跳转至

Cost-aware Portfolios in a Large Universe of Assets

讲者: Songshan Yang
会场: Advanced Statistical Learning: Distribution-Free, Scalable and Cost-Efficient Inference
报告题目: Cost-Aware Portfolios in a Large Universe of Assets
链接: arXiv
来源: JCSDS 2026 · 返回会议总览

一、领域脉络与小综述

这个方向是什么

本文研究的核心问题是：在高维资产池（资产数量 p 远大于样本量 n）中，如何构建并动态再平衡一个均值-方差最优投资组合，同时将交易成本显式地纳入决策过程。 该方向融合了高维协方差矩阵估计、稀疏正则化（变量选择）和带摩擦的金融优化三个子领域。当前成熟度：高维协方差估计与稀疏正则化各自已有成熟理论，但将交易成本作为优化问题的一部分、而非事后分析，并同时处理高维性与稀疏性的统一理论框架，仍处于早期发展阶段。

发展脉络（history）

  1. 奠基工作：均值-方差框架与高维挑战
  2. Markowitz (1952)：提出单期均值-方差模型 w* = argmin w'Σw - γ w'µ，是现代投资组合理论的基石。但该模型在高维（p > n）下直接失效，因为样本协方差矩阵不可逆。

  3. Samuelson (1975)：将Markowitz模型扩展到离散多期设定，给出了解析解，但同样未解决高维估计问题。

  4. 主要进展：高维协方差估计与正则化方法

  5. Ledoit & Wolf (2004, 2020)：提出线性收缩（LSE）和非线性收缩（NLSE）估计量，为高维协方差矩阵提供了可逆且良态的估计，使Markowitz模型在高维下变得可行。本文将其作为协方差估计的主要工具。
  6. Fan et al. (2008, 2012, 2015)：利用因子模型降低维度，研究高维协方差估计对投资组合风险的影响，并引入“总暴露约束”（gross-exposure constraint）——即对权重施加 ℓ1 惩罚——来提升稳定性。这是本文基准模型PMV的直接前身。

  7. Fan et al. (2012) 的“总暴露约束”方法被本文引用为“在高维设定下通过控制总暴露来减少估计误差积累”的关键进展。

  8. 当前Frontier：非凸惩罚与交易成本整合

  9. 非凸惩罚（SCAD/MCP）：Fan & Li (2001) 提出SCAD，Zhang (2010) 提出MCP。相比Lasso，它们能减少估计偏差，且在更弱的条件下（无需强不可表示条件）实现变量选择一致性。Loh & Wainwright (2013, 2015) 建立了非凸M-估计量的局部最优理论，证明了在RSC条件下，任何驻点都在统计精度内。这些工作为本文使用SCAD惩罚提供了理论基础。
  10. 交易成本建模：Hautsch & Voigt (2019) 将交易成本显式纳入优化，发现二次交易成本等价于协方差矩阵向对角矩阵收缩，比例交易成本则直接惩罚换手率。Olivares-Nadal & DeMiguel (2018) 证明了带交易成本的投资组合问题等价于一个鲁棒优化问题。但这些工作主要聚焦于低维或经验研究。

  11. LLA算法：Zou & Li (2008) 提出局部线性近似（LLA）算法，将非凸惩罚问题转化为一系列加权 ℓ1 问题。Fan et al. (2014) 证明，以Lasso解初始化，一步LLA即可高概率得到Oracle估计量。本文将其作为求解CAPE-S的核心算法。

  12. 本文的位置：本文声称是第一个在高维框架下，同时考虑稀疏性（通过非凸惩罚）和交易成本（比例/二次），并为构建和再平衡阶段提供完整理论保证（一致性、Oracle性质、ℓ∞界）的工作。它填补了“高维协方差估计 + 稀疏正则化”与“交易成本显式优化”之间的空白。

子线索聚类

  • 线索1：高维协方差/精度矩阵估计（Ledoit & Wolf 2004, 2020; Fan et al. 2008, 2015, 2019; Lam & Feng 2018; Ren et al. 2015; Fan & Lv 2016; Wang et al. 2020; Ding et al. 2021; Cai et al. 2020; So et al. 2022）。这一簇的核心是提供对 Σ 或 Σ^{-1} 的“好”估计，但通常不直接回答“由此导出的投资组合是否最优”。
  • 线索2：带约束/正则化的投资组合优化（Fan et al. 2012; DeMiguel et al. 2009; Du et al. 2022; Ban et al. 2018）。这一簇通过 ℓ1 范数、总暴露、基数约束等来提升稳定性，但通常不考虑交易成本，或仅事后分析。
  • 线索3：交易成本与动态再平衡（Hautsch & Voigt 2019; Olivares-Nadal & DeMiguel 2018; Lobo et al. 2007; Best & Hlouskova 2005; Brown & Smith 2011; Ledoit & Wolf 2025）。这一簇将交易成本纳入优化，但大多在低维或纯经验层面，缺乏高维理论保证。
  • 线索4：非凸惩罚与LLA算法（Fan & Li 2001; Zhang 2010; Zou & Li 2008; Fan et al. 2014; Loh & Wainwright 2013, 2015）。这一簇提供了处理非凸优化的理论与算法工具，本文将其应用于投资组合问题。

这个方向在追问的核心问题

  1. 如何在高维下同时实现稀疏性（选股）和成本感知（控制换手）？ 现有方法要么只做稀疏（如PMV），要么只考虑成本（如CMV），但未统一。
  2. 非凸惩罚（如SCAD）在高维投资组合优化中，能否比Lasso提供更好的统计性质（更小的偏差、更弱的条件）？ 本文声称可以，并给出了理论证明。
  3. 交易成本如何影响最优投资组合的结构？ 二次成本等价于协方差矩阵对角扰动，比例成本则直接进入一阶条件。
  4. 多期再平衡中，前期估计的稀疏性如何影响后期再平衡的收敛率？ 本文定理2区分了“前期稀疏”和“前期非稀疏”两种情况，给出了不同的ℓ∞界。

⚠️ 作者的Framing

  • 作者把缺口frame成：“现有高维投资组合文献要么忽略交易成本，要么事后分析；而交易成本文献又大多限于低维或纯经验。本文是第一个在高维下同时处理稀疏性和交易成本，并提供完整理论（一致性、Oracle性质、ℓ∞界）的工作。”
  • 被淡化/回避的竞争路线：
  • Ledoit & Wolf (2025) 被作者明确提及，但被定位为“仅关注实证部分，未提供理论指导，也未考虑额外正则化项”。作者将其视为互补，而非直接竞争。
  • 因子模型方法（如Fan et al. 2008, 2015）被用于模拟数据生成，但本文的理论不依赖因子结构，而是基于更一般的RSC条件和子高斯假设。这既是优势（更通用），也是弱点（可能不如因子模型在金融数据中高效）。
  • 什么明显该被引/该存在、却没出现在intro里？
  • 统计-计算权衡文献：本文使用非凸惩罚，其优化是NP-hard的，但通过LLA算法找到局部解。论文没有讨论这个局部解与全局最优之间的差距，也没有引用任何关于非凸优化计算复杂度的理论（如Loh & Wainwright 2015虽被引，但主要讨论统计性质而非计算下界）。对于一位对统计-计算权衡感兴趣的研究者，这是一个明显的缺口。
  • 在线学习/自适应再平衡：本文的再平衡是“批处理式”的（每n天一次），没有考虑更连续的、基于在线更新的方法。

张力

未见明显对立引用。所有被引工作基本是互补的，共同构成了从“无摩擦低维”到“有摩擦高维”的演进链条。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

  • 符号：
  • p：资产数量（高维，可远大于样本量n）。
  • n：两个连续再平衡日之间的交易日数（样本量）。
  • m：总再平衡次数（阶段数）。
  • t = 1, ..., m：阶段索引。t=1为初始构建，t≥2为再平衡。
  • w_t ∈ R^p：第t阶段初的投资组合权重向量（决策变量）。满足 1' w_t = 1（满仓）。
  • δ_t = w_t - w^+_{t-1}：第t阶段的权重变化向量（再平衡量）。满足 1' δ_t = 0。w^+_{t-1} 是经过市场价值调整后的前一阶段权重。
  • µ_t ∈ R^p：第t阶段资产超额收益的总体均值向量（未知，需估计）。
  • Σ_t ∈ R^{p×p}：第t阶段资产超额收益的总体协方差矩阵（未知，需估计）。
  • γ > 0：风险厌恶系数的倒数。
  • C_t(w)：第t阶段的交易成本函数。
  • β = (β_1, ..., β_p)'：二次交易成本参数向量（β_j > 0）。
  • α = (α_1, ..., α_p)'：比例交易成本参数向量（α_j > 0）。
  • A_t = {j: w^*_{t,j} ≠ 0}：第t阶段最优权重的支撑集（真正持有的资产集合）。s_t = |A_t| 为稀疏度。
  • p_λ(·)：稀疏性诱导惩罚函数（如SCAD）。
  • bµ_t, bΣ_t：µ_t 和 Σ_t 的估计量。

  • bw_t, bδ_t：w_t 和 δ_t 的估计量。

  • 模型：

  • 数据生成：在每个阶段t内，有n个交易日。资产超额收益向量 R_{(t-1)n+1}, ..., R_{tn} 是独立同分布的，服从均值为 µ_t、协方差为 Σ_t 的分布（通常假设为子高斯分布）。
  • 优化目标：在每个阶段t，投资者求解一个带约束的均值-方差优化问题，目标函数为 w' Σ_t w - γ w' µ_t + C_t(w)，并加上稀疏性约束 ||w||_0 ≤ s_0。

  • 交易成本模型：

    • 二次成本：C_t(w) = (β ⊙ δ_t)' δ_t，其中 δ_t = w_t - w^+_{t-1}。等价于在协方差矩阵上加上对角矩阵 diag(β)。
    • 比例成本：C_t(w) = ||α ⊙ δ_t||_1。直接惩罚换手率的ℓ1范数。

  • 可观测数据：

  • 可观测：历史收益率矩阵 R ∈ R^{n×p}（每个阶段t内）。这是唯一直接观测到的数据。
  • 潜在/不可观测：总体均值 µ_t、总体协方差 Σ_t、最优权重 w^*_t、最优变化 δ^*_t、支撑集 A_t。这些都需要通过假设和估计来推断。
  • 关键识别假设：子高斯性（保证估计量的集中不等式）、RSC条件（保证优化问题的良态）、以及关于支撑集和协方差矩阵结构的假设（A1-A3）。

第二步：讲最小内核

最简特例：单期（m=1）、无交易成本（C=0）、p=2（两个资产）、已知µ和Σ。

在这个特例下，问题退化为经典的Markowitz问题： 

min_{w} w'Σw - γ w'µ,  s.t. w_1 + w_2 = 1.
这是一个简单的二次规划。通过拉格朗日乘子法，解析解为： 
w* = (1/(2)) Σ^{-1} (γµ - λ1)
其中λ是拉格朗日乘子，由约束 1'w* = 1 确定。这个解是唯一的、全局最优的。

本文的核心推广：将上述特例推广到： 1. 高维（p >> n）：Σ不可逆，无法直接求逆。需要正则化。 2. 稀疏性：假设最优权重 w* 只有少数非零元素（s_0 << p）。这通过添加惩罚项 p_λ(|w_j|) 来实现。 3. 交易成本：在目标函数中加入 C_t(w)，使得再平衡不是免费的。

最小内核的数学困难：在高维下，即使知道Σ是稀疏的（如只有少数资产被持有），直接求解带ℓ0约束的优化也是NP-hard的。本文的核心想法是： - 用非凸惩罚（SCAD）近似ℓ0约束，因为SCAD比Lasso偏差更小、条件更弱。 - 用LLA算法求解非凸问题，通过迭代加权ℓ1优化来逼近SCAD的局部最优解。 - 证明这个局部最优解（经过两步LLA）就是Oracle估计量（即假设已知真实支撑集时的最优解），从而在统计上达到最优。

一句话总结：这篇论文在数学上干的事是：在高维、带交易成本的均值-方差优化中，证明通过两步LLA算法求解SCAD惩罚问题，可以高概率恢复出Oracle最优解，并给出ℓ∞收敛速度。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在高维资产池（p >> n）中，如何构建并动态再平衡一个均值-方差最优投资组合，同时将比例或二次交易成本显式纳入优化，并通过非凸惩罚（SCAD）实现稀疏性。
  2. 核心工具/方法：提出成本感知投资组合估计量（CAPE-S），使用SCAD惩罚和局部线性近似（LLA）算法求解；协方差矩阵使用线性收缩（LSE）或非线性收缩（NLSE）估计。
  3. 主要结论：在正则条件下，两步LLA算法得到的CAPE-S估计量高概率收敛到Oracle估计量（已知真实支撑集的最优解），ℓ∞误差为 O(√(log p/n))；相应的样本内和样本外夏普比率也一致收敛到真实值。

关键设定与假设

  • 设定：多期（m期）投资组合问题，每期有n个交易日。投资者在每期初根据过去n天数据估计µ_t和Σ_t，然后求解带SCAD惩罚和交易成本的优化问题，得到新权重w_t。再平衡量δ_t = w_t - w^+_{t-1}。
  • 假设（A1）-（A3）：
  • (A1) 协方差结构条件：对真实支撑集A_t，要求 ||Σ^{-1}_{A_t,A_t} r||_∞ < C_1（控制ℓ1范数），|||Σ_{A_t^c, A_t}|||_∞ < C_2（弱于Lasso的不可表示条件，限制活跃与非活跃变量的相关性），以及 Σ_{A_t,A_t} 的特征值有界（保证良态）。相比已有文献：比Lasso的强不可表示条件更弱，是SCAD能实现变量选择一致性的关键。
  • (A2) 估计量一致性：要求 bµ_t 和 bΣ_t 在ℓ∞范数下以 O(√(log p/n)) 的速率一致收敛。相比已有文献：这是高维统计的标准假设，在子高斯和 log p < n 下成立。作者证明LSE满足此条件，NLSE不满足但实证表现良好。
  • (A3) 限制性强凸性（RSC）：要求 bΣ_t 满足 Δ' bΣ_t Δ ≥ v ||Δ||_2^2 - τ √(log p/n) ||Δ||_1。相比已有文献：这是高维M-估计的标准条件（Loh & Wainwright 2015），保证即使目标函数非凸，任何驻点也在统计精度内。作者证明LSE和NLSE都满足RSC。

主要结果

  • 定理1（初始构建，二次成本）：在(A1)-(A3)和 ||β||_∞ << 1/C_1 下，若 s_1 = O(√(n/log p)) 且 ||w*_1||_min > (a+1)λ，则两步LLA算法得到的CAPE-S估计量 bw^{LLA,β}_1 高概率等于Oracle估计量 bw^{oracle,β}_1，且 ||bw^{LLA,β}_1 - w*_1||_∞ = O(√(log k/n))（k是支撑集大小）。直觉：只要真实权重足够大（超过SCAD的阈值），LLA算法就能正确识别支撑集，并达到Oracle的估计精度。
  • 定理2（再平衡，二次成本）：类似定理1，但区分了两种情况：
  • (i) 若前期权重 w^+_{t-1} 非稀疏（只有ℓ1范数有界），则 ||bδ^{LLA,β}_t - δ*_t||_∞ = O(√(log p/n))。
  • (ii) 若前期权重也是稀疏的（w^+_{t-1,Q^c}=0），则 ||bδ^{LLA,β}_t - δ*_t||_∞ = O(√(log k/n))，其中 k = max(s_t, |Q|)。直觉：前期稀疏性会“传递”到后期，使再平衡的收敛率更快（从依赖p变为依赖k）。
  • 定理3 & 4（比例成本）：结论与定理1&2类似，但要求 ||α||_∞ = O(√(log p/n))（与Lasso的惩罚参数同阶），这比二次成本的条件更强。直觉：比例成本直接进入ℓ1惩罚项，需要其量级与估计误差匹配才能保证一致性。
  • 推论1 & 2（夏普比率一致性）：在 s_t √(log s_t / n) = o(1) 下，样本内和样本外夏普比率估计量一致收敛到真实值。

证明路线与技术技巧

  • 整体路线：
  • 初始化：用Lasso（CAPE-L）得到初始估计 bw^{Lasso}_1，并证明其ℓ2收敛速度为 O(√(s_1 log p/n))（引理1）。
  • 第一步LLA：用初始估计的SCAD导数作为权重，求解加权ℓ1问题，得到 bw^{(1)}_1。
  • 第二步LLA：再次更新权重，求解加权ℓ1问题，得到 bw^{(2)}_1。
  • Oracle性质：证明 bw^{(2)}_1 的支撑集与真实支撑集 A_1 一致，且其非零元素等于Oracle估计量 bw^{oracle}_1。这通过验证KKT条件和SCAD导数的“阈值”性质完成。

  • ℓ∞界：利用Oracle估计量的显式表达式和估计量的一致性（A2），推导出ℓ∞误差界。

  • 关键跳跃点：

  • 从Lasso到SCAD的“一步跨越”：为什么两步LLA就能达到Oracle？关键在于SCAD的导数在 |τ| > aλ 时为零。只要初始Lasso估计的误差足够小，使得真实非零权重的估计值落在 (aλ, ∞) 区间内，那么第二步的加权ℓ1问题中，这些权重的惩罚项就消失了，从而退化为无惩罚的Oracle问题。这个“阈值”性质是证明的核心。

  • 处理交易成本：二次成本被吸收进协方差矩阵（b˜Σ = bΣ + diag(β)），使得证明框架与标准SCAD一致。比例成本则更复杂，因为它直接出现在一阶条件中，需要额外的条件（||α||_∞ 的量级）来保证其不影响支撑集恢复。

  • 技术技巧点名：

  • RSC条件：用于控制非凸目标函数的曲率，保证局部最优的统计精度（来自Loh & Wainwright 2015）。
  • KKT条件与原始-对偶见证法：用于证明支撑集恢复（来自Wainwright的经典方法，本文引用了Loh & Wainwright 2014）。
  • 集中不等式：用于推导 bµ_t 和 bΣ_t 的ℓ∞界（子高斯假设下的标准结果，如Liu et al. 2024）。
  • LLA算法：将非凸优化转化为一系列凸优化（来自Zou & Li 2008, Fan et al. 2014）。

真实例子与应用

  • 数据：S&P 500（457只股票）和Russell 2000（935只股票）的日收益率数据，时间跨度为2017-2020年。每251个交易日再平衡一次，共4个阶段（1个构建+3个再平衡）。
  • 方法应用：在每个阶段，用过去251天数据估计协方差矩阵（LSE或NLSE）和均值向量（样本均值），然后求解CAPE-S（SCAD惩罚）得到权重。交易成本参数是资产特定的：比例成本基于Hasbrouck (2009) 的买卖价差估计，二次成本设为比例成本平方的两倍。
  • 结果：
  • S&P 500：CAPE-S在两种成本下都取得了最高的整体夏普比率（二次0.915，比例0.909），高于1/N（0.869/0.866）、MV（0.772/0.859）、PMV（0.665/0.824）和CMV（0.891/0.798）。CAPE-S的换手率和成本在所有主动策略中最低或接近最低。
  • Russell 2000：结果更显著。CAPE-S是唯一在2018年（S1）取得正收益的策略（+3.273%），而其他策略均大幅亏损（MV亏损55%）。CAPE-S的整体夏普比率（二次1.170，比例1.158）远高于其他策略（如PMV为1.243/1.234，但PMV在S1亏损10%）。CAPE-S的换手率极低（约1.3-1.6%），远低于MV（约20-35%）。
  • 例子想说明什么：验证了理论（CAPE-S在实证中表现优异），展示了相对于基准方法的优势（更高的风险调整后收益、更低的成本和换手率），特别是在高波动、高成本的小盘股市场（Russell 2000）中，CAPE-S的稳健性尤为突出。

🔎 结论是否比证明窄

  • 窄的方面：理论证明主要依赖于线性收缩估计量（LSE） 满足假设(A2)和(A3)。作者在模拟和实证中也使用了非线性收缩估计量（NLSE），并承认NLSE不满足(A2)（仅满足A3），但实证表现良好。这意味着理论保证并不完全覆盖实证中表现最好的设定。作者将此归为“未来工作”。
  • 泛化的claim：论文声称“CAPE-S方法在广泛任务中表现出优越性能和广泛适用性”。这个结论主要基于S&P 500和Russell 2000两个数据集，以及2017-2020这一特定时间段。其在不同市场条件（如长期熊市）、不同资产类别（如债券、商品）下的表现，并未被理论或实证覆盖。
  • 具体语句：在结论部分（Section 5），作者写道“CAPE-S demonstrates exceptional performance in practical applications... across diverse tasks”。这个“diverse tasks”的表述比实际验证的范围（两个美国股票指数）要宽。

四、开放问题

  1. 依赖数据的理论扩展：本文假设各期内收益率独立同分布。作者在Remark 1中提到“bounds in (2.9) can be extended to settings with dependent observations... We defer the dependent setting to future work.” 这是一个明确的开放问题：将理论扩展到α-混合、m-依赖或物理依赖过程。扎根点：Section 2.2, Remark 1。

  2. 非线性收缩估计量的理论保证：作者在模拟和实证中使用了NLSE，并承认其不满足假设(A2)。为NLSE建立类似(A2)的ℓ∞一致性，或为CAPE-S在仅满足RSC（A3）的条件下建立理论，是一个自然延伸。扎根点：Section 3, 关于NLSE的说明。

  3. 计算-统计权衡的刻画：本文使用非凸惩罚（SCAD）和LLA算法，但未讨论算法找到的局部解与全局最优之间的差距。对于统计-计算权衡研究者，一个有趣的问题是：是否存在一个“计算上可行”（如多项式时间）但“统计上次优”的阈值？或者，SCAD+LLA是否已经达到了多项式时间算法的最优统计率？这需要与低度多项式障碍或SQ下界等工具结合。扎根点：本文未引用任何计算复杂度文献，这是一个明显的缺口。

  4. 更一般的交易成本结构：本文只考虑了比例和二次成本。现实中的交易成本可能更复杂，如固定成本（每笔交易固定费用）、市场冲击的非线性模型（如平方根模型）、或考虑价格影响的更精细模型。将这些纳入CAPE-S框架并建立理论是未来的方向。扎根点：Section 2.2, 交易成本函数 C_t(w) 的定义。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论