挑投资组合，难点不只是“平均能赚多少”，还要问：一旦撞上最坏的那小部分行情，平均会亏多少。CVaR正是衡量这种尾部损失的指标。但它的目标函数带有折角，梯度甚至会突然跳变，许多建立在平滑假设上的优化理论因此失效。
Ding、Sabanis与Zhang研究了SGLD——一种在随机梯度更新中主动加入噪声、借此搜索复杂目标的算法。他们没有强行把CVaR磨平，而是利用其几何结构，证明梯度仍满足线性增长、远处趋于凸以及单边Lipschitz等性质；这些条件中的常数不随资产数量增加，也不要求资产损失具有特定的概率密度。
最值得注意的是维度代价：作者给出的预期超额风险界，对资产数量的依赖基本为线性，而此前相关SGLD保证可能呈指数增长。换句话说，在样本数和迭代次数都有限时，这项分析能量化算法离目标还有多远。作者称，模拟Gaussian组合的实验呈现了预测的维度关系；其现实市场表现仍未在材料中披露。