第 7 章：马科维茨的诅咒与 NCO

均值-方差优化拿过诺贝尔奖，却在实盘界声名狼藉。这一章先用一个数字（条件数）把病灶定位清楚，再给出作者的解法 NCO——前面四章的刀（去噪、距离、聚类）在这里合体。

马科维茨的诅咒#

均值-方差优化要对协方差矩阵求逆。问题在于：

求逆会放大估计误差——输入差之毫厘，权重谬以千里（《打开量化投资的黑箱》骂过的”误差最大化器”）；
放大倍数由条件数（最大特征值 ÷ 最小特征值）刻画：条件数越大，解越不稳定；
而资产相关性越高，相关矩阵的条件数越大。于是得到那个残酷的悖论，作者称之为马科维茨的诅咒：诸多资产高度相关的时候，恰恰是你最需要分散化的时候——却也是优化器最不可靠的时候。

换句话说：优化器在你最需要它的场合最不能用。这不是实现瑕疵，是结构性矛盾。

病根再细分：噪声之外还有”信号害”#

第 2 章的去噪能治一部分（噪声特征值导致的不稳定），但作者指出还有第二个病根：信号本身也致病。市场成分那个巨大特征值把条件数撑得很高——哪怕矩阵估计得完全准确，强共同因子的存在依然让求逆不稳定。所以光去噪不够，还需要改造优化问题本身。

NCO：嵌套聚类优化#

Nested Clustered Optimization，思路是”化整为零，各个击破”：

去噪 + 聚类：对（去噪后的）相关矩阵跑 ONC（第 3 页），把资产分成若干个内部高相关、彼此低相关的簇；
簇内优化：在每个簇内部做小规模均值-方差优化——簇内矩阵维度小、结构单一，条件数低，优化可靠；
簇间优化：把每个簇整体当成一个”合成资产”，算簇间的缩减协方差矩阵，在簇这一层再做一次优化——簇间本来就低相关，这一层同样稳定；
最终权重 = 簇间权重 × 簇内权重。

精髓：从不在高条件数的大矩阵上求逆。原问题被拆成一组小而良态的子问题，每个都落在优化器能力圈内。

与 HRP 的关系，以及蒙特卡洛裁决#

作者早年的 HRP（层次风险平价，AFML 精读第 6 页提过）走得更极端——完全不求逆。NCO 是折中：保留优化（还能吃进预期收益信息），但用聚类把它关进笼子。怎么知道哪种方法好？作者的答案很符合本书气质：别争论，做蒙特卡洛——自己造已知真实参数的数据，让各方法比赛还原真实最优权重。他的实验里，NCO 相比直接马科维茨优化把样本外估计误差大约砍半；不同市场结构下最优方法不同，用合成数据先测再上本身就是方法论的一部分。

对应到本平台#

backtest/engine.py 目前是 top-N 等权——按本章的谱系，等权恰是”对估计误差最鲁棒”的极端（什么都不估就什么都不会估错），马科维茨是另一个极端（全都估、全放大）。如果将来想给回测引擎加权重优化，正确的升级路径不是直接上均值-方差，而是：等权 → 波动率倒数 → 聚类风险平价 / NCO——每一步只在证明了估计增益大于估计误差之后再迈。

本页带走的三句话#

马科维茨的诅咒：资产越相关越需要分散，条件数却越大、优化器越不可靠——最需要时最不能用；
NCO 的精髓是从不在大矩阵上求逆：聚类拆小、簇内簇外分层优化，每个子问题都良态；
方法之争交给蒙特卡洛：造已知答案的合成数据让方法比赛——先测后上，这本身就是一把刀。