投資組合模型 是做什麼的？
合約： 在選擇模型之前，明確指定經濟目標、精確的最佳化問題、資料假設、約束條件和基準。僅使用與任務相關的參考資料。
程序
- 框架化。 記錄投資人類型、基礎貨幣、可投資資產、評估頻率、回報目標、可承受損失、流動性、做空/槓桿、週轉率、每資產限制和持有期間。判斷答案是概念性、計算性還是經驗性主張。完成條件： 目標和約束條件明確。
- 標準化。 對於涉及價格、回報、債券、外匯、衍生品、利率或現金的計算，請載入符號與資料。要求點估計可用性和總回報一致性。完成條件： 所有欄位共享貨幣和觀察期間；識別出缺失/過時的值。
- 路由。 對於模型選擇，請載入模型地圖，然後僅載入所需的分支：經典、多元化、風險預算與正則化、尾部與回撤、穩健性與 DRO，或 Kelly 與抗脆性。完成條件： 指定了精確的數學變體、來源和數值方法。
- 計算。 對於可執行的計算，請查閱實作範例和可執行模組
scripts/models.py與scripts/advanced_models.py。驗證求解器狀態、約束條件、回傳權重下的目標函數、極限情況和數值單位。完成條件： 可重現的調用和檢查成功。 - 驗證。 對於歷史主張，請使用回測協議、指標與推論和失敗模式。完成條件： 報告完整的樣本外時間順序、交易假設、成本、簡單基準、壓力和不確定性。
- 解決爭議。 遵循公式追溯到註釋來源目錄。閱讀原始論文以獲得定理特定支持、不確定性集合細節和任何重大例外。完成條件： 實際公式與近似值和實作區分開來。
數學與經驗不變量
- 使用具有一致抽樣頻率的十進制簡單總回報；僅在報告時進行年化。價格指數、官方匯率或政策利率不是可投資的、無摩擦的工具。
- 僅使用決策前可用的資訊進行最佳化。在嵌套的歷史資料上擬合預測和超參數。根據實際情況評估交易成本、漂移、停牌、保證金和外匯轉換。
- 在稱模型為穩健之前，給出精確的不確定性集合。所實作的 Wasserstein DRO 是一個特定的 1-Wasserstein、L1-基底、無界支撐、線性損失 CVaR 情況——不是通用的 DRO 引擎。
- 將經驗性的月/日回撤與加法-P&L CDaR 分開報告，後者不等同於複合淨值回撤。
- 不同的方法需要共同的日期、可行的宇宙、可比較的實現風險和簡單的基準。高 CAGR 本身並不能建立統計上的優越性。
- 期權避險、趨勢跟蹤空頭或穩定投資組合並非自動具有抗脆性。請分別評估凸性、持有成本、尾部條件回報和執行管道。
輸出
對於方法論：模型、目標/方程式、約束條件、估計器、超參數、邊緣情況、來源、可執行說明。對於基準，也需報告截止日期、可用工具、精確的 OOS 日期、訓練/驗證窗口、交易成本、基準、CAGR、實現波動率、回撤、CVaR、週轉率、不確定區間以及資料/執行限制。
入口檔案負責路由工作；它不重複數學內容。將所有新程式碼、公式和實驗保留在適當的參考資料或腳本中，而不是擴展此檔案。