本文研究如何将方向正确的专家观点纳入投资组合优化。理论结果表明，即使专家观点仅包含少量方向性信息，也能显著提升组合的夏普比率；在观点逐步接近真实未来均值时，夏普比率单调上升，并在最优点附近呈现凹性。¹² 研究进一步证明，小幅均值或协方差估计误差仅造成二阶夏普损失。³ 在印度大型股票样本上的实证结果显示，加入方向正确观点后，长仓Markowitz模型与端到端LSTM模型的表现高度接近，且大部分收益改善在较小观点权重下已经实现。⁴⁵

研究问题与核心结论 ¹

• Markowitz组合优化高度依赖未来收益均值与协方差的估计，而估计误差可能导致最优配置对参数极度敏感。¹
• 论文借鉴Black–Litterman框架，将方向正确的专家观点引入Markowitz模型和端到端机器学习模型。¹
• 少量方向正确的信息即可显著改善投资决策；引入此类观点后，简单的Markowitz模型与端到端模型能够取得相近表现。¹

方向正确观点与夏普比率理论 ²

• 在真实均值为μ、当前预测为ν时，方向正确观点表示为νλ=(1−λ)ν+λμ，其中λ∈[0,1]代表观点向真实均值倾斜的程度。²
• 误配造成的夏普损失可以解释为估计组合方向与真实最优组合方向之间的角度损失；当估计方向与真实方向一致时，夏普比率达到最大值。²
• 当预测均值与真实均值不共线时，夏普比率随λ严格递增，并在λ=1处满足S′(1)=0；在最优点附近具有凹性。²
• 当A+3B≥0时，夏普比率在整个λ∈[0,1]区间内均为凹函数；若该条件不满足，则曲线可能先凸后凹。²

夏普比率曲线的图表证据 ³

• 图1显示，Dataset 1中夏普比率随观点权重λ增加而平滑上升并呈现凹性；Dataset 2则出现由凸转凹的拐点，符合理论条件不满足时的预期。³

观点纳入方法与误差稳健性 ³⁴

• 在KL散度最小化框架下，将历史分布P调整为满足专家均值观点的分布Q；高斯收益情形下，调整后均值变为专家观点均值，而协方差保持不变。³
• 对非高斯收益，均值观点可能同时扰动协方差，但只要均值与协方差扰动相对于真实均值和风险规模足够小，夏普损失仅为二阶量级，说明结论对小误差具有稳健性。³
• 论文还讨论了协方差观点：对形式为tr(AΩ)=k的约束，KL投影得到的协方差满足Ω*=(Σ⁻¹+λA)⁻¹；方向正确的协方差观点同样带来单调的夏普改善。⁸⁹

端到端量化策略构建 ³⁴

• 端到端模型使用过去L日市场收益作为输入，由神经网络直接输出下一交易日组合权重，并直接最大化观点调整后的夏普比率，而非先预测收益再进行配置。³
• 历史分布P采用历史收益观测的均匀分布；通过指数倾斜构造权重qt,λ=exp(ηλᵀrt)/∑s exp(ηλᵀrs)，使加权收益均值满足插值观点μviewλ=(1−λ)μhist+λμview。⁴
• LSTM模型采用单层、16个隐藏单元，最终通过softmax输出长仓且满仓组合；每个λ训练100个随机初始化，进行300次全批量更新，其中前50次为预热、后250次采用余弦退火。⁴
• Markowitz模型使用观点倾斜后的均值μλ与协方差Σλ，在权重非负且权重和为1的约束下求解最大夏普组合；实验考察λ=0、0.1、…、1。⁴

印度大型股票样本与实验设置 ⁴¹¹

• 实验选取印度NSE市场按2023年12月31日市值排名最高的20家公司，样本覆盖2006年1月2日至2025年12月31日，共4,958个交易日。¹¹
• 训练阶段使用2006—2023年历史数据，评价阶段使用2024—2025年实际收益；λ=1代表完全准确但在真实决策时不可获得的未来均值观点。⁴
• 由于印度市场的卖空约束，Markowitz与LSTM均采用长仓、满仓组合，并在报告绩效中扣除单边20个基点交易成本。⁴

Markowitz与LSTM绩效比较 ⁴⁵

• 图2显示，随着λ上升，Markowitz与LSTM的夏普比率和最终财富均明显改善，且大部分改善在较小λ区间已经实现，随后边际收益逐步收窄。⁴⁵
• 两条夏普曲线在整个λ区间内走势高度相似，说明方向正确观点能够使复杂端到端模型学习到接近Markowitz理论的配置结果。⁴⁵
• 扣除交易成本后，LSTM在中等λ区间略逊于Markowitz，主要原因是其组合换手率更高；随着观点信息量增加，LSTM不同随机种子之间的表现离散度明显下降。⁴

观点信息对组合配置稳定性的影响 ¹¹¹²

• λ=0时，LSTM组合随时间发生较大幅度调整，而Markowitz配置因模型设定保持恒定。¹¹¹²
• 当λ从0提高至0.5和1时，LSTM的日度配置变化明显减少，并逐渐接近对应的Markowitz组合。¹¹¹²
• λ=1时，两类组合主要集中于BHARTIARTL、MARUTI和SUNPHARMA，显示完全准确的未来观点会显著改变资产集中度。¹¹

研究边界与后续方向 ⁵

• 实验中的方向正确观点由评价期未来信息构造，因此并不能在真实决策时直接获得；如何在实践中生成可靠的方向正确观点，是论文留待后续研究的问题。⁵

一、报告元数据与总体概览

报告标题：《Directionally Correct Views in Portfolio Optimization》，可译为《投资组合优化中的方向正确观点》。
作者：Ojas Kumar、Sreejit Dey、Sarvesh R. Iyer、Sandeep Juneja。
机构：Ashoka University。
日期：2026年10月23日。
研究主题：将专家对未来资产收益的判断纳入Markowitz均值—方差模型和端到端机器学习投资组合模型，并研究“方向上正确但不一定精确”的观点能否改善投资组合表现。¹

报告没有给出股票评级、买入/卖出建议或目标价，因为它不是针对单一公司的投资研究，而是一篇关于投资组合优化方法的理论与实证研究。报告的核心观点是：即使专家观点只有方向上正确、准确程度有限，也可能显著改善投资组合的Sharpe比率；在纳入这类观点后，传统的Markowitz模型在实验中可以达到与端到端LSTM模型相近的表现。¹

报告的研究逻辑可以概括为：

• 历史数据对未来收益均值和协方差矩阵的估计存在误差，而Markowitz最优组合对这些误差高度敏感。
• Black–Litterman框架提供了将专家判断与历史数据结合的方法。
• 如果专家观点逐步从历史均值向真实未来均值移动，组合Sharpe比率将单调提高。
• 这一结论在观点存在一定误差时仍具有稳定性。
• 在印度股票市场的实验中，方向正确的观点不仅提高Markowitz组合表现，也提高LSTM组合表现，并降低LSTM不同随机初始化之间的结果差异。¹, ²

二、引言：研究问题与理论背景

2.1 Markowitz模型的局限

报告从Markowitz投资组合理论出发。设资产收益向量为 (r)，其均值为 (\mu)，协方差矩阵为 (\Sigma)，投资组合权重为 (w)，则组合期望收益为 (w^\top\mu)，组合方差为 (w^\top\Sigma w)。在无风险利率设为0的情况下，Sharpe比率通常写为：

[ S(w)=\frac{w^\top\mu}{\sqrt{w^\top\Sigma w}}. ]

该比率衡量单位风险对应的预期收益，是报告全文用于评价投资组合的主要指标。²

Markowitz模型的主要问题并不是优化计算本身，而是输入参数难以准确估计。未来均值 (\mu) 和协方差矩阵 (\Sigma) 都需要从历史数据中推断，而最优权重可能对均值估计中的很小误差非常敏感。报告引用了均值误差、协方差误差、收缩估计和组合约束等相关研究，说明这一问题在投资组合理论中长期存在。¹

在允许卖空且协方差矩阵可逆的情况下，最大Sharpe组合的方向与 (\Sigma^{-1}\mu) 相同。这里的“方向”比权重的绝对规模更重要，因为Sharpe比率对整体缩放不敏感。实际组合中如果要求权重总和为1，或者限制卖空，则需要在相应约束下重新求解。²

2.2 专家观点和Black–Litterman思想

报告将专家观点表示为对未来收益均值和协方差的判断。若专家对未来均值的预测为 (\nu)，协方差预测为 (\Omega)，投资者便可以根据 ((\nu,\Omega))构造组合。问题在于，专家观点不必完全准确，关键在于它是否把估计方向推向真实未来分布。

报告定义了一个方向正确的均值观点：

[ \nu_\lambda=(1-\lambda)\nu+\lambda\mu,\qquad \lambda\in[0,1]. ]

其中，(\nu)是原始预测，(\mu)是真实未来均值，(\lambda)表示观点向真实均值移动的程度。 (\lambda=0)表示完全使用原始预测，(\lambda=1)表示使用完全准确但在现实中通常不可获得的未来均值。²

这个定义主要用于理论分析，而不是直接提出一个可实际观测的预测方法。报告后文明确承认，实验中的观点使用了评价期的未来信息，因此这些观点在真实投资决策时不可用。⁵

三、第二节：方向正确观点下的Sharpe比率

3.1 Sharpe损失可以解释为角度损失

报告的命题1将估计组合与真实最优组合之间的Sharpe损失解释为一个角度。真实分布参数为 ((\mu,\Sigma))，估计参数为 ((\nu,\Omega))。估计模型形成的组合方向大致为 (\Omega^{-1}\nu)，真实最大Sharpe组合方向为 (\Sigma^{-1}\mu)。

报告指出，估计组合的实际Sharpe比率等于真实最大Sharpe比率乘以一个角度的余弦：

[ S_{\mu,\Sigma}(\nu,\Omega)=S_{\mu,\Sigma}^{\star}\cos\theta_{\mu,\Sigma}(\nu,\Omega). ]

因此，估计组合与真实最优组合方向越接近，角度越小，实际Sharpe比率越高；当 (\Omega^{-1}\nu=c\Sigma^{-1}\mu)，且 (c>0)时，两个组合方向一致，达到最大Sharpe比率。²

这个结果的意义在于，参数估计不必在每个维度上都非常精确。只要估计的“风险调整后收益方向”接近真实方向，组合表现就可能接近最优。相反，即使均值和协方差的某些单项估计看起来合理，只要它们共同导致 (\Omega^{-1}\nu)偏离真实方向，组合Sharpe比率仍会下降。

证明部分使用了带有协方差矩阵的内积和Cauchy–Schwarz不等式。其数学含义是，Sharpe比率本质上可以看作两个向量在由协方差矩阵定义的几何空间中的对齐程度。⁷

3.2 Sharpe比率随观点强度单调上升

定理2研究 (S(\lambda))，即使用 (\nu_\lambda)构造组合、再用真实分布评价时的Sharpe比率。报告证明，在 (\lambda\in[0,1])上，Sharpe比率非递减；如果原始预测 (\nu)和真实均值 (\mu)不共线，则Sharpe比率严格递增，并且在 (\lambda=1)处一阶导数为0。², ⁷

这说明观点只要朝着真实均值方向改善，组合表现不会恶化。随着观点越来越接近真实均值，改进幅度逐渐变小，最终在准确观点附近达到平台。这种“边际收益递减”是报告结论的重要组成部分。

报告定义：

[ A=\langle\nu,\nu\rangle_{\Sigma^{-1}},\quad B=\langle\nu,\mu-\nu\rangle_{\Sigma^{-1}}, ]

其中 (\langle x,y\rangle_{\Sigma^{-1}}=x^\top\Sigma^{-1}y)。参数 (A)表示原始预测在风险调整几何空间中的规模，(B)表示原始预测与“预测误差方向”的关系。报告进一步指出，Sharpe曲线在 (\lambda=1)附近必然具有凹性，但整个区间上的凹性取决于：

[ A+3B\geq 0. ]

当 (B\geq0)时，该条件自然成立。直观上，这意味着原始预测与通向真实均值的方向具有较好的对齐关系，观点修正从一开始就表现出边际收益递减。², ⁷

四、图表一：Sharpe比率与观点强度

图1包含两个面板，横轴为观点强度 (\lambda)，纵轴为实现Sharpe比率。

4.1 Dataset 1

左图中的Sharpe比率从约1.75开始，随着 (\lambda)上升，逐步提高至约1.86。曲线整体向上且逐渐变平，符合定理2关于单调性和凹性的预测。由于曲线没有明显的凸性区间，说明该数据集满足或接近 (A+3B\geq0)的条件。³

左图的视觉信息还表明，前20%至40%的观点修正已经带来相当一部分收益改善，而从 (\lambda=0.8)继续提高到1，增益很小。这支持报告关于“少量方向正确的信息也可能具有较大价值”的论点。³

4.2 Dataset 2

右图从约-0.55的Sharpe比率开始，随着 (\lambda)增加，Sharpe比率大幅上升，最终达到约2.6。该曲线在较低的 (\lambda)区间先呈现凸性，约在 (\lambda=0.28)附近出现拐点，之后转为凹性并逐步趋于平台。³

这张图说明，即使观点方向最终正确，改善过程也不一定从 (\lambda=0)开始就具有凹性。原始历史均值与未来均值之间如果偏离较大，少量观点修正可能不足以立即改善组合效率，只有超过某一阈值后，Sharpe比率才进入持续但边际递减的上升阶段。报告将这一现象解释为 (A+3B<0)时的情况。², ³

图1的局限是：它使用了由真实未来均值构造出的 (\nu_\lambda)，因此主要是理论性质的可视化，不是现实中可直接获得的投资信号。图表说明了观点准确度对组合的影响，但不能单独证明投资者能够在事前识别出正确方向。², ⁵

五、第三节：Markowitz框架中的观点纳入与稳健性

5.1 KL散度与指数倾斜

报告采用Black–Litterman式的最小信息改变方法，将历史概率分布 (P)调整为满足专家观点的分布 (Q)。具体做法是：

[ Q^\star=\arg\min_Q D_{KL}(Q|P) ]

并要求调整后的分布满足目标均值约束。KL散度衡量两个概率分布之间的信息差异，最小化KL散度意味着在满足专家观点的前提下，尽可能少地改变历史分布。³

如果历史收益服从正态分布 (N(\mu,\Sigma))，且专家只改变均值，则调整后的分布仍然是正态分布，协方差保持为 (\Sigma)，均值变为专家指定的均值。这样，第二节中的定理可以直接适用。³

当收益并非正态分布时，改变均值可能同时改变协方差。报告的理论结果认为，只要这种协方差扰动相对于真实均值和方差足够小，Sharpe比率损失是二阶的，也就是小扰动对Sharpe的影响不会以一阶速度恶化。³

5.2 定理3的含义

定理3在 (\mu,\nu,\Sigma,\Omega)满足一定正定性和距离约束时，给出估计组合Sharpe比率与真实最大Sharpe比率之间的扰动界。由于原文摘录中的公式排版存在缺失，具体上界表达式无法从所提供文本中完整恢复，但其条件包括真实均值不能过小、协方差矩阵具有足够的最小特征值，以及均值和协方差估计误差受到控制。³, ⁹, ¹⁰

证明通过算子范数、矩阵正定性和向量夹角界来控制 (\Omega^{-1})与 (\Sigma^{-1})之间的差异。其经济含义是：当真实协方差矩阵远离奇异状态，且观点误差不大时，方向正确观点的收益不会因为小幅参数扰动而完全消失。⁹, ¹⁰

六、协方差观点的扩展

报告不只讨论均值观点，还给出了协方差观点的理论扩展。协方差观点可以写成：

[ \operatorname{tr}(A\Omega)=k, ]

即对未来协方差矩阵与某个对称矩阵 (A)的迹积施加约束。对于高斯分布，最小化KL散度后得到的协方差矩阵满足：

[ \Omega^\star=(\Sigma^{-1}+\lambda A)^{-1}, ]

其中 (\lambda)由约束条件决定。⁸

报告进一步将方向正确的协方差观点表示为逆协方差矩阵的线性移动，并证明相应的切点组合Sharpe比率也会随观点强度单调上升。在不共线的情况下，Sharpe比率严格上升，且凹性条件与均值观点具有类似形式。⁸, ⁹

这一部分扩展了文章的适用范围：专家不一定只能判断某项资产未来收益更高或更低，也可以表达波动率、资产间相关性或整体风险结构的观点。不过，报告的实证实验主要集中于均值观点，协方差观点更多停留在理论层面。

七、第四节：端到端投资组合模型

7.1 模型结构

端到端模型不先估计 (\mu)和(\Sigma)，而是让神经网络直接根据过去一段时间的市场数据输出投资组合权重。网络使用长度为 (L)的历史窗口，输入过去的收益数据，输出下一交易日的权重 (w_{i+1})，组合收益为：

[ R_i(\phi)=x_{i+1}^{\top}w_{i+1}. ]

网络参数 (\phi)直接通过最大化组合Sharpe比率训练，而不是先训练一个收益预测模型。³

报告通过指数变化测度把专家观点纳入端到端模型。设历史经验分布 (P)对每个历史收益样本赋予相同概率，则调整后的样本权重为：

[ q_{t,\lambda}

\frac{\exp(\eta_\lambda^\top r_t)} {\sum_{s=1}^{T}\exp(\eta_\lambda^\top r_s)}. ]

参数 (\eta_\lambda)被选择为使加权历史均值等于目标观点均值。随后，模型使用这些似然比重新计算组合收益均值和方差，再对观点调整后的Sharpe比率进行梯度上升。⁴

这种方法的关键思想是：不强迫神经网络显式估计未来收益分布，而是改变训练样本的重要性，使模型更关注符合专家观点的收益情景。

7.2 实验设计

实验使用印度国家证券交易所的日度数据，样本覆盖2006年至2025年，股票范围为按2023年12月31日市值排名靠前的20家公司。历史期为2006年至2023年，评价期为2024年至2025年。实验设置 (\lambda=0,0.1,\ldots,1)，逐步把历史均值和评价期实际均值进行插值。⁴, ¹¹

实验包含两个重要限制：

• Markowitz和LSTM模型都采用多头、全投资组合，权重非负且权重总和为1。
• LSTM采用单层、16个隐藏单元的结构，每个 (\lambda)训练100个随机初始化，训练过程为300次全批量更新，其中前50次为预热，之后250次采用余弦退火学习率。⁴

报告选择这一简单LSTM架构，是因为探索性的全连接网络、卷积网络和更深或更大的LSTM没有带来改善。这一结论支持作者关于模型复杂度并不必然带来更好投资结果的判断，但由于报告没有提供不同架构的完整比较表，读者无法评估这些探索实验的统计显著性。⁴

八、图表二：Markowitz与LSTM的实证表现

图2左图展示年化Sharpe比率，右图展示从1印度卢比初始投资得到的最终财富。蓝线是Markowitz模型，红线是100次LSTM训练的平均结果，误差线反映LSTM结果在随机种子之间的分散程度。⁵

8.1 Sharpe比率趋势

当 (\lambda=0)时，Markowitz和LSTM的年化Sharpe比率都接近0；随着 (\lambda)从0增加到1，两者都持续改善。图中Markowitz的Sharpe比率大致从0.04升至1.96，LSTM均值大致从0.03升至1.94。改善主要发生在 (\lambda=0.2)至0.6之间，(\lambda=0.7)以后曲线明显趋于平缓。⁵

两条曲线的形状高度相似，且Markowitz在中高 (\lambda)区间略高于LSTM。这支持报告的核心经验结论：当模型获得相同的方向正确观点后，传统均值—方差方法已经能够捕捉主要的投资组合结构，端到端神经网络没有显示出明显的额外收益。⁴, ⁵

LSTM的误差线在低 (\lambda)时较大，随着观点变得更准确而明显收窄。这意味着方向正确的观点不仅提高平均收益风险比，也使神经网络对随机初始化不那么敏感。换言之，观点信息减少了模型训练结果的不确定性。⁵

8.2 财富曲线结果

右图显示，1印度卢比的最终财富也随 (\lambda)单调增加。Markowitz最终财富大致从0.98印度卢比提高到1.80印度卢比，LSTM则从约0.97提高到1.77印度卢比。财富结果与Sharpe结果方向一致，说明图2左图的改善并非只来自波动率计算方式，而是也反映在累计投资结果中。⁵

报告说明图2使用了单向20个基点的交易成本。交易成本纳入后，LSTM在中间观点强度区间相对Markowitz更加落后，原因是LSTM具有更高换手率。这个结果很重要，因为端到端模型能够动态改变权重，但动态调整本身会产生交易摩擦。⁴

九、图表三：投资组合配置变化

图3左列为Markowitz目标权重，右列为100个LSTM随机种子下的平均权重，分别展示 (\lambda=0)、0.5和1三种情形。¹²

在 (\lambda=0)时，Markowitz组合按构造保持恒定，而LSTM组合随日期变化明显，说明历史均值观点不足以让端到端模型形成稳定的配置。LSTM权重在2024年至2025年间有较多短期波动，尤其在市场阶段变化附近出现结构调整。¹¹, ¹²

当 (\lambda=0.5)时，两类组合都开始向少数表现较好的股票集中。LSTM的动态变化幅度较 (\lambda=0)有所降低，但仍保留一定的时间变化。随着观点进一步提高到 (\lambda=1)，两类组合都接近稳定配置，主要集中于BHARTIARTL、MARUTI和SUNPHARMA。¹¹, ¹²

图3因此提供了图2之外的结构性证据：Sharpe比率的提高并不只是抽象的统计指标变化，模型内部的资产权重也发生了有方向的重新配置。专家观点越接近未来实际均值，LSTM越接近一个稳定的、类似Markowitz的组合。¹¹, ¹²

但这种配置结果也显示出集中度风险。 (\lambda=1)下组合明显集中于少数股票，虽然在评价期内提高了收益风险比，但集中配置可能放大单一股票、行业或事件风险。报告报告了配置变化，却没有进一步给出集中度指标、最大回撤分解或行业暴露分析。

十、表1：完整绩效统计

报告称表1提供了每个 (\lambda)下的完整Sharpe比率、回撤以及组合配置，并且LSTM数据是100个随机种子的平均值，净绩效已经扣除单向20个基点交易成本。¹¹, ¹³

但在所提供的文本提取内容中，表1仅显示了标题，没有呈现具体行列和数值。因此，可以确认表1承担的是图2底层统计表的功能，但无法从当前材料准确逐项复述每个 (\lambda)对应的最大回撤、最终财富或具体权重。相比之下，图2提供了这些指标的可视化近似值，图3提供了权重随时间变化的视觉信息。⁵, ¹³

十一、风险因素与局限性

11.1 未来信息泄露风险

实验中的 (\lambda>0)观点使用了评价期实际均值，而 (\lambda=1)更是完全准确的未来均值。这意味着实验主要是在研究“如果投资者拥有不同程度的正确未来信息，会发生什么”，而不是测试一个可直接部署的预测策略。⁴, ⁵

这会使模型表现高于真实投资环境。报告作者也明确指出，如何在现实中生成方向正确的专家观点，是下一步研究问题。⁵

11.2 样本和市场范围有限

实证分析只使用印度市场20家大型公司，样本期为2006年至2025年，评价期仅为2024年至2025年。因此，结果是否适用于小盘股、其他国家、其他资产类别或更长的未来评价期，报告没有证明。¹¹

11.3 协方差和分布假设风险

理论部分在若干地方依赖正定协方差矩阵、误差足够小以及某些非退化条件。现实收益通常具有厚尾、偏度、波动聚集和相关性变化，非高斯情况下均值观点可能同时改变协方差。报告对此给出了扰动稳定性的理论说明，但并未在实证中全面检验非高斯分布下的协方差变化。³, ⁹

11.4 交易成本与换手率风险

LSTM的权重随时间变化较多，交易成本会削弱其表现。实验只采用单向20个基点这一成本设定，报告没有展示不同成本水平、滑点、市场冲击或流动性限制下的敏感性结果。⁴, ⁵

11.5 长期泛化风险

理论部分主要讨论允许卖空或无约束的最大Sharpe组合，而实际实验采用多头、全投资约束。约束会改变最优组合的几何结构，因此理论上的严格单调性不一定完全转化为受约束实证组合中的严格单调性。图2中观察到的单调改善是该特定数据和实验设定下的结果，不应直接理解为所有约束条件下的普遍定理。², ⁴

十二、批判性评价与内部细节

报告最有价值的地方，是把“专家观点的准确程度”从一个定性概念转化为 (\lambda)这一连续变量，并同时研究Sharpe比率的单调性、凹性和扰动稳定性。角度解释也使得模型误差与组合损失之间的关系更加直观。², ⁷

不过，报告的实证结论需要谨慎理解。第一，核心实验使用评价期未来均值构造观点，因而不是可交易的事前预测检验。第二，图2证明的是在相同方向正确信息下Markowitz和LSTM表现相近，而不是证明Markowitz可以在没有任何有效预测的情况下战胜机器学习。第三，实验结果主要来自20只印度大型股票，不能自动推广到更广泛的资产管理环境。⁴, ⁵, ¹¹

报告还存在理论和实际设定之间的差异。理论部分允许一般的均值、协方差和某些卖空条件，实证部分却采用多头约束、交易成本和LSTM随机训练。二者用于说明同一机制是合理的，但不能把理论定理直接视为对实证模型全部性质的证明。², ⁴

此外，报告强调复杂ML模型与Markowitz模型的表现相似，但LSTM仍可能在条件信息、非线性关系或动态风险管理方面具有潜在优势。当前实验只显示在给定数据、网络结构、训练协议和观点设定下，两者的Sharpe比率接近，并不足以排除更长样本、更丰富特征或不同交易成本下的差异。⁴, ⁵

十三、综合结论

这篇报告的总体判断是：方向上正确的专家观点能够显著改善投资组合优化结果，并且这种改善在理论上具有单调性，在观点接近真实均值时表现出边际收益递减和局部凹性。¹, ²

图1展示了这种理论关系：在一个数据集上Sharpe比率从一开始就平滑、凹性上升，在另一个数据集上则先经历凸性阶段，再在约 (\lambda=0.28)附近转为凹性。图2表明，在印度20只大型股票的实验中，Markowitz和LSTM都随着观点强度增加而改善，且Markowitz略优于扣除交易成本后的LSTM。图3进一步说明，观点越准确，LSTM的动态换手越低，最终配置越接近稳定的Markowitz组合。³, ⁵, ¹²

因此，报告并没有给出传统意义上的股票投资评级，而是提出一种方法论结论：在拥有一定方向正确的前瞻信息时，简单的Markowitz型模型可能已经能够有效利用这些信息；复杂的端到端模型未必带来额外的风险调整收益，尤其是在交易成本存在且模型权重频繁变化时。¹, ⁴

最终需要保留的关键条件是，真正困难的环节不是证明正确观点有价值，而是在投资决策时事前产生可靠、可验证且不含未来信息的方向正确观点。报告本身也把这一问题明确留给后续研究。⁵