标签： #凸优化

DID 的灵魂是「控制组」，但现实里常有「只有一个受冲击单元、又找不到可比对照组」的尴尬——比如某国突然资本管制、某只指数被纳入 MSCI、某城试点房产税。合成控制法 SCM 给出一条出路：用一大篮未受冲击单元的「加权组合」为你合成一个专属对照组，权重由事件前的拟合优度决定。本文用纯 numpy + scipy 从零实现凸权重 SCM（非负、和为 1），在自洽合成面板（1 个受冲击单元 + 39 个 donor，事件后真实水平偏移=1.08%/期）上把事件前贴合 RMSE 压到 0.040、事件后 gap 估到 1.08，且权重极度稀疏（仅 6/39 个 donor 非零）；留一安慰剂检验中受冲击单元的 gap 是 40 个单元里的极端离群点（p≈0.025），并诚实拆穿外推/负权重、donor 池太窄、前拟合好后崩、唯一解不唯一、小样本过拟合五类真实陷阱（中阶）。

风险平价听起来很美——每个资产贡献相等风险。但纯风险平价把你的「观点」也清零了：你明明觉得股票该多配，它偏给你等风险暴露。熵风险平价换一个思路：把权重选择变成「在尊重先验观点的前提下，尽量贴近风险平价」，用最小交叉熵当桥梁——交叉熵衡量「新权重偏离你先验多远」，风险平价当约束。本文用 5 资产真实风格协方差从零实现熵风险平价的 scipy 求解，对照等权/传统风险平价/最小方差/最大熵/先验，量化它如何把「市值偏重先验(股票 40%)」拉成风险贡献 25%/25%/25%/25%/25% 的折中组合，附完整 Python 与五类真实陷阱（中阶）。

再平衡听起来只是「把漂移的权重拉回目标」。但朴素做法要先卖成现金、再买成目标，来回两道成本；真要做最小摩擦，应该让「谁该减仓的资产」直接换给「谁该加仓的资产」。本文用最优传输（Wasserstein / Earth Mover's Distance）把再平衡重写成一个最小成本运输问题，scipy 线性规划从零求解，量化它比现金中枢省 50% 摩擦，并利用折价配对（实物/篮子交易）再降一截，最后用 W1 距离作再平衡触发器，回测年化节省 41% 交易成本，附完整 Python 与五类真实陷阱（中阶）。