标签： #随机矩阵理论

去噪（denoise）治采样噪声，去调（detone）治市场模式——后者是聚类场景里真正的杀手。N=40 四板块模拟（λ1 占迹 56%）实测：市场模式让所有股票对的相关都抬到 0.5 上下，簇内-簇间相关间距只剩 0.048，single/average linkage 聚类 ARI 直接归零（链式合并全灭）；去调把第一特征成分整个剥掉后间距不变但均值归零，single linkage ARI 从 0.002 复活到 1.000。最反直觉的实测坑：板块特征值（约 2.0）恰好骑在 MP 上界 1.96 附近，标准 MP 去噪把板块信号当噪声压平，去噪+去调后 ARI 反而从 0.99 跌到 0.31——教科书流程『先去噪再去调』在信号贴边时是自毁操作。弱板块对照（尖峰数 1.0）更极端：去噪+去调 ARI −0.03 vs 只去调 0.89。诚实边界：去调后矩阵奇异（少一个秩）不能直接进优化器求逆，只服务聚类/距离场景；市场模式个数 k 的选择在多因子市场里不显然；Tracy-Widom 涨落让贴边特征值成灰色地带。

N=100 只资产、T=252 天，样本相关矩阵的特征值里只有 3 个尖峰是真信号，噪声体占了迹的 59%。Marchenko-Pastur 定律给出纯噪声特征值的精确活动范围 [λ⁻, λ⁺]，越界的才配叫信号——把界内的噪声特征值压平成均值，尖峰原样保留，就是 RMT 去噪。实测最小方差组合：T=126 时样本协方差 OOS 波动率 24.1%，MP 裁剪直接砍到 12.6%，比 Ledoit-Wolf（14.5%）更狠，理论最优 11.1%。与 LW 收缩的本分工：数据极端稀缺时 MP 裁剪的谱手术更精准，数据充裕时两者殊途同归。附完整 Python 与裁剪保迹、相关口径、q>1 等工程细节（中阶）。

样本协方差大半是噪声：RMT 以马尔可夫-帕斯特上界 λ⁺ 为界，把噪声体特征值压平、只留信号尖峰；Frobenius 误差降 17%、最小方差 OOS 方差降到样本 60%，附完整 Python（高阶）。