你想组织一场聚餐，分别问每两个人“彼此熟不熟”。有人认识多年，有人刚加入，还有人只偶尔出现。每个回答单看都合理，拼成整张关系表却可能自相矛盾。小盘股组合也会遇到类似问题：新上市、交易稀疏或曾经停牌的股票，历史数据长短不一。若尽量保留每只股票，逐对计算相关性，最后得到的矩阵可能在数学上“不合法”，无法直接交给组合优化器。
Christian Bongiorno 和 Lorenzo Villassero 在预印本中提出 RIEnet：让神经网络同时完成两件事——修复矩阵，并对噪声做收缩。收缩估计，就是把不稳定的样本结果适度拉向更可靠的结构，用少量细节换稳定性。作者没有只把错误数值改成正数，而是让模型根据每部分数据的可信程度，学习该怎么改。
本文的实验结果和效果判断均来自作者这篇 arXiv 预印本，尚无独立信源交叉验证。
每一格都对，整张表却可能错
相关矩阵描述资产收益如何共同变化。一个合法的相关矩阵必须对称、对角线为 1，并且是正半定的。最后一条可以通俗理解为：无论怎样配置资产，算出的组合方差都不能是负数。矩阵一旦出现负特征值——特征值可理解为矩阵沿不同风险方向呈现出的强度——它就是不定矩阵，不能代表合法的相关结构。
麻烦来自逐对完整估计（pairwise-complete estimation）。这种方法为每对股票使用双方都有数据的最长重叠期。它能留下历史很短或断断续续的小盘股，却也让矩阵的不同格子建立在不同日期、不同样本量之上。局部估计可以成立，整体却未必协调。
这会卡住 Markowitz 组合优化。它要在预期收益与组合方差之间权衡配置，但高度依赖协方差矩阵——协方差同时包含各资产自身的波动和资产之间的联动。输入不合法，优化可能无法计算；即使勉强修到可算，噪声太大也可能给出极端而不稳定的持仓。
传统办法可以把不定矩阵投影到最近的合法相关矩阵，也可以用因子或回归补齐缺失数据。随机矩阵理论（Random Matrix Theory，RMT）则常用于压缩样本协方差中的噪声。不过，标准 RMT 假设所有资产来自同一块完整数据，各项拥有相同样本长度；逐对估计恰好破坏了这些条件。
它不只补洞，还判断每个方向有多少证据
RIEnet沿用了旋转不变的神经协方差估计思路。“旋转不变”在这里意味着：模型主要调整各个风险方向的强度，同时保留矩阵给出的方向，不因股票排列方式改变结论。
模型先保留缺失位置的掩码，并计算能够识别缺失数据的边际矩——也就是每只股票自己的均值、波动等统计量。随后，它构造一张逐对相关代理矩阵，将正、负特征值全部交给网络。负值没有在入口处被简单截掉，因为它们也反映了原始矩阵怎样失真。
关键一步是为每个风险方向估计“有效样本长度”。模型结合股票两两之间的重叠天数，以及每只股票在该方向上的载荷，判断这个方向实际获得了多少数据支持。好比同一份调查中，有的结论来自数百份回答，有的只来自几十份；模型不仅看结论，也看证据量。
这些信息进入双向门控循环单元（bidirectional GRU）——一种能够从特征值序列两个方向读取上下文的神经网络。它把包括负值在内的整个谱映射为正的逆谱，再重建相关矩阵，最终与各资产波动率结合，得到正定协方差矩阵。正定意味着任意非零组合的估计方差都为正，因此可以安全进入优化器。
网络约有 7,400 个可训练参数。训练目标也很直接：让由协方差矩阵推导出的全球最小方差组合（GMV，即只追求最低组合方差的配置）在未来五个交易日里的实际方差尽可能小。损失会沿完整流程反向传播，所以模型学到的不是“怎样让矩阵看起来漂亮”，而是“怎样修复后更有利于控制实际风险”。训练采用无约束 GMV，部署时再统一进入只做多优化器，避免把某一套客户约束固化进模型。
26年回测给出了多大的差距
作者逐年训练了 26 个扩展窗口模型：首个模型用 1990—1999 年训练、预测 2000 年，最后一个用 1990—2024 年训练、预测 2025 年。训练样本包含 50—500 只股票，样本外测试则扩展到最多 1,500 只美国股票，用来检验模型能否跨越训练时见过的规模。
样本外区间从 2000 年 1 月 4 日持续到 2025 年 12 月 30 日，共 6,537 个交易日，每五个交易日调仓一次。股票池确实存在明显的数据不齐：按“股票—调仓日”观察，17.15% 的记录不足模型要求的完整历史，8.45% 少于 600 个有效收益，3.48% 少于 252 个。
所有协方差方法使用相同的只做多 GMV 优化和收盘竞价模拟器。对照包括最近相关矩阵投影 Anderson、其 bootstrap 版本、因子补值、岭回归，以及基于完整行子样本的 MLE 和 QIS。模拟还计入整数股、佣金、监管费、融资、分红拆股、公司行动和按市值组别与交易所变化的市场冲击。
计入这些模拟摩擦后，RIEnet的五日实现波动率年化为 11.17%，次优协方差估计器 Factor 为 14.08%，降幅约 20%。RIEnet的 Sharpe ratio——每承担一单位波动获得的回报指标——为 0.814；次高的 Factor 为 0.580，提升约 40%。其最大回撤为 -41.3%，也小于其他协方差估计器的 -49.4% 至 -70.0%。作者采用 Model Confidence Set（通过重抽样剔除表现显著较差模型的统计程序）检验实现风险，报告称在 99.9% 置信水平下仅 RIEnet 被保留。
为什么值得关注
这项工作的价值，不只是让坏矩阵重新可计算。它把“修复不合法输入”和“压低抽样噪声”放进同一个、由下游组合风险直接训练的系统，同时保留了历史较短的股票。对小盘股投资而言，这一点重要：强行要求统一回看期，等于先把最缺历史的股票排除掉，改变原本想研究的投资范围。
它也展示了一种更一般的思路：数据缺失不只是有没有观测的问题，还意味着不同估计拥有不同可信度。RIEnet把两两重叠天数转译到各个风险方向，再决定如何收缩，比单纯把负特征值改正多走了一步。
局限与未知
- 全部强效果都由论文作者自报。约 20%的波动率降幅、约 40%的 Sharpe 提升及 99.9% Model Confidence Set 结果，尚未得到独立复现。
- 交易成本和市场冲击来自模拟，不能等同于真实资金可实现的表现；Model Confidence Set 的具体损失函数与检验设置也需要结合完整实现进一步核验。
- 作者尚未完成组件级归因实验，因此目前不能确定收益分别有多少来自缺失信息处理、有效样本长度设计、谱映射或端到端训练。论文把这类分析留给未来的可控合成实验。