标签： #收缩估计

期望收益是组合优化里估计误差最恶劣的输入：20 只资产、真实年化期望收益都在 1%~11% 之间，一年日频数据估出来的样本均值却在 18%~120% 之间狂舞——截面标准差 27.6%，是真实值（2.2%）的 12 倍。Jorion (1986) 的 Bayes-Stein 估计量把每只资产的均值往全局最小方差组合收益收缩，收缩强度由数据里的信噪比自动决定。实测切点组合 OOS Sharpe：样本均值 T=252 时 -0.21（比扔硬币还差），Bayes-Stein 提到 -0.09，而干脆不用均值的全局最小方差组合 0.53、理论最优 0.57。最诚实的结论：收缩把灾难缓解成失望，但均值估计本身可能就不该做——这正是 Stein 悖论在金融里最疼的一课（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。

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。