/(2w)，21 日窗口下比信号大 72 倍。两个改动把相关提到 0.676：换无重叠窗口（0.212→0.449）、RV 窗口拉到 63 日。溢价是真的——上帝视角按真实 ξ 排序价差 3.22%（t=1.99）与理论 3.00% 吻合，但最优可观测估计量只抓到 40.8%（t=0.77）。窗口敏感性是警告：t 值在 0.05–1.97 间漂移，且估计质量最好的配置不是 t 值最高的配置——这就是过拟合的具体形态。15 个种子里 6 次符号翻转。持续性对比最有诊断价值：vov 排名前后半期相关仅 0.115、高组留存 27.5%，普通波动率则是 0.958 和 73.8%。

马科维茨有效前沿的最优权重是「误差最大化器」——样本估计里一点噪声，权重就跳到极端。Michaud(1998) 的重抽样有效性换思路：自助抽样 B 次重估前沿，在同一目标下取权重再平均，把估计误差摊平去噪。本文用 5 资产真实风格参数从零实现，对照经典 MV，把目标组合波动从 12.0% 压到 7.9%、样本外累计更平滑，附完整 Python 与五类真实陷阱（中阶）。

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。

均值-方差组合对预期收益的估计误差极度敏感：一个被噪声推高的资产会被配到极端权重。鲁棒优化把「估计可能错了」写进目标——在椭球不确定性集的最坏情形下求最优，用 κ 控制保守程度。附完整 Python 与五类真实陷阱（高阶）。