照着一张菜谱配料，秤稍微偏一点，成品不该完全变样。但组合复制常会如此：它要用一篮子可交易资产模仿指数或基金的收益；历史数据只有小误差，算出的权重却可能剧烈变化，甚至出现大额多头与空头互相抵消。样本内看着贴合，实际交易时却很脆弱。
Arratia 与 Gzyl 提出的 Entropic Factor Model（EFM，熵因子模型）分两步处理这个问题。它先估计每项资产对目标因子的敏感度，再计算复制组合的权重；两步都使用 Fermi-Dirac 型熵函数，并把参数限制在由数据确定的区间内。这里的“熵”可以理解为一种克制机制：信息含糊或彼此矛盾时，模型少押重注，避免把噪声当成确定信号。
作者在五组数值实验中将 EFM 与 Ordinary Least Squares（OLS，普通最小二乘法）比较，并称 EFM 的年化换手率和扣费后收益更好。更值得注意的是，在模拟单项资产数据严重损坏，以及 2020 年 COVID-19 市场冲击的测试中，模型会主动削减可疑资产的配置，像一道“概率断路器”。不过，现有材料未给出这些优势的具体数值，结论仍以作者实验为限。