• 传统均值-方差(MV)组合优化方法提供单一风险-收益最优组合，且结果对预期收益和协方差矩阵估计极为敏感，导致分散度不足和不稳定 [page::0][page::1]。

- 近似最优组合方法非聚焦单一最优解，而是确定一组在风险收益空间内位于最优区域附近且表现多样的组合，提升稳健性和实用性，便于投资者结合主观偏好灵活选取 [page::1][page::2]。

• 本文创新性采用质量-多样性(QD)优化算法，特别是CVT-MAP-Elites，克服高维资产空间维度灾难，实现高维空间内组合的多样化搜索 [page::3][page::6]。

- 两种行为空间设计被提出：一是直接以组合权重作为行为特征，二是基于资产基础面（如行业暴露、归一化市值）构建行为空间，使组合多样性贴合投资者关注特征 [page::4][page::5]。

• 以负距离风险收益指标为适应度函数，设计两类Fitness函数，其中Fitness2在近似最优区内优先选择权重距离基准组合最远的个体，增强基因型多样化 [page::5]。

- 在三资产玩具案例中，通过与Chopra方法、Van der Schans—de Graaf方法对比，QD方法特别是Fitness2表现出更大近似最优组合凸包面积和更优Sharpe比率，验证多样性与风险回报的兼顾。


[page::6][page::8]

• 在涵盖105只股票、11行业的高维实验中，基于CVT-MAP-Elites算法，近似最优组合占比达到约75%，显示算法能在严格条件下快速覆盖不同行业权重和市值特征的投资组合。

[page::9][page::13]

• 关键词指标包括覆盖率（Coverage）、质量多样性得分(QDScore)、归档分布等多维度度量，算法在迭代中多样性和性能同步提升，较早收敛。

[page::11]

• 鲁棒性测试表明，近似最优组合在不同估计窗口和阈值参数下表现稳定，但针对更严格近优判定标准时，对样本期缩短较为敏感。

[page::12]

• 报告提出的QD方法不仅为近似最优组合提供多样化解，还适于投资者“以人为核心”加入主观判断、交易成本等因素，增强实用性。未来可拓展至有效边界多目标搜索、其他风险指标及更丰富行为空间设计 [page::12]。

Finding Near-Optimal Portfolios With Quality-Diversity ——详尽分析与解读

---

1. 元数据与概览

• 报告标题：Finding Near-Optimal Portfolios With Quality-Diversity

- 作者：Bruno Gašperov, Marko Ðurasević, Domagoj Jakobovic

• 机构：University of Zagreb, Faculty of Electrical Engineering and Computing，克罗地亚

- 发布日期：文中未明确具体日期，但参考文献最晚至2023年，推断为2023年左右

• 主题：金融投资组合优化（Portfolio Optimization, PO）领域，聚焦于基于质量-多样性（Quality-Diversity, QD）算法寻找近似最优投资组合

- 核心论点：
- 传统PO多依赖于均值-方差（Mean-Variance, MV）框架优化单一最优投资组合，受输入参数估计误差影响较大，敏感度高。
- 研究提出使用质量-多样性（QD）优化算法，尤其是CVT-MAP-Elites算法，扩展到求解并发现大规模资产空间中一系列多样且近优的投资组合，以增强决策的鲁棒性和灵活性。
- 该方法尤其适合现代高维资产空间，具备较好的可扩展性和实际应用价值。

• 主要贡献：

- 引入CVT-MAP-Elites QD算法解决近似最优投资组合发现问题，为传统一维MV优化添加多样性维度。
- 验证该方法在低维玩具例子（三资产）与高维实际股票组合（105支股票，11个行业板块）的实验效果。
- 提供多种行为空间（行为描述符）设计及基于风险回报距离的适应度函数，支持灵活应用。
- 展现该方法有效覆盖近优解的多样性空间，有利于投资者根据主观偏好、市场摩擦等进行后期选择。

---

2. 逐节深度解读

2.1 引言与问题背景（第0页到第1页）

• 重点论述：

- PO旨在有限资本间在多资产之间配比，目标函数通常基于风险调整收益，如Sharpe比率或特定风险偏好函数。
- MV框架（Markowitz现代组合理论）实现单一“最优”投资组合，形成有效前沿（efficient frontier）。
- 然而，标准MV方法存在基础假设（收益正态性、协方差矩阵平稳）不现实，且对输入收益协方差估计和均值敏感，导致投资组合集中且鲁棒性不足。
- 学界为改良鲁棒性，发展了方差矩阵调整、回归、约束引入、重抽样、稳健优化等方法。

• 创新视角：

- 寻找“近最优”（near-optimal）投资组合集合，而非单一最优。
- 这种方法分两阶段：第一阶段寻找多样化的近优组合子空间，第二阶段则由投资者基于额外软约束（主观意见、交易成本、合规要求等）选择最终方案。
- 该策略提升了决策灵活性与稳健性，特别适合频繁调整操作、考虑交易成本的现实应用环境。

• 逻辑链条：

- 传统单一最优不够稳定，输入误差敏感，可能导致投资者被误导。
- 近优组合集扩大了备选方案，提高抵抗参数估计误差的鲁棒性。
- 投资者可按需结合更多外生因素筛选组合，符合现实决策流程需要。

2.2 先行研究回顾（第1-3页）

• 近优组合相关方法：

- Van der Schans和de Graaf提出方法在近优风险回报空间内寻找边界投资组合，基于凸包和最大距离原则，获得多样解集。
- 该方法虽然理论上有效，应用上存在非凸问题求解复杂度高、高维难扩展等不足。
- Cajas提出解析中心（near-optimal centering）方法，为近优集合提供凸优化求解手段，提升稳健性和分散度。
- Van Eeghen等结合多面体理论分析，提出加速实现方案。
- Chopra等用网格搜索探索近优组合，Benita等强调成分组合多样度带来的鲁棒优势。
- Fagerström和Oddshammar发现基于CVaR的组合在MV意义上自然接近有效前沿。

• 演化计算与QD算法潜力：

- 演化算法在非凸、多约束PO中的成功应用广泛，但QD及novelty search（NS）应用仍稀缺。
- QD算法强调寻找多样高质量解的能力，与PO追求资产多样化高度契合。
- 相关工作如Zhang等结合PCA增强QD搜索Alpha因子，Yuksel探索大规模稀疏指数跟踪的QD元学习，显示QD具备跨金融子领域潜力。

2.3 研究目标与贡献（第3页）

• 问题设定：

- Q：如何获得既近优又基因型（genotypically）多样的投资组合集合？
- H：利用QD算法中融合了收敛与扩散搜索特性的优势，可获得多样且性能优异的近优组合集。

• 方法亮点：

- 首次应用质量-多样性算法探索MV框架下的PO问题。
- 通过CVT-MAP-Elites克服传统MAP-Elites在高维行为空间的维度诅咒，实现资产空间数百维的可扩展优化。

• 实验步骤概括：

- 从三资产玩具例子验证方法竞争力，并与现有凸包法对比。
- 扩展到105资产、11行业的实际股市数据。

• 核心结论：

- 该QD方法为现代PO实践工具箱提供了富潜力的新选项。

2.4 方法学详读（第4-6页）

• 数学模型：

- 投资组合权重空间：$\mathcal{W} = \{ w \in \mathbb{R}^N: wi \geq 0, \sum{i=1}^N wi=1 \}$
- 行为空间（Behavioral space, BS）$B$分为多个离散的“niche”（生态位），通过CVT（重心Voronoi划分）实现高维离散化。

• 行为函数设计：

- $b1$：身份映射，即组合权重本身作为行为描述符，适用于行为空间与基因型空间一致的场景。
- $b2$：基于资产 fundamental 特征向量（如行业暴露度 $si$ 和标准化市值 $c$），行为空间反映基金层面特征，体现投资者关注的非权重组合属性。该空间无法均匀抽样，强调特征多样性。

• 目标适应度函数：

- Fitness1：距离最优组合的风险收益坐标的负欧式距离，即优先寻找风险回报与参考最优组合（$\mu0, \sigma0$）接近的组合。
- Fitness2：分区处理，优先靠近最优解的特定近优区域$\mathcal{R}$，区域内优先远离参考组合以提升基因型多样性，区域外则仍以靠近风险收益空间做目标。该设计体现探索与利用的平衡。

• 重组算子：

- 适用于权重约束的变异与交叉，保持权重非负且总和为1，细节通过算法实现，支持添加其他现实约束。

• 算法：

- 采用CVT-MAP-Elites，解决传统MAP-Elites在高维行为空间中需指数级分区导致的效率瓶颈。
- 对于低维问题可使用基础MAP-Elites。

---

3. 图表深度解读

3.1 三资产玩具模型（第6-8页）

• 数据概述（见表1）：

- 三类资产：股票、债券、国库券，给定均值、方差及相关系数估计。
- 构建均值$\hat{\mu}$与协方差矩阵$\hat{S}$，基于该数据计算MV效率前沿。

• 图1（MV效率前沿与近优区）：

- 坐标轴：横轴-组合波动率$\sigma$，纵轴-收益率$\mu$。
- 效率前沿曲线清晰呈现风险收益的权衡，最优组合$\mathbf{\Delta}{w0}$标记红叉；
- 近优区域$\mathcal{R}$通过绿色和蓝色竖线/横线界定，表现容忍的偏离范围。

• 图2（近优组合凸包示意）：

- 四种方法对比：
- M1：Chopra方法（网格搜索）
- M2：van der Schans/de Graaf基于凸包最大距离法
- M3：本文QD Fitness1设定
- M4：本文QD Fitness2改进
- 观察到：
- M4生成的凸包最大，表现出最高的组合多样性。
- M2生成区域大于M3，因其最大距离于凸包策略直接驱动探索更边缘的组合，而M3倾向逼近参考组合风险收益点。
- M4在保持基因型多样性的同时，仍获得较高Sharpe比率，显示其在风险调整收益上有优势。
- 结论：
- QD方法，特别是Fitness2改进方案，有助于在权衡风险调整收益的同时，获得更全面高效的多样近优解集。

3.2 高维实验（第9-13页）

• 设置：

- 105只股票，跨11行业。
- 协方差通过Ledoit-Wolf收缩法稳健估计，均值用CAPM回归得到。
- 近优判定参数$c=0.01$，近优区域非常严格。
- 行为空间采用基于行业暴露度及市值的特征（$B_2$），体现实际投资者关注的结构性多样性。
- 使用CVT-MAP-Elites，$M=5000$个生态位。

• 性能指标（表3，图3）：

- $\mathcal{C}'$（修改覆盖率）：覆盖到的近优生态位比例，达到约75%覆盖率，说明算法能在复杂空间发现大量多样且近优组合。
- QDScore1和QDScoreMOD指标体现多样性与质量综合表现，二者均随评估次数增加稳步上升，指示算法优化有效，组合集规模和质量均增长。
- 两个档案曲线（Archive Profiles）揭示不同“接近度”筛选下的组合数目分布。

• 鲁棒性分析（图4）：

- 研究估计窗口大小$T$及近优阈值$c$对组合集稳定性的影响。
- 结果表明，严格近优条件($c$小)时对估计窗口的敏感性较大，窗口缩短后可找到的稳定组合减少。
- 反映出参数估计的不确定性仍然是实际优化中的一个挑战，需要后续研究进一步探索。

• 行为空间组合示例（图5）：

- 展示两组不同的近优组合与Sharpe最优组合在行业暴露和市值上的异同。
- 两组近优组合分别在工业和金融类股票占优，且市值侧重不同，均呈现更为集中或差异化的结构。
- Sharpe最优组合则更均衡分散。
- 显示算法不止得到一类“均衡”解，而是丰富包容多样的解，供投资者权衡选择。

---

4. 估值方法分析

本报告不涉及传统意义上的估值分析，如股票估值或企业价值评估，而是针对投资组合的多样化和质量衡量，核心基于MV模型中的风险和收益指标优化。算法内部使用的质量函数基于风险和收益度量，利用欧式距离衡量与参考最优组合的接近性。其估值实质是：

• 衡量组合满意度的“Fitness”，它实际上是MV模型中收益-风险空间的映射。

- 该映射用作优化目标函数，指导搜索近优解集。

此外，报告采用多指标评估涉及多维行为空间的组合多样性及覆盖率，类似于优化解的“价值”和“多样性”双重评估。

---

5. 风险因素评估

• 输入参数估计误差风险：

- MV优化极度依赖期望收益向量与协方差矩阵的准确估计。
- 本研究证明利用近优集扩展策略，可缓解单点估计误差的敏感性，提高鲁棒性。
- 然而，图4中的敏感性分析也提示，对于严格近优（小$c$），估计窗口不同仍影响结果，表明稳健估计仍不可替代。

• 高维空间搜索风险：

- 海量资产带来高维行为空间，传统算法陷入维度诅咒。
- 本文采用的CVT-MAP-Elites通过Voronoi划分保持固定生态位数，部分解决维度爆炸问题，但仍需考虑计算资源和时间成本。

• 模型假设风险：

- 均值-方差模型自身仍依赖收益分布假设（正态性、平稳性等），在实际市场中存在偏离可能。
- 该方法虽然提供了多样化解集，但不直接克服MV框架假设带来的系统性风险。

• 应用中的交易成本及规范风险：

- 报告中提及，近优解选择的灵活性允许投资者在“后期”考虑交易成本、合规、流动性限制，此为风险缓释，但未纳入优化过程，故需依赖经验判断。

---

6. 批判性视角与细微差别

• 优势与创新：

- 清晰指出传统MV问题，提出基于QD算法的近优投资组合多样性搜索是创新且有实际前景的方向。
- 引入行为空间多样化设计，体现简洁优雅，具备较强扩展性和适应不同投资者多样需求的灵活性。

• 假设与潜在限制：

- 采用的Fitness函数2中的启发式手段替代凸包最大距离度量，在保证计算效率的同时可能牺牲理论最优性，可能在复杂空间出现局部多样性不足现象。
- 估计参数稳健性虽然部分解决，但整体模型仍依赖于静态的均值估计方式及协方差估计，未覆盖动态市场风险，实际效果可能因市场波动剧烈而差异显著。
- 结果体现出近优组合多样性与风险调整收益之间的权衡关系，且Fitness1和Fitness2的表现各有侧重，尚未给出严格的理论保证其为全局最佳近优多样解。
- 对高维案例缺乏传统凸包法等基准比较，指标评价虽合理，但难以直观量化优劣，需要后续实证验证。

• 内部细节：

- 文中对组合多样性测度和性能指标定义细致，完善，体现方法严谨。
- 统计指标、实验设计均参考已有标准，但在极端条件下算法表现耐受度及参数敏感性研究尚有限。

---

7. 结论性综合

该研究针对金融投资组合优化（PO）中的经典瓶颈——基于均值-方差框架的单一最优组合过度敏感问题，提出了基于质量-多样性（Quality-Diversity，QD）优化的新兴方法。通过引入CVT-MAP-Elites算法，有效地解决了高维资产空间内多样且近优投资组合的搜索问题，实现了：

• 丰富的近优解集，为投资者提供高度多样化的候选组合，超越传统单一解局限。

- 灵活的行为空间映射设计，支持基因型空间与资产基础属性（行业暴露、市值等）两种空间，满足真实投资场景下的多重分析需求。

• 稳定且高效的搜索能力，在低维玩具模型（三资产）中表现不逊色甚至优于文献中现有方法，在105支多行业股票组合问题中展现出出色的搜索覆盖度和组合多样化效果。

- 实用的决策辅助价值，允许投资者在“后期”依据主观意见、交易成本和监管限制在近优组合集内灵活决策，提高应用灵活性和实用性。

具体从图表深度来看：

• 图1展示了MV效率前沿及合理定义的近优区域，明确理论框架基础。

- 图2的凸包面积对比突显QD方法在基因型和风险收益空间的多样化能力，有助于进一步在实际中依据投资者偏好选择。

• 图3展示高维数据实验中的多项性能指标（覆盖率$\mathcal{C}'$、质量多样性分数等）均随迭代提高，验证算法稳定有效。

- 图4热力图揭示估计窗口和近优区域宽严对模型鲁棒性的影响，为后续稳健估计指明了研究方向。

• 图5雷达图揭示不同近优组合在行业暴露和市值上的结构差异，体现方法在真实投资行为描述空间中的应用价值。

综上，本报告为金融领域的组合优化引入了质量-多样性优化理念，拓宽了传统MV框架的单解式视野，有助于应对现实市场中复杂多变及估计误差带来的不确定性，促进投资组合设计更趋多样、鲁棒和灵活。未来工作应着重于：

• 引入动态和非MV目标函数（如条件风险价值CVaR、多目标优化等）。

- 探索更高维复杂行为空间及更现实的约束条件整合。

• 深化理论保证和与传统稳健优化方法的对比。

- 结合实时市场动态提升模型的在线适应能力。

该研究具有高度创新意义及潜在实际应用价值，为现代投资组合优化的算法设计提供了富启发性的思路与工具。

---

参考文献标注示例

本分析所有结论均严格基于文中对应章节内容，并注明页码来源，例如[page::0,1]，[page::6-8]，[page::9-13]，[page::11,12]，[page::8,13]等。

---

附：图表Markdown展示示例

• 图1（MV效率前沿及近优区域）：

• 图2（不同方法组合权重空间凸包）：

• 图3（高维实验指标曲线）：

• 图4（估计窗口和近优参数对覆盖率影响热力图）：

• 图5（近优组合行业暴露与市值雷达图）：

---

本报告为该研究提供了深度、细致且结构分明的分析解读。

报告