标签： #鲁棒优化

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。

金融特征里混着微观结构噪声、陈旧报价、舍入误差甚至错单 tick——一个对微小扰动极度敏感的因子模型，会给出抖动的因子值与不稳定的排名。本文用 numpy 从零实现 FGSM 与 PGD 对抗训练，在标准逻辑回归因子上做对照实验：干净准确率 96.4% vs 93.4%(牺牲约 3 个点)；在 ε=0.1 的 PGD 攻击下，标准模型 28.0% 样本被翻转、鲁棒模型 24.3%；权重范数被压低 14.4%。结论很诚实——表格型低频金融特征不像图像那样对对抗扰动极度脆弱，对抗训练在这里主要扮演「隐式正则化器 + 最坏情况风险上界」的角色，而非银弹。附完整 Python 与四张真实计算图。

均值方差优化是个『误差放大器』：一年日度样本估出的期望收益带着巨大噪声，优化器却把它当真理，全仓押给恰好被高估的资产。300 次重抽样实测：经典 MV 样本内承诺年化 16.5%，样本外只兑现 4.4%——乐观差距 12 个百分点。Wasserstein 分布鲁棒优化（DRO）的处方是承认『经验分布本身就是错的』：以样本分布为球心、Wasserstein 距离 ε 为半径画一个分布模糊球，对球内最坏分布优化。深刻之处在于对偶定理把这个无限维 min-max 问题坍缩成一行正则化——最坏期望 = 样本期望 − ε·‖w‖，鲁棒化在数学上恰好等价于给权重加范数惩罚，这解释了为什么正则化在组合优化里屡屡有效：它不是工程 trick，是对分布不确定性的精确定价。实测 ε 从 0 加到 2e-3：乐观差距 12.0%→8.5%，样本外 Sharpe 0.329→0.344，跨样本权重换手 0.86→0.65。半径扫描揭示倒 U 形与残酷基准：精心调参的 DRO 样本外 Sharpe 0.343，等权 1/N 是 0.335——鲁棒优化的真实收益是从『被估计噪声坑死』回到『略胜天真基准』。三个陷阱：ε 校准的理论速率在金融样本量下形同虚设、球内最坏分布可能毫无经济意义、DRO 防的是估计噪声而非 regime 切换（高阶）。

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）。