均值与协方差的估计误差

两类参数，两种命运

给定 $T$ 个观测，两个核心参数的估计精度天差地别：

\mathrm{se}(\bar r) = \frac{\sigma}{\sqrt{T}}, \qquad \frac{\mathrm{se}(\hat\sigma)}{\sigma} \approx \sqrt{\frac{2}{T}}.

均值估计的误差取决于绝对波动水平 $\sigma$ ——而年化波动 20% 的资产，10 年日频数据的均值标准误仍有每年约 6%。方差估计的相对误差则只按 $\sqrt{2/T}$ 收缩，与波动水平无关。结论：风险模型远比收益预测可靠。

Merton (1980) 指出更狠的一点：延长样本几乎无助于均值估计——因为收益过程本身非平稳，历史均值不是未来均值的可靠估计；真正有用的是更高的信噪比，而这在金融里不存在。

协方差的病态问题

当资产数 $N$ 接近样本长度 $T$ 时，样本协方差矩阵 $\hat\Sigma$ 病态甚至不可逆：特征值分布极度散开，求逆后误差被放大。Ledoit–Wolf 收缩用结构化目标（如单位方差对角阵、常数相关矩阵）与样本估计做凸组合：

\Sigma_{\text{shrunk}} = \delta\, F + (1-\delta)\, \hat\Sigma, \qquad \delta \in [0,1],

$\delta$ 由数据自动确定。这一步是任何 $N$ 较大的组合优化（见均值—方差与其失败）的前置工序。

估计误差最大化

均值—方差优化器会系统性地偏爱被高估的资产、惩罚被低估的资产：权重与估计误差正相关。这就是"优化器是误差放大器"的数学根源——它把输入里最不可靠的部分（均值）放进了输出里权重最大的地方。

import numpy as np

def ledoit_wolf_delta(X: np.ndarray) -> float:
    """X: T×N 收益矩阵，返回收缩强度 δ（常数相关目标）"""
    T, N = X.shape
    Xc = X - X.mean(axis=0)
    S = Xc.T @ Xc / T
    # 样本相关系数的渐近方差 → δ
    r_bar = (S / np.sqrt(np.outer(np.diag(S), np.diag(S)))).sum() / (N * N - N) * N
    var_r = ((S / np.sqrt(np.outer(np.diag(S), np.diag(S)))) - r_bar) ** 2
    var_r = var_r.sum() / (N * N - N) * N
    return min(1.0, var_r / (T * var_r + (r_bar * r_bar)))

实践中不必手写：sklearn.covariance.LedoitWolf、PyPortfolioOpt 都有现成实现。

量化中的用法

能不估均值就不估：最小方差、风险平价（见风险平价与等风险贡献）只依赖协方差；
必须估均值时，用贝叶斯收缩或 Black–Litterman 把先验拉向均衡；
报告任何优化结果时，同时报告输入扰动 ±10% 后的权重变化——权重剧变本身就是估计误差的暴露。

本章要点

Merton (1980)：延长样本无助于均值估计，只有更高的信噪比才有用
协方差矩阵在 $N$ 接近 $T$ 时病态，需收缩（Ledoit–Wolf）
估计误差最大化：优化器会偏爱被高估的资产