先别急着追最近的赢家
假设你在管理一个组合。最近一个月的行情变了，短回看窗口反应快；但再过一阵，短期波动消退，较长窗口又显得更稳。问题是，每次追着“更合适”的窗口调整组合，都可能带来新的交易。账面预测更准，不等于扣掉调仓成本后更划算。
Yi-Chen Liu 和 Chung-Han Hsieh 的论文《Cost-Sensitive Online Window Size Selection for Portfolio Management》，处理的正是这个问题：怎样在市场变化时动态利用不同长度的历史数据，同时把组合真正发生的换手算进决策与理论保证。
这里的回看窗口（lookback window），就是模型估计收益、风险或资产相关性时使用多长的历史。长窗口通常更稳，但反应慢；短窗口更灵敏，也更容易被噪声带偏。论文没有要求系统每期押中一个“最佳窗口”，而是让多个窗口共同参与，再动态调整它们的权重。
需要先说明：本文的方法、理论和实验数字均来自这一篇 arXiv 论文，尚无独立信源交叉验证。
窗口不是按钮，而是一组专家
论文采用两层框架。第一层为每个候选窗口分别构建投资组合。具体来说，每个窗口使用相应长度的历史数据，求解一个包含换手成本的 Markowitz 均值—方差模型。均值—方差模型会同时考虑预期收益和风险，在这里还会惩罚相邻时点之间的仓位变化。
第二层负责组合这些结果。论文把每个窗口视为一名“专家”：专家给出的不是一句涨跌判断，而是一组资产权重。系统再给各位专家分配聚合权重，把它们的建议加权成最终持仓。
这一区分很重要。所谓“动态选择窗口”，并不等于每期只挑一个窗口。更准确的说法是：系统持续调整多个窗口的混合比例。就像一个委员会不会每次都解雇其他成员，而会根据近期表现改变每个人的话语权。
论文使用的评价标准是 turnover-inclusive loss，即包含换手成本的损失。某个窗口即使预测表现不错，如果它频繁大幅改仓，损失也会因交易成本而增加。这样可以避免模型只按毛收益追逐那些看起来灵敏、实际可能很费钱的方案。
真正容易漏掉的，是“混合动作”本身
只计算每位专家自己的交易成本，还不够。
原因是，最终组合由专家加权而成。即使各位专家都维持原有持仓，只要系统改变了专家权重，最终持仓也可能发生变化，并产生换手。例如，长窗口专家偏重一组资产，短窗口专家偏重另一组资产；系统把话语权从前者移向后者，本身就是一次调仓。
这正是论文的关键切入点：它不仅把各专家的换手写进损失，还在 regret 的分析中计入聚合组合自身的换手。
regret 通常译作“遗憾”。它不表示投资者的情绪，而是比较两笔累计损失：在线算法实际承担了多少，某个事后才知道的基准又承担了多少。差距越小，说明算法长期没有严重落后于基准。
论文研究的是 tracking regret。这里的基准不是从头到尾固定追随一名专家，而是允许在给定的切换预算内更换专家。换句话说，基准可以在不同市场阶段采用不同窗口，但不能无限次跳来跳去。切换预算为零时，它就退化为 static regret，也就是只和事后最好的固定窗口比较。
作者给出了有限期限、成本敏感的 tracking-regret bound——可理解为累计差距的理论上界。这个界明确包含交易成本率、基准允许切换的次数，以及聚合组合的换手。论文还证明，附加换手项的系数在其设定下是 sharp 的，即无法对所有允许的专家组合和聚合规则统一压得更低。
Hedge 求稳，Fixed Share 追踪变化
论文分别使用 Hedge 和 Fixed Share 更新专家权重。
Hedge 是一种指数加权方法：包含成本后的历史损失越低，专家此后的权重通常越高。它主要与事后表现最好的固定专家竞争，适合 static regret 的场景。
Fixed Share 在指数更新之后多做一步：拿出一小部分权重，在全部专家之间重新分配。这样，即使某位专家此前表现很差，也不会被彻底清零。一旦市场环境变化，它仍有机会较快重新获得权重。这一步是为追踪“领先者会换人”的环境准备的。
学习率控制系统追逐近期表现的速度；混合参数则控制为其他专家保留多少机会。论文给出的上界会随交易成本率和切换预算变化，因此参数选择也应考虑成本，而不是只看预测损失。
在损失和成本率有界、参数适当调节的条件下，如果允许基准切换的次数随时间增长得足够慢，也就是切换预算是次线性的，论文证明 Fixed Share 可达到渐近 no tracking regret。意思是累计遗憾除以期数后趋近于零，并不是算法不会亏损，也不是交易成本会消失。Hedge 则覆盖不允许基准切换的静态情形。
实验给出的是取舍，不是通吃
论文先构造了一个包含明确制度切换的合成市场：32 只人工股票、2,000 个交易日，市场在中点改变生成机制，交易成本率设为 10 bps，即 10 个基点。在这项实验中，Fixed Share 比 Hedge 更快把权重转向新的主导窗口专家。这与两种更新规则的设计直觉一致。
历史数据实验使用了 DJIA 和 S&P 500 股票池，并与 UP、EG、PAMR、CWMR、OLMAR 等在线组合方法比较。论文表格显示，在 DJIA 样本中，Hedge 和 Fixed Share 的最大回撤幅度小于所列基线，但 UP 和 EG 的累计收益更高。例如，Hedge 的累计收益为 41.6977、最大回撤为 -12.6326；UP 分别为 48.9870 和 -20.3914。
S&P 500 样本呈现另一种取舍：Hedge 和 Fixed Share 的累计收益高于所列基线，但回撤幅度大于 UP 和 EG。Hedge 的累计收益为 578.6997、最大回撤为 -56.0818；UP 分别为 205.2483 和 -38.3269。论文把这些结果概括为不同样本中的收益—回撤权衡，而不是某种方法全面胜出。
为什么值得关注
这项工作的价值，不只是又提出一种调参办法。它提醒组合管理者：模型层面的选择也会制造交易。
如果系统只比较不同窗口各自的预测或持仓表现，却忽略聚合权重变化带来的调仓，理论中的“低成本”可能与实际执行脱节。论文把这部分摩擦放进同一个在线学习框架，并让理论上界直接反映成本率和切换预算。这样一来，“反应更快是否值得”不再只是经验判断，而成为可以明确分析的取舍。
它也把窗口选择从一次性的模型设定，改写成持续更新的问题。市场环境会变化，历史数据该看多远未必有永久答案；但适应变化本身有价格。把两件事放在一起，才更接近真实组合管理。
局限与未知
- 实证结果来自论文自身，材料没有提供统计显著性，也不足以说明该框架能在真实市场稳定提高收益或降低换手。
- 文中的成本敏感设定使用换手和比例成本。它不等于已经覆盖滑点、市场冲击、税费等全部交易摩擦。
- 渐近无 tracking regret 依赖损失与成本率有界、参数适当调节及次线性切换预算等前提。它是相对指定专家序列的理论保证，不是无亏损或现实绩效保证。