Kelly et al. (2023/2026) — 通用组合收缩 (UPSA)：直接优化样本外表现
作者: Bryan T. Kelly（Stern/NYU）、Semyon Malamud、Mohammad Pourmohammadi、Fabio Trojani（均为 AQR Capital Management）
版本: NBER Working Paper 32004，2023 年 12 月初稿，2026 年 5 月修订，70 页。
数据: Jensen-Theis Ingerslev-Kelly-Pedersen (2023) 的 153 个因子（jkpfactors.com），1971 年 11 月—2022 年 12 月，5 折交叉验证。
本 wiki 此前有 4 个协方差收缩相关页面（James-Stein 收缩、协方差收缩估计、Bures-Wasserstein 协方差预测、协方差估计与预测的方法选择），但都是从「估计协方差矩阵」出发的。本文的转向是根本性的：收缩的对象不是协方差矩阵，而是组合权重——而且直接以样本外表现为目标。
一句话总结
收缩的目标不该是「把协方差估准」，而该是「让组合的样本外 Sharpe 高」。本文用浅层神经网络逼近一族非线性收缩函数，得到的估计量是闭式解、可扩展到资产数远多于观测数的高维情形，实测样本外 Sharpe 1.92（对比最好的 ridge 1.59、Ledoit-Wolf 1.31、PCA 1.45）。
问题的根源：估计复杂度 c = N/T
论文用一个很干净的指标刻画问题的严重程度：
c = \frac{N}{T}
N 是组合里的因子数，T 是用于构建组合的观测数。
- c \approx 0（数据充裕）：大数定律生效，Markowitz 插值组合恢复真实最优组合
- c \gg 0（数据稀缺）：样本内表现严重上偏，样本外表现崩塌
论文特别指出一个极端情形：当训练观测数少于资产数时，未正则化的 Markowitz 组合的样本内 Sharpe 是无穷大的。
这个 c = N/T 指标对本 wiki 很有用——它把「协方差估计难」这件模糊的事变成了一个可算的数。库里现有的协方差收缩页面讲的是「怎么估得更准」，本文给的是「什么时候该收缩」。
三种既有做法与 UPSA 的统一
论文把已有的组合收缩方法写成统一形式 \bar\pi_i = f(\bar\lambda_i)\bar{RPC}_i（f 是收缩函数，\bar\lambda_i 是第 i 个主成分的样本方差，\bar{RPC}_i 是其样本收益）：
| 方法 | 收缩函数 | 特点 |
|---|---|---|
| Ridge（Kozak 等 2020） | \bar\pi_i^{Ridge} = \frac{\bar{RPC}_i}{\bar\lambda_i + z} | 对 PC 方差做软阈值；单一参数 z |
| APT（Ross 1976；Severini 2022、Kelly 等 2023） | \bar\pi_i^{APT} = \frac{\bar{RPC}_i}{\bar\lambda_i}\mathbb{1}_{\bar\lambda_i \ge \kappa} | 对低方差 PC 硬阈值置零；经济解释是「只有承担大部分市场风险的因子才该有风险溢价」 |
| Ledoit-Wolf（2004b） | \bar\pi_i^{LW} = (1-\gamma)\frac{\bar{RPC}_i}{\bar\lambda_i} + \gamma\frac{1}{N} | 线性收缩到等权基准 |
| UPSA | \bar\pi_i^{UPSA} = f(\bar\lambda_i)\bar{RPC}_i，f 是一族非线性函数的半参数近似 | 闭式解；可加经济形状约束 |
UPSA 的关键性质：
- 形式上是浅层神经网络对 f 的逼近 → 享有 Hornik 等 (1990) 的通用逼近性质
- 但保留闭式解——估计量是若干个不同惩罚参数的 ridge 组合的线性组合
- 能加经济形状约束（严格正性、单调性）而不损失可解性
- 直接优化期望样本外组合表现，而不是「最小化协方差矩阵估计误差」这类旁支的统计目标
第 4 点是全文的立场：Ledoit-Wolf (2017) 最小化的是协方差估计误差，那不是投资组合优化的目标。本文的批评是：这类设计选择「会限制组合收缩的有效性」。
实测结果
样本外 Sharpe（Figure 3 左面板，样本外期始于 1981 年 11 月）：
| 方法 | 样本外 Sharpe |
|---|---|
| UPSA | 1.92 |
| Ridge（最好的单一参数） | 1.59 |
| PCA | 1.45 |
| Ledoit-Wolf (2017) | 1.31 |
| Fama-French 因子 | 1.13 |
| CAPM | 0.54 |
相对最接近的基准，alpha 的 t 统计量 3.72。
两个值得注意的细节：
- UPSA 的优势在 2000 年后更明显——论文说这与「许多异象组合在 2000 年后表现不佳」的时代背景一致。
- 衰退期优势更大：UPSA 与 ridge 的 Sharpe 差距在衰退期是扩张期的两倍多（\Delta = 0.57 vs 0.25）。ridge 的 Sharpe 从扩张到衰退下降 53%，UPSA 只降 30%。论文归因于均值收益通道：UPSA 在多个收缩水平上积分，不像 ridge 那样依赖单一的点估计，因而对「衰退期均值估计错位」不那么脆弱。
换手率：ridge 在约四分之三的月份换手更低，但均值高约 30%、标准差接近 5 倍——即 ridge 的换手更不稳定。
与本 wiki 已有内容的关系
| 已有页面 | 关系 |
|---|---|
| James-Stein 收缩 | 同源的收缩思想，但对象不同——JS 收缩的是估计量本身，UPSA 收缩的是组合权重 |
| 协方差收缩估计 | UPSA 明确批评这条路线的定位问题：最小化协方差估计误差 ≠ 优化组合 |
| 协方差估计与预测的方法选择 | 本文提供第三条路：既不追求估准，也不追求预测协方差，而是直接优化组合 |
| Markowitz Curse | 同一现象的两种解读——马科维茨诅咒讲的是「协方差估计误差导致组合表现崩塌」，本文给出可操作的解法 |
| Jensen-Kelly-Pedersen 2023 复制危机 | 数据来源——本文用的 153 因子正是他们那篇的；本页与「因子动物园」的讨论直接相关 |
| Risk Model Enhancement via Transient Statistical Factors | 另一条改进风险模型的路（时间序列维度而非收缩维度） |
A 股落地：三个具体障碍
- A 股因子数与观测数的比值未必悬殊。 153 因子 / 51 年月频是美股的情形；A 股常见的是 30–100 个因子（Alpha158/Alpha360 量级）配 10–20 年月频数据，c = N/T 的量级不同——c 到底多大才需要 UPSA 这类收缩，需要先在 A 股数据上算一遍。
- A 股的因子构造本身就是「多重共线性 + 幸存者偏差 + 回填」的重灾区（见「因子动物园」相关讨论），收缩能缓解估计噪声，但缓解不了因子本身的数据挖掘偏差。论文用 Jensen-Kelly-Pedersen 的因子库是已经过筛选的。
- 论文只做美股（1971–2022），A 股的涨跌停、T+1、停牌会让 PC 估计本身失真——这是收缩方法之前的一层问题。
Open Questions
- UPSA 在 A 股数据上的 c = N/T 是多少？ 超过多少才值得用这个方法？本 wiki 无数据。
- 形状约束（正性、单调性）在实践中约束了多少自由度？ 论文说「不损失可解性」，但没给约束强度对表现的影响的分解。
- 「闭式解」在有约束时还是闭式吗？ 论文的表述是「线性组合 + 形状约束」，但约束求解通常不是闭式的——这一点论文表述含糊。
- 与波动率管理组合（vol targeting）叠加会怎样？ 库里已有 Moreira-Muir 系的页面，两者的作用对象不同（总敞口 vs 权重结构），但对同一批因子的联合效果未知。
Cross-ref
- 概念: James-Stein 收缩 · 协方差收缩估计 · Markowitz Curse · 协方差估计 vs 预测 · Jensen-Kelly-Pedersen 2023
- 作者: Bryan Kelly
- 配套: 波动率管理组合
关键引用
Kelly, B. T., Malamud, S., Pourmohammadi, M., & Trojani, F. (2026). Universal Portfolio Shrinkage. NBER Working Paper No. 32004 (first version December 2023, revised May 2026).
数据: Jensen-Theis Ingerslev-Kelly-Pedersen (2023) 的 153 因子，1971-11 至 2022-12，5 折交叉验证
利益披露: 论文首页写明「AQR Capital Management 是全球投资管理机构，可能或可能不应用类似的投资策略」——AQR 是量化对冲基金巨头，与本文方法有潜在利益关系。引用其结论时值得记住。
主要引用：Hornik 等 (1990) 通用逼近定理 · Ledoit & Wolf (2004, 2017) · Kozak 等 (2020) · Ross (1976) APT · DeMiguel 等 (2009) · Jensen 等 (2023) 因子动物园 · Didisheim 等 (2024)