标签： #均值方差

均值-方差优化里，最小方差组合（GMV）是唯一不依赖预期收益的解析解，它只吃协方差矩阵。本文用 numpy 从零推导并闭式求解 w=Σ⁻¹1/(1ᵀΣ⁻¹1)，在 8 资产因子模型上算得 GMV 年化波动 18.7%、比等权低 14.2%，并对比等权与切线组合，附完整 Python 与四张真实计算图。

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。

最大熵组合用 w_i ∝ exp(λ·μ_i) 把「观点强度」编码成一个温度参数：观点越空、权重越接近等权（熵最大、最不偏见）；观点越强、权重越集中。本文 numpy 从零实现最大熵组合 + 收益约束，量化「倾斜中档 λ=51 时归一化熵从 1.00 降到 0.84、年化 Sharpe 3.80→3.47」；300 次 OOS 蒙特卡洛诚实显示熵倾斜并不比等权更赚，但它把组合方差从 2.37% 拉到 3.4%、把权重集中度和尾部风险压在可控区间——它卖的是「可解释的不确定性量化」而非超额收益。附完整 Python 与四张真实计算图。

均值方差组合最致命的不是协方差估计，而是把带噪声的因子预期收益直接塞进 Σ⁻¹——一个被噪声放大的均值就能炸出 ±4.6 的极端权重。本文用 numpy 从零实现层次先验（random-effects）贝叶斯收缩，把 50 个资产的样本均值按「资产间方差 vs 估计方差」的比例拉回全局先验，平均收缩强度 0.35，组合最大权重从 4.63 压到 1.12，均值估计 MSE 降 12%，且样本越多收缩越弱（δ 从 0.94 降到 0.38）。附完整 numpy 实现与四张真实计算图。

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。

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）。

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）。

经典均值-方差在小样本下会被噪声牵着走。用正态-逆威沙特(NIW)共轭先验把「主观观点」编码成数学，后验均值自动向先验收缩，后验协方差带可信带，最终权重更稳健、更可解释。