AI 投资前沿：多样化组合不能绕过换手成本

一篇最新的数理金融论文提醒投资 AI：组合多样化不只是漂移问题。在用 CRSP 数据校准的模型里，按排名变化的进入与退出形成了资本分布的行进波，而换手会吞掉再平衡收益的大部分。对开发者而言，结论很实际：如果多样化优化器没有显式建模维持目标权重所需的交易，它优化的并不是可执行的投资问题。

前沿信号

论文《Traveling Waves in Equity Markets with Rank-Based Entry and Exit》把股票视为几何布朗运动粒子，并让它们以取决于排名的强度进入或退出市场。在大量公司构成的极限下，资本化分布服从带反应项的扩散方程。论文在 CRSP 校准中得到双稳态反应项，并由此得到长期行进波。

作者指出，稳定市场的关键是换手，而不是漂移。结合测得的波动率后，该行进波可以追踪不同年代的经验资本分布，并决定多样化加权组合的资本化增长。但论文摘要同时给出重要限制：换手会收回再平衡收益的大部分。这是模型结果，不是实盘超额收益承诺。

为什么投资者在意

按多样化加权可以降低组合对最大公司的依赖，但它必须不断卖出上涨者、买入落后者，还要处理新公司进入和旧公司退出。回测可能展示更平滑的集中度，却把收益转移到了对成本高度敏感的交易流上。

因此，组合构建、风险预测和执行系统都应把市场机制纳入模型。组合求解器契约不能只规定目标权重和约束，也要说明维持这些权重的交易代价。决策知识层所强调的证据记录同样适用：每次再平衡都应保存预期组合收益、所需交易和实施负担。

技术解读

论文把公司层面的扩散、排名相关的进入退出反应，以及横截面资本分布分开处理。极限形式的反应—扩散方程把微观规则转化为宏观行进波。双稳态意味着系统存在竞争性状态，而行进波描述资本如何在状态之间移动。

开发者可以在优化器外增加一层模拟：生成具有现实排名迁移、波动、出生和死亡过程的公司；让优化器提出多样化目标；然后计算沿路径跟踪目标所需的换手。比较毛多样化收益、交易成本、集中度、容量和跟踪误差。这个框架也提示我们，不要把漂移当成稳定性的唯一来源，进入退出过程可能才是结构性力量。

现实校验

这是一项经过校准的数学模型，不是生产部署。CRSP 的校准结果不会自动适用于不同股票池、费用、税制、流动性和指数调整规则。换手也可能混合普通再平衡、公司事件、股票池变化和模拟时点等不同因素。

大量公司极限还可能隐藏离散手数、冲击成本、延迟、借券和拥挤交易等现实摩擦。能拟合横截面分布的行进波，仍然可能无法预测可执行路径。测试时应同时报告分布拟合、净实施结果、置信区间和样本外表现。

构建者要点

• 在组合模拟中加入按排名变化的进入、退出与迁移过程。
• 把换手设为状态变量，而不是最后才扣除的成本。
• 分开报告多样化毛收益、成本、容量、税费和跟踪误差。
• 检验学习型排名模型是否真正优于透明的迁移基线。
• 为每次再平衡记录预期收益、所需交易和实际滑点。

链接 / 来源

• Traveling Waves in Equity Markets with Rank-Based Entry and Exit — 2026 年 8 月 27 日提交的论文，介绍模型、CRSP 校准与换手结果。
• 组合求解器需要一份明确契约 — 关于显式优化约束的相关文章。
• 投资 AI 缺少的是决策知识层 — 关于证据与决策记录的相关文章。
• English companion — 同一信号的英文文章。

Read in English →