5.2 拉格朗日乘数法与 KKT 条件

约束无处不在——组合投资有预算限制、风险敞口有上下阈值。拉格朗日乘数法和 KKT 条件是处理约束优化的核心数学工具，也是 Markowitz 均值-方差模型的解析基础。

---

一、约束优化

1.1 基本形式

约束优化问题的一般形式：

$$\min_{\mathbf{x}} f(\mathbf{x}) \quad \text{s.t.} \quad g_i(\mathbf{x}) = 0,\; i = 1,\dots,m$$

目标是在满足所有等式约束的前提下，找到使目标函数最小的 $\mathbf{x}$。

1.2 拉格朗日函数

核心思想：将约束条件以"惩罚项"的形式合并到目标函数中，构造拉格朗日函数（Lagrange function）：

$$\mathcal{L}(\mathbf{x}, \boldsymbol{\lambda}) = f(\mathbf{x}) + \sum_{i=1}^m \lambda_i g_i(\mathbf{x})$$

其中 $\lambda_i$ 称为拉格朗日乘数（Lagrange multiplier）。

最优解的必要条件：$\mathcal{L}$ 对 $\mathbf{x}$ 和 $\boldsymbol{\lambda}$ 的偏导均为零：

$$\nabla_{\mathbf{x}} \mathcal{L} = \mathbf{0},\quad \nabla_{\boldsymbol{\lambda}} \mathcal{L} = \mathbf{0}$$

这等价于在原约束条件下找到了 $f$ 的驻点。

1.3 KKT 条件

对于带不等式约束的问题：

$$\min_{\mathbf{x}} f(\mathbf{x}) \quad \text{s.t.} \quad \begin{cases} g_i(\mathbf{x}) = 0, & i = 1,\dots,m \\ h_j(\mathbf{x}) \le 0, & j = 1,\dots,p \end{cases}$$

构造广义拉格朗日函数：

$$\mathcal{L}(\mathbf{x}, \boldsymbol{\lambda}, \boldsymbol{\mu}) = f(\mathbf{x}) + \sum_{i=1}^m \lambda_i g_i(\mathbf{x}) + \sum_{j=1}^p \mu_j h_j(\mathbf{x})$$

KKT 条件包含四个部分：

条件	公式	含义
平稳性	$\nabla f + \sum \lambda_i \nabla g_i + \sum \mu_j \nabla h_j = 0$	梯度平衡
原始可行性	$g_i(\mathbf{x}) = 0,\; h_j(\mathbf{x}) \le 0$	满足原约束
对偶可行性	$\mu_j \ge 0$	不等式约束乘数非负
互补松弛	$\mu_j \cdot h_j(\mathbf{x}) = 0$	要么约束紧贴边界（$h_j=0$），要么乘子为 0

互补松弛条件非常直观：如果一个不等式约束没有"绷紧"（即 $h_j(\mathbf{x}) < 0$），那它对当前解没有实际影响，对应的乘数 $\mu_j$ 为零；反之，如果约束被激活（$h_j(\mathbf{x}) = 0$），乘数 $\mu_j$ 可能非零，反映该约束的"边际成本"。

实际用途：组合优化中"权重 $\ge 0$（不允许做空）"就是不等式约束，KKT 条件告诉你最优解在哪些约束边界上。你不需要手动解 KKT——求解器（如 cvxpy、scipy.optimize）会自动处理。

---

二、手算实例：两资产组合优化

2.1 问题

有两种资产 A 和 B，年化预期收益率分别为 $\mu_A = 12\%$，$\mu_B = 8\%$。投资者有 $\\\$100,000$ 资金，全部用于投资，求最大化组合预期收益的仓位分配。

设投资 A 的金额为 $x$（万元），投资 B 的金额为 $y$（万元）：

$$\max_{x,y} \; 0.12x + 0.08y \quad \text{s.t.} \quad x + y = 10$$

（单位：万元，总预算 10 万元）

2.2 拉格朗日方法

构造拉格朗日函数：

$$\mathcal{L}(x, y, \lambda) = 0.12x + 0.08y + \lambda(10 - x - y)$$

求偏导并令为 0：

方程	推导	结果
$\partial\mathcal{L}/\partial x = 0$	$0.12 - \lambda = 0$	$\lambda = 0.12$
$\partial\mathcal{L}/\partial y = 0$	$0.08 - \lambda = 0$	$\lambda = 0.08$
$\partial\mathcal{L}/\partial \lambda = 0$	$10 - x - y = 0$	$x + y = 10$

矛盾！两种资产的边际收益率不同（$0.12 \ne 0.08$），而约束只允许一个等式拉格朗日乘数——这是因为问题本身是线性的，最优解一定在边界上。

2.3 正确解法

既然 $x + y = 10$，将 $y = 10 - x$ 代入目标函数：

$$\max_x \; 0.12x + 0.08(10 - x) = 0.04x + 0.8$$

由于系数 $0.04 > 0$，$x$ 越大越好。但 $x$ 不能超过总预算，所以：

变量	最优值
$x$（资产 A）	$10$ 万元（全部投入收益更高的 A）
$y$（资产 B）	$0$ 万元
最大收益	$0.12 \times 10 = 1.2$ 万元

2.4 非线性情况（引入风险）

如果目标函数加入风险项（比如组合方差），问题变为非线性，拉格朗日乘数法才能发挥真正威力：

$$\min_{w_1, w_2} \; \frac{1}{2}(w_1^2 \sigma_1^2 + w_2^2 \sigma_2^2 + 2w_1w_2\sigma_{12}) \quad \text{s.t.} \quad w_1 + w_2 = 1$$

这时 $w_1$ 和 $w_2$ 会同时非零——分散化投资的最优解就在两个极端之间。

---

Quant Link：Markowitz 均值-方差模型本质上是一个二次规划（Quadratic Programming, QP）：目标函数为二次型、约束为线性的优化问题

\\min_{\\mathbf{w}} \\; \\frac{1}{2} \\mathbf{w}^\\top \\Sigma \\mathbf{w} - \\gamma \\boldsymbol{\\mu}^\\top \\mathbf{w} \\quad \\text{s.t.} \\quad \\mathbf{w}^\\top \\mathbf{1} = 1

其中 $\\mathbf{1}$ 表示元素全为 1 的列向量。因为目标函数是二次的、约束是线性的，KKT 条件构成一个线性方程组，可以解析求解。

• 做空限制：$w_i \ge 0$（不等式约束，互补松弛条件激活）
• 行业集中度：$\sum_{i \in \text{industry}_k} w_i \le 0.3$
• 换手率约束：$\|w_i - w_i^{\text{prev}}\| \le \tau$

现代组合优化几乎都建模为 QP，通过求解 KKT 系统获得最优解——这正是凸优化在量化金融中的核心地位。