你拿过去一年的合照判断谁总和谁站在一起，照片越少、人越多，结论越容易被偶然座次带偏。投资组合也有类似难题：资产很多、历史样本有限时，过去数据估出的联动关系往往很嘈杂，优化器却要据此决定资金怎么分。Bryan T. Kelly等人的新方法UPSA，试图用一组容易计算的“基础组合”，拼出更可靠的配置方案。它值得关注，不是因为承诺更高收益，而是因为它在计算成本和样本外配置质量之间提供了一个实用思路。
本文依据论文摘要及NBER公开信息。作者报告了相对既有方法的稳健改善，但现有材料没有披露改善幅度、评价指标和交易成本等细节。
先把嘈杂的联动关系稳下来
组合优化离不开协方差矩阵——一张同时记录每项资产自身波动，以及资产之间如何共同涨跌的表。问题在于，这张表需要估计的关系会随着资产数量迅速增多。当历史数据不够长，少数偶然波动就可能明显改变结果，继而把组合权重推向并不可靠的位置。
常见补救办法叫收缩估计（Shrinkage）：不完全相信噪声较大的样本估计，而是把它向更简单、更稳定的结构拉回。代价是放弃一点样本内的精确拟合，目标则是在新数据里少犯错。
判断收缩有没有用，关键也不是组合在原有回测区间里多漂亮，而是样本外配置质量：用一段历史数据确定权重后，再看它在未参与估计的数据中表现如何。
UPSA换了什么角度？
这篇发表于The Review of Financial Studies、DOI为10.1093/rfs/hhag084的论文提出Universal Portfolio Shrinkage Approximator（UPSA）。据NBER资料，论文由Bryan T. Kelly、Semyon Malamud、Mohammad Pourmohammadi和Fabio Trojani撰写，最初以NBER第32004号工作论文于2023年12月发布，并在2026年5月修订。
UPSA属于非线性协方差收缩方法。“非线性”在这里可以直观理解为：它不对所有风险方向做同样幅度的调整。作者把它构造成若干封闭形式的基础组合；封闭形式意味着计算规则可以明确写出，不必把整套方法只留在抽象定义里。把这些基础组合看成通用积木，UPSA要做的是重新搭配它们，以近似更复杂的非线性收缩。作者因此称其实施成本较低。
关键变化发生在主成分上。主成分（Principal components）把许多资产的共同波动压缩成若干彼此不重复的方向。传统处理可能统一惩罚所有方向，或者直接丢掉方差较低的方向。这样做简单，却可能把“波动不大”和“对未来配置没用”混为一谈。
UPSA不采用这种一刀切的办法。按照作者的表述，它会重新赋予各个主成分权重，并把预期样本外组合表现直接放进优化目标。换句话说，它关心的不是某个方向在旧数据里看起来有多显眼，而是这个方向进入组合后，是否可能帮助新数据上的配置。
为什么这块“积木”值得看
这项工作的吸引力来自一个现实矛盾：复杂方法可以更细致地处理不同风险成分，但计算和实施也可能更困难；简单收缩容易落地，却可能调整得过于粗糙。UPSA试图用封闭形式的基础组合，逼近非线性收缩的效果，在两者之间找一个可操作的中间位置。
作者在大规模异常因子横截面上做了实证应用。异常因子可以理解为从市场数据中整理出的、用于描述不同收益规律的一组投资信号。论文摘要称，UPSA相对文献中的其他收缩方法取得了“稳健改善”。这说明作者观察到的优势并非只出现在单一设置中，但摘要不足以判断改善究竟有多大、是否足以覆盖现实实施成本。
更重要的是，“最优投资组合”只是方法面向的数学优化目标，不代表实际投资中保证最优，也不意味着保证获得更高收益。UPSA真正提供的是一种估计和配置工具：它尝试更有针对性地处理嘈杂的资产联动关系。
局限与未知
- 现有材料没有给出样本区间、异常因子数量、评价指标、改善幅度或统计显著性，无法量化所谓“稳健改善”。
- 摘要没有列明具体对照方法，也没有披露交易成本，因此不能据此判断真实交易中的净收益优势。
- 目前效果论断均来自作者论文及NBER对同一工作的介绍，尚缺少独立信源交叉验证。