05.0 概述

最优化理论是量化金融的数学引擎——从 Markowitz 均值-方差模型到风险管理中的风险预算，每一个投资决策本质上都是一个优化问题。

---

本章定位

最优化是 行动 的数学——给定目标（最大化收益）和约束（预算有限、风险可控），找到最优决策。这是从"理解世界"到"改造世界"的跨越：前四章教你描述和度量金融数据，本章教你 如何做出最好的选择。

本章直接依赖 01 高等数学（梯度是偏导数的向量，Hessian 矩阵是二阶偏导数的矩阵）和 02 线性代数（组合方差 \\boldsymbol{w}^\\top\\Sigma\\boldsymbol{w} 是二次型，协方差矩阵的特征分解决定优化曲面的曲率）。没有前两章的铺垫，无法理解梯度下降的方向、拉格朗日乘数法中的线性方程组、以及凸函数 Hessian $\\succeq 0$（$\\succeq 0$ 表示半正定（positive semidefinite）：矩阵 $M$ 满足对所有向量 $x$ 有 $x^T M x \\ge 0$）的含义。

在量化金融中，优化理论的应用无处不在：ETF 再平衡是带约束的二次规划，风险平价策略是等风险贡献的非线性优化，对冲比率计算是最小方差回归，甚至深度学习选股模型的训练过程本质上是大规模无约束优化。本章从最基础的无约束方法开始，逐步引入约束处理、二阶加速和实际组合应用，构建一个完整的优化工具箱。

---

知识链条

本章的递进逻辑是：无约束 → 约束 → 凸性保证 → 实践落地。

1. 5.1 梯度下降与凸优化：从最简单的 无约束 问题入手。梯度下降沿负梯度方向迭代，是理解所有现代优化算法的起点。凸性的引入解释了"什么时候能找到全局最优"——这是量化金融中几乎所有经典模型（Markowitz、最小方差）都能可靠求解的根本原因。
2. 5.2 拉格朗日乘数法与 KKT 条件：现实中永远有约束——预算限制、做空限制、集中度限制。KKT 条件给出了约束最优解的必要条件，将组合优化从"随便选权重"提升为"在可行域内找最优点"。
3. 5.3 牛顿法：梯度下降只用一阶信息，收敛慢。牛顿法引入二阶导数（Hessian），对二次目标函数可一步收敛。理解牛顿法是理解后续数值方法（如风险预算求解）的关键。
4. 5.4 组合优化与风险预算：将前三种方法整合到真实的量化场景中——Markowitz 均值-方差模型（二次凸规划）、有效前沿、风险预算（非线性方程组）。这不仅是理论应用，更是实际策略开发的起点。
5. 5.5 Python 实践：理论到代码的闭环——用 scipy.optimize 和 cvxpy 实现组合优化，用牛顿法求解风险预算，用可视化展示有效前沿。

---

量化应用速览

节	核心概念	量化金融应用
5.1	梯度下降 $\mathbf{x}^{(k+1)} = \mathbf{x}^{(k)} - \alpha\nabla f(\mathbf{x}^{(k)})$	因子模型训练、深度学习选股、大规模参数优化
5.2	KKT 条件（平稳性、可行性、对偶可行性、互补松弛）	Markowitz 均值-方差模型的解析解、带做空限制的组合优化
5.3	牛顿法 $x_{n+1} = x_n - f'(x_n)/f''(x_n)$	风险预算（等风险贡献）求解、IRR 计算、隐含波动率
5.4	有效前沿、风险贡献分解	资产配置、风险预算策略、组合再平衡
5.5	Python 优化实现	三资产组合优化、有效前沿可视化、风险预算的数值求解

---

学习路径

• 前置知识：01 高等数学（梯度、Hessian）、02 线性代数（二次型、特征值）。建议先复习 01.5 多元微积分和 02.4 特征分解。
• 推荐顺序：5.1 → 5.2 → 5.3 → 5.4 → 5.5，严格递进。5.3 牛顿法虽短期可跳过，但对理解 5.4 风险预算的数值求解至关重要。

下一步：掌握优化理论后，学习 06 随机过程——为量化金融中的时间序列建模和衍生品定价打下基础。