无约束优化中模型错位会使组合波动出现系统性偏差：垂直部分（与因子正交的残差收益）被赋予过高权重，而该部分风险被误判为零，导致实际组合波动显著高于优化目标。模型错位的核心在于，优化过程假设收益结构完全由因子解释，但现实中垂直部分包含未被模型捕捉的随机波动，这种误判直接扭曲了权重分配与风险收益特征。
垂直部分收益被高估权重的机制
在无约束优化下，模型通常将组合收益分解为因子收益（系统性部分）和垂直部分（残差收益）。当模型错位时，垂直部分的收益被错误地视为稳定且可预测，从而在优化中被赋予更高权重。例如，若模型遗漏了某个影响垂直部分的风险源，优化器会将其视为低风险高收益来源，大幅增加配置比例。实际中，垂直部分仍受市场微观结构、流动性冲击等因素影响，其波动率并非为零，这种高估直接抬高了组合的预期波动。
组合波动低于预期的假象与真相
优化目标通常假设垂直部分风险为零，因此输出组合的预期波动仅反映因子部分风险。这种假设导致优化结果呈现“低波动”假象，但实际运行中垂直部分波动会暴露，使组合实际波动高于优化目标。例如，若垂直部分真实波动率为5%，而模型误判为0%，优化组合的波动率可能被低估10%-20%。这种错位在极端市场环境下尤为明显，垂直部分可能集中释放风险，加剧组合回撤。
因子部分权重压缩与收益结构失衡
模型错位还会导致因子部分权重被压缩。为追求垂直部分的“低风险高收益”，优化器会减少对因子收益的依赖，使组合收益结构更依赖残差项。这造成收益结构失衡：因子部分提供稳定回报，但权重降低；垂直部分贡献波动，却占据主导。长期来看，组合风险收益特征偏离投资者预期——夏普比率可能虚高，但实际回撤更大，且难以通过分散化消除。
总结
无约束优化下模型错位使垂直部分风险被低估、权重被高估，导致组合实际波动高于优化目标，收益结构失衡。投资者应警惕优化模型对残差项的假设，通过约束条件或稳健估计来校正错位，避免风险收益特征的系统性偏离。
常见问题
如何判断模型是否存在错位？
对比优化目标波动率与实际回撤的偏差：若实际波动率持续高于优化目标10%以上，通常表明垂直部分风险被低估。也可通过残差序列的自相关检验来识别遗漏风险源。
垂直部分波动率一般有多大？
取决于资产类别和模型复杂度。对股票组合，垂直部分年化波动率通常在5%-15%之间；对债券组合，则多在1%-5%。具体数值需通过历史残差序列估算，且在不同市场环境下变化较大。
能否通过增加约束条件来改善？
可以。在优化中加入对垂直部分权重的上限约束（如不超过总权重的20%），或使用L2正则化（岭回归）压缩残差项，能有效降低模型错位的影响。但约束过严可能牺牲收益，需平衡风险与回报。