均值-方差优化（MVO）：六十年前的诺奖与它的"玻璃心"
我的掌握程度：
先掌握这个答案
MVO标准形：max_w (w'μ − λ·w'Σw)，s.t. 权重和=1、其他约束。μ=预期收益向量、Σ=协方差矩阵、λ=风险厌恶。翻车机理：解对μ极端敏感——μ的小误差导致w大幅跳变（优化器是「误差放大器」：它专门把估计误差最大化的方向上加仓）；样本Σ在高维下病态（近奇异，求逆爆炸）。补救阶梯：①收缩估计Σ（Ledoit-Wolf）；②加权重约束（单票上限、换手惩罚）——粗暴但有效；③Black-Litterman：用市场均衡做先验、观点做修正（q-556）；④干脆放弃精确解：风险平价/等权（q-560/q-063的1/N奇迹）。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 回测先过时序、成交与成本三道关
把信号变成策略收益时，每笔收益必须能追溯到当时能下出的订单。
- 画出时间线：数据可得→算信号→下单→成交→持仓收益；收盘信号不能倒用当天完整收益。
- 明确交易价格、T+1可卖数量、停牌涨跌停、仓位上限和实际成交量约束。
- 同时报告毛/净收益、换手、最大回撤、基准和样本外结果；对滑点与费率做压力测试。
使用边界
- 简单shift(1)只解决部分时序问题；次日开盘成交还要区分隔夜和日内收益。
- 成本应按成交金额与买卖方向计提；0.15%是教学情景，不是统一市场费率。
背景 · 从一个困惑说起
1952年，25岁的马科维茨用一篇14页的博士论文开创了现代金融：组合选择=在「预期收益」与「风险（协方差）」之间做最优化。1990年诺奖加冕。但六十年来从业者对MVO的感情复杂——它理论上完美，实践上脆得像玻璃。
由此产生的问题
MVO的数学形态是什么？它为什么在实践中"翻车"？工程上有哪些补救？
核心概念
MVO标准形：max_w (w'μ − λ·w'Σw)，s.t. 权重和=1、其他约束。μ=预期收益向量、Σ=协方差矩阵、λ=风险厌恶。翻车机理：解对μ极端敏感——μ的小误差导致w大幅跳变（优化器是「误差放大器」：它专门把估计误差最大化的方向上加仓）；样本Σ在高维下病态（近奇异，求逆爆炸）。补救阶梯：①收缩估计Σ（Ledoit-Wolf）；②加权重约束（单票上限、换手惩罚）——粗暴但有效；③Black-Litterman：用市场均衡做先验、观点做修正（q-556）；④干脆放弃精确解：风险平价/等权（q-560/q-063的1/N奇迹）。
为什么需要它
①理解现代组合理论的起点：后续一切方法（BL、风险平价、鲁棒优化）都是对MVO某处缺陷的修补——不懂MVO就看不懂它们的来意；②工程直觉：优化器的输出永远要「人工审阅」——权重集中于单一资产=μ估计在作祟的警报；③面试常客：『MVO为什么难用』的标准答案就在翻车机理+补救阶梯里。
实际应用场景
落地工具：cvxpy几行代码（本题code）；机构实践=「优化+约束+人工否决」三道闸：优化器给方案→约束裁剪→风险经理审阅集中度后才执行。
与之前知识的联系
q-552提出「从分数到权重」的问题，MVO是第一个正式答案；q-295（阶段3协方差矩阵）在此成为核心输入；q-556/560的BL与风险平价是它的两个著名补丁；阶段7的组合风控是同一暴露管理思想的延伸。
⚠ 常见误解
- MVO数学最优=实践最优：它最优的前提是μ和Σ精确已知——而估计误差恰恰是常态；『最优解』常常是『最极端的赌注』
- 补救是为了更精确：不，多数补救（约束/收缩/等权）是主动降低对估计的依赖——用次优换稳健
- MVO已过时该淘汰：它仍是约束优化的骨架（多因子组合的凸优化形态）；淘汰的是「裸用MVO」的天真
🛠 本题实践任务
跑通上述cvxpy实验，再试三件事：①把cap从0.6降到0.4（看约束如何驯服优化器）②对Σ加0.01对角收缩重解 ③λ调大/调小各一档。各记录权重变化并写一句话感受。
💡 提示（先自己想5分钟再看）
λ是风险厌恶：调大=更保守（趋近最小方差）；cap越紧、解越稳——稳健性常来自约束而非精确。
✅ 验收标准
三组对照结果+三句话感受。你亲手摸过了现代组合理论的「玻璃心」——比背十遍定义记得牢。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（协方差矩阵、凸优化概念、因子到权重），再用案例、公式和代码帮助理解。此功能需要先启用服务。