多期组合优化 (Multi-Period Portfolio Optimization)
一句话定义：把均值-方差优化从"一个时点、一次决策"扩展到"h 期、一条调仓路径"；相邻期的权重被耦合项绑在一起（交易成本、流动性冲击、随时间收紧的约束），求解的关键是处理这种耦合。 来源：Lezmi, Roncalli & Xu (2022), Amundi Quantitative Research。
它是什么
单期 MVO 每期独立求解：x_{t}=\arg\min_x g(x_t)。多期版本关心的是路径：调仓分几步做、每步换手上限多少、流动性冲击会不会互相抵消、未来的约束会不会让今天的决策需要调整。
n 个资产、h 期的一般问题：
\min_x\ U(x_{t+1},\dots,x_{t+h})\quad\text{s.t.}\ x\in\Omega 论文的关键假设是效用函数跨期可分： U(x)=\sum_{s=t+1}^{t+h}\big[\underbrace{g_s(x_s)}_{\text{静态部分}}+\underbrace{h_s(x_{s-1},x_s)}_{\text{耦合部分}}\big]
g_s 只依赖当期组合，h_s 依赖相邻两期。约束集同理拆成 \Omega=\Omega^{(g)}\cap\Omega^{(h)}：\Omega^{(g)} 是逐期约束，\Omega^{(h)} 是跨期约束。
求解目标不是整条路径，而是当期最优（论文 Remark 1）：x^\star_{t+1}=\arg\min_x f(x)——因为到 t+2 信息集会更新，那时算出的路径已无意义。论文指出这相当于两个问题的叠加：一个传统单期静态优化 + 一个动态反馈问题（已知 t+2 的最优解会通过耦合项反过来改变 t+1 的解）。
目标函数与惩罚函数
三种主目标都可写成 QP（论文 Remark 2），记 g_s(x_s)=\tfrac12 x_s^\top Q_s x_s-x_s^\top R_s：
| 目标 | Q_s | R_s |
|---|---|---|
| 均值-方差 | \Sigma_s | \gamma\mu_s |
| 跟踪误差最小化 | \Sigma_s | \Sigma_s b_s |
| 带基准的组合优化 | \Sigma_s b_s+\gamma\mu_s | （同上形式） |
惩罚函数（耦合项 h_s 的具体形式）：
- ridge：\tfrac12\lambda_s\|x_s-x_{s-1}\|^2
- lasso：\lambda_s\|x_s-x_{s-1}\|_1——等价于换手惩罚
- 二次交易成本：Gârleanu-Pedersen (2013) 的 Kyle 矩阵 \Lambda_s；ridge 是它 \Lambda_s=\lambda_s I_n 的特例
- 另有对数障碍、熵
换手约束与 lasso 的关系在多期下失效：单期里"施加换手上限 \tau_s"与"加 lasso 惩罚 \lambda_s"是等价的，多期里这个等价关系不再成立。
三个数值算法
| 算法 | 思路 | 每次迭代解的子问题 | 收敛性 |
|---|---|---|---|
| ADMM | 引入辅助变量 y 隔离耦合项；x-步解静态部分，y-步解近端算子 | x-步：h 个维度 n 的 QP；y-步：n 个维度 3h 的 QP | 不保证；高精度慢、低精度快，适合大规模 |
| BCD（块坐标下降） | 把每个 x_s 当一个坐标块，逐块固定其余块求最优 | h 个维度 n 的 QP | 理论上收敛；lasso 情形不保证 |
| a-QP（增广二次规划） | 用增广变量把 lasso 换成线性约束，整体变成单个 QP | 1 个维度 3nh 的 QP | 直接解，一次到位 |
算法选择的经验规则（论文 §2.4、Table 8，取 h=5）：
| 资产数 n | 推荐算法 | 理由 |
|---|---|---|
| n\le100 | a-QP | 维度小，直接解最省事 |
| 100\le n\le200 | BCD | 每次迭代只解维度 5n 的小 QP |
| n\ge200 | ADMM | 3nh 维度太大，只能靠拆分解耦 |
在 MSCI World 规模（n>1500）下，Q 矩阵维度超过 7,500×7,500，而多数 QP 求解器只在 2,000 维以内有效——这是多期模型在实务中少被使用的技术原因之一。
数值可靠性警告：ADMM 与 BCD 在 lasso 情形都不保证收敛，论文明确要求多初值、多算法交叉验证，并检查问题规模微扰时解的稳定性。
四个应用
1. Transition management（过渡期调仓）
目标组合与当前组合差距太大时无法一步到位，于是分 h 期、每期限制换手 \tau_s。
论文的例子：7 类资产，当前组合 (20\%,10\%,15\%,20\%,10\%,15\%,10\%)，长-only 均值-方差最优解 (46.21\%,38.21\%,0\%,4.09\%,4.09\%,7.11\%,0.30\%)，换手 108.82%。取 h=5、每期上限 25%：
- 迭代解、a-QP 解、BCD 解的终点完全相同（都等于均值-方差组合），但路径不同
- 总换手分别是 116.83% / 114.02% / 116.52%——都大于 108.82%，因为可以在某期超买、下一期再卖
加二次交易成本有失效风险：\Lambda_s 太小则惩罚无效，太大则解"黏住"当前组合（x^\star_{t+1}=\dots=x^\star_{t+h}=x_t）。论文还加了单调调仓约束（不能把某资产调低后再调回），此时三种方法给出相近结果。
2. 总变差正则化组合（再平衡路径平滑）
\ell_1 正则化 + 组合 beta 不低于阈值 \beta_s^- 的约束（beta 约束等价于线性不等式 C_s x_s\le D_s）。
核心结论：\lambda_0=0（无惩罚）时，最优的 x^\star_{t+1} 不依赖时间视界 h——问题退化成 h 个独立问题；\lambda_0>0 时解开始依赖 h（第 7 只股票的权重随 h 先升后降）。
这正是多期相对单期的本质差别：即使当期解也因为未来约束而不同。
3. 交易轨迹建模（考虑流动性冲击的最优执行路径）
用 Gârleanu-Pedersen (2013) 的 Kyle 矩阵模型：\Lambda_s（临时冲击）、\Gamma_s（永久冲击）、\phi（价格失真的均值回复参数）。目标是
\min\ \sum_s\left[\tfrac12 x_s^\top Q_s x_s-x_s^\top R_s+\mathrm{TC}_s+\mathrm{PI}_s\right]
- \varrho_\Lambda=\varrho_\Gamma=0：直接到位 x_{\text{mvo}}；\varrho_\Lambda=\infty：完全不动 x_t
- 中间情形存在一条最优轨迹；换手是 \phi 的递减函数、\varrho_\Gamma 的递增函数
动量点火 (momentum ignition)：\phi=0 时均值回复效应消失，交易者可以在最后一期之前持续推高价格，权重单调上升。
边界条件警告（论文 Remark 5）：动量点火在最后一期构成套利机会，因为多期优化没有考虑 t+h 之后的盈亏。修正是加边界条件 x_{t+h}=x_{t+h+1}（t+h 后停止交易）并把 t+h+1 期纳入优化。在 \varrho_\Gamma=10\%、\phi=0 的例子里，无边界条件时 x^\star_{t+5}=(0\%,0\%,52.13\%,47.87\%)，加上后变成 (12.82\%,16.81\%,32.08\%,38.29\%)——差别巨大。
4. 组合脱碳与对齐（时间变约束）
跟踪基准 + 碳强度路径约束 \mathrm{CI}(x_s)\le(1-R(t,s))\mathrm{CI}(b_t) + 高气候影响行业 (CIS) 最低配置约束。这是"约束随时间收紧"型的多期问题。
玩具例子（10 只股票，碳强度 362.4 tCO_2e/$mn，CIS 行业占 46.34%，每年脱碳 15%）：
- 单期无惩罚：跟踪误差波动 1.59% / 3.18% / 4.81%
- 单期加 \ell_1 惩罚：跟踪误差平均上升 23bp，换手下降 403bp
- 多期解（h=3）：跟踪误差 1.68% / 3.28% / 4.93%——介于"单期无惩罚"与"单期有惩罚"之间，因为多期解提前预见了未来各期的碳强度下降
Eurostoxx 50（基准年 2020-01-01、年化脱碳 7%）上：多期解提高跟踪风险但降低换手；多期解与单期解的 active share 不随 h 单调（h=2 年、\lambda=1\% 时反而最大）。叠加碳趋势后：整体碳强度下降时（Eurostoxx 50 用 2013–2020 趋势）active share 变小；上升时（S&P 500 的情形）active share 可达 40%。
多期解 vs 单期解：差异从哪来
| 来源 | 机制 |
|---|---|
| 未来约束的提前反应 | 耦合项 h_s(x_{s-1},x_s) 让当期解看见未来（如碳路径、换手上限的累积） |
| 路径依赖的交易成本 | 总换手可能大于单期净换手（超买再卖）；成本惩罚在多期下不是简单的 lasso 等价 |
| 流动性冲击的跨期耦合 | 永久冲击 \Gamma_s 与均值回复 \phi 让路径本身有经济后果 |
| 有限视界 | Merton (1969, 1971) 只在特定效用与价格趋势假设下单期与多期等价；净零对齐这类问题不是平稳的，解依赖 h |
局限与开放问题
- 多期优化在实务中很少被使用。论文引用 Kolm 等 (2014) 的三条原因：多期收益/风险难以准确估计（单期尚且如此）、计算量大、常见模型不处理现实约束。论文的回应是算力进步，但没有声称多期已可落地。
- 数值解需要警惕：ADMM 与 BCD 在 lasso 情形都不保证收敛。
- Kyle 型线性冲击假设：\phi 在实务中是随机的、且依赖交易规模，论文建议对多个 \phi 情景分别求解。
- 交易成本参数标定问题被回避：\Lambda_s 太小无效、太大"黏住"，论文没给标定准则。
- 玩具例子规模很小（7 类资产 / 7 只股票 / 4 个资产 / 10 只股票）；Eurostoxx 50 的实证只给图不给表。
- 开放方向：多期 + 基数约束 + 可微化（把 决策聚焦稀疏切点组合 的可微化技术用到多期路径上）尚无人做。
与其他概念的关系
- 带交易成本惩罚的 MVO — 本文是它的多期推广（把二次成本项放进耦合位置）
- ADMM 算法 — 通用算法框架；本文给出它在组合优化中因可分离性而拆维度的用法
- 永久与临时市场冲击 — 交易轨迹模型的冲击来源
- 波动率管理 — 另一类常见的时间变约束
- 决策聚焦稀疏切点组合 — 单期 + 基数约束，与本文的多期互补
来源
- 多期组合优化 (2022) — Lezmi, Roncalli & Xu, Amundi Quantitative Research