你在周五收盘后拿到一份周三的“预测报告”，回测时却把它当成周二已经公开。组合表现会立刻变漂亮，但这不是投资能力，而是偷看答案。更隐蔽的问题是：模型还可能把多只股票共同承受的波动，当成各自独立、可以靠多买几只股票消掉的风险。
Alejandro Rodriguez Dominguez 的预印本《Admissible Portfolio Optimization》处理的正是这两类错误。传统均值—方差优化——在预期收益与波动风险之间选择资产权重——通常把信息当作给定输入。论文反过来问：在求最优权重之前，这套信息究竟有没有资格进入模型？
这项工作的关键不在于画出一条更高的有效前沿。有效前沿是“同等风险下预期收益最高”的组合集合。论文真正提醒我们：前沿不是脱离信息而存在的。投资者在决策时能合法、及时、可靠地知道什么，会直接改变它的位置。
先审信息，再配资产
论文把“信息表示”和投资组合绑成一对决策对象，但分两步处理。
第一步先签一份所谓的“决策合同”。它要在查看收益数据之前写明：模型准备支持哪一种论断、候选信息必须满足什么条件、允许怎样交易。随后，候选信息要依次过几道硬门槛。
首先是可用性。信息必须在下单时已经发布，不能混入事后数据，否则就会产生前视偏差。其次，扩大信息范围后仍要保持无套利，不能因为加入只有内部人掌握的内容，悄悄改变问题本身。再次，信息要实现统计分离：解释资产之间的共同波动后，剩余部分应当彼此独立。若模型还想作干预性判断，例如声称改变某个驱动因素会改变收益，那么条件收益规律还要在预先声明的不同制度或环境中保持不变。
这些条件不是可以用更高收益来补偿的评分项。论文采用词典序：像查字典一样，先比较最重要的条件，只有相同时才看下一项。风险、收益率和 Sharpe ratio 都不参与第一阶段。选出合格的信息类后，第二步才在其中运行经典的均值—方差优化，计算有效前沿、切点组合和资本配置线。
这个顺序很重要。若直接按投资损失挑信息，带有未来数据的候选项往往恰好表现最好。论文声称证明，只要候选集合含有前视信息，按决策损失选择信息的规则就会把它纳入。换句话说，回测成绩无法替代时间戳检查，因为“偷看答案”本来就会降低损失。
分散掉的到底是什么风险
论文还重新划分了共同风险和特有风险。共同风险会同时推动多项资产；特有风险主要属于单项资产，更可能通过分散持仓被抵消。
作者的思路是：先用合格的信息解释共同驱动，再观察剩余波动。若统计分离精确成立，剩余协方差是对角的，也就是各项资产的残余波动不再互相牵连。此时，可分散风险并不只由“持有多少只资产”决定，也取决于选中了哪一类信息。若把未解释的共同波动误塞进残差，模型就会高估分散化的效果。
但“统计上分开了”不等于“因果上可以干预”。因果识别要求数据能区分一起变化与真正的作用关系。论文声称，只有通过跨制度不变性检验的 interventional admissibility（干预可采纳性），这种风险划分才会在干预后保持稳定。为此施加更强约束可能牺牲静态配置表现。作者把这项代价称为 oracle price，并给出它与条件矩差异、信息搜索复杂度之间的权衡界限。
市场数据给了什么信号
论文使用六类资产集合和 127 个经济、金融候选驱动因素。作者报告称，在 individual equities（单只股票）上，统计分离条件有时可以达到：扩大候选搜索后，最大的残余跨资产相关性减半；但符合条件的信息类只出现在约六分之一的窗口中。
结果到了预先分散过的组合上便不同。对行业、规模、价值或动量组合，作者称分离条件无法达到，而且扩大搜索几乎不能降低残余依赖。论文的解释是：剩下的关联本身就是共同因子，不能再被当作个别噪声消掉。
即使精确分离失败，条件协方差仍可拿来构造最小方差组合。作者报告，这类组合的波动率与 linear shrinkage（把不稳定的样本协方差向更简单结构收缩）难以区分，低于样本协方差和主成分估计，同时换手率约低三分之一，杠杆也更低。不过模型施加的“残差协方差为对角”限制，会漏掉其所预测组合方差的大约七分之一，并使原本校准良好的风险模型落到置信区间之外。作者把这部分遗漏风险分解为三个来源：残余风险占比、持仓广度和平均残余相关性。
为什么值得关注
这篇工作的实务价值，是把一个常被藏在数据管线里的问题搬到优化器之前：组合权重再精确，也救不了错误的信息时点和错误的风险解释。它还区分了两件经常混在一起的事：一个信号能改善预测，不代表它在当时可用；一个变量能解释相关性，也不代表它支持因果干预。
对量化团队而言，这意味着信息审计不能只是回测后的合规附件。数据版本、发布时间、公开范围、残余相关和跨环境稳定性，都应在模型比较之前写进规则。否则，有效前沿可能只是“错误信息集上的最优解”。
局限与未知
- 目前证据来自作者的单作者 v1 预印本，未见同行评审或独立复现；理论定理和实证结果均属于作者自述。arXiv 页面标注提交日期为 2026 年 9 月 10 日，但编号通常指向 2026 年 10 月批次，元数据存在异常，因此不据此强调发布日期。
- 全文给出了部分关键结果，但现有材料没有完整列出市场样本区间、各资产集合的具体数量、显著性和样本外检验。所谓“波动率与 shrinkage 难以区分”等结论，仍需更完整的量化口径支持。
- 论文定义的因果识别是对预先声明制度的条件规律不变性要求。通过这套约束，不等于真实世界中的因果效应已经被普遍识别。