本文针对高维投资组合的Wasserstein分布鲁棒优化问题,提出基于支撑超平面近似与对偶化的有限维建模方法;在ℓ1地面度量和多面体约束下,该方法可转化为多项式规模线性规划,并通过统一效用误差同时控制鲁棒值误差与近似解次优性。理论与实验表明,DROHYP在资产规模扩展至1000维时仍具备显著计算优势,且Wasserstein半径在收益、风险与可靠性之间形成明确权衡,中等半径通常具有更优的风险调整表现。
报告标题:《Certified High-Dimensional Wasserstein Robust Portfolio Optimization》(可译为《经认证的高维 Wasserstein 鲁棒投资组合优化》)。
作者:Chung-Han Hsieh、Rong Gan。
机构:台湾国立清华大学定量金融系。
发布日期:原文未明确给出正式发布日期,但参考文献包含2025—2026年的资料,因此应属于较新的研究稿件。
研究主题:面向高维投资组合优化的 Wasserstein 分布鲁棒优化(DRO),核心关注如何在保留严格误差保证的同时,将原本难以计算的半无限规划转化为可扩展的有限规模模型。
报告的核心论点是:传统 Wasserstein DRO 虽然能够处理有限样本下的分布估计误差,但其标准对偶模型通常包含对整个收益支持集的约束,属于半无限凸规划,难以直接用于高维资产配置。作者利用效用函数的支持超平面上界近似、Wasserstein 惩罚的对偶范数表示,以及多面体支持集上的线性规划对偶,将问题转化为一个有限的“超平面—对偶”模型;当地面度量为 ℓ1 范数、投资组合约束为多面体约束时,该模型进一步成为一个规模随资产数、样本数和近似精度多项式增长的线性规划。
报告没有采用传统证券研究中的“买入/持有/卖出”评级,也没有给出单一股票目标价。它的“结论性判断”表现为算法和模型层面的推荐:DROHYP 方法能够在误差被明确控制的情况下,显著快于精确顶点模型,并且可用于476资产的月度再平衡以及最多1000资产的计算实验。
报告从数据驱动投资组合优化的基本困难出发。投资者希望最大化未知收益分布下的期望效用,但实际只能观察有限个历史样本,因此常见做法是样本平均近似(SAA),即直接用经验分布替代真实分布。作者指出,SAA虽然在渐近意义上具有一致性,但有限样本下的最优权重可能放大估计误差,造成样本外表现不佳,这正是投资组合优化中长期存在的“估计误差敏感性”问题。
分布鲁棒优化通过构造一个以经验分布为中心的分布集合,并针对集合中的最不利分布优化,从而提高模型对于样本误差的防御能力。本文采用一阶 Wasserstein 球,其半径为 ε,地面距离采用一般 ℓp 范数。与只对历史情景重新加权的模型不同,Wasserstein 模糊集允许概率质量从观测样本移动到支持集中的任意收益点,因此具有更强的分布扰动表达能力,但也因此引入了更复杂的连续支持集最优化问题。
当 ε=0时,模糊集退化为经验分布,DRO等价于SAA;当 ε足够大时,模糊集可覆盖整个支持集,模型趋近于经典的最坏情形鲁棒优化。这两个极端清楚地说明了 ε的经济含义:ε越小,模型越依赖历史样本;ε越大,模型越强调对极端不利收益的防御。
投资组合权重向量为 (w),收益向量为 (X),效用只通过组合收益 (\langle w,X\rangle) 进入。实证部分采用长期、现金全投资组合约束,即权重非负且总和为1;这意味着投资者不能做空,也不持有额外现金头寸。效用函数是对数增长效用:
[ U(\langle w,x\rangle)=\log(1+\langle w,x\rangle). ]
该函数严格递增、严格凹,经济上对应财富的对数增长率。严格递增意味着更高组合收益总是更好,凹性则体现边际收益递减和对收益波动的惩罚。报告要求支持集满足收益不会使财富变为非正数,因此设置 (x_{\min}>-1)。
Wasserstein 对偶理论首先将原始的“对所有可能分布取最坏期望”的问题转换为一个包含变量 λ和样本级辅助变量的凸模型。然而,该模型的关键约束仍然要对支持集中的所有 (x) 成立,因此是半无限规划。半无限的含义是:决策变量数量有限,但约束数量可能是无限的。
这一步的价值在于,它把概率分布层面的最坏情形问题转成了可进行凸优化分析的确定性问题;但它本身还没有解决高维计算难题。
在长仓、盒状收益支持和 ℓ1 地面范数条件下,作者证明了原始DRO可以精确地缩减为样本相关顶点约束。对每一个样本 (x_j),相关顶点集合 (V_j) 的每一个坐标只能取收益下界或该样本对应的坐标值,因此最多有 (2^n)个顶点。整体最多产生 (N2^n)个样本—顶点约束。
这一结果具有双重意义:
作者将该模型命名为DROEX,并在实验中用它作为检验近似误差的基准。需要注意的是,DROEX的“精确”并不等于“可扩展”;当资产数量从11增加到几百或上千时,顶点枚举会迅速成为瓶颈。
作者用若干个效用函数切线的下包络作为效用函数的上近似。对数效用是凹函数,因此在任意分割点处的切线都位于真实函数上方;取所有切线的最小值即可构造一个分段线性上界:
[ U_M(y)=\min_m{\alpha_m y+\beta_m}. ]
由于每条切线都高估凹函数,(U_M\geq U)。当收益区间被划分得更细时,近似误差变小。报告进一步假设效用函数的一阶导数是 Lipschitz 连续的,设其 Lipschitz 常数为 (L_f),则网格间距满足类似 (\Delta y\leq 8\eta/L_f) 的充分条件时,统一近似误差不超过给定容忍度η。
这里的关键是“统一误差”:它不是只在某个投资组合或某个样本上成立,而是在所有可行组合与所有支持集收益点上成立。因此,这一误差可以进一步传递到整个DRO最优值和最优解质量,而不是仅仅说明函数图像局部接近。
将分段线性效用代入Wasserstein半无限对偶模型后,每个样本—超平面组合对应一个支持集上的线性最小化问题。由于支持集是多面体,作者利用线性规划强对偶,引入支持对偶变量 (\mu_{jm}),从而将对所有 (x) 的约束替换为有限个线性或范数约束。
对于一般ℓp地面范数,模型是有限的范数约束凸规划;对于:
在盒状支持下,作者进一步得到更简洁的线性规划。其变量数量为 (n+1+N+nM),其中包括n个资产权重、一个Wasserstein对偶变量、N个样本级上界变量,以及与每个超平面相关的n维辅助变量。若 (M)固定,模型规模随资产数n和样本数N线性增长。
若超平面效用近似满足:
[ 0\leq U_M(y)-U(y)\leq \eta, ]
则作者证明原始DRO最优值 (V^\star(\epsilon)) 与近似问题最优值 (V^\star_\eta(\epsilon)) 满足:
[ V^\star(\epsilon)\leq V^\star_\eta(\epsilon) \leq V^\star(\epsilon)+\eta. ]
因此,近似模型的最优值是原问题最优值的上界,且最多高估η。更重要的是,近似问题的最优组合在原始问题中的鲁棒目标值距离最优值也不超过η,即它是一个有认证的近最优解,而非单纯的数值启发式解。
此外,若真实分布F与经验分布之间的Wasserstein距离不超过ε,那么近似模型产生的组合在真实分布下的期望效用至少不低于近似鲁棒最优值减去η。该结论把“样本分布落在Wasserstein球内”的统计事件与“算法近似误差”结合起来,形成了样本外可靠性证书。
在盒状收益支持和单位单纯形投资组合下,支持集直径记为 (\bar\epsilon)。当 ε达到或超过该直径时,Wasserstein球覆盖整个支持集,最坏情形可以选择集中在收益下界点 (x_{\min}) 的Dirac分布。由于对数效用严格递增,问题退化为最大化 (\langle w,x_{\min}\rangle)。因此,最优投资组合只会配置在具有最高最差收益下界的资产上;若唯一资产达到最高下界,则最优解是对应的单位向量。
若所有资产的收益下界相同,即 (x_{\min}=c\mathbf 1),则任意单纯形组合的最坏收益都相同,整个单纯形都是最优解。这一结论揭示了大半径DRO的经济含义:模型不再区分历史平均表现,而只关注每个资产的最坏支持下界,因此可能形成极度保守甚至集中化的配置。
图1展示DROHYP、DROEX和RSOMEHYP在不同ε下的最优权重。三幅面板的颜色带和权重变化几乎一致,说明近似模型与精确模型产生了高度相似的资产配置。随着ε从很小增加到较大水平,组合权重发生明显重排;在大半径区域,配置趋向更保守,风险资产权重结构趋于稳定。
DROHYP与DROEX之间的最大鲁棒值差为 (1.38\times10^{-4}),低于预先设定的 (\eta=10^{-3});DROHYP与RSOMEHYP的最大差异仅为 (1.96\times10^{-12}),基本可以视为数值一致。前者验证理论近似证书,后者验证不同软件实现的一致性。
表1比较了平均端到端计算时间:DROHYP为0.009秒,DROEX为3.702秒,RSOMEHYP为0.504秒。由此,DROHYP约比显式精确模型快413倍,比RSOME实现快56倍。这说明性能提升不仅来自模型理论规模,也来自专门的盒状LP实现。
多期实验使用475只风险资产加一个无风险资产,共476个资产,采用2021年1月至2025年12月的60个月外样本持有期。每月用前一个月数据重新优化,并在下个月持有。300次求解的平均时间为0.065秒,中位数0.044秒,90分位数0.137秒,最大值0.534秒,说明该方法能够支持月度高维再平衡。
图2显示,不同ε对应明显不同的财富轨迹。小ε策略的财富增长更高但波动和回撤也较大;ε=1的深色曲线更平稳,最终表现接近等权买入并持有。文中给出的关键指标包括:ε=10^-4时累计收益为4.77,接近SAA的5.18,年化波动率约0.46,最大回撤约0.38;ε=10^-2时取得测试DRO策略中最高的Sharpe比率1.11和Calmar比率1.34;ε=1时累计收益0.81、波动率0.16、最大回撤0.20,接近等权买入并持有的0.83、0.16和0.20。
表4及附录图6进一步说明交易成本会削弱高换手策略,且小ε策略受影响最大;ε=10^-2在0.1%、0.2%和0.3%交易成本下仍保持测试再平衡策略中最高的Sharpe和Calmar比率。
表3在N=20、ε=10^-2、η=10^-3和5个超平面的统一条件下,将资产维度从10扩展到1000。DROHYP变量数为 (6n+21),约束数量随n线性增加。DROHYP中位计算时间从n=10时的0.0078秒增加到n=1000时的0.1279秒;DROEX-CG则从0.1253秒增加到4.6461秒。
在476资产规模下,两者中位时间分别为0.0580秒和1.3076秒,速度提升22.53倍;在1000资产时提升达到36.32倍。最大鲁棒值差为 (2.29\times10^{-4}),仍低于η。该结果说明DROHYP不仅在小规模基准中准确,而且在高维情况下保持明显速度优势。
图3显示平均权重随ε和样本量N变化。较小ε时,组合偏向高编号资产,因为实验设定中高编号资产具有更高均值;随着ε增大,投资组合趋于更加分散和保守。N从10增加到500后,权重曲线更稳定,说明样本量增加改善了经验分布对真实分布的刻画。
图4表明样本外年化期望对数增长并非随ε单调变化,而是先升高、在中等半径达到内部峰值、随后下降。小ε基本复制SAA,因此容易受到估计误差影响;过大的ε则过度强调最坏情形而牺牲增长潜力。增加样本量通常提高表现,但在大ε区域,由于模型主要由支持集最坏点主导,样本量的边际改善变小。
图5中的可靠性随ε和N增加而上升。其理论原因是:更大的ε扩大事件 (d_p(F,F_N)\leq ε) 的覆盖范围,而更大的N使经验分布更集中于真实分布。因此,增长表现与可靠性之间存在明确权衡:小到中等ε更有利于收益,大ε更有利于获得理论上的样本外保障。
报告识别或隐含的主要风险包括:
总体而言,报告的理论保证较为清晰,但实证结果仍是特定数据、时间区间、对数效用和盒状支持下的结果,不应直接推断为所有资产类别或所有市场环境中的普遍优越性。
这篇报告的主要贡献不是提出一种新的风险指标,而是解决了 Wasserstein期望效用DRO中“理论精确但规模指数增长”与“实际可扩展但缺乏严格保证”之间的矛盾。作者通过支持超平面近似和多面体对偶,将一般半无限问题转化为有限凸规划;在ℓ1地面范数下进一步转化为线性规划,并以η统一控制鲁棒值误差和组合近最优性。
图表和实验共同支持三个判断:第一,DROHYP与精确DROEX的差异显著小于预设误差容忍度;第二,其计算速度在11资产、476资产和1000资产场景中均明显更快;第三,Wasserstein半径存在收益—可靠性—换手之间的权衡,中等半径往往比极小或极大的半径更具样本外吸引力。
因此,报告总体立场是积极支持经认证的超平面—对偶方法,认为它适合高维、重复性的鲁棒投资组合部署;但ε校准、支持集构造、交易成本内生化以及更严格的点时点样本外验证,仍是从理论方法走向实际资产管理时需要进一步解决的问题。
2608.07032.pdf