你手里有两只基金：平时波动都不大，但其中一只偶尔会突然大跌。只看波动率，它们可能显得差不多；真遇到压力行情，结果却完全不同。Jaehyung Choi 的这篇论文想解决的正是这个问题：当收益既有偏度——上涨和下跌并不对称，又有肥尾——极端涨跌比钟形的正态分布更常见，组合配置就不该只压低日常起伏，还要直接考虑极端损失。
论文为此把 Entropic Value-at-Risk（EVaR）与 tempered stable Lévy 收益模型放到一起。EVaR 会用指数方式放大大额损失，并给出 VaR 和 CVaR 的保守上界；tempered stable 分布则允许偏度和肥尾，同时让最极端的尾部逐渐衰减。作者进一步把它做成可以实际求权重的参数化组合优化方法。
以下方法、回测和效果均来自这篇 arXiv 论文，尚无独立研究交叉验证。
难点不只是换一个风险指标
传统的均值—方差组合优化，把方差，也就是收益围绕平均值上下波动的程度，当作风险。问题在于，方差对上涨和下跌一视同仁，也不专门描述尾部损失。
VaR（Value-at-Risk）向前走了一步。它回答的是：在给定置信水平下，损失门槛大约在哪里。但它不告诉你越过门槛后会亏多深。CVaR（Conditional Value-at-Risk，也叫 Expected Shortfall）计算门槛之外的平均损失，因此更关心坏结果的严重程度。
EVaR采用另一条路线。它依赖矩母函数——一种把收益分布压缩成可计算表达式的工具，并借助指数权重突出大额损失。麻烦也由此而来：不是所有分布都有有限的矩母函数；即使存在，它允许计算的范围也会随着组合权重改变。换一组仓位，不只是风险数值变了，连公式可在哪些参数上成立都可能变化。
如果每试一次权重，都重新生成组合收益、重新拟合分布，再计算EVaR，优化过程会非常繁重。论文的核心贡献，就是绕开这次次重拟合。
先拟合零件，再组装组合
作者给出两种多资产构造。
第一种是 multivariate normal tempered stable（MNTS，多元正态温和稳定）模型。它用一个共同的随机“时钟”连接多项资产，并容纳各资产的偏度、跳跃和肥尾。这个模型在线性投影下仍属于同一分布家族。说白了，资产权重改变后，作者可以直接从已拟合的联合参数推导组合参数，不必把新组合当成一项全新的资产再拟合一次。
第二种采用 Independent Component Analysis（ICA，独立成分分析）。ICA把彼此相关的资产收益拆成若干尽量独立的隐藏成分，再分别用 CTS 或 NTS 这类 tempered stable 分布拟合。组合的风险随后由各成分的风险表达式和组合对这些成分的暴露共同拼出。
可以把它理解为调音台：研究者先估计每条独立音轨的特征，再根据推子位置计算最终混音，而不是每移动一次推子，就重新录制整首歌。
两条路线都得到两个关键结果：组合的累积量生成函数——即矩母函数取对数后的表达式，以及随权重变化的可容许计算区间。有了它们，模型便能从资产级或成分级参数直接计算候选组合的EVaR。
对于没有闭式答案的 CTS 和 NTS 分布，论文在允许区间内数值寻找EVaR，并单独检查有限边界。由于内部的一维目标至多有一个极小点，作者把区间分段主要是为了降低数值敏感性，并非寻找多个局部最优解。
不只做“最低风险”
论文构造了三类目标。
minimum-EVaR portfolio 直接寻找EVaR最低的权重。作者证明，在凸约束下，这是一项凸优化问题；只要数值解满足最优条件，就能得到全局最优解。
E-STAR衡量每单位熵式下行风险对应多少预期收益。论文用 Dinkelbach 迭代求解；在文中列出的紧致性、风险为正及最优比率非负等条件下，可以得到全局最优解。
E-Rachev则比较熵式上尾收益和下尾风险。它同时关心“好尾巴”和“坏尾巴”，但目标通常不是拟凹函数。作者从多个初始组合出发求解，以减少结果对单一起点的依赖，不过明确表示这不能保证全局最优。
这里还有一个有用的校验：如果收益服从正态分布，并采用相同的收益定义和约束，论文中的 Normal E-STAR、Normal E-Rachev 与最大 Sharpe 组合会给出同一组最优权重。也就是说，新框架在薄尾的熟悉情形下能退回传统结果；差异主要出现在偏度和肥尾真正进入模型之后。
二十六年的行业ETF滚动检验
论文使用11只 State Street Select Sector SPDR ETF。最初有9只基金；XLRE和XLC分别在2015年和2018年推出，并在积累满一年收益历史后进入可投资范围。调整后日频价格来自 Yahoo Finance。
样本外测试从2000年1月持续至2026年3月，约26年。每个月末，模型用此前12个月的日收益重新估计参数；ICA方案还会重新估计成分混合关系。组合只做多，权重之和为1，持有一个月后再平衡。作者共比较31种策略，包括等权、最小方差、最大Sharpe、正态EVaR基准，以及MNTS、ICA+NTS、ICA+CTS下彼此匹配的EVaR与CVaR组合。
这里的“匹配”很重要：EVaR与CVaR策略使用相同的分布参数、约束、估计窗口和再平衡安排，尽量把差异收窄到风险指标本身。论文还报告收益、年化波动率、Sharpe ratio、最大回撤、历史VaR与CVaR、偏度、峰度、换手率和交易成本，并用区块自助法检验匹配策略之间的Sharpe差异。
据论文报告，若干熵式组合的已实现Sharpe ratio高于对应的CVaR组合或标准配置基准。但“若干”并不代表全部。更重要的是，Sharpe ratio仍以波动率衡量风险；较高Sharpe不能直接证明尾部损失控制得更好。论文确实同时考察最大回撤、VaR和CVaR等指标，但现有供稿截断了完整结果表，无法在这里可靠复述各策略的具体差值。
为什么值得关注
这项工作的价值，不是简单宣布EVaR胜过方差或CVaR，而是补上了一段计算链条：先用能表达偏度和肥尾的分布拟合资产或独立成分，再把任意权重对应的尾部风险直接推导出来，最后把它放入可求解的组合目标。
这让“针对极端损失配仓”从一句原则变成一套完整方法。它也提醒投资者，风险模型的选择不是报表上的技术细节。模型如何描述尾部，会直接改变优化器眼中的安全资产，以及资金最终被分配到哪里。
局限与未知
- 全部结论来自同一篇论文。虽然作者设置了匹配的CVaR组合、交易成本和统计检验，但尚缺独立复现。
- 供稿中的完整绩效表被截断，无法核对各EVaR策略在最大回撤、VaR、CVaR和交易成本后的具体优势，也不能把较高Sharpe解释为尾部控制更好。
- 回测使用美国大型股行业ETF、12个月估计窗和月度调仓。结果能否推广到其他资产、约束和市场环境，仍需另外验证。