组合优化与随机贴现因子：让 ML 直接瞄准夏普

两步法的病根#

教科书流程是两步：先估计预期收益和协方差（预测），再解马科维茨优化（配置）。问题人尽皆知——优化器是误差放大器：预期收益的小误差会被杠杆成极端权重。地标论文 DeMiguel, Garlappi & Uppal（2009）：考虑估计误差后，一堆”最优”组合长期跑不赢等权 1/N。传统修补是收缩估计（Ledoit-Wolf 协方差收缩）与约束权重。

ML 的答案：跳过预测，直接学权重#

这一章的主线是把”估计 + 优化”合并成一步，让目标函数直接是组合效用或夏普：

• 参数化组合策略（Brandt, Santa-Clara & Valkanov, 2009）：把权重写成特征的函数 w = f(特征)，直接对历史效用最大化求解 f——绕过预期收益估计这个最不可靠的环节；
• 最大夏普比率回归（MSRR，Kelly, Malamud & Zhou）：证明求最大夏普组合可以改写成一个回归问题（用特征组合收益对常数回归），从而能套用全部现代 ML 工具与正则化理论；
• 高复杂度 MSRR（5.4 节）：把第 2 页”复杂度的好处”用于组合选择——过参数化的权重函数配合收缩，样本外夏普继续改善（同样的争议同样适用）。

SDF 估计：资产定价与组合选择是一枚硬币#

理论恒等式：最优（最大夏普）组合与随机贴现因子（SDF）互为镜像——估计出 SDF 就等于找到了最优组合。两篇代表作走了不同的路：

• Kozak, Nagel & Santosh（2020）《Shrinking the Cross-Section》：贝叶斯收缩视角——在几十个特征组合上估计 SDF 系数，先验是”高夏普不太可能”，用收缩防过拟合。结论：SDF 需要不止三五个因子，但稀疏性（只挑几个特征）不成立，收缩比选择更重要；
• Chen, Pelger & Zhu（2024）《Deep Learning in Asset Pricing》：对抗网络（GAN）版——一个网络估计 SDF，另一个网络专门寻找让当前 SDF 定价失败的检验资产，把”无套利矩条件”变成极小极大博弈，是经济结构约束与深度学习结合的样板。

交易成本与强化学习（5.6 节）#

纸面夏普到实盘之间隔着成本与冲击。代表工作：Jensen, Kelly, Malamud & Pedersen《Machine Learning and the Implementable Efficient Frontier》——把交易成本放进学习目标，结论是考虑实施成本后，最优策略的换手和风格都会系统性改变，很多纸面异象在可实施前沿上消失。更一般的执行/做市问题则进入强化学习的地界（组合再平衡作为动态规划问题），综述认为这是尚未成熟但值得押注的方向。

对本平台用户的意义#

本平台回测引擎是”因子排序 → top-N 等权”，其实就是 Brandt 式参数化组合的最简版本（权重是因子排名的阶梯函数）。这一章告诉你升级路径：等权 → 特征线性加权 → 加入成本项——每一步都有论文铺好了路。

带走的三句话#

1. 两步法的病根是优化器放大估计误差——ML 的答案是跳过预期收益估计，把权重直接写成特征的函数来学习；
2. 最优组合与 SDF 是同一个问题的两面：Kozak-Nagel-Santosh 教你收缩比稀疏重要，Chen-Pelger-Zhu 示范如何把无套利约束变成对抗训练；
3. 纸面夏普不算数——把交易成本写进学习目标后，最优策略本身都会变形（可实施有效前沿），这是从文献到实盘最关键的一跳。