DeMiguel, Garlappi & Uppal (2009) —「Optimal Versus Naive Diversification: How Inefficient is the 1/N Portfolio Strategy?」

一句话：14 个组合优化模型（样本均值-方差、Bayes-Stein、约束版、三基金等）在 7 个数据集上与「等权 1/N」对比，用夏普、确定性等价收益、换手三个标准衡量——没有一个稳定胜过 1/N；要让均值-方差组合在样本外胜出，25 资产需要约 3000 个月估计窗口、50 资产需要约 6000 个月，而实践里通常只用 60 或 120 个月。

大白话

马科维茨均值-方差优化在样本内总是最优的——它就是用同一批数据算出来的。问题是权重对输入（预期收益、协方差）的估计误差极度敏感：估错一点，权重就剧烈摆动，卖「优化」赚到的分散化好处还不够付估计误差的代价。这篇论文把「到底有多严重」量化了：

• 横向比：14 个为对付估计误差而设计的模型（收缩、贝叶斯、约束、多先验、基金组合……）逐个与 1/N 对比，三个指标无一稳定占优
• 纵向算：推导出「估计窗口多长才能让优化赢」的解析式——答案的量级是几个世纪的月度数据

论文立场刻意中立：不是说 1/N 是好策略，而是说 1/N 是个公平的基准——任何优化模型连它都打不过，就谈不上「优化」。结论是「最优组合选择承诺的好处，离在样本外真正实现还有很多英里」（miles to go）。

关键设计

14 个模型（Table 1）：样本均值-方差 (mv)、Bayes-Stein (bs)、Bayesian Data-and-Model (dm)、最小方差 (min)、价值加权市场组合 (vw)、MacKinlay-Pástor 缺失因子模型 (mp)、各约束版 (mv-c / bs-c / min-c / g-min-c)、Kan-Zhou 三基金 (mv-min)、最小方差与 1/N 混合 (ew-min)、Garlappi-Uppal-Wang 多先验。

7 个数据集（Table 2，月度收益）：S&P 500 十板块、十行业组合、8 国国际指数、MKT/SMB/HML、FF 20 个规模-价值组合 + 1/3/4 因子。

三个评价标准：样本外夏普（Jobson-Korkie 检验比较显著性）、确定性等价收益 (CEQ)、换手率。

代表性数字（S&P Sectors 数据集，月度夏普）：样本内均值-方差 0.3848，1/N 0.1876——样本内优化几乎翻倍；样本外均值-方差掉到 0.0794，还不如 1/N。International 数据集更极端：样本内 0.2090 → 样本外 −0.0332。

关键窗口长度的解析结果

临界窗口长度 M^*_{mv} 是资产数 N、切点组合的事前夏普 S^* 与 1/N 夏普 S_{ew} 的函数。校准到美股数据后的结论：

模拟还给出三个利于优化的条件：窗口长、S^* 显著高于 S_{ew}、资产数少（参数少则估计误差小，且 1/N 的分散化收益也小）。唯一在夏普上稳定打赢 1/N 的是 Jagannathan-Ma 约束最小方差——但 7 个数据集里只赢 1 个显著，CEQ 从不显著占优，换手永远更高。

对结果的边界：资产是股票组合而非个股（组合的特质波动低，naive 分散化的损失本来就小）；模拟显示只有特质波动极高时优化才会胜出。所以结论不应读成「优化理论错了」，而是「在股票组合配置这个常用场景里，估计误差压倒了优化收益」。

与本 wiki 的关系

• 本文是 马科维茨诅咒 的系统定量版——Black-Litterman (1992) 诊断了敏感性、给出了均衡先验的解法；本文用 14 个模型的横向对比把「问题有多大」钉死
• 对收缩估计（Covariance Shrinkage）的适用边界给出基准：任何估计改进都要先过 1/N 这一关

相关

• Black-Litterman 模型 — 诊断同一问题的解法路线
• 马科维茨诅咒
• Fischer Black — Black-Litterman 1992
• Fama & French 1993 — 测试数据集的来源