鲁棒组合优化 (Robust Portfolio Optimization)
一句话：鲁棒组合优化是在「参数/收益本身可能错」的前提下做组合优化的一族方法；按「错在哪里被处理」分成两条独立的路——优化端（把不确定性写成收益空间的扰动集，求最坏情况）与估计端（用稳健统计把协方差估准，再喂给普通优化器）。
优化端：扰动模型与不确定集
标准做法是把组合问题写成带扰动的回归模型。观测数据满足
\tilde y = X\tilde\theta + \tilde\varepsilon
而真实关系是 y = X\theta + \varepsilon；两者之差 u = \tilde\theta - \theta 落在一个扰动集 \mathcal D 里。\mathcal D 的常见形态：
| 形态 | 定义 | 含义 |
|---|---|---|
| 盒式 | \mathcal D = \{d: \lvert d_i\rvert \le \Delta_i\} | 每个系数各自有界，假设全不同时偏离 |
| 椭球 | \mathcal D = \{d: \lVert d\rVert_2 \le \Delta\} | 整体偏离幅度有界 |
| 预算式 | \mathcal D = \{d: \sum_i \lvert d_i\rvert/\rho_i \le \Gamma\} | 允许少数参数同时偏离（可控保守性） |
| 退化 | \mathcal D = \{0\} | 退化为名义模型 |
组合方差随之变成参数依赖的 \Sigma(\theta) = \frac{1}{n}X\varepsilon(\theta)\varepsilon(\theta)^\top X^\top，其中 \varepsilon(\theta) = \tilde\varepsilon + X(\tilde\theta-\theta)。鲁棒最小方差就是在这族协方差上取最坏情况：
\hat h_{\mathrm{rob}} = \arg\min_{h\in\mathcal H}\ \max_{\theta:\ \tilde\theta-\theta\in\mathcal D} h^\top \Sigma(\theta) h
\mathcal H 是可行权重集（可含卖空与杠杆约束）。不确定集形态与规模的完整对照见 鲁棒优化的不确定集分类。
估计端：为什么最小方差组合特别需要稳健统计
最小方差组合（GMVP）的权重是 h^\star \propto C_N^{-1}\mathbf 1_N——只依赖协方差，且要对协方差求逆。这让它对协方差的估计误差格外敏感：C_N^{-1} 把误差放大条件数倍，而样本协方差本身在两种情形下同时失效：
- 维数诅咒：资产数 N 与样本数 n 同阶时，样本协方差作为估计量表现极差；
- 离群点污染：金融收益厚尾且有异常值，均值中心化会进一步扭曲协方差。
Yang 等 2015 的做法是把两件统计工具缝在一起：用 Tyler 稳健 M 估计量替代样本均值做中心化（对离群点不敏感，且不依赖分布假设），再对得到的尺度矩阵套 Ledoit-Wolf 收缩。关键增量在于收缩强度不事先拍常数，而是在线最小化估计出的实现组合风险来选——用随机矩阵理论证明这个在线选择量是真实组合风险的一致估计。
实证（恒生指数 45 只成分股、736 个交易日，2011-01-03 至 2013-12-31；最优窗口 n=300）：本文方法年化波动 0.0419，各基准 0.0428–0.0439，等权 I_N 为 0.1112（两倍以上）。
两条路的分工
| 优化端鲁棒 | 估计端鲁棒 | |
|---|---|---|
| 处理什么 | 参数/收益的取值可能落在哪 | 协方差估得准不准 |
| 工具 | 不确定集 + min-max | 稳健 M 估计 + 收缩 + 在线调参 |
| 代价 | 保守性随不确定集半径上升 | 每次调参要重估，计算更贵 |
| 归入 | 鲁棒优化 | 协方差收缩估计 |
两条路互补而非从属：优化端假设「模型形式对、参数错」，估计端假设「参数已定、样本噪声大」。马科维茨诅咒的缓解手段——鲁棒优化、收缩估计、正则化——正对应这三个不同的着力点。
与均值方差优化的关系
MVO 是这两条的共同出发点，w^\star \propto \Sigma^{-1}\mu。GMVP 是其中「只用协方差、目标定在方差」的特殊情形；鲁棒最小方差则把 \Sigma 换成参数依赖的一族再取最坏情况。所以鲁棒组合优化不是另一个优化准则，而是给同一个准则换输入（更保守）或换估计器（更准）。
局限与开放问题
- 优化端的扰动模型给出的是最坏情况保证，不保证样本外表现——保守性代价至今没有理论刻画。
- 估计端只处理协方差，不涉及预期收益估计，而后者是 MVO 另一半误差源。
- Yang 等 2015 自陈：估计窗口超过 320 天时性能系统性退化，疑因数据非平稳，论文明确说超出本文范围。
- 本页的扰动模型部分取自鲁棒优化的标准做法；库内归档的两篇论文并不直接使用它。
来源
- summaries/201503-robust-statistics-minimum-variance/201503-robust-statistics-minimum-variance — (2015) 稳健 M 估计 + 收缩，在线选收缩强度
- summaries/201806-statistics-of-robust-optimization/201806-statistics-of-robust-optimization — (2018) 分布鲁棒解的统计基础：置信水平决定不确定集半径