观点只求方向对，组合会更稳吗

假设你看好一只股票，却说不准它会涨 2% 还是 10%。传统组合模型偏偏想要一个精确数字。填得稍有偏差，模型给出的仓位就可能完全变样，像是地图只偏了一点，导航却把你带去了另一座城。

《Directionally Correct Views in Portfolio Optimization》研究的正是这个矛盾：如果投资者不再假装能精确预测收益，只提供大致正确的方向，组合配置能否已经改善？论文的答案是肯定的，但要加一句重要限定：它证明和测试的是特定模型中的风险调整后表现，不是“只要猜对涨跌，组合就一定更稳”。本文全部效果数字均来自这一篇论文，尚无独立信源交叉验证。

最难估的数字，能不能少估一点

Markowitz 均值—方差优化，会在预期收益和收益率波动之间权衡，再决定每项资产的权重。它很经典，弱点也很直接：预期收益特别难估，而且一点误差就可能让最优权重剧烈变化。

论文借用了 Black–Litterman framework 的核心想法。这个框架先从基准配置出发，再让投资者观点修正预期收益，而不是完全依赖不稳定的历史均值。

作者把观点写成一条从“历史估计”走向“未来真实均值”的路径。参数 $\alpha \in [0,1]$ 表示观点强度：$\alpha =0$ 时完全沿用历史均值，$\alpha =1$ 时恰好抵达未来真实均值。随着 $\alpha$ 增加，观点沿正确方向逐步接近真实情况。

这里的“方向正确”比日常所说的“猜对涨跌”更严格。它不是分别判断每只资产正负，而是要求整组收益预测沿着历史均值通往真实均值的方向移动。因此，这更像一个干净的理论接口：研究者先问，只要修正方向没走反，会发生什么。

关键不只是终点，而是靠近终点的过程

论文用 Sharpe ratio 衡量组合表现。Sharpe ratio 是单位波动所换来的超额收益，可以粗略理解为“每承担一份波动，赚到多少回报”。

作者首先给出一个几何解释：组合的 Sharpe 损失，可以理解为估计方向与真实方向之间的夹角。方向越偏，损失越大；两者对齐时，Sharpe ratio 达到最大。

更关键的结论是，当观点沿正确方向增强时，实现的 Sharpe ratio 单调上升。只要起点与终点不是共线的退化情况，这个上升还是严格的。曲线在最优点附近呈凹形，意思是早期修正通常更值钱：从明显错误走向大致正确，收益改善较快；已经很接近真相后，再追求精度，边际帮助会缩小。

论文还讨论了观点带来的小幅协方差误差。协方差描述资产之间如何共同涨跌。作者给出的扰动界表明，在规定的小误差条件下，这类偏差造成的 Sharpe 损失是二阶的。说白了，小误差不会立刻把方向信息的价值全部抹掉。

专家观点怎么进入模型

在 Markowitz 模型里，作者采用基于 KL divergence 的方法纳入观点。KL divergence——衡量两个概率分布差异的量——在这里像一条“少改动原则”：重新给历史样本分配权重，使调整后的分布满足专家给出的均值，同时尽量不偏离原始历史分布。

同一思路也被接入端到端模型。所谓端到端，是让神经网络直接从过去的市场数据输出组合权重，不先单独预测收益分布。论文用 likelihood ratio——新旧概率下同一样本相对权重的比值——改写训练所用的 Sharpe ratio，把观点直接织进优化目标。

实验中的神经网络是一层、16 个隐藏单元的 LSTM。LSTM 是一种处理序列数据的神经网络。模型读取过去一段时间的收益，输出下一天的多头、满仓配置。作者也试过全连接网络、CNN 和更大或更深的 LSTM，但没有得到更好的结果。

简单模型没有输给神经网络

实验使用印度 NSE 市场中按 2023 年末市值选出的 20 家大型公司。数据覆盖 2006 至 2025 年：2006—2023 年用于形成历史信息，2024—2025 年用于评价。Markowitz 与 LSTM 都限制为只做多，并扣除单边成交金额 20 个基点的交易成本。LSTM 对每个 $\alpha$ 训练 100 个随机初始化，表中报告平均结果。

两类模型都在观点刚开始变得有用时迅速改善，随后增益逐渐放缓。以净 Sharpe ratio 为例，$\alpha$ 从 0 增至 0.2 时，Markowitz 从 0.019 升至 0.638，LSTM 从 -0.021 升至 0.562；到 $\alpha =0.5$ 时，两者分别为 1.774 和 1.691。曲线整体相近，扣除成本后，LSTM 反而略逊于 Markowitz，尤其在中等观点强度时。论文认为，这与 LSTM 更高的换手有关。

配置行为也逐渐趋同。历史观点不变时，LSTM 的仓位随时间大幅调整；观点越有信息，它的变动越小，并靠近几乎恒定的 Markowitz 组合。观点增强后，100 次 LSTM 训练之间的表现差异也明显收窄。

真正值得关注的是接口变简单了

这项工作的价值，不是宣布经典模型战胜机器学习，而是把预测任务降维了。专家不必报出一个看似精确的收益率；机器学习信号也不必先回答“能赚几个百分点”。它们可以先提供相对更好、更差或修正方向，再由配置模型处理权重。

这条路径尤其适合主观判断与机器学习分类信号。它降低了输入精度要求，也可能减少“虚假精确”造成的极端押注。论文实验还提示：当高质量的前瞻信息已经进入模型后，复杂架构未必自动带来更好的净表现。信息本身可能比承载信息的模型更重要。

但“更稳”需要拆开看。论文证明的是 Sharpe ratio 对正确方向的信息单调改善，并对小扰动具有一定稳定性；实验中净波动率并未随观点强度持续下降。Markowitz 的净波动率从 $\alpha =0$ 时的 13.3% 上升到 $\alpha =1$ 时的 16.0%。所以，这里的稳健主要指配置不那么容易被估计误差带偏，而不是组合波动一定更低。

局限与未知

• 最大限制来自实验构造：观点用 2024—2025 年的已实现均值生成，$\alpha =1$ 更是完全准确、现实中事前不可获得的观点。作者明确把“如何实际产生这类观点”留给未来工作。
• 论文的方向性观点沿真实均值方向插值，不能直接等同于现实里粗糙的涨跌标签。专家或机器学习信号能否持续满足这一条件，材料没有验证。
• “简单模型与端到端模型表现相当”是这组印度大型股实验中曲线接近的观察，不代表经过统计检验确认等效，也不能外推为所有市场、时期和交易成本条件下都成立。