优化器不只画一条曲线 · beyond mean-variance
很多人跑完 PyPortfolioOpt 看到一条优雅曲线就以为搞定了。把数据往前推一天再跑一次，权重能从 60% 跳到 30%——曲线没变，答案变了。
原因藏在目标函数里。最小化 wᵀΣw 这个二次型时，协方差矩阵 Σ 的微小扰动会被放大。当两个资产高度相关，Σ 接近奇异，解对输入极度敏感。这不是 bug，是数学结构决定的。
后面那个 λ‖w‖² 就是 L2 正则——把权重往 0 拉，避免极端配置。看起来简单，加一项，整个解的稳定性天差地别。正则不是锦上添花，是让优化器能用的前提。
两只资产（A 收益 12%/风险 25%，B 收益 5%/风险 10%）。拖动相关性 ρ，看有效前沿形状怎么变、黑塞矩阵条件数怎么飙升——条件数越大，权重越不稳。
目标函数加 λ‖w‖²，权重不再极端。Ledoit-Wolf 收缩估计就是把 Σ 往单位阵拉，本质同款思路。
把 μ、Σ 当不确定区间，最坏情况下还要最优。Tütüncü、Goldfarb-Iyengar 的鲁棒前沿更平但更可信。
市场均衡权重当先验，你的观点当后验修正。避免直接用样本均值那种"历史均值当未来"的坑。
不配资金配风险，每类资产对组合风险贡献相等。桥水的全天候就是这个思路，不押收益押风险。
这四条都从马科维茨出发，但各自回答它没回答的问题：参数不准怎么办、观点怎么融、风险怎么平摊。学到这里才算从"会跑优化器"到"懂为什么这么跑"。